華北理工大學(xué)公共衛(wèi)生學(xué)院（063000） 王永斌 李向文 柴 峰 袁聚祥 尹素鳳 武建輝

變權(quán)組合模型在我國(guó)手足口病發(fā)病率預(yù)測(cè)中的應(yīng)用*

華北理工大學(xué)公共衛(wèi)生學(xué)院（063000） 王永斌 李向文 柴 峰 袁聚祥△尹素鳳 武建輝

目的探討變權(quán)組合模型在我國(guó)手足口病月發(fā)病率預(yù)測(cè)中的應(yīng)用，并與ARIMA模型和殘差自回歸模型的預(yù)測(cè)效果進(jìn)行比較。方法收集2008年1月至2014年12月我國(guó)手足口病月發(fā)病率資料，用SPSS13.0和Eviews8.0擬合三種模型，并用2014年7－12月的數(shù)據(jù)比較三種模型的擬合和預(yù)測(cè)效果。結(jié)果ARIMA模型、殘差自回歸模型和變權(quán)組合模型擬合及預(yù)測(cè)的 MRD，MSE，RMSE和 MAE分別為 14.006，4.689，2.165，0.147和 13.565，4.416，2.101，0.133；16.793，7.247，2.692，0.171和 16.206，6.639，2.577，0.164；8.447，1.843，1.358，0.092和 8.409，1.833，1.354，0.082。結(jié)論變權(quán)組合模型擬合及預(yù)測(cè)效果優(yōu)于ARIMA模型和殘差自回歸模型。

ARIMA模型 殘差自回歸模型 組合模型 手足口病 發(fā)病率 預(yù)測(cè)

手足口?。╤and-foot-mouth disease，HFMD）是由多種人腸道病毒引起的一種兒童常見傳染病，2008年衛(wèi)生部列為丙類傳染病，其常出現(xiàn)暴發(fā)或流行［1］。因此了解其流行規(guī)律及流行趨勢(shì)，對(duì)于探索手足口病的病因線索和疾病預(yù)防策略及措施的制定具有至關(guān)重要的作用。由于手足口病發(fā)病常具有季節(jié)性特點(diǎn)，采用季節(jié)性自回歸滑動(dòng)平均混合模型（ARIMA）預(yù)測(cè)手足口病的發(fā)病是目前最常用的方法之一，但尚未見到基于ARIMA模型和殘差自回歸模型的變權(quán)組合模型在手足口病發(fā)病率預(yù)測(cè)中的應(yīng)用。因此，本研究采用變權(quán)組合模型對(duì)我國(guó)2008年1月－2014年12月手足口病月發(fā)病率建立預(yù)測(cè)模型，對(duì)比其與ARIMA模型和殘差自回歸模型對(duì)手足口病月發(fā)病率預(yù)測(cè)的準(zhǔn)確性，以探討其在手足口病預(yù)測(cè)預(yù)警方面的可行性，從而為完善我國(guó)手足口病的監(jiān)測(cè)和防制工作提供參考依據(jù)。

資料與方法

1.資料

資料來(lái)源于中國(guó)疾病預(yù)防控制中心傳染病直報(bào)系統(tǒng)，人口資料來(lái)源于中國(guó)衛(wèi)生統(tǒng)計(jì)局。具體計(jì)算的發(fā)病率見表1。

