首页 > 文献资料
-
基于时间序列数据的北京市卫生筹资水平、构成趋势研究
目的:分析评价北京市基于时间序列的卫生筹资总额、结构变化等.方法:卫生总费用筹资来源法.结果:2000-2016年北京市卫生筹资总额从166.72亿元增长到2048.99亿元,平均增长速度为13.00％,人均卫生总费用从1 222.65元增长到9 429.73元,卫生总费用占GDP的比重从5.27％增长到7.98％,城乡居民就医负担总体呈下降趋势,但城乡差异较大.结论:北京市卫生总费用变化体现宏观政策变化,社会卫生支出高速增长,政府对卫生筹资贡献的影响力减弱,个人现金卫生支出占总筹资比重下降,城乡居民就医负担有所缓解.建议:保证政府卫生投入的可持续性,规范发展商业健康保险,引导社会资本流入医疗,拓宽社会筹资渠道,控制个人现金卫生支出占比.
-
应用ARIMA模型和圆分布分析病毒性脑炎病例数动态规律
目的 探讨构建并应用自回归求和移动平均模型结合圆分布法分析病毒性脑炎病例数动态规律的时间序列模型方法.方法 建立2001年1月至2011年12月病毒性脑炎逐月病例数的数据库.应用圆分布法分析发病高峰.建立2001年1月至2010年12月自回归求和移动平均模型的季节乘积模型ARIMA(p,d,q)×(P,D,Q)s,并利用模型预测2011年各月的病毒性脑炎病例数.结果 圆分布法分析显示各年度病毒性脑炎病例数多发生于7月份,病例数高峰在7月28日,具有明显的集中趋势(P＜0.001)；建立ARIMA(1,1,1)×(0,1,1)12为优模型,该模型Ljung-Box Q statistic值为16.628,P值为0.342,Normalized BIC为6.590.结论 ARIMA乘积模型结合圆分布法是病毒性脑炎进行时间序列分析的重要方法；应用该方法对病毒性脑炎流行趋势及病例数进行预测,为卫生资源合理分配,采取开展健康教育和干预措施提供科学依据.
关键词： 病毒性脑炎 时间序列 自回归求和移动平均模型 圆分布 -
ARIMA模型在婴儿死亡率预测中的应用
目的 探讨应用自回归滑动平均混合模型(autoregressive integrated moving average,ARIMA)预测婴儿死亡率的可行性.方法 运用SPSS 16.0对1991-2012年山西省妇幼卫生年报婴儿死亡率建立ARIMA模型,用所建模型比较预测值与实际值差异,并预测2013-2015年山西省婴儿死亡率.结果 模型ARIMA(1,2,0)较好地拟合了既往时间段的婴儿死亡率的时间序列,模型自回归参数AR1=-0.754,P＜0.01,有统计学意义,赤池信息准则(AIC) =68.213,许瓦兹贝叶斯准则(SBC)=70.204,模型残差为白噪声(P＞0.05),模型数学函数式为Yt=0.067+1.246Yt1+0.508Yt-2-0.754Yt3,利用模型预测2013-2015年婴儿死亡率分别为4.77‰、4.32‰、3.96‰.结论 ARIMA模型能够较好地拟合婴儿死亡率的时间变化趋势,并用于短期预测未来婴儿死亡率.
-
ARIMA模型在细菌性痢疾预测中的应用
目的 构建北京市昌平区细菌性痢疾月发病的ARIMA模型,为防控工作提供依据.方法 应用SPSS 18.0软件分析2004-2010年北京市昌平区细菌性痢疾月发病数资料,构建ARIMA乘积模型,并预测2011年细菌性痢疾月发病数.结果 优乘积模型为ARIMA(1,0,0)(1,1,1)12,模型具有较高的预测精度,预测值与实际值基本吻合,且实际值均在预测值可信区间范围内.结论 ARIMA模型能够应用于北京市昌平区细菌性痢疾流行趋势的预测及疫情的预警、预报,为实施干预提供依据.
-
马尔可夫链计算方法在流行性出血热疫情预测预报中的应用
按时间顺序排列的随机变量的一组实测值称为时间序列.对时间序列的深入研究属于概率论的重要分支--随机过程的范畴[1].而当参数集合为非负整数集时,随机过程又称随机序列.马尔可夫(Markov)链就是一类特殊的随机序列[2].笔者应用马尔可夫链的计算方法,对周宁县1973～2002年流行性出血热(EHF)流行水平进行分析,并预测预报未来5年的发病趋势和发病率,为控制EHF流行提供科学依据.
