摘要：2019年冠状病毒病（COVID-2019）被认为是一种全球性威胁，目前正在利用各种数学模型进行多项研究，以预测这一流行病的可能演变。这些基于各种因素和分析的数学模型可能会产生偏差。 在这里，我们提出一个简单的计量经济学模型，该模型可用于预测COVID-2019的传播。为了进一步的比较或未来的展望，必须实时更新疾病定义和收集数据。

 

关键词：COVID-2019  流行病  ARIMA模型  预测  感染控制

 

数据描述：从约翰斯·霍普金斯大学官方网站收集了2020年1月20日至2020年2月10日COVID-2019的日患病率数据，并利用Excel 2019建立了时间序列数据库。ARIMA模型应用于包含22个数字确定的数据集。图1显示，COVID-2019的总体流行率呈上升趋势，并已达到流行高峰。一天的病例数与前一天的病例数Δ（Xn-Xn-1）之间的差异显示，确诊病例的数量出现了非持续性的增加。对数据进行描述性分析，以评估COVID-2019新确诊病例的发生率，并防止最终的偏差。

实验设计，材料和方法：ARIMA模型包括自回归（AR）模型，移动平均（MA）模型和季节性自回归综合移动平均（SARIMA）模型。增强Dickey-Fuller（ADF）单位根测试有助于估计时间序列是否稳定。对数转换和差异是稳定时间序列的首选方法。季节性和非季节性差异用来稳定期限趋势和周期性。

 

利用自相关函数（ACF）图和部分自相关（PACF）相关图估计ARIMA模型的参数。为了确定COVID-2019的患病率，选择ARIMA（1,0,4）作为最佳ARIMA模型，而ARIMA（1,0,3）作为确定COVID-2019发病率的最佳ARIMA模型。采用Gretl2019d统计软件对患病率和发病率数据集进行统计分析，统计显著性水平设为0.05。先前的研究被认为是分析方法的参考。进行对数转换以评估季节性对预测的影响。报告ACF和PACF的相关图显示，COVID-2019的患病率和发病率均不受季节性的影响。表1报告了相对置信区间为95％的患病率和发病率数据的预测。

 

表1

尽管需要更多的数据来进行更详细的预测，但病毒的传播似乎正在略有下降。此外，虽然确诊病例仍在增加，但发病率略有下降。如果病毒不发展出新的突变，则病例数应达到平稳状态。获得的预测和估计值受“疾病”定义和数据收集方式的影响。 为了进一步比较或从未来的角度来看，必须实时更新疾病定义和收集数据。

原文出自：https://www.sciencedirect.com/science/article/pii/S2352340920302341