2.ARIMA模型［2－4］

（1）ARIMA模型預(yù)測(cè)分為3個(gè)階段:識(shí)別、估計(jì)和診斷、預(yù)測(cè)應(yīng)用。通過這3個(gè)處理步驟的反復(fù)進(jìn)行，最終確定一個(gè)用于預(yù)報(bào)或控制的最優(yōu)模型。（2）識(shí)別:利用相關(guān)的分析來(lái)確定序列的平穩(wěn)性、隨機(jī)性和季節(jié)性，并選定特定的模型來(lái)分析序列數(shù)據(jù)。（3）參數(shù)的估計(jì)和診斷:依據(jù)赤池信息準(zhǔn)則（AIC）和Schwarz貝葉斯準(zhǔn)則（SBC）確定模型階數(shù)，建立ARIMA預(yù)測(cè)模型。在不斷改變模型的階數(shù)后，AIC與SBC值最小的模型為最佳模型。模型的診斷就是殘差序列應(yīng)是白噪聲過程，并且參數(shù)均具有統(tǒng)計(jì)學(xué)意義。其自相關(guān)系數(shù)（ACF）和偏自相關(guān)系數(shù)（PACF）不應(yīng)與0有顯著的差異，且Box－LjungQ統(tǒng)計(jì)量應(yīng)無(wú)統(tǒng)計(jì)學(xué)意義。模型公式如下:φ（B）Ф（Bs）▽d▽SDXt＝θ（B）Θ（Bs）εt；E（εt）＝0，var（εt）＝σ2，E（εtεs）＝0，s≠t E（xtεt）＝0，∨s＜t。公式中，B為后移算子，εt為殘差，d和 D分別為非季節(jié)和季節(jié)差分次數(shù)，p和q分別為自回歸和滑動(dòng)平均階數(shù)，P和Q分別為季節(jié)自回歸和滑動(dòng)平均階數(shù)；▽d＝（1－B）d；▽DS＝（1－B）SD；φ（B）＝1－φ1B－…φpBp；θ（B）＝1－θ1B－…θqBq；Ф（Bs）＝1－Ф1Bs－…ФPBPs；Θ（Bs）＝1－Θ1Bs－…ΘQBQs。

表1 2008年1月－2014年12月我國(guó)手足口病發(fā)病率（1/10萬(wàn)）

3.殘差自回歸模型［3－4］

殘差自回歸模型的結(jié)構(gòu)為:Xt＝Tt＋St＋εt。其中，Tt為趨勢(shì)效應(yīng)擬合，St為季節(jié)效應(yīng)擬合，εt為殘差序列。常采用以自變量為歷史觀測(cè)值和以自變量為時(shí)間t的冪函數(shù)來(lái)擬合趨勢(shì)效應(yīng)。本研究中最終選用冪函數(shù)擬合趨勢(shì)效應(yīng)。對(duì)于季節(jié)效應(yīng)的擬合常采用給定季節(jié)指數(shù)和對(duì)季節(jié)建立自回歸模型的方法。本研究最終選用季節(jié)指數(shù)法，其步驟為:①用移動(dòng)平均法消除季節(jié)性變動(dòng)和不規(guī)則變動(dòng)，得到循環(huán)性變動(dòng)和長(zhǎng)期趨勢(shì)序列值；②利用序列的實(shí)際值除以相應(yīng)的循環(huán)性變動(dòng)和長(zhǎng)期趨勢(shì)序列值，然后用月平均法消除不規(guī)則變動(dòng)，得到季節(jié)指數(shù)S'，若各季節(jié)指數(shù)的平均數(shù)不等于1時(shí)，需對(duì)季節(jié)指數(shù)進(jìn)行修正處理，得到S＝（12/實(shí)際季節(jié)指數(shù)之和）×S′。

對(duì)殘差序列采用DW法進(jìn)行自相關(guān)性檢驗(yàn)，DW值一般在2左右不存在自相關(guān)，那么不需要對(duì)殘差提取二次信息；否則，應(yīng)該對(duì)殘差序列再次擬合，以提高模型擬合的精度。殘差序列的自回歸模型表達(dá)式為εt＝φ1εt－1＋φ2εt－2＋…＋φpεt－p＋at，并對(duì)殘差序列的自回歸模型進(jìn)行檢驗(yàn)和診斷。模型的殘差序列應(yīng)是白噪聲過程，并且參數(shù)均應(yīng)具有統(tǒng)計(jì)學(xué)意義。

