使用Eviews软件对精神卫生门诊人次进行ARIMA模型预测
- 格式：pdf
- 大小：150.48 KB
- 文档页数：2
据 的 ＡＣ及 Ｐ ＡＣ图 ， 进行 Ａ 及 ＤＦ检 验 （ １ 。 表 ） Ａ ＤＦ检 验 即增项 的 ＤＦ Ｄ ｃ ｅ —ｕｌ ） （ ｉｋｙＦ ｌ ｒ 检验 ， 用 ｅ 采
列 中的所有观察值进行操作。 （） ２ 时间序列是一个系统中某一观测值按时 间顺
序 排列 ， 究其 受其 他各 种 因素影 响 的总结 果 ， 研 获得 事 物 随 时问过 程 的演 变 特性 与规 律 ， 而预 测 事 物 的未 进 来 发展 。时 间序 列分 析通 过 曲线拟 合 和参数 估计 来建
２ 模 型拟 合及 诊断 ．
由表 １及 Ａ Ｐ 图可 以确 定 ｓａｏ Ｃ、ＡＣ ｅ ｓｎ序 列 平 稳
（ ） ＲＭＡ模 型预测 ① 根据序列散 点 图、 Ｃ ３Ａ Ｉ Ａ 及 Ｐ Ｃ图、 Ｄ 单位根检验可以判 断数据的平稳性 ， Ａ Ａ Ｆ
长 期趋 势及 季节 性影 响 。对非 平稳 的时 间序 列进 行平 稳 化处 理 ， 如果存 在 长期 趋势 则进 行差 分 ； 如果存 在 季
Ａ Ｉ 乘积模 型 是 针对 有 季 节性 变 动 的时 间序 Ｒ ＭＡ 列 提 出的建模 方法 。它 对每一 季节周 期 中相 同时 间点
Ｌ ｇｌ ｅｈ ｏ ｏ ｉ ｌ ｏ ｄ ｋｉ
ＤＵ ｂ ｎ． ａｓ ｎ ｓ ｔ ｒ ｉ Ｗ ｔｏ ｔ ａ
一 １ ． ２ ７ Ｈ ｎ ａ — ｕｎ ｒｅ ． １ ． ６ ３ ９ ９ １ ２ ａ ｎ ｎ Ｑ ｉｎｃｉ ｒ ｔ ７２ ６ ２
中国卫生统计 ２ １ ０ １年 １ ２月第 ２ ８卷第 ６期
使用 Ｅ ｉ ｓ ｖ ｗ 软件 对 精 神 卫生 门诊 人 次 进 行 Ａ Ｉ ｅ Ｒ ＭＡ模 型预 测
上海交通大学医学院附属精神卫生中 Ｇ（０００ 周 晓晓 孙 琳 周哲 颖 ２０３ ）
【 提
要 】 目的 分析 医院门诊量的变化趋势 ， 适用 的预测模型 ， 医院的管理决策 提供依据 。方法 建立 为
性变化的影响 ， 例如医疗设备 的改进或服务水平 的上
升等。每年的 １ 月春节期间有必然 的波谷 ， 月 ２ 因此 在 ２ １ 的前 两 个 月 预 测 值 都 较 低 ， 实 际 上 ２ １ ００年 而 ００
年 的 ２月为春 节 ， 时 的 门诊 量 维 持 在 平 时 的 稳定 １月
【 关键词】 Ｅ ｉ ｓ ． 精神卫生门诊人次 时间序列 预测 ｖ ｗ ０ ｅ ６
在信息化飞速发展的时代 ， 能够获得准确 的预测 信息对医院管理来说有着重要的意义 。现在的人们经 常处 于生 活压 力 ， 作 压力 ， 习压力 等各 种精 神压 力 工 学 下， 因此精神健康和心理卫生也逐渐为人们所重视 ， 随
・
６８ ・ ８
Ｃｈ ｎ ｓ ｏ ｒ ａ ｆ Ｈｅ ｌ ｔｔｓｉｓ Ｄｅ Ｏ ． １ ２ ＮＯ． ｉ ｅ ｅ Ｊ ｕ ｎ ｌｏ ａ ｔ Ｓ ａｉｔｃ ． ｃ ２ ¨ Ｖｏ ． ８． ｈ ６
列。
表 １ ｓａｏ ｅｓｎ序列的单位根检验
２１ ００年前 三 季 度 的每 月 实 际值 与 预 测 值 之 间 的 相 对误 差较小 ， 明模 型合理 。 证
