自回归整合移动平均模型在医院药库采购预测中的应用
基于自回归积分滑动平均模型对中药材三七价格预测的讨论
基于自回归积分滑动平均模型对中药材三七价格预测的讨论该文在分析三七价格波动的基础上，以2004年1月—2015年8月近10年120头三七的价格数据为基础，采用自回归滑动平均模型[ARIMA（p，d，q）]，对2015年9月—2016年8月120头三七的价格进行预测。
在确定模型形式的过程中，对价格数据进行平稳性检验，以确定模型的p，通过自相关函数和篇相关函数识别模型的p和q，根据确定的模型形式，对模型进行检验，确定预测误差最小的模型。
该文采用ARIMA（2，1，3）模型预测三七未来一年的价格，供种植三七的药农、以三七为原材料的药企等参考。
标签：三七；自回归积分滑动平均模型；单位跟检验；价格预测[Abstract]Based on the analysis of price fluctuations on Notoginseng Radix et Rhizoma，this paper takes advantage of the price data of Notoginseng Radix et Rhizoma which specification is 120 from January 2004 to August 2015，using autoregressive integrated moving average model [ARIMA （p，d，q）] forecasting the price of Notoginseng Radix et Rhizoma from September 2015 to August 2016 In the process of determining the form of model，the stability test used to determine the model of p，and the autocorrelation function and particles autocorrelation functions to identify the p and q of model According to test the model，the forecast minimum error model was identified In this paper，ARIMA （2，1，3）model was used to pre dict next year′s price of Notoginseng Radix et Rhizoma，for providing information for Notoginseng Radix et Rhizoma growers，pharmaceutical companies [Key words]Notoginseng Radix et Rhizoma；ARIMA model；unit test；price forecastdoi：10.4268/cjcmm20160832本文以自回归积分滑动平均模型（ARIMA）为基础，预测三七未来一年的价格趋势。
药品预测模型及使用方法
案例二：基于机器学习的药品不良反应预测
总结词
详细描述
机器学习是一种基于数据的方法，可以用于 预测药品的不良反应风险。通过分析大量药 品数据和患者信息，可以找出影响不良反应 的因素，并建立预测模型。这种方法需要大 量的数据和强大的计算能力。
1.收集药品数据和患者信息，包括药品成分 、用法用量、患者年龄、性别、病史等信息 。2.对数据进行预处理和特征工程，提取出 与不良反应相关的特征。3.选择合适的机器 学习算法，如支持向量机、随机森林或神经 网络，对数据进行训练和预测。4.根据预测 结果，优化药品配方和降低不良反应风险。
THANKS
感谢观看
药物研发的效率。
临床试验设计
利用预测模型对临床试验的方案 进行优化，降低试验成本，缩短
研发周期。
药品生产阶段
生产计划优化
根据历史销售数据和市场趋势，预测药品的需求量，优化生产计划，降低库存 积压和缺货的风险。
质量控制
利用统计模型和人工智能技术对药品生产过程中的质量数据进行监测和分析， 及时发现并控制生产过程中的风险点。