4.變權(quán)組合模型［5］

以ARIMA模型和殘差自回歸模型的擬合值與實(shí)際值的誤差平方和為依據(jù)，對(duì)單個(gè)預(yù)測(cè)模型的預(yù)測(cè)值賦予不同的權(quán)系數(shù)，用權(quán)系數(shù)乘以單個(gè)模型的預(yù)測(cè)值，然后相加即可得到變權(quán)組合模型的預(yù)測(cè)值；本研究中采用倒方差法確定權(quán)重，該方法是對(duì)誤差平方和小的模型賦予大的權(quán)重，反之則賦予小的權(quán)重。計(jì)算如下:

對(duì)一時(shí)間序列有J種預(yù)測(cè)方法，x（t）為t時(shí)刻的實(shí)際值，＾x（jt）為第j個(gè)模型在t時(shí)刻的預(yù)測(cè)值，各個(gè)模型權(quán)重的計(jì)算公式如下:

式中的Dj為第j個(gè)預(yù)測(cè)模型在t時(shí)刻的誤差平方和

5.模型預(yù)測(cè)效果比較

基于2008年1月－2014年6月手足口病月發(fā)病率建立相關(guān)模型，用2014年7－12月數(shù)據(jù)進(jìn)行外回代驗(yàn)證模型的外推預(yù)測(cè)效果，評(píng)價(jià)指標(biāo)包括相對(duì)誤差（RD），平均相對(duì)誤差（MRD），均方誤差（MSE），均方根誤差（RMSE）和平均絕對(duì)誤差（MAE）［6］。

6.統(tǒng)計(jì)學(xué)分析

運(yùn)用 Excel2007建立數(shù)據(jù)庫(kù)，用 SPSS13.0和Eviews8.0進(jìn)行有關(guān)數(shù)據(jù)分析，檢驗(yàn)水準(zhǔn)α＝0.05。

結(jié) 果

1.ARIMA模型結(jié)果

利用Eviews8.0進(jìn)行單位根檢驗(yàn)，單位根統(tǒng)計(jì)量ADF＝-1.494952，P＝0.5306＞0.05，提示我國(guó)手足口病發(fā)病率序列為非平穩(wěn)序列。所以首先進(jìn)行對(duì)數(shù)轉(zhuǎn)換和D＝1的季節(jié)差分。再結(jié)合經(jīng)過對(duì)數(shù)轉(zhuǎn)換和季節(jié)差分的ACF和PACF圖，殘差情況，以及系數(shù)之間的相關(guān)性選取AIC和SBC最小，對(duì)數(shù)似然函數(shù)值最大，且模型各參數(shù)均有統(tǒng)計(jì)學(xué)意義的模型為最優(yōu)模型，通過比較，結(jié)合模型簡(jiǎn)潔的原則得到最優(yōu)的模型是ARIMA（2，1，1）×（0，1，1）12，具體方程為（1－B）（1－B12）X t＝（1－0.637B）（1－0.448B12）εt/（1－0.891B＋0.501B2），其殘差的ACF和PACF見圖1，非季節(jié)性自回歸系數(shù) AR1＝0.891（t＝6.060，P＜0.001），AR2＝－0.501（t＝－4.626，P＜0.001），非季節(jié)性滑動(dòng)平均系數(shù) MA1＝0.637（t＝3.652，P＝0.001），季節(jié)性滑動(dòng)平均系數(shù) SMA1＝0.448（t＝3.492，P＝0.001），AIC＝64.078，SBC＝75.391，對(duì)數(shù)似然函數(shù)值為 －27.039。并且殘差序列Box-LjungQ統(tǒng)計(jì)結(jié)果顯示統(tǒng)計(jì)量差異均無(wú)統(tǒng)計(jì)學(xué)意義（P＞0.05），說(shuō)明殘差序列是白噪聲。此模型的預(yù)測(cè)結(jié)果見表2。

