ETS和SARIMA流行趋势中的性能比较模型在预测北京市猩红热

收集2004—2019年北京市猩红热月发病人数和人口学资料,采用描述性统计方法和Joinpoint回归调查猩红热的流行病学变化趋势。北京市猩红热发病的平均年度百分比变化为(AAPC=1.866,95%CI:-2.968~6.941;t=0.816,P=0.428),流行趋势总体保持稳定,每年的4—6月和11—12月为发病高峰,呈双季节模式。最优SARIMA模型和最优ETS模型预测的平均绝对误差(MAD)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)、平均误差率(MER)、方根百分比误差(RMSPE)五个误差指标分别为0.586、0.623、0.751、0.296、0.785和0.318、0.282、0.438、0.282、0.338,可见ETS模型的预测准确性高于SARIMA模型,可用来对北京市猩红热流行趋势进行预测预警,从而为猩红热动态精准化防控提供参考依据。

基于指数平滑状态空间模型预测河南省猩红热发病趋势

目的探索指数平滑状态空间模型(ESSS)在河南省猩红热发病率预测中的应用,为未来猩红热防控工作提供科学依据。方法收集2004年1月至2018年12月河南省猩红热发病时间序列,使用2004年1月至2017年12月的数据建立ESSS模型和季节性求和自回归滑动平均混合模型(SARIMA),并将它们的拟合及预测性能进行比较。结果SARIMA(1,0,0)(0,1,1)12和ESSS(M,AD,M)模型被识别为最佳的拟合模型,并使用它们分别对2018年的月数据进行预测。比较发现,ESSS(M,AD,M)模型的拟合和预测值的均方根误差、平均绝对误差、平均误差率、平均绝对百分比误差和均方根百分比误差均小于SARIMA(1,0,0)(0,1,1)12模型,特别在预测方面,上述指标的值更小。结论ESSS模型在预测猩红热发病序列方面优于SARIMA模型,其可以作为一种有效的工具对猩红热未来的流行模式进行预测。

EEMD⁃SARIMA⁃ETS组合模型在河南省人布鲁氏菌病发病趋势预测中的应用

目的探索集成经验模态分解(EEMD)⁃季节性差分自回归滑动平均(SARIMA)⁃基于状态空间的指数平滑(ETS)组合模型在人布鲁氏菌病发病趋势预测中的应用。方法采用周期分解法分解2005—2019年河南省人布鲁氏菌病的发病趋势和季节模式;采用EEMD方法分解序列包含的不同时间尺度本征模态分量(IMFs)和剩余分量,将数据划分为训练集(2005—2018年)和测试集(2019年),采用ETS和SARIMA模型分别模拟IMFs和剩余分量,构建EEMD⁃SARIMA⁃ETS组合模型,并将其预测准确性与单一SARIMA和ETS模型进行比较。结果2005—2015年河南省人布鲁氏菌病发病率呈上升趋势(APC=53.26%),2016—2019年呈下降趋势(APC=-18.65%),发病高峰在每年的3—6月。获得河南省人布鲁氏菌病发病的最优模型:ETS(A,AD,A)、SARIMA(2,1,3)(0,1,0)12,及由最佳ETS、SAR1MA模型构成的EEMD⁃SARIMA⁃ETS组合。EE⁃MD⁃SARIMA⁃ETS组合模型平均绝对百分比误差(10.36%)<ETS模型(16.20%)<SARIMA模型(27.31%),平均绝对误差、均方根误差、平均误差率和均方根百分比误差同样也小于单一的ETS和SARIMA模型。结论河南省人布鲁氏菌病是季节性疾病,EEMD⁃SARIMA⁃ETS组合模型能准确地预测其流行趋势,可为人布鲁氏菌病精准化动态防控提供参考。

汶川地震与时变BETA——基于行业指数的实证研究

文章从时变BETA的角度,研究了汶川地震对我国资本市场的影响。基于证监会行业指数,文章首先利用状态空间模型中平滑的方法估计了2003—2011年23个行业的时变BETA,然后通过引入汶川地震及之后的时间段作为哑变量构建回归方程,用于研究汶川地震对行业指数时变BETA的影响。研究发现,汶川地震对于各行业指数的时变BETA都有显著影响,但是影响的途径、大小和方向在各行业间存在差异。

中国城镇劳动力价格演变趋势分析

对中国城镇平均劳动力价格以及不同所有制单位、不同行业、不同地区劳动力价格的结构特征进行统计分析,构建了劳动力价格相对溢价(折价)指标,分析了不同所有制单位和行业之间劳动力价格的变动趋势,并使用了指数平滑状态空间模型以及三次样条模型对未来劳动力价格进行预测。研究表明:中国劳动力价格快速上涨,但仍处于较低水平;相对于2000年,国有单位劳动力价格处于溢价状态;行业间劳动力价格差距在扩大,而地区间差距在缩小;2015年中国城镇平均劳动力价格预计达到年均6.3万元。

7种时间序列模型对全国肾综合征出血热发病率预测效果比较

目的比较7种常用时间序列模型对全国肾综合征出血热(HFRS)发病率拟合及预测的效果,为优化HFRS预警方法提供参考。方法以2004年1月-2017年6月全国HFRS发病率作为训练数据,建立乘积季节自回归移动平均模型(SARIMA)、指数平滑模型(ETS)、时间序列线性模型(TSLM)、自回归神经网络模型(NNAR)、指数平滑空间状态模型(TBATS)、时间序列3次样条平滑模型(TSSPLINE)和时间序列广义回归模型(TSGRNN),并预测2017年7-12月全国HFRS发病率。以2017年7-12月全国HFRS发病率作为测试数据,比较拟合值与训练数据、预测值与测试数据评价模型拟合及预测效果,评价指标包括平均绝对误差百分比(MAPE)和均数标准差(RMSE)。结果SARIMA(0,1,4)(2,1,1)_([12])为SARIMA最优模型,NNAR(16,1,8)_([12])为NNAR最优模型。SARIMA、ETS、TSLM、NNAR、TBATS、TSSPLINE和TSGRNN模型拟合的MAPE、RMSE分别为11.46%、0.01,10.25%、0.01,33.91%、0.03,1.84%、0.00,8.92%、0.01,10.82%、0.01和22.29%、0.02。SARIMA、ETS、TSLM、NNAR、TBATS、TSSPLINE和TSGRNN模型预测的MAPE、RMSE分别为20.51%、0.03,17.22%、0.02,55.27%、0.03,36.27%、0.05,18.03%、0.02,118.82%、0.05和38.71%、0.04。结论TBATS为最优预测预警模型,适于优化HFRS预警模型。