VS
结果建议
结合市场实际情况和专家意见，对模型结 果进行修正和完善，提高预测结果的准确 性和可靠性。同时，根据预测结果提出针 对性的建议和措施，以帮助企业更好地应 对市场变化和竞争压力。
05
药品预测模型的挑战与未来发展
挑战与局限性
1 2 3
数据稀疏性
药品预测模型通常需要大量的历史数据来训练和 预测，但现实中往往存在数据稀疏性问题，导致 模型预测准确度下降。
制定营销策略
药品预测模型可以分析市场需求和 消费者行为，帮助医药企业制定有 针对性的营销策略，提高市场竞争 力。
02
时序预测中的自回归集成移动平均模型介绍(六)
时序预测中的自回归集成移动平均模型介绍时序预测是一种对时间序列数据进行预测的技术，它在许多领域都有广泛的应用，比如股票市场预测、天气预测、交通流量预测等。
其中，自回归集成移动平均（ARIMA）模型是一种常用的时序预测模型，它结合了自回归（AR）模型和移动平均（MA）模型的特点，能够对非平稳时间序列数据进行建模和预测。
自回归模型是基于时间序列数据自身的历史值进行预测的模型，它假设当前观测值与过去的观测值之间存在一定的相关性。
而移动平均模型则是基于时间序列数据的随机误差项进行预测的模型，它假设当前观测值与过去的随机误差项之间存在一定的相关性。
ARIMA模型则将这两种模型结合起来，可以同时考虑时间序列数据的自相关性和随机性，从而更好地进行预测。
ARIMA模型的参数分为三部分：自回归阶数（p）、差分阶数（d）和移动平均阶数（q）。
其中，自回归阶数（p）表示当前观测值与过去p个观测值之间的相关性；差分阶数（d）表示为使时间序列数据变得平稳而进行的差分操作的次数；移动平均阶数（q）表示当前观测值与过去q个随机误差项之间的相关性。
通过对这三个参数的调整，可以构建不同阶数的ARIMA模型，从而适应不同的时间序列数据。
除了单独使用ARIMA模型外，还可以将多个ARIMA模型进行集成，得到集成ARIMA模型。
集成ARIMA模型可以通过对不同的ARIMA模型进行加权平均或者组合，从而得到更准确的预测结果。
集成ARIMA模型的好处在于能够充分利用不同ARIMA模型的优势，从而提高预测的准确性和鲁棒性。
在实际应用中，我们可以通过以下步骤来构建ARIMA模型和集成ARIMA模型。
首先，我们需要对时间序列数据进行可视化和平稳性检验，以确定合适的差分阶数（d）。
然后，我们可以通过自相关函数（ACF）和偏自相关函数（PACF）来确定合适的自回归阶数（p）和移动平均阶数（q）。
接下来，我们可以使用最大似然估计等方法来估计ARIMA模型的参数，并进行模型诊断和残差分析。
自回归移动平均模型在预测门诊输液人次中的应用
（ ＡＲＩ Ａ） ｉ ｈ ｒ ｄ ｃ ｉ ｎ ｏ ｈ ｍｏ ｎ ｆｏ ｔ ｐ ｔｅ ｔ ｏ ｎ ｅ ｒ ｎ ｆ ｓｏ ａ ｄ ｔ ｒ ｄ ｃ ｈ Ｍ ｎ ｔ ｅ ｐ ｅ ｉｔｏ ｆｔ ｅ ａ ｕ ｔｏ ｕ — ａ ｉｎ ｓｗｈ ｅ ｄ ｔａ ｓ ｕ ｉ ｎ， ｎ ｏ ｐ ｅ ｉｔｔ ｅ
ⅥｒＮＧ ｉｇ Ｕ Ｕ （ Ａ Ｐｎ ， Ｙｕ Ｅｍｅｇ ｎ ｙ Ｄｅ ａｔ ｎ ，ｈ ｎ ｒ ｌ ｓ ｉ ｌ ｆＰ Ａ， ｅ ｉｇ １ ０ ５ ， ｈｎ ） ｒ ｅ ｃ ｐ ｒｍｅ ｔ ｔｅＧｅ ｅａ ｐｔ Ｌ Ｂ Ｏｎ ０ ８ ３ Ｃ ｉａ Ｈｏ ａ ｏ
Ａ ｓ ａｔ Ｏｂｅｔ ｅ Ｔｏ ｖ ｌａｅ ｔ ｅ ｕ ｅ ｏ ｕｏ ｅ ｒｓｉｅ ｉｔｇａｅ ｖｎ ｖ ｒｇ ｄ ｌ ｂ ｔ ｃ ： ｊｃｉ ｒ ｖ ｅａｕ ｔ ｈ ｓ ｆ ａ ｔｒｇ ｅｓｖ ｎｅ ｒｔｄ ｍｏ ｉｇ ａ ｅａ ｅ ｍｏ ｅ
ｄ ｒｎ ａ ． ０ ３ ａ ｄＤｅ ． ０ ７ ｗｅ ｅｐ ｒｏ ｍｅ ．ＡＲＩ Ａ ｒ ｃ ｓ ｒ ｎ ｌｚ ｄ ｗｉ ＡＳ ａ ｄ ｐ ｅ ｕ ｉ ｇＪ ｎ ２ ０ ｎ ｃ ２ ０ ｒ ｅ ｆ ｒ ｄ Ｍ ｐ ｏ ｅ ｓｗｅ ｅａ ａｙ ｅ ｔ Ｓ ｎ ｒ — ｈ
Ａｕ ｏ ｅ ｒ ｓ ｉ ｅ Ｉ ｔ ｇ ａ ｅ ｏ ｉ ｇ Ａｖ ｒ ｇ ｏ ｅ ｎ Ｐｒ ｄ ｃ ｉ ｇ ｔ ｅ Ａｍ ｏ ｎ ｆ Ｔｒ ｎ ｆ — ｔ ｒ ｇ ｅ ｓｖ ｎ ｅ ｒ ｔ ｄ Ｍ ｖ ｎ ｅ ａ ｅ Ｍ ｄ ｌｉ ｅ ｉ ｔｎ ｈ ｕ ｔｏ ａ ｓ ｕ ｓｏ ｕ — ａ ｉｎｔ ｉ ｎ Ｏ ｔｐ ｔｅ ｓ