表2 2014年7－12月手足口病月發(fā)病率（1/10萬(wàn)）三種模型的預(yù)測(cè)外回代驗(yàn)證值

2.殘差自回歸模型結(jié)果

對(duì)原始數(shù)據(jù)分解出時(shí)間序列中的季節(jié)指數(shù)見表3。趨勢(shì)效應(yīng)的最佳擬合方程為Tt＝0.278×t0.967（t為序列號(hào)，R2＝0.806）。此即為確定性模型，對(duì)該模型的擬合效果進(jìn)行DW檢驗(yàn)，DW＝0.675，查DW檢驗(yàn)臨界值表，dL＝1.598，dU＝1.652，根據(jù) DW→2時(shí)，DW＜dL時(shí)，序列顯著正相關(guān)。提示殘差序列高度正相關(guān)。因此，需要對(duì)殘差序列進(jìn)行自回歸擬合。首先通過自相關(guān)圖和偏自相關(guān)圖（圖1）確定自回歸模型的階數(shù)，殘差的自相關(guān)圖顯示出典型的短期相關(guān)性，偏自相關(guān)圖顯示出典型的2階截尾，所以對(duì)殘差序列擬合AR（2）模型，非季節(jié)性自回歸系數(shù) AR1＝0.810（t＝7.452，P＜0.001），AR2＝－0.239（t＝－2.200，P＝0.031），具體表達(dá)式為 εt＝0.810εt－1－0.239εt－2＋at，對(duì)｛at｝殘差序列采用DW法進(jìn)行自相關(guān)性檢驗(yàn)，DW＝1.958，非常接近2，所以｛at｝殘差序列不存在自相關(guān)性了，并且殘差序列Box－LjungQ統(tǒng)計(jì)結(jié)果顯示統(tǒng)計(jì)量差異均無(wú)統(tǒng)計(jì)學(xué)意義（P＞0.05），說(shuō)明殘差序列是白噪聲。最終的殘差自回歸模型為:

表3 手足口病發(fā)病率季節(jié)指數(shù)

圖1 殘差序列的ACF和PACF圖

計(jì)算出趨勢(shì)效應(yīng)方程和對(duì)殘差建立的自回歸方程的預(yù)測(cè)值，用預(yù)測(cè)值乘以相應(yīng)的季節(jié)指數(shù)，得到最終的預(yù)測(cè)結(jié)果見表2。

3.變權(quán)組合型預(yù)測(cè)結(jié)果

根據(jù)公式計(jì)算的2014年7－12月ARIMA模型和殘差自回歸模型的誤差平方和及權(quán)重見表4。變權(quán)組合模型的預(yù)測(cè)結(jié)果見表1。

表4 2014年7－12月ARIMA和殘差自回歸模型的誤差平方和及權(quán)重

4.三種模型預(yù)測(cè)效果比較

由表5可知變權(quán)組合模型擬合和預(yù)測(cè)性能均優(yōu)于ARIMA模型和殘差自回歸模型。從圖2可以看出變權(quán)組合模型擬合的曲線與實(shí)際值的曲線最接近。

討 論

近年來(lái)預(yù)測(cè)的理論和應(yīng)用得到了迅速的發(fā)展，并日趨完善。在醫(yī)學(xué)和公共衛(wèi)生領(lǐng)域，多種統(tǒng)計(jì)預(yù)測(cè)方法已被廣泛應(yīng)用于人口預(yù)測(cè)，疾病發(fā)病率，醫(yī)院門診量，藥品需求的預(yù)測(cè)等領(lǐng)域中［7］。因此，如能找到合適的模型對(duì)傳染病的發(fā)病率進(jìn)行預(yù)測(cè)，將有助于衛(wèi)生資源的合理配置，實(shí)現(xiàn)利益最大化，具有非常重要的現(xiàn)實(shí)意義［8］。由于傳染病發(fā)病率數(shù)據(jù)一般均存在長(zhǎng)期性變化、周期性變化和隨機(jī)干擾。ARIMA模型預(yù)測(cè)時(shí)綜合考慮了時(shí)間序列的各種影響因素（包括未知因素），從而提高了非平穩(wěn)時(shí)間序列短期預(yù)測(cè)的擬合精 度［5］，已經(jīng)被廣泛應(yīng)用于傳染病發(fā)病率預(yù)測(cè)中。

