圖1 墨西哥和美國的禽流感疫情

此外，再結(jié)合地理信息系統(tǒng)的內(nèi)容，我們可以更廣泛地了解此次禽流感疫情在全球范圍內(nèi)的變化規(guī)律。圖2就是進一步運用JMP軟件中的“地圖”功能繪制而成的動態(tài)圖形。我們可以輕而易舉地跨越時空的局限，將世界各地的禽流感疫情一覽無遺。

圖2 世界各地的禽流感疫情

案例二——國內(nèi)某省丙肝發(fā)病的預(yù)測

丙肝，全名為丙型病毒性肝炎。雖然丙肝的“知名度”不如乙肝，但近幾年丙肝的發(fā)病率逐年上升。丙肝不像乙肝癥狀明顯，因而多數(shù)丙肝患者本身并不知情。但是，在未來20年內(nèi)與HCV感染相關(guān)的死亡率(肝衰竭及肝細胞癌導致的死亡)將繼續(xù)增加，對患者的健康和生命危害極大，已成為我國嚴重的社會和公共衛(wèi)生問題。

利用某省2005-2013年的丙肝報告發(fā)生數(shù)預(yù)測該省2014年的丙肝情況。圖3中展示了108個月的該省丙肝報告發(fā)生數(shù)。

圖3 某省2005-2013年的丙肝病例報告數(shù)

觀察上圖發(fā)現(xiàn)，該數(shù)據(jù)具備趨勢性、周期性和隨機性的特點，適合用時間序列分析中的ARIMA(p,d,q)模型來進行分析預(yù)測。但是，如何確定其中的參數(shù)p,d,q呢?這需要具備一定的統(tǒng)計學背景知識，花費相當?shù)奶剿髋c嘗試時間。幸運的是，在JMP軟件的智能化分析幫助下，這一切變得很簡單，因為可以在極短的時間內(nèi)對大量的候選模型進行地毯式搜索，并根據(jù)其擬合效果的優(yōu)劣進行排序，最后甄選出一個預(yù)測誤差最小的模型供我們參考使用。本例中最終確定的參數(shù)為p=1,d=1,q=1，因此對應(yīng)的ARIMA模型為ARIMA(1,1,1)。用該模型對源數(shù)據(jù)進行擬合及預(yù)測，如圖4所示，該模型曲線的擬合效果還是不錯的。

圖4 ARIMA(1,1,1)模型

相信大家從這些案例中可以感受到：工欲善其事，必先利其器。借助于現(xiàn)代化的數(shù)據(jù)分析利器JMP，無論是定性預(yù)測，還是定量預(yù)測，都能夠簡便高效地完成。未來這些方法和技術(shù)在傳染病預(yù)測預(yù)警方面還會有更好的應(yīng)用前景。

zhoujianding