陈媛（云南省第一人民医院650032）
【中图分类号】R197.3【文献标识码】A【文章编号】1672-5085（2012）7-0182-02
【摘要】目的掌握简便的门诊人次预测方法，为医院管理服务。方法使用Eviews软件，采用时间序列分解方法与趋势外推法预测门诊人次。结果Eviews软件小巧实用，采用时间序列预测方法得到结果误差较小，趋势外推法误差较大。结论Eviews软件操作简单，界面简洁，值得推广。
【关键词】Eviews软件预测门诊人次时间序列分解
【Abstract】EViewssofttopredictnumberofclinicalpatientsWuXuerong，InformationdepartmentofKunmingChildren’sHospital,Kunming650221，ChinaAbstractObjectiveLearnmethodswhichareeasytousetopredictnumberofclinicalpatients，inordertoserveforhospital’smanagement.MethodsUseEViewssoft，applyTimeSeriesDecompositionMethodandTrendextrapolationMethodtopredictnumberofclinicalpatients.Result
【Keywords】EViewssoftPredictnumberofclinicalpatientsTimeSeriesDecomposition
引言
在医院的日常经营管理工作当中，对于医院管理者来说，掌握门诊人次的年度、季度、月度规律性变动情况非常重要。不同时间的门诊人次差别非常大，建立整个医院的、各个科室的月度、季度门诊人次预测制度，合理安排各科门诊医生的出诊次数和工作时间，能够有效地缓解病人看病难问题，提高医院的服务质量和服务效率，提高医院的现代化管理水平。
对于科研人员来说，利用不同的方法来预测门诊人次并不难，但是对于基层工作人员来说，找到一款简便易用的软件来实现预测就很重要，而EVIEWS软件就是这么一款软件。
1数据来源及软件简介
选取某医院2005年1月至2010年2月6年间共62个门诊人次数据，应用Eviews软件中的时间序列分解方法及趋势外推法预测门诊人次。
Eviews软件是EconometricsViews的缩写，直译为计量经济学观察，通常称为计量经济学软件包。它的本意是对社会经济关系与经济活动的数量规律，采用计量经济学方法与技术进行“观察”。使用Eviews软件可以迅速地从数据中寻找出规律，并用得到的规律去预测数据的未来。EViews预测分析计量软件在科学数据分析与评价、金融分析、经济预测、销售预测和成本分析等领域应用非常广泛。
与SPSS软件相比，Eviews软件小巧，界面简单易用，学习起来并不复杂，目前有许多的教学手册可供使用，Eviews软件也自带有帮助文件。
运行Eviews6.0，屏幕会出现Eviews运行窗口，如图1.1所示，按照从上往下的顺序，Eviews窗口有五个部分组成：标题栏位于窗口的顶部，标记有Eviews字样；主菜单位于标题栏之下，采用下拉式设计；主菜单之下的是命令区域，在该处键入命令，按ENTER键后命令立即执行；命令区域之下是工作区域；窗口最底部是状态栏。
2预测方法简介
目前预测门诊人次的方法有移动平均法、趋势外推法、指数平滑法、时间序列分解预测法等等。使用时间序列分解方法预测门诊人次效果较好。
2.1时间序列分解法：
时间序列包含有长期趋势因素(T)、季节变动因素(S)、周期变动因素(C)和不规则变动因素（I）。长期趋势要素代表经济时间序列长期发展趋势特性。周期变动因素是以数年为周期的一种周期性变动，其可能是某类疾病的周期变动。季节变动要素是每年重复出现的循环变动，以12个月为周期的影响。不规则变动因素是由于偶然发生的事件所引起的，例如突发的医疗纠纷、地震等。
时间序列分解法试图从时间序列中区分出这四种潜在的因素，特别是长期趋势因素(T)、季节变动因素(S)和周期变动因素(C)。显然，并非每一个预测对象中都存在着T、S、C这三种趋势，可能是其中的一种或两种。一个具体的时间序列究竟由哪几类变动组合，采取哪种组合形式，应根据所掌握的资料、时间序列及研究目的来确定。
EViews6.0软件提供了4种季节调整方法：CensusX12、X11(历史方法)、Tramo/Seats方法以及移动平均方法。常用的季节分解模型是乘法模型：
其中Yt为第t期的门诊人次，(TC)t为长期趋势和周期指数，St为季节指数，It为不规则因素。
2.2趋势外推法：
基于时间序列过去行为来进行预测的简单模型为确定性模型，不反映时间序列的随机性质。假如{Yt}是一个表示门诊人次的时间序列，其趋势模型的一般形式是：
Yt=Y(t)（1）
式（1）中，t是时间变量，一般取值为1、2、3、…。趋势模型的具体形式多种多样，EViews软件中常用的趋势模型有：