表5 三種模型對(duì)手足口病月發(fā)病率的擬合及預(yù)測(cè)效果比較

圖2 三種模型對(duì)手足口病發(fā)病率擬合預(yù)測(cè)對(duì)比圖

但ARIMA模型無(wú)法直觀解釋時(shí)間序列的動(dòng)態(tài)特征及發(fā)展趨勢(shì)。而其建模過程比較簡(jiǎn)單，適宜作為短期預(yù)測(cè)模型。殘差自回歸模型對(duì)具有顯著的確定性趨勢(shì)或季節(jié)趨勢(shì)的時(shí)間序列數(shù)據(jù)，不但可以利用確定性分解法對(duì)序列的各種確定性效應(yīng)進(jìn)行解釋，還可以對(duì)殘差信息加以利用，所以兼有確定性因素分解法和ARIMA模型的優(yōu)點(diǎn)［4］。而目前采用殘差自回歸模型預(yù)測(cè)手足口病的效果并不理想，因此為了探討變權(quán)組合模型在預(yù)測(cè)手足口病發(fā)病率方面的可行性。本研究嘗試將ARIMA模型和殘差自回歸使用變權(quán)的方式進(jìn)行組合后預(yù)測(cè)手足口病發(fā)病序列，并與單一模型的預(yù)測(cè)效果進(jìn)行比較。研究結(jié)果表明變權(quán)組合模型較好的擬合了手足口病的變化規(guī)律，顯示了較高的預(yù)測(cè)精度，可以較好的在數(shù)理層面對(duì)手足口病發(fā)病率進(jìn)行預(yù)測(cè)。相關(guān)報(bào)道［2，9］指出擬合及預(yù)測(cè)的MRD≤5%時(shí)為理想狀態(tài)，但本研究中變權(quán)組合模型擬合及預(yù)測(cè)的MRD稍大，分別為8.447和8.409。因此，在預(yù)測(cè)手足口病發(fā)病率方面，更優(yōu)的預(yù)測(cè)模型仍須進(jìn)一步研究和驗(yàn)證。

本研究中盡管ARIMA模型和殘差自回歸模型擬合及預(yù)測(cè)精度低于變權(quán)組合模型，但模型擬合及預(yù)測(cè)的 MRD＜20%時(shí)為合格模型［2，9］，可以用于預(yù)測(cè)。就單一ARIMA模型和殘差自回歸模型擬合及預(yù)測(cè)的MRD來(lái)看，其仍然可以用于預(yù)測(cè)我國(guó)手足口病發(fā)病率。但值得注意的是:使用殘差自回歸模型對(duì)時(shí)間序列進(jìn)行預(yù)測(cè)時(shí)，序列的樣本點(diǎn)一般不能少于30個(gè)，當(dāng)序列長(zhǎng)度達(dá)不到要求時(shí)，只能使用確定性時(shí)間序列分析。

綜上所述，盡管變權(quán)組合模型對(duì)我國(guó)手足口病發(fā)病率預(yù)測(cè)存在一定誤差，但仍可對(duì)手足口病發(fā)病率進(jìn)行早期預(yù)測(cè)、預(yù)警，為手足口病防控工作提供參考依據(jù)，從而減少或者消除決策的盲目性［7］。但需注意的是，在實(shí)際工作中，對(duì)季節(jié)性時(shí)間序列進(jìn)行分析時(shí)，在滿足模型使用條件的情況下，應(yīng)將多種單一模型組合進(jìn)行預(yù)測(cè)，選取擬合及預(yù)測(cè)誤差都較小的組合模型對(duì)序列進(jìn)行分析，并應(yīng)不斷收集新的時(shí)間序列數(shù)據(jù)，對(duì)已建立的模型進(jìn)行驗(yàn)證。

［1］Zhang W，Huang B，She C，et al.An epidem ic analysis of hand，foot，and mouth disease in Zunyi，China between 2012 and 2014.Saudi Med J，2015，36（5）:593-598.

