预测疾病发病率的统计分析方法进展
流行病学调查中的统计学方法与推断
流行病学调查中的统计学方法与推断流行病学调查是研究疾病在人群中分布、发生和传播规律的重要方法。
而要对流行病学数据进行分析和推断，统计学方法是不可或缺的。
本文将介绍在流行病学调查中常用的统计学方法，并探讨如何利用这些方法做出准确的推断。
1. 样本设计与抽样方法在流行病学调查中，样本的选择对于结果的可靠性至关重要。
通常，人群中的每个个体都有一定机会被选择为样本。
常用的抽样方法包括简单随机抽样、分层抽样和群集抽样。
研究者需要根据研究目的和人群特征选择合适的抽样方法。
例如，若要调查某种疾病在不同年龄段的发病情况，可以使用分层抽样方法将人群按年龄分层，然后从每个年龄段中随机选择样本。
2. 数据收集与整理在进行流行病学调查时，数据的收集是必要的步骤。
研究者需要设计问卷、制定调查表或记录表，以收集相关信息。
此外，还可以利用现有的医疗记录、生物样本等数据进行分析。
无论是主动收集数据还是利用现有数据，都需要确保数据的准确性和完整性。
在整理数据过程中，应注意去除异常值和缺失数据，并进行数据编码与分类。
3. 描述性统计分析描述性统计分析是流行病学调查中最基本的分析手段之一。
它可以对数据进行整体性的描述，帮助研究者了解疾病的发病率、患病年龄分布、病例比例等基本情况。
常见的描述统计指标包括频数、比例、均值、中位数和标准差等。
通过对数据进行描述性统计分析，研究者可以初步了解疾病的流行情况，为后续的推断性统计分析提供依据。
4. 推断性统计分析推断性统计分析是根据样本数据对总体进行推断的方法。
它通过对样本的统计量进行估计与假设检验，得出对总体的结论。
在流行病学调查中，常用的推断性统计分析方法包括置信区间估计和假设检验。
置信区间估计可以对总体参数进行估计，例如疾病的发病率或者相对风险比。
假设检验则用来检验研究假设的正确性，比如是否存在两组之间的差异。
5. 关联与回归分析关联与回归分析是用来研究变量之间关系的统计方法。
在流行病学调查中，可以利用关联与回归分析来探讨某些因素与疾病之间的关系。
病种数据统计分析
病种数据统计分析引言概述：病种数据统计分析是一种重要的医学研究方法，通过对大量病例数据的收集和分析，可以揭示疾病的流行趋势、发病原因以及治疗效果等信息。
本文将从五个方面详细介绍病种数据统计分析的内容和方法。
一、数据收集1.1 病例选择：选择具有代表性的病例，包括不同性别、年龄、病情严重程度等因素的患者。
1.2 数据来源：从医院、研究机构或者医疗保险数据库中获取病例数据，确保数据的可靠性和完整性。
1.3 数据整理：对收集到的数据进行整理和清洗，包括去除重复数据、填补缺失值等处理。
二、数据描述统计2.1 频数分析：统计每个病种的发病次数，了解疾病的流行情况。
2.2 平均数分析：计算病例的平均年龄、平均住院天数等指标，揭示疾病的特点。
2.3 分布分析：绘制病种的年龄分布、性别分布等图表，发现潜在的风险因素。
三、相关性分析3.1 相关系数：计算不同变量之间的相关系数，如疾病发病率与环境因素的相关性，探索疾病的影响因素。
3.2 回归分析：建立回归模型，预测疾病的发病风险，评估不同因素对疾病发展的影响程度。
3.3 交叉分析：对病例数据进行交叉分析，探索不同因素之间的关系，如年龄与病情严重程度的关系。
四、统计推断4.1 假设检验：对病例数据进行假设检验，判断疾病的发病率是否存在显著差异。
4.2 置信区间：计算疾病发病率的置信区间，评估统计结果的可靠性。