-
舟山市2009-2015年流感样病例发病趋势时间序列分析
探讨应用时间序列模型对舟山市流感样发病趋势进行预测,为控制流感的流行提供科学依据.对舟山市2009年6月至2015年6月年流感监测哨点医院监测资料分析,应用时间序列拟合模型,并对2015年7～11月进行预测,将预测值与实际值比较.结果显示,确定模型为AR (3),xt=0.619×x(t-1)+0.322×x(t-3).参数估计结果差异有统计学意义(P＜0.05).预测值的动态趋势与实际趋势较吻合.AR (3)能较好地拟合预测舟山市短期流感样病例发病趋势,可为流感防控提供科学依据.
-
ARIMA模型在我国食物中毒事件预测中的应用
利用我国食物中毒报告信息,对食源性疾病中食物中毒事件报告与发生变化趋势进行预测预警,为保障食品安全,预防中毒事件发生提供依据.通过对2008-2011年全国食物中毒报告资料的动态分析,构建时间序列ARIMA模型,并对2012年6月到2013年食物中毒发生情况进行预测.拟合我国食物中毒事件报告起数ARIMA(1,1,0)(1,1,0)12模型,预测近半年内食物中毒报告起数,与实际情况趋势一致,实际发生与预测结果基本相同,全部预测值均在95％预测区间内.由预测结果可见,今年我国食物中毒报告仍将以第三季度内发生起数居高,略高于2011年；2013年食物中毒事件发生情况高峰稍高于今年,但不会出现大幅度的改变,季节周期与前几年的基本相近.我国食物中毒事件趋势预测以ARIMA模型预测效果好,符合我国食物中毒事件发生及变化规律,预测结果可为我国食品安全预测预警提供依据.
-
上海市闵行区日均气温对居民日死亡的影响
目的 研究上海市闵行区日均气温与居民死亡的关系.方法 应用广义相加模型(GAM)分析时间序列资料,在控制了与时间有关的中长期趋势、星期效应、大气污染等混杂因素的基础上,拟合二次函数分析了上海市日均气温与闵行区居民死亡的关系.结果 2002-2004年闵行区总死亡人数为13 919人,平均每日死亡12.70人.从各年代数据来看,日死亡人数及其他多数相关指标年平均值在3年间变化不大或多呈波动变化.只有SO2的年平均值从2002年到2004年连续增高.根据各温度点对应的气温每改变1℃居民死亡的相对危险度(RR)及95%CI,求得适温段为11.67℃～20.71℃.随着气温的升高和降低而偏离适温段时,每日居民死亡增加.结论 目前上海市日均气温偏离适温度段时,气温变化对居民死亡有影响.
-
北京市气温与脑卒中发病关系的时间序列研究
目的研究周平均温度与脑卒中发病的关系.方法采用时间序列的Poisson广义相加模型(GAM),在控制了长期趋势、季节趋势和周平均湿度以后,研究周平均温度与脑卒中发病人数的关系,并按年龄、性别、既往病史和脑卒中类型等进行分层分析.结果低温是诱发北京市脑卒中发病的主要气象因素,当周平均温度<8.5℃时,脑卒中的发病率开始高于基线发病率,并随着温度的降低而升高.低温对既往无脑卒中发病史的女性或≥65岁者的影响更大,而高温对既往有脑卒中发病史的女性或<65岁者的影响更大;低温对不同类型脑卒中发病均有影响,高温仅对缺血性脑卒中发病有影响.结论周平均气温对不同年龄、性别和既往有无脑卒中病史人群的脑卒中发病影响存在差异,对不同类型的脑卒中发病影响也有所不同,建议采取各有侧重的预防措施.
-
ARIMA模型在海南省2014-2017年居民自杀死亡率中的应用
目的 分析海南省居民自杀报告死亡率变化趋势,探索时间序列模型在自杀死亡率预测中的应用.方法 应用时间序列模型拟合海南省2014年1月至2016年12月自杀死亡率资料,并预测该地区2017年1-6月的自杀死亡率.结果 海南省2014年1月至2017年6月该地区报告自杀死亡576人,平均死亡率为1.5/10万;所建立的ARIMA模型较好地拟合了既往时间序列的自杀死亡率,预测值的动态趋势与实际值基本一致,2017年1-6月的实际值均在预测值95％的可信区间范围内.结论 确定海南省自杀死亡率的时间序列模型为“ARIMA(0,1,0)(0,0,0)12”,且模型的预测效果较好,可以用来预测海南省因自杀导致的死亡情况.