［2］王永斌，鄭瑤，柴峰，等.基于周期分解的ARIMA模型在甲肝發(fā)病率預(yù)測(cè)中的應(yīng)用.現(xiàn)代預(yù)防醫(yī)學(xué)，2015，42（23）:4225-4229.

［3］Tarassenko L，Villarroel M，Guazzi A，et al.Non-contact video-based vital sign monitoring using ambient light and auto-regressive models.Physiol Meas，2014，35（5）:807-831.

［4］王燕主編.應(yīng)用時(shí)間序列分析.第2版.北京:中國(guó)人民大學(xué)出版社，2005:87-172.

［5］毛瑛，井朋朋，吳靜嫻，等.我國(guó)衛(wèi)生人力資源的組合預(yù)測(cè)模型構(gòu)建及應(yīng)用.中國(guó)衛(wèi)生經(jīng)濟(jì)，2015，34（5）:21-24.

［6］戴鈺.最優(yōu)組合預(yù)測(cè)模型的構(gòu)建及其應(yīng)用研究.經(jīng)濟(jì)數(shù)學(xué)，2010，27（1）:92-98.

［7］劉桂芬主編.醫(yī)學(xué)統(tǒng)計(jì)學(xué).第2版.北京:中國(guó)協(xié)和醫(yī)科大學(xué)出版社，2009:346-365.

［8］張國(guó)良，后永春，舒文.三種模型在肺結(jié)核發(fā)病預(yù)測(cè)中的應(yīng)用.中國(guó)衛(wèi)生統(tǒng)計(jì)，2013，30（4）:480-483.

［9］Liu L，Luan RS，Yin F，et al.Predicting the incidence of hand，foot and mouth disease in Sichuan province，China using the ARIMA model.Epidemiol Infect，2015，12（3）:1-8.

Application of the Weight Changeable Combination Model in Prediction on Incidence of HFMD in China

Wang Yongbin，Li Xiangwen，Chai Feng，et al.（School of Public Health，North China University of Science and Technology（063000），Tangshan）

ObjectiveTo explore the application of ARIMA model and auto-regressive model and weight changeable model in prediction on incidence of HFMD in China and compare the predictive effect among them.MethodsThe data of monthly incidence of HFMD from January 2008 to December 2014 in China was collected and Spss13.0 and Eviews 8.0 were used to fit three models.Afterwards，the data from July to December in 2014 was used to evaluate the predictive effect.ResultsThe MRD，MSE，RMSE and MAE fitted and predicted by ARIMA model and Auto-Regressive model and weight changeable model were 4.006，4.689，2.165，0.147 and 13.565，4.416，2.101，0.133；16.793，7.247，2.692，0.171 and 16.206，6.639，2.577，0.164；8.447，1.843，1.358，0.092 and 8.409，1.833，1.354，0.082，respectively.Conclusions According to the model fitness and prediction accuracy，the weight changeable model is superior to the ARIMA model and Auto-Regressive model with a good practical value.

ARIMA model；Auto-regressive model；Combination model；HFMD；Incidence；Prediction

河北省衛(wèi)生廳醫(yī)學(xué)科學(xué)研究重點(diǎn)課題計(jì)劃（20130055）

△通信作者:袁聚祥，E-mail:yuanjx@heuu.edu.cn

（責(zé)任編輯:劉 壯）