4.3 方差分析：对多个组别的病例数据进行方差分析，比较不同组别之间的差异。
五、数据可视化5.1 条形图：用条形图展示不同病种的发病次数，直观了解疾病的流行情况。
5.2 折线图：通过折线图展示疾病发病率的变化趋势，发现疾病的高发季节或周期。
5.3 散点图：绘制散点图展示两个变量之间的关系，如年龄与病情严重程度的关系。
结论：病种数据统计分析是一种重要的医学研究方法，通过数据的收集、描述统计、相关性分析、统计推断和数据可视化等步骤，可以揭示疾病的流行趋势、发病原因以及治疗效果等信息，为医学研究和临床实践提供科学依据。
传染病疫情监测的数据分析方法
传染病疫情监测的数据分析方法随着全球化的发展和人口迁徙的增加，传染病的爆发和传播成为了全世界面临的一项严峻挑战。
为了有效地监测和控制传染病疫情，利用数据分析方法成为了一种关键的工具。
本文将介绍一些常用的传染病疫情监测的数据分析方法。
1. 时间序列分析时间序列分析是根据传染病疫情随时间变化的数据，利用统计学方法建立数学模型，从而预测未来的疫情走势。
它能够帮助疫情监测人员快速识别和响应疫情变化，及时采取有效的控制措施。
在时间序列分析中，常用的技术包括自回归模型（AR）、移动平均模型（MA）、自回归移动平均模型（ARMA）和自回归积分滑动平均模型（ARIMA）等。
这些模型可以根据传染病疫情的历史数据预测未来的疫情走势。
2. 空间统计分析空间统计分析是根据传染病疫情在地理空间上的分布特征，利用统计学方法来分析和预测传染病的传播路径和传播趋势。
通过分析不同地区的传染病风险和传播模式，可以提供给疫情监测人员有关地理位置的有用信息，以便及时采取措施控制疫情的蔓延。
常用的空间统计分析方法包括地理加权回归模型（GWR）、克里金插值法和集群分析等。
3. 生存分析生存分析是一种用于分析传染病疫情发病率和死亡率之间关系的方法。
通过统计患者的存活时间和相关因素，可以估计患者生存的概率，并预测患者在未来某个时间点的生存情况。
生存分析可以帮助疫情监测人员研究病毒的传播速度和死亡率，以便制定更科学和有效的防控策略。
在生存分析中，常用的模型包括半参数模型（如Kaplan-Meier曲线）和参数模型（如Cox比例风险模型）等。
4. 数据挖掘数据挖掘是利用计算机技术和统计学方法，从大量的传染病疫情数据中寻找隐藏的模式和规律，以提供疫情监测人员有关疾病风险和传播模式的洞察。
数据挖掘可以帮助疫情监测人员快速发现传染病的新型流行病学特征和趋势，并提供有效的预测和决策支持。
常用的数据挖掘技术包括聚类分析、分类分析和关联规则挖掘等。
5. 人工智能人工智能是一种模拟人类智能的计算机科学技术，它可以通过学习和优化算法来实现对传染病数据的分析和预测。
血液病发病率和死亡率的预测分析
血液病发病率和死亡率的预测分析一、背景介绍血液病是指由于血液系统在细胞增殖、分化或者凋亡方面发生了异常，导致血液疾病的一类疾病。
其种类繁多，包括白血病、淋巴瘤、多发性骨髓瘤等。
根据全球癌症数据，血液病是其中占比较大的一部分。
因此，了解血液病的发病率和死亡率对于制定预防策略和提高治疗效果非常重要。
二、相关研究1. 预测血液病发病率：有学者通过对美国、加拿大等国家近年来的血液病数据进行分析，建立了支持向量机等机器学习模型来预测未来血液病的发病率。
结果显示，传统的时间序列模型和经验模型在预测血液病发病率方面存在很大的不确定性，而机器学习模型的预测效果相对更好。
2. 血液病死亡率的影响因素：另外有研究发现，血液病的死亡率与一些影响因素有关。
