雷宇 何立乾 张广川 赖铿 谢玮 杜雨华

近年来，随着防控力度的进一步加强，广州市结核病疫情呈现逐年下降趋势，但由于人口基数大、流动人口多等因素，结核病疫情依然严峻[1-2]。自回归移动平均(autoregressive integrated moving average，ARIMA)模型可对具有季节效应的时间序列进行建模，因其具有模型结构简单、预测精度高等特点，已被广泛应用于传染病预测，而掌握传染病的发病趋势及流行特征，对于制定针对性防控策略具有重要意义[3-4]。因此，本研究通过对广州市2010年1月至2019年12月肺结核月报告发病数构建ARIMA模型，并对2021年广州市肺结核发病情况进行预测，为卫生行政部门制定结核病防治策略提供参考。

资料和方法

一、资料来源

通过《中国疾病预防控制信息系统》中的《传染病报告信息管理系统》，按照报告发病时间收集2010年1月至2020年12月广州市肺结核月报告发病数据。

二、研究方法

ARIMA模型基本结构表示为ARIMA(p，d，q)×(P，D，Q)s，其中p、d、q分别表示非季节性自回归阶数、非季节性差分阶数和非季节性移动平均阶数，P、D、Q分别表示季节性自回归阶数、季节差分阶数和季节移动平均阶数，s表示季节周期的长度。

1.序列平稳化：将2010年1月至2019年12月的肺结核报告发病数据定义为按月为单位的时间序列，使该时间序列进行差分处理使其平稳化，并通过增强迪基-福勒(augmented dickey-fuller，ADF)检验验证差分后的时间序列的平稳性，根据ADF检验结果的P值判断数据是否平稳化，P<0.05提示数据为平稳数据。

2.模型识别：根据自相关系数(autocorrelation coefficient，ACF)和偏自相关系数(partial autocorrelation coefficient，PACF)确定p、q、P、Q的可能值，再根据差分阶数确定d和D的阶数，并建立多个候选模型。……