表 ３ 预测数值与实际数值 比较
表 ２ ｓａｏ ｅｓｎ序列的模型参 数
Ｖａ ｉｂ ｅ ｒａ ｌ ＣＯ ｆ ｃｅ ｔ ｅ 丘 ｉｎ Ｓ ｄ． ｒ ｒ ｔ Ｅｒｏ ｔ—Ｓ ａｉｔ ｔｔｓ ｃ ｉ Ｐｏ ｒｂ
ＭＡ （ １） ＭＡ ｆ ２） Ｓ ＭＡ （１ ２）
Ｒ— ｑ ａｅ ｓ ｕ ｒｄ
１９ ２ ２ ．８ ６ ３
的序列值进行分析 ， 提取季节趋势 ； 并且针对每个季节 周期内部序列值的变化提取非季节性成分 ， 确立最优 模型 引。 精神及心理咨询门诊数据顺应时间变化呈递增的
Ｄｅ ｅ ｄ ｎ ｒａ ｌ Ｓ ｐ ｎ ｅ ｔＶａ ｉｂ ｅ： ＥＡＳ ＯＮ Ｍ ｅ ｈ ｄ： ａ ｔＳ ｕ ｒ ｓ ｔ ｏ Ｌｅ ｓ ｑ ａｅ
况， Ａ Ｉ 对 Ｒ ＭＡ模型进行参数估计 ， 判断其是否显著 ； 检 验残 差序 列是 否 为 白 噪声 ， 即模 型是 否 充 分 提取 数 据信息 ； 确定适用模型。③利用最优模型进行数据预
测。 时 间序 列分 析过 程及 结果
１模 型 识别 ．
创建 Ｎ ｗ Ｗｏｋ ｌ， 新 的 数 据 表 中依 次 输 入 ｅ ｒｆｅ 在 ｉ
３ 预 测 ．
１杨帆 ， ． 秦银河 ， 刘丽华 ． ＲＭＡ模 型在 门诊人 次预测 中的应用． ＡＩ 中华 医院管理杂志 ，０９，５ １ ：８— １ ２ ０ ２ （ ）２ ３ ． ２ 周忠彬 ， ． 吕红梅 ， 郢． Ｉ 干 预模 型在 医院 门诊量 预测 中的应 邹 ＡＲＭＡ 用． 中国医院统计 ，０ ８ １ （ ） ¨Ｏ¨２ ２ ０ ，５ ２ ： ． ．
该 模 型的拟 合效果 越好 。 同时得 到 模 型 的非 季 节 性 移 动平 均 系 数 ＭＡ１＝
一
文 中使用的 Ｅ ｉ ｓ ｖ ｗ 是一款专 门的计量经济学软 ｅ
１ ０ ， ２＝０ ４ ， 节 性 移 动 平 均 系 数 Ｓ ． ６ ＭＡ ．４ 季 ＭＡ１＝
０． ５。 ８
其不足之处在于只能处理时间序列数据， 而现在使用
对残 差进行 Ｑ检验 。
尸值均 不显 著 ， 即乘积模 型 的残 差 为 白噪声 序 列 ， 表 明模 型拟合 程度较 好 。残 差 为 白噪声 序列 代表 了各 种 随机 因素对 序列趋 势 的影 响 ， 突发 事 件 等 不可 预 如 测 的情况 ， 残差 为 随机 平稳 序 列 表 明模 型 已充 分提 取 数据 信息 。
水平 ， 因此 与预测 产 生 了较 大 的差异 。就 预测 情 况 可
以看 出 ， 型与实 际数据 的吻合较好 。 模 件， 时序数据 的分 析 能力 很 强 ， 处 理 回 归方 程 方 面 ， 在 包括单 位根 检验 ， 协整模 型 ， Ｉ ＡＲＭＡ模 型等 较为擅 长 ，
模型参数个数及残差个数 ， Ｉ ＡＣ与 Ｓ Ｃ的值越小表示 Ｂ
数据源
于 ２０ ０ ０年至 ２ ０ ０ ９年月 门诊人 次报表数据 ， 使用 Ｅ ｉｗ ６ ０进行模型拟合并对 ２ １ ｖｅ ｓ． ０ ０年前三季度数据进行 预测 。结果 门 诊量数据具有 长期的增长趋势并受到季节性影 响， 最终选择 Ａ Ｉ Ｒ ＭＡ（ ， ， ） ０ １ １ 进 行拟合预 测获得 了较好 的效 果。 ０ １２ （ ， ， ） ： 结 论
