陜西
系列簡介
這是我們一系列原創(chuàng)技術貼，從易到難，每天學習一點。所有內容均為疾控數(shù)據(jù)分析、科研論文相關，或者說很多和現(xiàn)在的熱門監(jiān)測預警相關，所以我們這個系列就叫“監(jiān)測預警基礎”。
今天是第23節(jié)，也是Serfling回歸的最后一節(jié)，我們講講調整Serfling回歸的具體操作。
好的，一切準備就緒，我們現(xiàn)在直接開始 調整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，計算完成之后進行回歸分析。
第2步，回歸分析，得出預測病例數(shù)
使用軟件開展回歸分析，這個時候就可以得出預測病例數(shù)以及相應參數(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)小于第一輪預測的病例數(shù)的值作為第二輪的因變量Y。
第4步，再次進行第二輪回歸
使用軟件開展第二輪回歸分析，以保留的實際病例數(shù)小于第一輪預測的病例數(shù)的值作為第二輪的因變量Y，自變量不變，進行第二輪回歸。
這個時候就可以得出第二輪回歸的預測病例數(shù)以及相應參數(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測值，我認識預測值的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輪回歸的預測病例數(shù)以及相應參數(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)進行回歸分析，而是以第二輪回歸為準。
相當于就是最終取R2值最大的一次回歸對應的擬合曲線及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)。將時間軸拉長進行計算，然后我們就可以進行預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 | 轉載只為分享，如有侵權聯(lián)系刪除
?版權聲明 | 部分信息和圖片來自公開網(wǎng)絡
轉載請注明
再次轉載請注明出處
科普健康 | 宣傳疾控
本號為多位疾控機構從業(yè)者運營
重點關注國內外健康事件
致力于疾控科普
在做好科普服務大眾的同時
做好疾控機構的宣傳
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)內容，文章為個人理解所學，不涉及疫情信息及內部保密數(shù)據(jù)，發(fā)表的目的為自我總結及給有需求的人士學習使用。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
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網(wǎng)易號”用戶上傳并發(fā)布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
