covid 단계 중 일일 환자 수 예측안녕 모두
나는 일일 환자 수 데이터를 가지고 있으며 적절한 인력(의사, 간호사 등)을 배치할 수 있도록 다음 14일 동안의 일일 예측을 예측합니다.
그래서 제 질문은 covid 변이 단계에서 시계열을 수행하는 가장 좋은 방법은 무엇입니까? 코로나 이전에는 계절별 아리마 모델로 예측했습니다.
2019년 7월 이후의 일일 데이터가 있습니다. 2019년 7월 이후의 데이터를 포함하는 것이 좋은 생각입니까, 아니면 일일 볼륨이 약 35% 감소했으므로 2020년 3월 데이터에 집중하고 14일 동안 예측하는 것이 좋은 생각입니까? 또는 14일 동안 예측하기 위해 지난 3주...
조언 부탁드립니다.
Re: covid 단계 중 일일 환자 수 예측작년 평균을 사용하면 절반은 "목표"를 초과하고 절반은 미달하게 됩니다. 단순히 과거 데이터를 이해하지 않고 사용하고 싶지만 일일 변동을 고려하려면 BY 옵션을 사용하여 모델을 실행하고 요일을 BY에 넣을 수 있습니다. 이렇게 하면 각 요일에 대한 모델을 갖게 됩니다. 과거 데이터보다 최근 데이터에 더 많은 가중치를 적용하려면 가중치의 유형(예: 지수)에 대해 생각해야 합니다. 다시 한 번 프로세스/데이터의 불일치로 인해 가중치 부여는 좋은 생각이 아니라고 생각하고 이미 이해하지 못하는 내용을 복잡하게 만들 것입니다.
반면에, 내 모든 요점을 무시하고 원하는 데이터를 사용하여 원하는 모델을 만들 수 있습니다.
"모든 모델이 틀리고 일부는 유용합니다." GEP 상자
Re: covid 단계 중 일일 환자 수 예측네.. 기본 모델이고 영향을 미치는 몇 가지 요인에 대해 연구했지만 날씨 요인과 같은 데이터는 없습니다.
이 covid 동안 불확실성은 더욱 높고 도전적입니다.
이 전에 우리는 작년의 고정 평균을 사용하고 있었습니다. 최소한 요일 및 추세와 같은 약간의 일별 변동을 제공하는 몇 가지 기본 모델이 있습니다.
우리가 가진 최선을 사용하여 현재 두 가지를 유지하고 싶습니다. 1. 주간 변동(월요일 최고 등)으로 다른 요일에 비해 월요일에 더 많은 직원을 고용하고 2. 지난 며칠에 더 많은 가중치를 부여합니다.
이 점에서 어떤 모델이 가장 좋을까?
Re: covid 단계 중 일일 환자 수 예측방문의 응답 변수에 영향을 줄 수 있는 변수를 이해(또는 설명)하지 않고 모델을 만들려고 합니다. 모델에 넣는 유일한 예측 변수는 시간입니다. IMHO, 유용한 예측 모델을 갖기 위해서는 어떤 요인이 반응 변수 Y=f(x)에 영향을 미치는지 이해해야 합니다. 영향력 있는 입력 변수(x)를 이해하면 원하는 출력을 달성하기 위해 해당 x를 제어, 관리, 측정하는 방법을 고려할 수 있습니다(일부 x는 평균에 영향을 미치고 일부는 변동성에 영향을 미칩니다). 이미 지적했듯이 귀하의 데이터에 따르면 x가 있지만 아직 식별되지 않아 실제 방문 수에 불안정성을 야기하고 있습니다. 어떤 수학적 모델링도 이를 완화할 수 없습니다. "쓰레기 인, 쓰레기 아웃." 나는 너에게 제안한다:
1. 프로세스를 매핑하고,
2. 영향을 미칠 수 있는 x를 식별하고,
3. 왜 그 x가 영향력이 있을지 없을지에 대한 가설을 세웁니다.