立数学模型 ， 一般反应三种实际变化规律 ： 趋势 ， 周期 ， 随 机性 。实 际应 用 中 常有 几 种 变 动 的 组合 ， 测 时应 预
设 法过 滤不 规则 的 随机变 动 ， 出趋 势 和周 期变 动 。 突
ＯＳ Ｌ 估计检验数据平稳性 。由表 １ 以看出 Ａ Ｆ检 可 Ｄ 验值远小于下列 １ 、％ 、 ％的检验水平数值 ， ％ ５ １ ０ 因此 拒绝原假设 ， 即序列为平稳序列。
及时的诊疗 ， 提高社会效益 ， 维系社会稳定。
资料 和 方法 １ 资料来 源 ．
２０ 年 至 ２０ ００ ０９年 的月 医 院门诊 人 次量数 ， 名 为 命 ｐｙ 并观察序列图（ １ 。 ｈ， 图 ）
选取 上海 市精 神卫 生 中心 ２ ０ 至 ２ １ ０ ０年 ００年 ９月 的 门诊统 计 月报表 ， 据可 靠 。 数
的基本 对象 是 时 间序 列 ， 以直接 使 用 序 列 名 称 对 序 可
图 １ ｐｙ ｈ 序列 图
平稳 时间序列 的序列 图应该 显示 出序列 始终 在一 个 常数值 附近 随机波 动 ， 动 范 围有 界 并 且无 明显 趋 波 势 或者周 期 特征 。 由于趋 势 图中数 据既有 长期 趋势 ， 又具有 周期 性 ， 因此创建 ｓａｏ ｄ ｐｙ １ １ ）对原 始序 列进行 １阶 ｅｓｎ＝ （ｈ ， ，２ ， 季节 性差 分 。观 察 季 节 调 整 后 产 生 的 ｓａｏ ｅｓｎ序 列 数
２ 方 法 ．
（ ） ｖｅ ． 即 Ｅ ｏ ｏ ｔｃ ｉ １ Ｅ ｉ ６０ ｗｓ ｃｎ ｍｅ ｉｓＶ ｅ ｒ ｗｓ是 美 国
Ｑ ＭＳ公司研制 的在 Ｗｉ ｏ ｓ 专 门从事数据 分析 、 ｎ ｗ 下 ｄ 回归 分析 和 预测 的工具 。该 软 件 的主要 功能 在于设 计 模型 ， 估计模型， 检验模型 ， 应用模 型等。Ｅ ｉ ｓ ｖ ｗ 处理 ｅ
从 表 ２中 ， 数 的 Ｐ值 均 ＜００ 各参 ．５可 以看 出参 数
长期 趋势 ， 这是 由宏 观 因素 造成 的发展趋 势 ， 包括 随机
均显著 ， 认为模型可 以表达序列信息 ， Ｉ Ａ Ｃ与 Ｓ Ｃ值 Ｂ 分别 为 １．４及 ｌ． １ ７２ ７３。
Ａ ａ ｅｉｆ ｒｅｏ ｋｉ ｏｃ ｔｉｎ信 息 准 则 （ Ｃ） Ｓｈ ｒ ｋ ｎ ｉ ｒ ＡＩ 和 ｃｗａ ｚ ｔ ｃｔ ｏ ｉ ｒ ｒｅ ｎ的贝 叶斯准则 （ Ｂ 或称 为 ＢＣ） ｉ Ｓ Ｃ， Ｉ 是最 常用 的 统 计模 型选择 标准 。此二 信息 准则 的统计 量都 是建立 于模 型的 （ 似 ） 大似 然估 计值 之 上 ， 近 极 而对 于给 定 的
节 影 响 ， 进行 季节 性处 理 ； 到处 理后 的数据 为平稳 则 直
并由Ａ Ｃ及 Ｐ Ｃ 的情 况 判 断 模 型 。经 过 参 数 估 计 比 Ａ
序列。②观察平稳 序列的 自相关及偏 相关 函数 的情
较， 选择 Ａ Ｉ ＲＭＡ（ ， ，）ｘ（ ， ， ） 拟合 ｓａ ｎ序 ００ ２ ００ １ １ ２ ｅｓ ｏ
一１ ０ ４ ６ ． ６ ５３ ０． ４ ６ ８ ４ ４ ８ 一０． ４ ３ ８ ８ ５ ７
０． ８ ０ ９ ０ ４ ４ ００ ５ ７ ．８ ７ ９ ００ ２ ０ ． ３１ ９