-
香港1997-2008年甲型流感季节性波动与气候因素的相关性分析
目的 研究香港地区甲型流感的人群季节性波动与气候条件的相关性.方法 收集1997-2008年香港地区甲型流感病毒监测资料和相同时期的气候因素,采用广义相加模型(GAM),控制混杂因素,探索气候因素对甲型流感的人群季节性流行的潜在影响,同时对这种影响效应进行定量估计.结果 甲型流感的人群季节性波动与气候的相关关系比较复杂,所拟合的非线性效应经x2检验具有统计学意义(P＜0.05).4种气候因素的影响效应表现为从高到低、再逐渐地回升中等的趋势,流感发生率低时对应的气候因素值域分别是平均气温(17.95 ～24.10)℃、相对湿度(71.5～78.5)％、平均风速(18.3～24.0)km/h与绝对湿度(4.37～4.80) mb.结论 甲型流感的人群季节性波动与平均气温、相对湿度、平均风速和绝对湿度之间存在复杂的相关性.
-
肾综合征出血热流行病学数学模型展望
肾综合征出血热(HFRS)流行病学研究从传统的经验性发展到理论性,数学模型已成为不可缺少的手段和工具,应用数学模型对HFRS发病率进行分析预测,目前主要采用的方法有:第一,时间序列模型预测.
-
求和自回归滑动平均模型结合圆分布法分析脑卒中死亡率动态规律
通过1999年1月至2006年12月天津市脑卒中逐月死亡率数据,应用圆分布法探讨脑卒中死亡率的季节分布,动态变化规律,建立监测与预测的时间序列模型.通过模型辨识、参数估计及其检验、白噪声检验、模型的拟合度分析等过程,建立求和自回归滑动平均模型(ARIMA)的季节乘积模型(P,d,q)(P,D,Q)s.脑卒中死亡率以年为周期,一年中1月为高发月份.建立ARIMA(0,1,0)×(0,1,1)12:模型:(1-B)(1-B12)lnx1=0.001+(1-0.537B12)εt.结论:ARIMA乘积模型结合圆分布法是对脑卒中死亡率进行时间序列分析的重要方法;应用该方法可对脑卒中流行趋势及死亡率进行预测,为卫生资源合理分配、公共卫生政策计划制定和防治结果考核提供科学依据.
关键词： 脑卒中 死亡率 时间序列 求和自回归滑动平均模型模型 圆分布 -
上海市气温变化对医院急诊人次的影响
目的 研究上海市日均气温与三级医院医保急诊人次的关系.方法 应用广义相加模型分析时间序列资料,并在模型中加入自回归模型AR(P)处理时间序列资料自相关的问题,在控制了与时间有关的中长期趋势、星期效应、节假日效应、SARS事件、大气污染等混杂因素的基础上,拟合二次函数结合导数原理分析上海市2002-2004年间日均气温与三级医院医保急诊人次的关系.结果 当气温低于14.71℃时,气温每升高1℃对应急诊人次增加艘值的95%C/均小于1;当气温高于19.59℃时,气温每升高1℃对应急诊人次增加RR值的95%CI均大于1;而在温度段为14.71～19.59%,气温每升高1℃对应急诊人次增加RR值的95%CI包含1,称之为"适温度段".结论 目前上海市日均气温偏离适温度段时,气温变化对三级医院医保急诊人次有影响.
-
中国66个县/区日温差对人群死亡影响的时间序列研究
目的 了解中国不同城市日温差对居民死亡风险的影响.方法 用时间序列方法分析中国66个县/区日温差与居民日死亡数的关系,利用Meta分析方法整合不同县/区的结果.在调整季节、年龄、性别和死亡地影响后,以累计超额危险度(CER)为指标,分析极端日温差对死亡的影响.结果 研究共收集1 260 913例死亡信息,北部、中部和南部县/区的日均死亡人数分别为6.1、9.7和10.7人,日温差均值为11.1、8.0及8.2℃.在全国范围内,日温差与居民死亡存在非线性关系,其暴露-反应曲线呈J形,即极高日温差存在显著死亡风险(大CER=3.6％,95％CI:1.9％～5.3％),而极低日温差的死亡效应差异无统计学意义;且极高日温差对人群的死亡风险有明显的时空异质性,对中部县/区人群的影响(CER=5.1％,95％CI:2.4％～ 7.9％)大于南部(CER=4.5％,95％CI:1.7％ ～ 7.3％),在冬春季的效应高于夏秋季;老年人(≥75岁)为极高日温差的脆弱人群.结论 极端日温差对人群的死亡风险存在时空异质性,不同县/区的极高日温差均对居民死亡风险造成影响.对中部的影响高于南部和北部,冬春季的影响强于夏秋季,对老年人等脆弱人群影响大,应因时因地制定政策保护脆弱人群.