ARIMA模型在经济预测中的应用研究
ARIMA模型在经济预测中的应用研究随着技术的不断进步和经济的快速发展，人们对于经济预测的需求变得越来越强烈。
而ARIMA（Autoregressive Integrated Moving Average）模型作为一种经典的时间序列分析方法，在经济预测领域中发挥着重要的作用。
本文将对ARIMA模型在经济预测中的应用进行探究，并分析其优势和不足之处。
ARIMA模型是由自回归(AR)、差分(Integrated)和移动平均(MA)三个部分组成的。
其基本思想是通过对历史数据的观察，分析序列间的自相关性和移动平均性，并根据这些模式对未来的趋势进行预测。
ARIMA模型不仅能够提供对未来数值的预测，还能够分解序列中的趋势、周期和随机成分，有助于分析经济波动的原因和规律。
首先，ARIMA模型在宏观经济预测中具有广泛应用。
宏观经济指标，如GDP、CPI等，对于一国的经济运行状况有着重要的反映作用，通过对这些指标进行预测，政府和企业可以更有效地制定宏观调控政策和商业战略。
ARIMA模型通过对历史数据的分析，可以揭示这些指标的周期、长期和短期趋势，对未来的变化做出比较准确的预测。
同时，ARIMA模型还可以用于发现和拟合宏观经济模型，进一步深化对经济运行的理解。
其次，ARIMA模型在金融市场预测中具有重要意义。
金融市场的价格波动和交易量等指标受到多种因素的影响，如经济政策、利率变动、市场情绪等。
通过对这些指标进行建模和预测，投资者可以制定更加精准的投资策略，降低投资风险。
ARIMA模型可以帮助分析金融市场的季节性、周期性和随机波动，为金融机构决策提供科学依据。
此外，ARIMA模型还可以用于研究金融市场的风险评估和波动预测，为监管机构提供决策支持。
然而，ARIMA模型也存在一些局限性。
首先，ARIMA模型对数据的平稳性有一定的要求，如果时间序列数据存在非平稳性，需要进行差分处理。
其次，ARIMA模型对于长期趋势的拟合能力较弱，无法很好地捕捉长期的结构性变化。
组合预测模型在医用耗材库存需求预测中的应用
源 的合理配置 。方法 以“ 估计误差 的方差极小 ” 为准则将二次平滑指数模型和灰色 系统模型组合起来 ， 建立组合预 测模 型 。结果 华西 医院 ｘ科室一次性 口罩 ２ ０ １ １ 年１ ０月 的预测值 为 ９ ５ ７ ４ ． ４ ３个 ， 其均方误差值 小于其他 预测方法 。结 论
组合预测模型在预测 医用耗材库存需求预测 中是 可行 的 ， 具有单项模型不可 比拟 的优势 。 【 关键词 】 组合预测 灰色系统预测 二次指数平滑预测 医用耗材库存需求
种 的耗材 还有 不 同规格 、 型号 。
随机需求和随机提前时间的库存问题提供一个解决途
径 。Ｄ ｏ ｎ ａ ｔ ｈ Ｂ通过联 合 库存 管 理 ， 改善 医 院和 供应
商的合作关 系， 提高预测 的准确性 。从 国内研究来
看， 张俊才 利用 人工 神 经 网络模 型 对 大 坪 医 院 医疗 器 材进 行需 求 预 测 ， 大 大地 降 低 了医 院 的库 存 成 本 Ｊ 。 张蓓 探讨 指数 平滑 预测模 型在 医院药 品库存 管理 中的
如果 简单 地将 误差 较 大 的方 法 舍 弃 掉 ， 仅 仅 采 用某 种
供给， 医用耗材的库存量预测要求具有较高的准确性 。
（ ３ ） 不 同材 料用 量差 异大 通用 的医用耗 材如 留置 针 ， 某 护 理单 元 ２ ０ １ １年 １
月使用了千余个 ； 而专业性较强的材料 ， 如氢基磷杰石 可 吸收钉 ， 某 护理单 元 ２ ０ １ １ 年 １ 月 仅使 用 了一个 。因 此， 针对 不 同的 医用 耗材 ， 应 根 据 其 变 化 规 律及 特点 ，
种 的使用 量 ］ 。王 寅 应 用 灰 色 模 型预 测 医 院 药 品采 购周 转 ， 该 方法 可充 分 保 障临 床用 药 ， 降低 药 品库 存 ，
药品预测模型及使用方法
使用独立的验证集对优化后的 模型进行验证，确保模型的泛
化能力。
04