—１ ． ６ ６ ２ ６５ ７ ５ １ ４１ ３ ． ８ ３ —２ ０ ７ ６ ７． ｌ ３
０． ０ ０ ０ ０ ０． ０ ０ ０ ０ ０． ０ ０ ０ ０
列 中的所有观察值进行操作。 （） ２ 时间序列是一个系统中某一观测值按时 间顺
序 排列 ， 究其 受其 他各 种 因素影 响 的总结 果 ， 研 获得 事 物 随 时问过 程 的演 变 特性 与规 律 ， 而预 测 事 物 的未 进 来 发展 。时 间序 列分 析通 过 曲线拟 合 和参数 估计 来建
２ 模 型拟 合及 诊断 ．
由表 １及 Ａ Ｐ 图可 以确 定 ｓａｏ Ｃ、ＡＣ ｅ ｓｎ序 列 平 稳
（ ） ＲＭＡ模 型预测 ① 根据序列散 点 图、 Ｃ ３Ａ Ｉ Ａ 及 Ｐ Ｃ图、 Ｄ 单位根检验可以判 断数据的平稳性 ， Ａ Ａ Ｆ
长 期趋 势及 季节 性影 响 。对非 平稳 的时 间序 列进 行平 稳 化处 理 ， 如果存 在 长期 趋势 则进 行差 分 ； 如果存 在 季
Ａ Ｉ 乘积模 型 是 针对 有 季 节性 变 动 的时 间序 Ｒ ＭＡ 列 提 出的建模 方法 。它 对每一 季节周 期 中相 同时 间点
Ｌ ｇｌ ｅｈ ｏ ｏ ｉ ｌ ｏ ｄ ｋｉ
ＤＵ ｂ ｎ． ａｓ ｎ ｓ ｔ ｒ ｉ Ｗ ｔｏ ｔ ａ
一 １ ． ２ ７ Ｈ ｎ ａ — ｕｎ ｒｅ ． １ ． ６ ３ ９ ９ １ ２ ａ ｎ ｎ Ｑ ｉｎｃｉ ｒ ｔ ７２ ６ ２
中国卫生统计 ２ １ ０ １年 １ ２月第 ２ ８卷第 ６期
使用 Ｅ ｉ ｓ ｖ ｗ 软件 对 精 神 卫生 门诊 人 次 进 行 Ａ Ｉ ｅ Ｒ ＭＡ模 型预 测
上海交通大学医学院附属精神卫生中 Ｇ（０００ 周 晓晓 孙 琳 周哲 颖 ２０３ ）
【 提
要 】 目的 分析 医院门诊量的变化趋势 ， 适用 的预测模型 ， 医院的管理决策 提供依据 。方法 建立 为
性变化的影响 ， 例如医疗设备 的改进或服务水平 的上
升等。每年的 １ 月春节期间有必然 的波谷 ， 月 ２ 因此 在 ２ １ 的前 两 个 月 预 测 值 都 较 低 ， 实 际 上 ２ １ ００年 而 ００
年 的 ２月为春 节 ， 时 的 门诊 量 维 持 在 平 时 的 稳定 １月
【 关键词】 Ｅ ｉ ｓ ． 精神卫生门诊人次 时间序列 预测 ｖ ｗ ０ ｅ ６
在信息化飞速发展的时代 ， 能够获得准确 的预测 信息对医院管理来说有着重要的意义 。现在的人们经 常处 于生 活压 力 ， 作 压力 ， 习压力 等各 种精 神压 力 工 学 下， 因此精神健康和心理卫生也逐渐为人们所重视 ， 随
・
６８ ・ ８
Ｃｈ ｎ ｓ ｏ ｒ ａ ｆ Ｈｅ ｌ ｔｔｓｉｓ Ｄｅ Ｏ ． １ ２ ＮＯ． ｉ ｅ ｅ Ｊ ｕ ｎ ｌｏ ａ ｔ Ｓ ａｉｔｃ ． ｃ ２ ¨ Ｖｏ ． ８． ｈ ６
列。
表 １ ｓａｏ ｅｓｎ序列的单位根检验
２１ ００年前 三 季 度 的每 月 实 际值 与 预 测 值 之 间 的 相 对误 差较小 ， 明模 型合理 。 证
表 ３ 预测数值与实际数值 比较
表 ２ ｓａｏ ｅｓｎ序列的模型参 数
Ｖａ ｉｂ ｅ ｒａ ｌ ＣＯ ｆ ｃｅ ｔ ｅ 丘 ｉｎ Ｓ ｄ． ｒ ｒ ｔ Ｅｒｏ ｔ—Ｓ ａｉｔ ｔｔｓ ｃ ｉ Ｐｏ ｒｂ