例如，年龄是其中关键的一个因素，65岁以上的患者死亡率较高；患者的性别、种族、用药等因素也会影响其死亡率。
基于这些因素，研究者可以开展相关预测分析。
三、预测分析方法1. 预测血液病发病率：预测血液病发病率是建立模型并使用这些模型来预测未来发病率。
常用的模型包括时间序列模型、回归模型、人工神经网络模型、支持向量机模型等。
时间序列模型是传统的预测分析方法，但是由于其无法考虑到其他非时间序列因素的影响，预测效果不如其他模型。
回归模型是一种用于探究某一变量与其他变量之间的影响关系的统计方法，可以用来预测未来发病率。
人工神经网络和支持向量机则是新兴的预测方法，在预测复杂的非线性数据方面效果较好。
2. 预测血液病死亡率：预测血液病死亡率可以通过建立回归模型或者生存分析模型来实现。
回归模型可以考虑各种不同影响因素，同时对这些因素的权重进行分析预测，而生存分析则是对患者的生存时间和死亡时间进行分析。
生存分析常用的模型有Kaplan-Meier模型、Cox回归模型、Aalen’s additive模型等。
这些模型中，Cox回归模型应用较广。
Cox回归可以探究各种各样的协变量和危害因素的对患者生存概率的影响，是进行血液病死亡率预测的常用方法。
利用统计学方法分析疾病流行病学数据
利用统计学方法分析疾病流行病学数据疾病的发生、发展和传播受到多种因素的影响，了解这些因素对于预防和控制疾病至关重要。
流行病学作为研究疾病在人群中分布和影响因素的学科，依赖于大量的数据收集和分析。
而统计学方法在这一过程中发挥着关键作用，能够帮助我们从复杂的数据中提取有价值的信息，揭示疾病的规律和趋势。
在疾病流行病学研究中，常用的数据类型包括发病率、患病率、死亡率等。
发病率是指在一定时期内特定人群中新发病例的频率；患病率则是特定时间内某病的新旧病例数所占比例；死亡率是指在一定人群中死于某种疾病的频率。
这些数据的收集通常通过大规模的调查、监测系统或医疗记录等途径。
例如，在研究某种传染病时，我们可以收集不同地区、不同年龄段、不同性别群体的发病数据。
通过统计学方法，对这些数据进行描述性分析，如计算均值、中位数、标准差等，来了解疾病发病的集中趋势和离散程度。
同时，还可以绘制图表，如直方图、折线图等，直观地展示疾病的分布情况。
假设我们要研究某个地区流感的发病情况。
首先，收集该地区在特定时间段内的流感病例数据，包括患者的年龄、性别、发病时间、症状等信息。
然后，运用统计学方法进行数据清理和预处理，去除重复或错误的数据。
接下来，进行描述性统计分析。
计算该地区流感的发病率、不同年龄段的发病率分布等。
除了描述性分析，推断性统计方法在疾病流行病学中也具有重要意义。
假设检验是常用的推断性方法之一。
比如，我们想知道某种疫苗接种是否降低了疾病的发病率，就可以通过设立对照组和实验组，收集两组的发病数据，然后运用假设检验来判断两组之间的发病率差异是否具有统计学意义。
另一个重要的统计学方法是回归分析。
在疾病流行病学研究中，我们常常想要了解某个因素（如吸烟、肥胖、环境污染等）与疾病发生之间的关系。
通过回归分析，可以建立疾病发生与这些因素之间的数学模型，从而定量地评估这些因素的影响程度。
例如，研究发现吸烟与肺癌的发生存在关联。
通过收集大量的病例数据和对照数据，包括吸烟史、年龄、性别等因素，运用多元回归分析，可以计算出吸烟对于肺癌发生的相对危险度（RR）或比值比（OR）。
流行病学研究中的时间序列分析方法