（1）线性趋势模型：yt=a+bt
（2）指数增长模型：yt=abt
（3）多项式曲线模型：yt=a0+a1t+a2t2+…+antn，其中二次、三次曲线趋势模型经常被使用。
（4）自回归模型：yt=a+byt-1
3实例分析
3.1基于CensusX12方法的时间序列分解方法预测
3.1.1数据导入及时间序列分解
将门诊人次时间序列录入或者导入到Eviews6.0软件，命名为Y序列。双击打开序列Y，点击菜单栏中的PROC，在下拉菜单选择SeasonalAdjustment，在弹出的菜单中选择CensusX12方法。
这时会弹出的CensusX12季节调整对话框，对话框顶端有5个标签选项，选择SeasonalAdjustment选项卡，在X11方法选项中选择乘法模型（multiplicative），在分解出的因素序列保存选项中选择季节因素项（SF），选择长期趋势因素和周期因素项（TC），选择不规则因素项（I）。然后选择确定，这时，工作文件中多了3个序列：Y_IR，Y_SF，Y_TC，我们建立包含序列Y和这3个序列的组，命名为g1，在其窗口栏单击View|MultipleGraphs|Line选项，将得到单独显示着4个序列的线性图，如图1。
从图1中我们可以看出，原始的时间序列Y在图的左上角，数据有向上增加的趋势，序列呈现锯齿状的波动。
根据原始序列分解出的月度影响指数显示在图1的左下角，各月份指数值见表1，最小值为0.81，最大值为1.13，1月、2月、3月、5月、12月的影响值小于1，其他月份的影响值大于1。
表1月度影响指数表
3.1.2基于时间序列分解方法的门诊人次预测
长期趋势和周期因素（TC）预测。根据最小二乘法，采用2010年3月份之前62个月度数据建立一元线性回归方程，在EViews软件中建立一个取值从1至63序列t，然后在软件的命令行键入：
Lsy_tcct
然后按Enter键，得到结果如下：
Y_TC=43985.35+416.65t，其中，t取值为1、2、3、…。
该方程的拟合优度R2=0.98，拟合效果非常好，常数项和自变量参数的t统计量分别为169.26，58.09，检验的P值均近似为零，故认为这两个参数的估计都是显著的；模型的F值为3373.9，检验的P值近似为零，故认为该模型是显著的。
预测2010年3月份的长期趋势和周期因素值（TC）为，此时t=63：
Y_TC=43985.35+416.65t=70234
假定没有特殊情况发生，不规则因素I=1，3月份月度影响指数S=0.82，预测2010年3月份的门诊人次为：
Y=Y_TC×S×I=70234×0.82×1≈57592
实际3月份的门诊人次为59132，预测误差百分比为：（57592-5132）/59132≈-2.6%。
3.1.3趋势外推法
我们采用一元线性模型来预测门诊人次，Y=A+Bt。在EViews软件中命令行键入：
Lsyct
然后按Enter键，得到估计的方程：
Y=43044.82+446.89×t
拟合优度R2=0.58，常数项A及参数B的t统计量分别为23.98，9.02，若显著性水平为0.05时，检验的P值近似为零，拒绝原假设，认为常数项A及参数B的估计量是显著的；F统计量为81.36，检验的P值近似为零，认为整个模型是显著的。
将t=63代入方程，计算得到预测的门诊人次为：Y=71199
预测的误差百分比：（71199-59132）/59132≈20.4%
3.1.4误差分析
计算以上两种方法的误差百分比，计算公式为：
（预测值-实际值）/实际值×100%
将从2005年1月开始的63个预测值与实际值的相对误差作图，图2是时间序列分解方法的相对误差图，图3是趋势外推法的相对误差图。
从两图中可以发现，时间序列分解方法的相对误差在±4%以内，趋势外推法的相对误差在-20%至40%之间。总体来看，时间序列分解方法的误差比趋势外推法小很多，预测效果较好。
4总结
EViews软件内含多种预测方法，界面简洁，作图优美，目前有大量的教学书籍可用，上手简单。
EViews软件简便易用，且整个安装文件只有不足两百兆大小，相比于SPSS软件动辄上千兆的安装文件，该软件小巧。美中不足的是，该软件的汉化版本少见。
总之，EViews软件在科学数据分析与评价、经济预测、销售预测和成本分析等领域应用非常广泛，在预测门诊人次时效果较好，对于基层的统计工作人员，医院管理人员，这个软件值得推广。
参考文献
[1]樊欢欢，张凌云.《EViews统计分析与应用》[M].第一版.北京：机械工业出版社.2009:168-193.
[2]张伟.《应用移动平均法预测医院出院人数》[J].卫生经济研究,2004,7:36-36.
[3]王灵凤，徐艳.《应用时间序列分解法预测门诊人次》[J].中国医院统计，2004，27(3)：276-278.
[4]徐国祥.《统计预测和决策》[M].第二版.上海：上海财经大学出版社.2005:61-90.