目的建立疑似预防接种异常反应(adverse event following immunization, AEFI)报告病例数的季节性自回归积分滑动平均模型(autoregressive integrated moving average model, ARIMA),对AEFI报告数进行预测。方法使用R语言做模型的识别...目的建立疑似预防接种异常反应(adverse event following immunization, AEFI)报告病例数的季节性自回归积分滑动平均模型(autoregressive integrated moving average model, ARIMA),对AEFI报告数进行预测。方法使用R语言做模型的识别、模型参数的估计、检验,建立季节性ARIMA模型,对辽宁省AEFI报告数进行模型拟合,用2019年1-12月的预测值与实际值作比较,检验模型的预测能力。结果经过多次检验,确定ARIMA(0,1,1)(1,1,1)_(12)模型预测能力最佳,其残差序列为白噪声。用2019年1-12月数据检验模型,由MAPE的绝对值可以看出,除3月外其他月份预测值与实际值相差均较小,说明模型的拟合优度相对较好,预测结果可靠。结论季节性ARIMA(0,1,1)(1,1,1)_(12)模型可以较为准确地预测辽宁省AEFI病例报告趋势,可为合理配置AEFI调查诊断所需资源提供理论依据。展开更多
文摘目的建立疑似预防接种异常反应(adverse event following immunization, AEFI)报告病例数的季节性自回归积分滑动平均模型(autoregressive integrated moving average model, ARIMA),对AEFI报告数进行预测。方法使用R语言做模型的识别、模型参数的估计、检验,建立季节性ARIMA模型,对辽宁省AEFI报告数进行模型拟合,用2019年1-12月的预测值与实际值作比较,检验模型的预测能力。结果经过多次检验,确定ARIMA(0,1,1)(1,1,1)_(12)模型预测能力最佳,其残差序列为白噪声。用2019年1-12月数据检验模型,由MAPE的绝对值可以看出,除3月外其他月份预测值与实际值相差均较小,说明模型的拟合优度相对较好,预测结果可靠。结论季节性ARIMA(0,1,1)(1,1,1)_(12)模型可以较为准确地预测辽宁省AEFI病例报告趋势,可为合理配置AEFI调查诊断所需资源提供理论依据。