流行病学研究中的时间序列分析方法时间序列分析是流行病学研究中常用的一种统计分析方法，通过对一系列时间上连续观测数据的统计处理，可以揭示出时间趋势、周期性以及其他相关的规律性特征。
在流行病学研究中，时间序列分析方法被广泛应用于疾病发病率、死亡率等指标的分析和预测。
本文将介绍时间序列分析方法在流行病学研究中的应用，并探讨其在疾病监测、预测以及对相关因素的影响评估等方面的意义。
1. 时间序列分析方法的基本原理时间序列是按照一定时间间隔排列的连续观测数据，常用于描述和研究事件、现象在时间上的演变规律。
时间序列分析方法的基本原理是将时间序列数据拆分为趋势、季节性、周期性和残差等组成部分，并对每个部分进行建模与分析。
其中，趋势指数据随着时间的变化而呈现的长期变化趋势；季节性指数据在相同时间单位（如每年的同一季节）内呈现的重复模式；周期性指数据在不固定时间单位（如几年、几十年）内呈现的周期性变化；残差指数据中无法被趋势、季节性和周期性解释的随机波动部分。
2. 流行病学研究中的时间序列分析应用2.1 疾病发病率监测通过时间序列分析，可以对疾病发病率进行持续监测。
以某传染病的年发病率为例，我们可以通过对历史发病率数据进行时间序列分析，找到数据中的趋势、季节性和周期性等规律，以便预测未来的疾病趋势和给出有效的干预措施。
2.2 疾病发病预测时间序列分析不仅可以用于疾病发病率的监测，还可以预测未来的疾病发病情况。
通过建立时间序列模型，结合历史数据和其他影响因素的信息，可以对未来的疾病发病趋势进行预测，并为公共卫生部门提供决策依据，以制定相应的疫情应对措施，减少疾病的传播和影响。
2.3 影响因素评估时间序列分析方法可以帮助我们评估不同因素对疾病发病率的影响程度。
通过建立时间序列模型，并引入相关变量，可以对不同因素对疾病发病率的影响进行量化分析。
例如，我们可以通过时间序列分析，评估温度、湿度等环境因素对流感传播的影响，并为公共卫生部门提供决策建议，以制定适当的防控策略。
病种数据统计分析
病种数据统计分析一、引言病种数据统计分析是一种系统性的方法，用于采集、整理和分析特定疾病或者病种的相关数据，以便更好地了解该病种的流行病学特征、发病率、死亡率、治疗效果等指标。
本文将详细介绍病种数据统计分析的步骤和方法，并以某病种为例进行实际案例分析。
二、数据采集1. 数据来源病种数据的采集可以通过多种途径进行，如医疗机构的病案系统、公共卫生机构的报告系统、调查问卷等。
在采集数据时，应确保数据的准确性和完整性。
2. 数据内容病种数据的内容应包括以下方面：- 患者基本信息：包括年龄、性别、居住地等；- 临床特征：包括病因、症状、体征等；- 检查结果：包括实验室检查、影像学检查等；- 治疗情况：包括治疗方法、治疗效果等；- 随访情况：包括复发率、生存率等。
三、数据整理与清洗1. 数据整理将采集到的数据进行整理，包括数据的格式转换、数据的归类、数据的编码等。
确保数据的一致性和可比性。
2. 数据清洗在数据整理过程中，可能会浮现数据缺失、异常值等问题。
需要对这些问题进行清洗，可以采用插补、删除异常值等方法。
四、数据分析1. 描述性统计分析通过计算各项指标的频数、比例、均值、中位数、标准差等，对病种数据进行描述性统计分析。
可以了解病种的基本特征和分布情况。
2. 流行病学分析通过计算病种的发病率、死亡率、病死率等指标，对病种的流行病学特征进行分析。
可以了解病种的流行趋势、高发人群等。
3. 治疗效果评估通过计算治疗效果的指标，如治愈率、有效率等，对病种的治疗效果进行评估。