-
应用SARIMA模型预测医院出院人次
目的：对医院出院人次进行预测分析，旨在为医院科学管理提供参考依据。方法对某院2006年1月-2014年12月的出院人数进行SARIMA模型的建模拟合，利用2015年1月-12月的出院人数对模型进行检验，然后利用所建立的模型预测2016年的出院人数。结果 SARIMA（2,1,1）（0,1,1）12（不含常数项）是该院出院人数的优拟合预测模型，模型的R2=0.956，贝叶斯信息准则（BIC）为9.05；模型的平均相对误差绝对值为3.60%；2016年的出院人数预测值为22111。结论出院人数具有季节变动及长期增长趋势，SARIMA模型对于短期的医院出院人数预测具有较强的实用价值，可以为科学管理提供参考依据。
-
某三级甲等医院2007年-2015年门诊量变化趋势分析
目的 通过对某三级甲等医院门诊量数据进行分析,掌握门诊量的动态变化和季节性变化规律.方法 主要采用动态数列指标和时间序列数据季节指标分析法,分析2007年-2015年门诊量年度、季度、月度、星期变化规律.结果 门诊量呈逐年增加的趋势,平均发展速度为121.40%;门诊量各季度季节指数以第1季度低(87.18%),第3季度高(105.59%);门诊人数各月季节指数以2月低(73.18%),7月高(110.00%);门诊量从周一至周日呈下降趋势,季节指数周一高(130.68%),周日低(56.03%).结论 医院门诊量呈逐年增加的趋势并具有明显的季节性和周期性变化特点,管理部门应根据门诊量变化规律合理进行医疗资源的优化配置,通过在高峰期增加门诊人员和医疗设备,在低谷期安排医务人员外出学习休假,增加专家号等方式提高门诊服务质量.
-
预测医院出院人数时ARIMA模型的选择与效果评价
目的 探究运用Eviews软件时间序列函数,构建医院出院患者数的预测模型及其意义,选择准确预测医院未来医院出院人数的方法.方法 运用Eviews 6.0软件将具有趋势性及季节性周期变化的出院患者数时间序列数据进行对数及一阶差分变化,保证时间序列变为平稳序列,之后构建时间序列模型,并运用一系列评价指标及残差白噪声检测方法来判断模型的优劣,选出优预测模型,评价其预测价值.结果 采用ARIMA乘积季节模型较于其他模型能够更精确的预测出院人数,2014年实际出院人数与预测人数进行对比验证,平均预测误差为11.3%.结论 对几种预测方法的综合比对,选用ARIMA(p,d,q)(P,D,Q)S模型能够更精确的预测医院出院人数,且有助于实现医院管理从事中事后管理向事前管理模式的转变.
-
2010年-2016年某院门诊人次季节趋势预测
目的 研究某医院门诊人次季节变动规律并进行趋势预测,为医院管理决策提供科学依据.方法收集某医院2010年-2016年门诊人次,采用时间序列分析方法进行季节变动分析及趋势预测.结果 第一季度呈现低谷,季节比率为96.82%,第二季度呈上升趋势,季节比率为101.01%,第三季度达到高峰,季节比率为104.01%,第四季度出现回落,季节比率为98.14%;通过趋势预测,2017年四个季度的预测值及预测值范围依次为168 693(153 889～183 496)人次、179 160(164 356～193 964)人次、187 757(172 953～202 560)人次、180 246(165 442～195 050)人次.结论 医院门诊人次存在季节变动规律,可依据预测值,做好高峰期的医疗资源储备工作,安排好低谷期医务人员外出学习、进修工作.
-
应用自回归移动平均模型预测医院出院人数
目的 探讨自回归移动平均模型(ARIMA)在某院出院人数预测中的应用,从而为医院的科学管理决策服务.方法 对某院2000年-2013年的月出院人数数据进行收集,将2000年-2012年的数据用于建立ARIMA模型,2013年数据用于验证所建立的模型,所建模型预测2014年出院人数,统计软件采用SPSS17.0.结果 建立的ARIMA(0,1,1)(0,1,1)12模型具有较高的拟合度,预测的2013年出院人数各月相对误差为0.27％～15.68％,全年出院人数平均相对误差为4.86％,预计2014年出院人数为68,880人次.结论 ARIMA模型适用于出院人数的预测,对于出院人数变化规律的分析有较好的适应性,但在预测远期数据时则应综合多方面因素.