ＭＡ （ １） ＭＡ ｆ ２） Ｓ ＭＡ （１ ２）
Ｒ— ｑ ａｅ ｓ ｕ ｒｄ
１９ ２ ２ ．８ ６ ３
的序列值进行分析 ， 提取季节趋势 ； 并且针对每个季节 周期内部序列值的变化提取非季节性成分 ， 确立最优 模型 引。 精神及心理咨询门诊数据顺应时间变化呈递增的
Ｄｅ ｅ ｄ ｎ ｒａ ｌ Ｓ ｐ ｎ ｅ ｔＶａ ｉｂ ｅ： ＥＡＳ ＯＮ Ｍ ｅ ｈ ｄ： ａ ｔＳ ｕ ｒ ｓ ｔ ｏ Ｌｅ ｓ ｑ ａｅ
况， Ａ Ｉ 对 Ｒ ＭＡ模型进行参数估计 ， 判断其是否显著 ； 检 验残 差序 列是 否 为 白 噪声 ， 即模 型是 否 充 分 提取 数 据信息 ； 确定适用模型。③利用最优模型进行数据预
测。 时 间序 列分 析过 程及 结果
１模 型 识别 ．
创建 Ｎ ｗ Ｗｏｋ ｌ， 新 的 数 据 表 中依 次 输 入 ｅ ｒｆｅ 在 ｉ
３ 预 测 ．
１杨帆 ， ． 秦银河 ， 刘丽华 ． ＲＭＡ模 型在 门诊人 次预测 中的应用． ＡＩ 中华 医院管理杂志 ，０９，５ １ ：８— １ ２ ０ ２ （ ）２ ３ ． ２ 周忠彬 ， ． 吕红梅 ， 郢． Ｉ 干 预模 型在 医院 门诊量 预测 中的应 邹 ＡＲＭＡ 用． 中国医院统计 ，０ ８ １ （ ） ¨Ｏ¨２ ２ ０ ，５ ２ ： ． ．
该 模 型的拟 合效果 越好 。 同时得 到 模 型 的非 季 节 性 移 动平 均 系 数 ＭＡ１＝
一
文 中使用的 Ｅ ｉ ｓ ｖ ｗ 是一款专 门的计量经济学软 ｅ
１ ０ ， ２＝０ ４ ， 节 性 移 动 平 均 系 数 Ｓ ． ６ ＭＡ ．４ 季 ＭＡ１＝
０． ５。 ８
其不足之处在于只能处理时间序列数据， 而现在使用
对残 差进行 Ｑ检验 。
尸值均 不显 著 ， 即乘积模 型 的残 差 为 白噪声 序 列 ， 表 明模 型拟合 程度较 好 。残 差 为 白噪声 序列 代表 了各 种 随机 因素对 序列趋 势 的影 响 ， 突发 事 件 等 不可 预 如 测 的情况 ， 残差 为 随机 平稳 序 列 表 明模 型 已充 分提 取 数据 信息 。
水平 ， 因此 与预测 产 生 了较 大 的差异 。就 预测 情 况 可
以看 出 ， 型与实 际数据 的吻合较好 。 模 件， 时序数据 的分 析 能力 很 强 ， 处 理 回 归方 程 方 面 ， 在 包括单 位根 检验 ， 协整模 型 ， Ｉ ＡＲＭＡ模 型等 较为擅 长 ，
模型参数个数及残差个数 ， Ｉ ＡＣ与 Ｓ Ｃ的值越小表示 Ｂ
数据源
于 ２０ ０ ０年至 ２ ０ ０ ９年月 门诊人 次报表数据 ， 使用 Ｅ ｉｗ ６ ０进行模型拟合并对 ２ １ ｖｅ ｓ． ０ ０年前三季度数据进行 预测 。结果 门 诊量数据具有 长期的增长趋势并受到季节性影 响， 最终选择 Ａ Ｉ Ｒ ＭＡ（ ， ， ） ０ １ １ 进 行拟合预 测获得 了较好 的效 果。 ０ １２ （ ， ， ） ： 结 论
立数学模型 ， 一般反应三种实际变化规律 ： 趋势 ， 周期 ， 随 机性 。实 际应 用 中 常有 几 种 变 动 的 组合 ， 测 时应 预