可以了解不同治疗方法的效果，并为临床决策提供参考。
4. 预测模型建立通过建立预测模型，预测病种的发展趋势、预测患者的生存率等。
可以为医疗资源的合理配置和疾病预防控制提供依据。
五、案例分析：某病种的数据统计分析以某病种为例，进行实际案例分析。
通过采集、整理和分析该病种的相关数据，得出以下结论：- 该病种的发病率在过去十年中呈上升趋势，特别是在中青年人群中；- 该病种的死亡率在过去十年中有所下降，这可能与治疗方法的改进和医疗技术的进步有关；- 不同治疗方法的治愈率和有效率存在差异，某一种治疗方法的治愈率较高，可以作为首选治疗方法。
流行病学 统计方法
流行病学统计方法流行病学是研究人群中疾病发生、传播以及预防控制的科学。
它的目标是了解疾病在人群中的分布规律，并为制定公共卫生政策提供依据。
统计方法在流行病学中起着重要的作用，帮助研究人员从大量的数据中提取有意义的结论。
在流行病学研究中，最常用的统计方法之一是描述性统计。
描述性统计可以用来总结和描述人群中疾病的发生情况。
例如，可以通过计算平均数、中位数和标准差等指标来描述疾病的发病率和死亡率。
此外，还可以使用频率分布表和柱状图等图表形式来展示疾病的发生情况，以便更直观地了解疾病的特征。
另一个常用的统计方法是假设检验。
假设检验可以用来评估观察到的疾病发生情况是否符合预期的假设。
例如，研究人员可以根据疾病的发病率和死亡率的假设值，使用假设检验来判断观察到的数据是否与预期一致。
如果观察到的数据与预期不一致，则可以认为这些差异是由于其他因素导致的，进而展开更详细的研究。
流行病学研究中的另一种常用统计方法是相关分析。
相关分析可以评估不同变量之间的关系。
在流行病学中，可以使用相关分析来探究疾病和某个因素之间的关系。
例如，可以研究吸烟与肺癌的关系，或是饮食习惯与心脏病的关系。
通过相关分析，可以量化这些关系的强度，并判断它们是否具有统计学意义。
此外，流行病学中还使用到了回归分析。
回归分析可以用来建立预测模型，根据已知的变量预测目标变量的数值。
在流行病学研究中，可以使用回归分析来预测疾病的发生率。
例如，可以根据一系列因素（如年龄、性别、生活习惯等）来建立一个模型，预测某个人患病的可能性。
通过回归分析，可以找到与疾病发生相关的因素，并识别高风险人群。
除了上述方法外，流行病学研究还使用到了生存分析、空间分析、因子分析等统计方法。
生存分析可以用来评估疾病患者的生存情况，探究与存活时间相关的因素。
空间分析可以研究疾病在地理上的分布规律，识别高风险区域。
因子分析可以通过分析大量观测变量，找到它们背后的共性因素，并简化数据。
总之，统计方法在流行病学中是非常重要的工具，它可以帮助研究人员对大量的数据进行分析和解释，从而得出有意义的结论。
- 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)。
预测疾病发病率的统计分析方法进展
摘要：医学统计作为医学研究的辅助的工具有着重要的作用，并且在医学实验设计到数据分析方面有着广泛的利用。
正确统计分析方法的应用能够有效的提高医学研究的质量。
本文通过分析预测疾病发病率的统计分析方法的应用的介绍，以期能给广大医务工作者科学研究提供一定的知道。
关键词：疾病发病率、统计分析方法、进展
对于疾病尤其是传染病有效的控制，离不开有效的对疾病发病率的预测和检测。
一并发病率预测是通过长期的、有计划的观察和相关数据的搜集对疾病发病率利用合理的统计分析方法进行预测。