药品预测模型的使用方法
数据输入与
数据输入
选择适当的数据来源，包括药品销售数据、市场调研数据、医学 文献等。
数据预处理
对数据进行清洗、整理、转换等操作，以确保数据的质量和准确性 。
数据输出
根据模型预测结果，输出药品销售预测值、市场份额预测值等。
药品研发可行性预测
总结词
药品预测模型可以帮助企业评估药品研发的可行性，为研发 决策提供依据。
详细描述
通过药品预测模型，可以分析药品研发的历史数据和市场趋 势，结合药品特性、市场需求、技术难度等因素，对药品研 发可行性进行预测。
03
药品预测模型的构建与优化
数据收集与处理
01
02
03
确定数据来源
收集与药品相关的数据， 包括药品研发、生产、销 售、使用等各环节的数据 。
缺点
只能处理线性关系，无法处理非线 性数据关系。
支持向量机模型
01 02
模型原理
支持向量机（SVM）是一种监督学习模型，旨在找到一个超平面，将 不同类别的数据分隔开。在药品预测中，可用于分类药品的类别或预测 药品的效果。
优点
能够处理二元分类问题、对数据量要求不高、不易受噪声数据影响。
03
缺点
只能处理线性可分问题、无法处理多分类问题。
特征选择与提取
根据模型需要，选择与药品预测相关的特征，并 进行必要的特征提取和转换。
模型评估与优化
划分数据集
将数据集划分为训练集和测试 集，用于模型训练和测试。
模型评估
使用测试集对模型进行评估， 计算模型的准确率、精度、召 回率等指标。
预测模型在医药研发中的应用
预测模型在医药研发中的应用随着科技的不断进步，医药研发领域也在不断发展。
在研究新药物、疾病的诊断和治疗方面，数据和算法技术已经成为医药研发的重要组成部分。
其中，预测模型是其中一种重要的工具，它可以帮助科学家更准确地预测药物的疗效和安全性，为新药物的研发提供有效的支持。
一、预测模型是什么？预测模型是一种机器学习算法，它可以利用历史数据和现有的统计学分析方法，预测未来的数据趋势。
在医药研发领域，预测模型可以预测药物的作用靶点、药理学性质和剂量反应等方面的信息。
二、预测模型在药物发现中的应用药物发现是医药研发过程中最重要也最繁琐的环节之一。
预测模型可以帮助科学家更好地理解药物和疾病之间的关系，并帮助筛选出具有潜在治疗效果的化合物。
例如，利用预测模型，科学家可以预测化合物与蛋白质和其他生物分子的相互作用方式，进而判断化合物是否能够成为有效的药物。
三、预测模型在临床试验中的应用在药物研发的临床试验中，预测模型可以帮助科学家更好地预测药物的疗效和安全性。
利用大量的历史数据和现有的药理学信息，预测模型可以帮助科学家预测不同剂量下，药物的疗效和安全性，从而避免动物试验和初期人体试验中产生的生物伦理问题，减少药物试验失败的几率。
四、预测模型在药物配方和剂量确定中的应用药物配方和剂量是临床应用中不可或缺的环节。
高剂量药物可能会导致严重的不良反应，而过低的剂量可能会导致药物的失效。
预测模型可以帮助科学家更好地预测不同剂量下药物的疗效和不良反应，进而确定药物的最佳剂量。
五、预测模型在个性化医疗中的应用个性化医疗是医学领域的一个重要的发展方向。
预测模型可以帮助医生更好地了解每个患者的生理状况和疾病发展情况，进而为每个患者量身定制最佳的治疗方案。
例如，在癌症治疗中，预测模型可以利用患者的基因信息和病情，预测药物的疗效和不良反应，为患者制定更加有效和安全的治疗方案。
总而言之，预测模型在医药研发中有着广泛的应用，可以帮助科学家更好地预测药物的疗效和安全性，为药物研发提供有效的支持。
药品预测模型及使用方法
去除异常值、缺失值和重复数据，对数据进行 必要的转换和处理，以满足模型要求。
3
数据分组与标签
将数据按照不同的药品分组，并根据需要为每 个组别添加相应的标签。
模型算法选择与调整
算法选择
01
根据需求选择适合的预测模型，如线性回归、决策树、神经网
络等。
参调整
02
针对所选模型进行参数调整，以优化模型的预测性能。
它通过分析历史数据和市场趋势，实现对未 来药品市场走势的预测，为药企的决策提供
数据支持。
药品预测模型的应用范围
药品预测模型主要应用于药企的药品销售、库存、价格等 管理环节。