设 法过 滤不 规则 的 随机变 动 ， 出趋 势 和周 期变 动 。 突
ＯＳ Ｌ 估计检验数据平稳性 。由表 １ 以看出 Ａ Ｆ检 可 Ｄ 验值远小于下列 １ 、％ 、 ％的检验水平数值 ， ％ ５ １ ０ 因此 拒绝原假设 ， 即序列为平稳序列。
及时的诊疗 ， 提高社会效益 ， 维系社会稳定。
资料 和 方法 １ 资料来 源 ．
２０ 年 至 ２０ ００ ０９年 的月 医 院门诊 人 次量数 ， 名 为 命 ｐｙ 并观察序列图（ １ 。 ｈ， 图 ）
选取 上海 市精 神卫 生 中心 ２ ０ 至 ２ １ ０ ０年 ００年 ９月 的 门诊统 计 月报表 ， 据可 靠 。 数
的基本 对象 是 时 间序 列 ， 以直接 使 用 序 列 名 称 对 序 可
图 １ ｐｙ ｈ 序列 图
平稳 时间序列 的序列 图应该 显示 出序列 始终 在一 个 常数值 附近 随机波 动 ， 动 范 围有 界 并 且无 明显 趋 波 势 或者周 期 特征 。 由于趋 势 图中数 据既有 长期 趋势 ， 又具有 周期 性 ， 因此创建 ｓａｏ ｄ ｐｙ １ １ ）对原 始序 列进行 １阶 ｅｓｎ＝ （ｈ ， ，２ ， 季节 性差 分 。观 察 季 节 调 整 后 产 生 的 ｓａｏ ｅｓｎ序 列 数
２ 方 法 ．
（ ） ｖｅ ． 即 Ｅ ｏ ｏ ｔｃ ｉ １ Ｅ ｉ ６０ ｗｓ ｃｎ ｍｅ ｉｓＶ ｅ ｒ ｗｓ是 美 国
Ｑ ＭＳ公司研制 的在 Ｗｉ ｏ ｓ 专 门从事数据 分析 、 ｎ ｗ 下 ｄ 回归 分析 和 预测 的工具 。该 软 件 的主要 功能 在于设 计 模型 ， 估计模型， 检验模型 ， 应用模 型等。Ｅ ｉ ｓ ｖ ｗ 处理 ｅ
从 表 ２中 ， 数 的 Ｐ值 均 ＜００ 各参 ．５可 以看 出参 数
长期 趋势 ， 这是 由宏 观 因素 造成 的发展趋 势 ， 包括 随机
均显著 ， 认为模型可 以表达序列信息 ， Ｉ Ａ Ｃ与 Ｓ Ｃ值 Ｂ 分别 为 １．４及 ｌ． １ ７２ ７３。
Ａ ａ ｅｉｆ ｒｅｏ ｋｉ ｏｃ ｔｉｎ信 息 准 则 （ Ｃ） Ｓｈ ｒ ｋ ｎ ｉ ｒ ＡＩ 和 ｃｗａ ｚ ｔ ｃｔ ｏ ｉ ｒ ｒｅ ｎ的贝 叶斯准则 （ Ｂ 或称 为 ＢＣ） ｉ Ｓ Ｃ， Ｉ 是最 常用 的 统 计模 型选择 标准 。此二 信息 准则 的统计 量都 是建立 于模 型的 （ 似 ） 大似 然估 计值 之 上 ， 近 极 而对 于给 定 的
节 影 响 ， 进行 季节 性处 理 ； 到处 理后 的数据 为平稳 则 直
并由Ａ Ｃ及 Ｐ Ｃ 的情 况 判 断 模 型 。经 过 参 数 估 计 比 Ａ
序列。②观察平稳 序列的 自相关及偏 相关 函数 的情
较， 选择 Ａ Ｉ ＲＭＡ（ ， ，）ｘ（ ， ， ） 拟合 ｓａ ｎ序 ００ ２ ００ １ １ ２ ｅｓ ｏ
一１ ０ ４ ６ ． ６ ５３ ０． ４ ６ ８ ４ ４ ８ 一０． ４ ３ ８ ８ ５ ７
０． ８ ０ ９ ０ ４ ４ ００ ５ ７ ．８ ７ ９ ００ ２ ０ ． ３１ ９
—１ ． ６ ６ ２ ６５ ７ ５ １ ４１ ３ ． ８ ３ —２ ０ ７ ６ ７． ｌ ３
０． ０ ０ ０ ０ ０． ０ ０ ０ ０ ０． ０ ０ ０ ０