目前，我国已经建成了全国范围类的疾病信息报告网络，通过网络能够对全国疾病发病率进行检测。
但是，目前我国对于这些检测数据的利用还是停留在描述性统计分析的阶段，缺乏利用高级有效的统计方法，进行前瞻性的预测分析。
本文通过研读大量文献，归纳国内外文献中利用到的有效的统计分析方法，进行相关的概述。
1 预测疾病发病率统计分析概述
由于对于疾病监测系统搜集的数据十分庞大，并且对于这些数据的处理也有着多样的处理方法。
因此，分析这些数据有前瞻性和回顾性的，由于本文主要是预测疾病发病率，主要介绍前瞻性的分析方法。
另外，根据数据选择的不同时间段可以把数据分析分为年度、周和月分析。
数据选取的不同，分析出来的结果不同，用于预测的范围也不同。
另外对于疾病检测系统数据的回顾性和描述性分析已经非常成熟，可以通过利用不同统计图表来刻画不同的信息。
现有文献对于这方面的研究主要是来分析检测数据是否具有很好的时间聚集和空间性。
本文要介绍的前瞻性的研究方法，主要是通过之前的监控数据，对于未来疾病发病的趋势进行有效的分析和预测。
前瞻性的分析方法主要分为三种：时空聚集性分析方法、空间分析方法、其他分析方法。
2 时空聚集性分析方法
时空聚集性分析方式是根据不同地区人口分布的差异来矫正人口空间分布，从而检验疾病发病率的时空分布是否服从随机状态。
可以按照不同的检验目的分为一般聚集性和焦点聚集性检验。
一般聚集性检验是在没有先验条件下即没有先
验假设中对其进行聚集性定位。
其中其又分为全局聚集性和聚集性探测检验两类。
全局聚集性检验是对整个要进行研究区域检验其是否存在聚集性，而聚集性探测检测是对拒不进行聚集性定位。
焦点聚集性是检测在实现确定的区域附近是否具有拒不聚集性的存在。
2.1 聚集性探测检验
聚集性探测检测的方法主要是最大超额时间检验、Besag Newell方法、Kulldorff空间扫描统计量、Turnbull方法。
较为成熟并且应用最多的方法是Kulldorff空间扫描统计量，其核心思想是在进行检测的区域上面构建一个圆形扫描窗口，让这个窗口在区域上面移动，其扫描的半径不断增加最终增加到设定好的上线，从而由于半径不同会出现许多的扫描窗口，通过计算这些窗口的内外似然值，其中具有最大似然值的窗口不可能是随机产生的群体。
2005年，相关学者对于这个方法进行了改良，把窗口并不限于圆形扩展为任意形状的窗口。
2.2 全局聚集性检验
全局聚集性检验有K个最邻近法、Oden方法和Mantel方法、Ipop方法、Cuzick Edwards方法和Bonetti Pagano的M统计量。
这里面最新的方法是由Jacquez （1996）提出的K个最邻近法，通过这个方法可以有效的检验空间区域内相邻的病例在时间上也存在相邻性。
并且相关学者应用这个方法有效的验证了挪威等地牛群传染病中的时空聚集性。
3 时间分析方法
3.1 时间序列分析方法
由于疾病发病情况通常具有季节性和相关性，因此可以根据此类数据特性利用时间序列分析方法对疾病发病率进行有效的预测。
时间序列分析应用于医学领域是从计量经济学领域衍生过来的。
其主要的模型有：指数平滑模型、移动平均模型、ARIMA模型（自回归移动平均模型）。
其中对于自回归移动平均模型的应用是最为广泛的。
自回归移动平均模型又称为Box-Jenkins模型，用ARIMA（d,q）表示。
这个模型可以有效的对非平稳数据进行预测，其中模型中的d代表差分阶数即把非平稳数据转化为平稳数据进行的差分次数，q用于表现模型移动平均的技术。
如果遇到平稳的数据则可以通过建立ARMA模型进行预测，通常发病率数据是非平稳