通过对药品市场的历史数据和市场趋势进行分析，可以帮 助药企制定更加科学合理的销售策略、库存管理策略和价 格策略。
药品预测模型的发展趋势
基于新型深度学习算法的药品预测模型
新型深度学习算法在药品预测模型中得到广泛应用，这些算法能够自动提取特征并进行高维数据的处 理，提高预测性能。
新型深度学习算法包括自注意力网络、Transformer、图神经网络等，这些算法可以自动提取和选择 特征，并能够处理高维度的数据。此外，这些算法还可以利用先验知识，提高药品预测的准确性和可 靠性。
05
药品预测模型的挑战与对策
数据质量与隐私保护
数据质量
药品预测模型的准确性在很大程度上取决 于数据的质量。收集和处理高质量的数据 是应对这一挑战的关键。
VS
隐私保护
在收集和处理个人健康数据时，必须严格 遵守隐私保护原则，确保个人信息的机密 性和完整性。
模型泛化能力与可解释性
模型泛化能力
训练出的模型应能够泛化到未知的数据集上，减少过拟合现象，提高预测精度。
回归分析在市场预测中的应用
回归模型假设数据点之间是独立的，但在许多情况下，这种假设可能不成立。例如，时间序列数据可能存在自相关性 ，这会影响模型的预测准确性。
错误类型
回归模型可能对不同类型的错误（如异常值、缺失值等）敏感，这可能影响模型的稳定性和预测性能。
模型的拟合度
过拟合
当模型过于复杂或训练数据不足时，可能会出现过拟合现象 。这使得模型在新数据上表现较差，因为它们过度拟合了训 练数据中的噪声。
归方程。
解释模型
03
解释回归方程中各个自变量的系数和意义，以及它们对因变量
的影响。
多元回归方程的检验
拟合优度检验
通过R^2值、调整R^2值等指标，评估模型对数据的拟合程度。
显著性检验
对每个自变量的系数进行显著性检验，判断其对因变量的影响是否 显著。
预测能力评估
使用模型进行预测，并与实际数据进行比较，评估模型的预测能力 和准确性。
欠拟合
如果模型过于简单或无法捕捉到数据的复杂模式，可能会出 现欠拟合现象。这使得模型在训练数据和测试数据上的表现 都较差。
数据的质量和数量
数据质量
如果数据存在缺失、错误或异常值，可能会 对回归模型的性能产生负面影响。在进行回 归分析之前，需要对数据进行清洗和预处理 。
数据数量
通常，更多的数据可以提高回归模型的精度 。然而，如果数据量不足，模型可能无法捕 捉到重要的模式和关系。因此，在选择回归 模型时，需要考虑数据的数量和质量。
01
02
03
拟合优度检验
通过计算判定系数、调整 判定系数等指标，评估线 性回归方程对数据的拟合 程度。
参数检验
对线性回归方程的系数进 行显著性检验，以确定每 个自变量对因变量的影响 是否显著。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
韩 晋 1 * ,赵庆国 1 ,吴荣荣 1 ,刘东杰 2(1.解放军第 302 医院药学部 ,北京市 100039 ;2.康联达(北京)软件有 限公司 ,北京市 100073)
中图分类号 R952
文献标识码 C
文章编号 1001-0408(2009)31-2432-03
从图 3 和图 4 我们 可以看 到 A CF 图 一阶截 尾 (稍有 拖 尾), 而 P A CF 图有拖尾现象 , 初步判断模型为 A R IM A (0 , 1 , 1), A RI M A (1 ,1 ,1),A RIM A(0 , 1 , 2)。 2.3 模型参数估计和模型诊断
10 m g ∶1 m L 支
50 μg
支
0上海复华
过程一般按 4 个阶段进行 :(1)序列平稳化 :A RIM A 的应用需
要时间序列符合平稳性的要求 , 即均数不随时间变化 ;方差不
随时间变化 ;自相关系数只与时间间隔有关 , 而与所处的时间 无关 。(2)模型的识别 :主要是根据自相关函数(AC F)图和偏
135 μg 80 μg 5 00万I U
支 上海罗氏 支 先灵葆雅 支 北京三元
4 聚乙二醇干扰素α-2a注射液
70 华蟾素胶囊 29 重组人干扰素α2b注射液
180 μg
支
0.25 g ×12 盒
5 00万I U
支
上海罗氏 陕西东泰 天津华立达
17 胸腺五肽注射液 12 聚乙二醇干扰素α-2b注射液 13 注射用还原型谷胱甘肽
