基于经验模态分解法的长期生长趋势统计分析方法研究

Secular growth trend is an important index for accurate learning a population's physique status and its dynamic change,and reflecting the developing status for medicine,public health, social economic,ect.Also,it is an important reference for developing various interventions for improving a population's physique status and evaluating their effect. Usually, the data for secular growth trend are time series without a same time interval, these data not only with nonlinear, non-stationary characteristics, but also with spatial correlation and heterogeneity coexistence characteristics. Traditional analysis methods for the data of secular growth trend often ignore all these characteristics of the data, but also have many shortage, such as the natural variability of secular growth trend cann't be extracted, the effects of time interval and geographic position of sampling spots to the results of physique status's evaluation and forecasting cann't be corrected, the effect of genetic and environmental factors cann't be separated, and cann't be used to evaluate the effect of environmental factors,ect.Empirical mode decomposition (EMD) is the best method for the analysis of nonlinear, non-stationary time series data.Presently, it only be used to analyze the time series data with the same time interval in the field of climate, environment, engineering, ect. This project will explore the new analysis methods based on EMD for secular growth trend feature decomposition, time interval and sample spot 's geographic position correction, and create a set of statistical analysis methods which can be used for the evaluation and forecasting of secular growth trend status, distinguishing and evaluating the effect of environmental factors of secular growth trend. All the results of this project not only can overcome the shortage of traditional analysis methods for secular growth trend, but also must be helpful for perfecting the theory and methods of EMD, and might have important reference value for scientific analysis of nonlinear, non-stationary time series data in the field of public health.

长期生长趋势是衡量人群体质健康及其变化、反映医疗卫生和社会经济发展水平的关键指标，是制定增强人群体质健康的各种措施、并评价其实施效果的重要依据。长期趋势资料往往是不等距时间序列，具有非线性、非稳态，及空间相关性和异质性并存的特征。传统方法没有充分考虑资料的这些特点，且存在不能充分校正数据序列时间间隔及抽样点空间位置等对评价和预测结果的影响, 不能提取长期趋势自然变率、不能分析遗传和各种环境影响因素的单独效应等不足。EMD是分析非线性、非稳态时间序列数据的最好方法，目前仅用于气候、环境、工程等领域的等距时间序列。本研究拟基于EMD理论，探索长期生长趋势特征分解方法、数据序列时间间隔及抽样点空间位置校正方法，创建一套可用于长期生长趋势评价、预测及影响因素研究的统计分析新方法。研究结果不仅能克服传统分析方法的不足，而且对EMD理论和方法的完善、及卫生领域大量的时间序列数据的科学分析具有重要意义。

由于受环境、卫生政策等因素影响，卫生领域时间序列数据常常是非线性、非稳态的，且存在监测时间不等距、缺失数据普遍等问题。本研究率先将目前国际公认的分析非线性、非稳态时间序列数据的最好方法—经验模态分解法（Empirical Mode Decomposition, EMD）引入卫生领域时间序列数据的分析，通过模拟和实际数据分析，探索了EMD在卫生领域时间序列数据分析中的应用条件、模型参数估计及本征模函数（intrinsic mode function，IMF）、残差等的拟合方法；提出了采用方差贡献率、波动周期、模态混叠现象、端点效应等评价时间序列数据的EMD分解效果，拓展了EMD的应用范围。通过模拟和实际数据分析，采用评分函数分布评价插补效果，探索一元回归模型、多元回归模型等方法在缺失数据插补中的应用条件，提出了应根据缺失数据指标与其他指标的相关系数大小，选择不同的回归模型进行插补，解决了卫生领域复杂数据缺失的插补问题。采用多阶段回归方法，建立了评价胎儿宫内生长发育的孕周别股骨长、腹围和双顶径的预测模型及百分位数生长曲线，为胎儿宫内发育状况评价、出生体重预测等提供了参考标准。对我国个人现金卫生支出的长期变化趋势进行了EMD分解，获得了4个IMF和残差，为进一步分析个人卫生支出的影响因素及预测增长趋势创造了条件。结合地理信息系统及空间插值、趋势面分析、空间相关分析等方法，对建国60年来我国应征青年体格发育指标、血压等指标的长期生长趋势及时空差异特征进行了研究，发现了我国应征青年体格发育正处于加速生长期，不同地区存在明显的空间差异等特征，分析了环境因素、经济发展水平等与应征青年体格、血压间的相关性，为相关干预措施的制定提供了参考依据。采用R语言编制了EMD分析程序，为进一步应用和推广创造了条件。整个项目通过EMD在卫生领域时间序列数据分析中的理论和应用研究，证实了EMD可对卫生领域不同时间序列数据进行有效分解，解决了卫生领域常用的时间序列数据分析方法不适用于非线性、非稳态时间序列，不能真正提取出长期生长趋势自然变率等问题，为卫生领域的大量时间序列数据的准确预测和影响因素精确研究提供了新方法。

内容获取失败，请点击重试