的数据，因此ARIMA模型的运营较为广泛。
ARIMA模型主要通过四个步骤进行预测分析。
首先，对原始数据进行平稳性判断，主要通过分析数据的ACF和PACF 图来进行平稳性判断和模型的选择。
其次，参数估计和模型诊断，如果通过诊断模型符合要求则下一步进入预测应用。
通过合适的模型利用过去的数据对于未来传疾病发病率进行预测。
3.2 过程控制图
这种方法的核心思想是假设随机变量独立且满足正太分布，通过对统计量y 的构造，对统计量进行分析，当其超过设定的控制界限的时候可以认为其为非正常时间。
因此，对于这种方法应用的关键是选择合适的控制界限。
通常通过选择控标准差的倍数来设定控制界限。
这其中常用的过程控制图有移动平均图、指数加权移动平均图和Shewhart图、累积控制图。
3.3 历史极限法
历史极限法是将疾病目前4周的发病数量与之前的基线进行比较，基线是指整个果断5年的相应的前面、当前和之后4周的发病数据的平均值。
从而，根据过去5年的这15个数值，并且现在的4周出现的发病数量的总和除以过去5年15个数值的平均值，并将这个壁纸在对数坐标中表现出来与之前的历史基线进行比较。
这个方法简单易用，但是其并未考虑相关性和趋势性，不一定任何一个样本都满足正太分布。
4 空间分析方法
要想得到疾病发病的空间变化的趋势，来预测疾病在各个区域未来的发病率，就需要把空间技术与疾病发病率预测结合起来。
早在1854年就有英国学者把地理信息应用到疾病发病率预测当中。
4.1 广义线性模型和广义线性混合模型
广义线性模型是由Kleinman提出来的，其可以有效的对局部区域中每个病例进行有效的地理定位。
其简称为SMART分值法。
核心思想是把局部区域中的每一个小区域看作一个小的个体，通过随机效应来分析小区域中的重复数据。
这个方法容纳长期趋势、季节性和时间聚集性，可以校正区域人群中的不同特征。
4.2 Rogerson空间累计和法
这个方法是把空间统计量加入到累积和法上面形成的，进而应用到疾病发病
率的空间分析。
采用Rogerson空间累计和法能够有效的计算预期值。
当用这个模型对数值进行预测时，如果出现误差，原因应该是模型的误差而不是疾病发病率的变化。
5 其他方法
5.1 马尔可夫链法
这个方法是研究随机事件的变化趋势。
核心思想是把疾病发病率看作一个随机过程，通过分析疾病发病率的初始状态来预测未来的发病率，由于每次疾病的发生是随机的，从而从这一次疾病到下一次疾病的发生是一定概率的转移，因而下次疾病的发生仅仅与上一次疾病的发生有关而与之前的其他因素没有任何关系。
5.2 判别分析
判别分析是对样本进行分类，根据研究对象表现出来的特征值进行判别的多元统计分析方法。
根据相应的判别准则，建立判别函数，用疾病发病率数据来确定这些函数中的待定系数，最后计算相应的判别指标，来进行判别分析。
参考文献
[1]戚晓鹏，吕繁，何武．地理信息系统在流行病学中的应用及开发[J]．中华流行病学杂志，2004，25( 11) : 997-999．
[1]刘巧兰，李晓松，冯子健，等．Rogerson 空间模式监测方法在传染病实时监测中的应用．中华流行病学杂志[J]，2007，28( 11) : 1133-1137．
[1]严薇荣．传染病预警指标体系及三种预测模型的研究[D]．华中科技大学博士学位论文，2008．
[1]冯丹，韩晓娜，赵文娟等．中国内地法定报告传染病预测和监测的ARIMA 模型[J]．疾病控制杂志，2007，11( 2) : 140-142．。