L IU Dong_jie(Kang lianda Sof t w are Co., L td., Beijing 100073 , China)
ABSTRACT O BJECT I V E :T o e xplor e the new dr ug purcha sing m ode using auto reg ressive in te g rated m oving -av er age (A R IM A )predictio n mo del fo r impro ve ment of the w o rking quality and e fficiency in ho spital drug sto re roo m.M E T HOD S : Dr ug consum ptio n data f rom w eek 1 to we ek 47 in 2008 w ere co lle cted.A cco rding to A BC me thod , categ o ry A drug s we re de fined amo ng w hich 10 kinds o f drugs w e re sam pled randomly .Based on the da ta of fr om w eek 1 to wee k 44 in 2008 , so ftw ar e SPSS 13 w as applied f or the m odeling and fitting of A RIM A mo del.T he e sta blished mo del w as applied to predict the data of fro m we ek 45 to 47 , w ith the p redica ted data co mpare d w ith the actual co nsumption data.RESU L T S :T he pr edicted purchasing amo unt using A R IM A model w er e co nsiste nt w ith the a ctual consum ptio n data , w ith predic tio n accura cy fo r quantity a t 89.19 % a nd predic tio n accur acy fo r w ho le unit of pur chase d drug s at 97.56 %, r espec tiv ely .CON C L U SIO N S :G oo d fitting and hig h shor t -medium te rm pre dication accur acy w er e obtained in the pre dictio n using A RI M A mo del , and w hich could
随着医院数字化建设的不断发展 , 对药品采购和供应保障 方面提出了更高的要求 , 既要保障临床用药 , 又要占用资金最
少 , 维持合理库存 。但药品消耗易受季节 、疾病流行及人为因素 影响 , 对如何解决药品需求与供应的矛盾 , 在药房领药与药库 采购方面国内有很多有益的探索 , 如上下限量 [1] 、A BC 定期定 量管理法 [2] 、量化决策分析法 [3] 等 , 但国内很少见将自 回归整 合移动平均模型 (A R IM A )应用于药库采购预测的文献 , 也许 是因其使用相当复杂 。本文主要讨论如何应用 A RIM A 模型作 数据挖掘 , 为药库采购提供决策支持 。
中国药房 2009 年第 20 卷第 31 期
1 应用 ARIMA 模型建模拟合的随机抽样样本
Tab 1 Samples modeled and f it ted using ARIMA mode l
序号 通用名
规格
单位 厂家
1 恩替卡韦片
0.5 mg ×7
盒
上海施贵宝
10 聚乙二醇干扰素α-2a注射液 7 聚乙二醇干扰素α-2b注射液 82 重组人干扰素α1b注射液
2 实证分析
2.1 序列平稳化
