目的了解医院2000年-2011年门诊量的趋势,建立预测月门诊量的时间序列模型,为优化医疗资源配置提供科学的统计学依据。方法根据医院2002年1月至2012年12月年门诊量数据,应用SPSS18.0软件建立季节自回归滑动平均模型(Seasonal Auto Regre...目的了解医院2000年-2011年门诊量的趋势,建立预测月门诊量的时间序列模型,为优化医疗资源配置提供科学的统计学依据。方法根据医院2002年1月至2012年12月年门诊量数据,应用SPSS18.0软件建立季节自回归滑动平均模型(Seasonal Auto Regressive Integrated Moving Average model,SARIMA模型),并验证2012年7至12月份的门诊量。结果预测值与实际值的上升下降趋势基本吻合,SARIMA(0,1,1)(0,1,1)12模型为最优模型,标准化贝叶斯信息标准(NormalizedBayesian Information Criteria,BIC)值与平均绝对误差百分比(Mean absolute percentage error,MPE)值最小,BIC值为13.82,MPE为7.70,Box-Ljung检验无统计学意义(Q18=17.93,P=0.3281>0.05)。结论 SARIMA模型能很好的拟合门诊量的变动趋势,在无外界因素影响的情况下,医院门诊量将会继续上涨。展开更多
文摘目的了解医院2000年-2011年门诊量的趋势,建立预测月门诊量的时间序列模型,为优化医疗资源配置提供科学的统计学依据。方法根据医院2002年1月至2012年12月年门诊量数据,应用SPSS18.0软件建立季节自回归滑动平均模型(Seasonal Auto Regressive Integrated Moving Average model,SARIMA模型),并验证2012年7至12月份的门诊量。结果预测值与实际值的上升下降趋势基本吻合,SARIMA(0,1,1)(0,1,1)12模型为最优模型,标准化贝叶斯信息标准(NormalizedBayesian Information Criteria,BIC)值与平均绝对误差百分比(Mean absolute percentage error,MPE)值最小,BIC值为13.82,MPE为7.70,Box-Ljung检验无统计学意义(Q18=17.93,P=0.3281>0.05)。结论 SARIMA模型能很好的拟合门诊量的变动趋势,在无外界因素影响的情况下,医院门诊量将会继续上涨。
