ARIMA模型在传染病发病率预测中的应用

　　32  时间序列分析与因果回归分析的比较时间序列分析克服了因果回归分析法中预测对象的影响因素难以掌握和数据资料不易得到的难题，利用任何事物的发展都具有一定惯性(即延续性)的原理，建立时间序列模型，以达到预测未来的目的。其过程简便、经济、适用，短期预测精度较高［6］。

　　33  ARIMA模型应用中的注意事项ARIMA的应用前提是时间序列的平稳性，实际工作中数据往往是非平稳序列，需对序列进行预处理，使之达到平稳的要求；如果模型中含有季节因素，则至少应有7或8个季节周期的数据对季节参数进行估计。若序列太短，则可靠性较差；如果所研究对象的惯性趋势发生了很大的改变(例如对主要传染病采取了新的防治措施，或有新的传染病传入)，则需要积累新的数据对模型进行修正甚至重新拟合。

　　参  考  文  献

　　1  丁宁銮，唐家琦，王洁贞ARIMA模型在发病率预沿的应用中国医院统计，2003，10(1)：23~26

　　2  温亮，徐德忠，林明和，等应用时间序列模型预测疟区疟疾发病率第四军医大学学报，2004，25(6)：507~510

　　3  张蔚，张彦琦，杨旭时间序列资料ARIMA季节乘积模型及其应用第三军医大学学报，2002，24(8)：955~957

　　4  张文彤SPSS统计分析教程北京：北京希望电子出版社，2002，250~289

　　5  孙振球，徐勇勇医学统计学北京：人民卫生出版社，2002，251~271

　　6  钟朝晖，刘达伟，张燕重庆市主城区人口死亡率的时间序列分析中国公共卫生，2003，19(7)：796~798