病原学&相关数据分析
ARIMA模型在COVID-2019流行病数据集上的应用
2020年02月27日
来源:中国实验动物信息网
作者:李晓菲译
责任编辑:admin
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。
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。
上一篇:COVID-19死亡率与医疗资源可用性的潜在关联[ 02-26 ]
下一篇:首例新冠肺炎逝者尸检报告发布:或将进一步推动现有诊疗方案的…[ 02-28 ]
相关文章
- 没有相关内容!
编辑信箱
欢迎您推荐或发布各类关于实验动物行业资讯、研究进展、前沿技术、学术热点、产品宣传与产业资源推广、产业分析内容以及相关评论、专题、采访、约稿等。
我要分享 >对不起,暂无资料。
热点资讯
- 年
- 月
- 周