开题报告内容：（包括拟研究或解决的问题、采用的研究手段及文献综述，不少于2000字）
- 拟研究或解决的问题
- 背景
随着经济发展，人们对医疗资源需求不断提高，医疗机构住院量逐年上升，其中以支气管肺炎为代表的呼吸系统疾病住院量常年居高不下，占用大量社会及卫生资源[1-3]。利用该疾病的历史数据以及影响因素资料，采用某些方法对流行特点以及发病趋势进行研究，有助于预测卫生负担，确定预防控制策略[4]。
时间序列分析可以预测发病趋势，这是一种动态数据处理的统计方法。该方法以随机过程理论和数理统计理论为基础，研究随机数据序列的统计规律，用于解决实际问题。它包括一般的统计分析、统计模型的建立和推断、时间序列的最优预测等。其中，ARIMA（p,d,q）模型，即差分自回归移动平均模型（Autoregressive Integrated Moving Average Model ,简称ARIMA）通过差分运算将非平稳时间序列转换成平稳时间序列， 然后对差分时间序列进行拟合[5]。这一模型被广泛用于医疗机构门诊量，住院量以及区域发病量的预测[6-8]。
对于疾病预测模型的选取，李苑等在2016年分别使用ARIMA模型以及指数平滑法模型拟合肺炎发病率数据,比较其预测结果后，发现ARIMA模型有更高的预测精度[9]。 傅伟杰等在2019年分别使用自回归法 、指数平滑法和ARIMA模型三种不同预测方法对流感发病趋势建模，比较预测精度，结果表明ARIMA模型是一个较好模型[10]。王艳杰等在2017年使用RIMA季节乘积模型(p,d,q)(P,D,Q)对儿童呼吸系统疾病进行短期预测，拟合程度较好，并且提出儿童呼吸系统疾病发病趋势具有季节性[7]。 裴冬梅在2019年对儿童支气管肺炎入院人数使用ARIMA季节乘积模型(p,d,q)(P,D,Q)进行预测建模，提出给定数据的季节性较强，该模型较一般模型精度更高[11]。杜军等在2019年建立急性支气管炎出院人次的ARIMA模型并进行预测，通过检验，模型预测精度较高，同时指出这一模型不考虑外在因素影响，可以考虑使用GARCH模型等进行改进[12]。 综上所述，使用ARIMA模型对支气管肺炎入院量进行预测是具有可行性的，但是由于这一模型自身的局限性，只考虑时间序列数据自身属性，在实际应用的过程中应该纳入外部影响因素进行考虑。
对于发病影响因子的分析，目前的研究更多集中于呼吸系统疾病与直接致病因素的关联。例如，李雪源等在2012年对降水量、相对湿度等气象要素对呼吸系统疾病死亡率的影响，采用主成分分析进行分析，得出冬季气候特点使得呼吸系统疾病易于加重的结论[13]。 Qiu, Hong等在2016年对老年肺炎急诊入院情况与环境温度的短期关联进行泊松回归中的分布滞后非线性建模，提出老年肺炎导致入院的大部分归因于低温[14]。而近年关于社会因素对疾病发病趋势影响的研究是比较少的，周罡等在2014年对传染病发病率与社会经济指标进行单因素相关分析，之后对传染病发病率进行多元线性回归建模[15]， 这一研究中纳入因素较少，如果考虑研究人口、经济、卫生服务等多种社会因素，可以更全面对结果进行分析。杜志成等在2016年对呼吸道传染病流行模式与社会经济因素的关联进行研究，选取的社会经济指标较前者更为多样，采用相关分析，结果表明疾病流行发展可能受某些社会经济因素影响[16]。
- 目的
本文旨在利用莆田市某部门提供的2013~2019年逐日全市居民支气管肺炎入院情况的历史数据，通过时间序列分析的常用模型: ARIMA（p,d,q）模型建立模型，科学、准确地对莆田居民支气管肺炎入院量进行预测，然后将模型预测值与实际值进行比较,验证该模型的合理性和可信性。同时，研究人口、经济、卫生服务等社会因素与支气管肺炎入院量之间的相关性。从而获取该市支气管肺炎的流行特点及发病趋势，为预防和治疗这一类型呼吸系统疾病提供科学依据，为医疗机构合理配置医疗资源提供参考，为莆田卫生行政部门时制定合理的防控策略提供帮助。
3.意义
使用ARIMA模型对发病趋势进行预测发展迅猛，但是这一模型本身具有局限性，预测结果只与时间序列自身的特性相关，没有考虑外部因素的影响[17]。而本文针对这一不足，采用ARIMA模型对支气管肺炎入院量建立模型外推预测的同时，考虑人口、经济、卫生等社会指标与支气管肺炎入院量的相关性，结合实际情况进行综合分析，讨论这一疾病的发展规律，为该病的防控提供合理建议。
- 采用的研究手段
1.文献资料法:通过对时间序列分析的研究文献和资料进行深入的阅读和理解,掌握建立ARIMA模型的方法
2.模型分析法:利用 R软件对住院量数据进行初步加工处理的基础上，进行ARIMA模型建模分析。