以序号为 1 的样 本为分析对象 说明 A R IM A 的建模及 检 验过程 。该样本品种通用名为恩替卡韦片 , 规格包装为 0.5mg × 7/盒 , 厂家为上海施贵宝 。消耗序列图如图 1 所示 , 可以看出数 据呈现非平稳性趋势并没有明显的季节性 。对非季节性数据来
可获得较高的中短期预测精度 ,能够为采购提供科学合理的决策支持 ,做到既不断货也不积压 ,合理控制药品库存量 。 关键词 时间序列分析 ;自回归整合移动平均模型 ;预测 ;采购 ;药库
Appl ication of ARIMA Model to Drug Storeroom in Drug Purchasing Prediction HAN Jin , ZH AO Q ing_g uo , WU Rong_rong(Dept.of Pharm acy , No.302 Ho spi tal of P LA , Beijing 100039 , Chi na)
13 共 10 个数字 , 从消耗金额排序中抽取对应序号的 10 个品种 作为 A RI M A 模型建模拟合的随机抽样样本数据 ,具体见表 1 。 1.3 建模
使用 SP SS13 为 A R IM A 的分析工具 。A RIM A 模型建模
· 2432 · China Ph arm acy 2009 Vol.20 No .31
明细数据为药品消耗数据 , 该数据代表真实的药品消耗 , 不含 药房以及药库人员的主观判断 。根据 A BC 分类法则 , 70 %的消 耗额对应 10 %的品种 , 对本院 1 025 个品种按照消耗金额从大
到小排序 , 取前 10 %的品种为 A 类共 103 个品种 。查 《医学统 计学》 [5]附表 17 随机数字表(2)中第 8 行第 6 到 10 列 , 以及表 (1)中第 16 行第 1 到 5 列分别为 1 , 10 , 7 , 82 , 4 , 70 , 29 , 17 , 12 ,
1 方法
1.1 理论基础 药品的消耗数据 , 是按时间顺序排列的一组数据 , 这样的
数据称之为时间序列 。时间序列分析就是利用这组数据 , 应用 数理统计方法加以处理 , 基于任何事物的发展都具有一定惯性 (即延续性)的原理来预测未来事物的发展 。研究人员对于时间 序列预测模型的研究目前主要有 :简单移动平均模型 (Simple M ov ing A v erag es)、 加权 移动 平均 模 型 (W eighte d M o ving A v erag es)、指数平滑模型 (Expo ntential Sm oo thing )、回归分 析模型 (L inea r Re g ression F or ecasting )、希斯金(S hiskin)时 间序列模型(T ime Series A na ly sis)、A RIM A 模型等 。A RIM A 模型被认为是目前最精确的统计方法 [ 4] , 本研究结合实例讨论
Υ(B) dX t =θ(B)εt 其中 , X t 是原始序列 , εt 是随机扰动白噪声序列 , B 是后移 算子 , d =(1 —B)d 是 d 阶差分 , p 阶自回归算子为 : Υ(B)=1 — 1B — 2B2 — … — pBp q 阶移动平均算子为 : θ(B)=1 —θ1B —θ2B2 — … —θqBq 1.2 数据采集 采集我院 2008 年 01 ～ 47 周门诊 和住院药房 的药品收费
自相关函数 (PA CF )图的特征 , 提出几种可能的模型作进一步
分析 。(3)模型参数估计和模型诊断 :对提出的模型进行参数 估计和诊断 , 如模型不恰当 , 则回到第 2 阶段 , 重新选定模型 。
(4)预测应用 :根据已建模结果 , 利用 SPS S13 进行预测 。以 2008 年 01 ～ 44 周药品消耗数据用于建立模型 , 2008 年 45 ～ 47 周药品消耗数据用于验证模型的预测效果 。
说 , 一阶差分常常就足以获得明显的平稳性 [6] 。一阶差分后序
列图如图 2 所示 ,结果表明一阶差分后效果要好得多 。
2.2 模型的识别 对一阶差分作自相关图以及偏自相关图 , 如图 3 和图 4 所