系列簡介

這是我們一系列原創(chuàng)技術(shù)貼，從易到難，每天學(xué)習(xí)一點。所有內(nèi)容均為疾控數(shù)據(jù)分析、科研論文相關(guān)，或者說很多和現(xiàn)在的熱門監(jiān)測預(yù)警相關(guān)，所以我們這個系列就叫“監(jiān)測預(yù)警基礎(chǔ)”。

今天是第23節(jié)，也是Serfling回歸的最后一節(jié)，我們講講調(diào)整Serfling回歸的具體操作。

好的，一切準(zhǔn)備就緒，我們現(xiàn)在直接開始 調(diào)整Serfling回歸模型具體操作演示。

其實現(xiàn)在很簡單了，前面 Serfling回歸模型如何具體操作我們已經(jīng)會了，上一節(jié)我們也把調(diào)整Serfling回歸的步驟講清楚了，現(xiàn)在操作就是手到擒來。

第1步，計算部分自變量

計算公式和前面Serfling回歸的一模一樣，我們就不贅述了，計算完成之后進(jìn)行回歸分析。

第2步，回歸分析，得出預(yù)測病例數(shù)

使用軟件開展回歸分析，這個時候就可以得出預(yù)測病例數(shù)以及相應(yīng)參數(shù)，這個時候得出R2為0.67。

第3步，計算第二輪回歸的因變量

如果實際病例數(shù)大于第一輪預(yù)測的病例數(shù)，就去除這個數(shù)據(jù)，只保留實際病例數(shù)小于第一輪預(yù)測的病例數(shù)的值作為第二輪的因變量Y。

第4步，再次進(jìn)行第二輪回歸

使用軟件開展第二輪回歸分析，以保留的實際病例數(shù)小于第一輪預(yù)測的病例數(shù)的值作為第二輪的因變量Y，自變量不變，進(jìn)行第二輪回歸。

這個時候就可以得出第二輪回歸的預(yù)測病例數(shù)以及相應(yīng)參數(shù)，這個時候得出R2為0.88，明顯比第一輪回歸的要大，這個時候就需要第三輪回歸。

第5步，計算第三輪回歸的因變量

第三輪回歸的因變量計算的時候還是比較，但是比較的對象不是預(yù)測值，我認(rèn)識預(yù)測值的95%置信區(qū)間上限。

如果實際病例數(shù)大于第二輪預(yù)測的病例數(shù)的95%置信區(qū)間上限，就去除這個數(shù)據(jù)，只保留實際病例數(shù)小于第二輪預(yù)測的病例數(shù)的95%置信區(qū)間上限的值作為因變量Y。

第6步，進(jìn)行第三輪回歸

使用軟件開展第3輪回歸分析，這個時候就可以得出第3輪回歸的預(yù)測病例數(shù)以及相應(yīng)參數(shù)，這個時候得出R2為0.80，明顯比第2輪回歸的要小，這個時候就不再繼續(xù)進(jìn)行回歸分析，而是以第二輪回歸為準(zhǔn)。

相當(dāng)于就是最終取R2值最大的一次回歸對應(yīng)的擬合曲線及95%CI的上限作為最終的基線病例數(shù)及流行閾值。至此，我們回歸的參數(shù)都有了，擬合曲線及95%CI的上限也有了，就可以計算超額發(fā)病數(shù)。將時間軸拉長進(jìn)行計算，然后我們就可以進(jìn)行預(yù)測接下來時間的病例數(shù)了。

編輯：普通疾控人 | 審核：詩酒趁年華

文章來源 | 原創(chuàng)

說明 | 轉(zhuǎn)載只為分享，如有侵權(quán)聯(lián)系刪除

?版權(quán)聲明 | 部分信息和圖片來自公開網(wǎng)絡(luò)

轉(zhuǎn)載請注明

再次轉(zhuǎn)載請注明出處

科普健康 | 宣傳疾控

本號為多位疾控機構(gòu)從業(yè)者運營

重點關(guān)注國內(nèi)外健康事件

致力于疾控科普

在做好科普服務(wù)大眾的同時

做好疾控機構(gòu)的宣傳

讓更多的人了解疾控，擁抱健康

歡迎加「小編」微信(cdcjkr126com)

本文具體說明

本文為原創(chuàng)內(nèi)容，文章為個人理解所學(xué)，不涉及疫情信息及內(nèi)部保密數(shù)據(jù)，發(fā)表的目的為自我總結(jié)及給有需求的人士學(xué)習(xí)使用。如有不妥之處，歡迎聯(lián)系小編修改、刪除。

更多精彩視頻，盡在“CDC疾控人”視頻號