4. 데이터를 수집하여 가설에 대한 통찰력을 제공합니다.
예, 이것은 도전적인 작업이며 프로세스를 연구하는 데 리소스가 필요합니다.
"즉석 푸딩은 없다" 데밍
그런 다음 수학적 모델을 사용하여 예측하는 것에 대해 생각할 수 있습니다.
Re: covid 단계 중 일일 환자 수 예측안녕
나는 우리가 명확한 주간 변화를 가지고 있다는 데 동의합니다. 괭이의 다양한 변형에 대한 질문은 받아들일 수 있습니다.... 그러면 10개 미만으로 말할 것입니다. 예측은 매일의 응급실 방문이며 우리는 다음 2주 동안 볼 것으로 예상되는 양을 기준으로 인력을 배치하고 있습니다.
나는 사용했다 행진 t - 1 일기예보 3 주. 당신이 관찰한 것처럼 3월 15일 전에는 약 160초였다가 몇 주 동안 크게 떨어졌다가 최근에는 120초로 백업되었습니다.
이 단계를 따랐습니다(첨부됨)
이것은 내가 생산한 것이지만 실제는 여전히 120s 130s이므로 이것을 사용하여 직원 초과 160초 안에 갈 것이라는 예측대로
여기서 해야 할 일이 있는지 궁금합니다..
조언 부탁드립니다…
Re: covid 단계 중 일일 환자 수 예측JMP 파일을 첨부해주셔서 감사합니다.
위험/보상 측면에서 방문 "비용"이 얼마인지 모르겠습니다. 예측은 얼마나 정확해야 합니까? 방문 횟수는? 해당 방문 수가 적다면(≤ 10) 현재 프로세스에 큰 변화가 있는 것입니다.
데이터의 특정 점프를 이해해야 합니다. 7일 주기가 있는 것 같습니다. 실제 "계산된" 방문 수가 요일의 영향을 받는지 잘 모르겠습니다. 방문이 계산되는 시간이나 날짜는 교대 근무 변경이나 데이터 로그인 방식의 영향을 받을 수 있습니다. 일요일/월요일과 상관관계가 있는 것 같습니까? 아마도 모든 주말 방문은 일요일이나 월요일에 집계됩니까? 측정이나 회계가 일관될 때까지 예측을 확신하기 어려울 것입니다. 추가 데이터를 보면 평균이 3월 19일 전후로 이동했다. 3월 19일 이전의 평균은 약 157(121-193)이었습니다. 3/19-5/3의 평균은 약 102(66-140)였습니다. 코로나 이전보다 총 방문 횟수가 더 많은 것 같습니다. 계획의 측면에서 극단적인 예측을 처리하기에 충분한 비용 또는 충분한 방문을 계획하지 않는 것과 관련된 위험을 결정해야 합니다.
Re: covid 단계 중 일일 환자 수 예측에 감사하다 변동이 큰 날짜에 관심을 갖게 합니다. 이 정보를 조사하기 시작했습니다.
요청하신 대로 5월 24일부터 6월 6일까지 예측할 데이터를 첨부했습니다. 이 데이터는 해당 급여 기간 동안 직원을 계획하는 데 사용하기 때문입니다.
아래는 다음을 사용한 관리도입니다. 첨부된 JMP 파일. covid 이전에는 약간의 변동이 정상이었고 이제는 이 불확실성을 조정하기 위해 약간의 조정이 필요했습니다.
이 데이터를 고려할 때 3주 동안의 예측에 가장 적합한 옵션을 추천해 주시겠습니까?
여기로 안내해 주시면 감사하겠습니다.
고맙습니다
Re: covid 단계 중 일일 환자 수 예측왜 JMP 파일을 첨부하지 않습니까?
실제 데이터에서 MR, 개별 차트를 만들었습니다. MR 차트는 다음 질문에 답합니다. 연속 일수의 변동(단기 변동)이 일관되고 안정적입니까? 개별 차트는 단기 또는 장기 중 어느 변동이 더 큰지에 대한 질문에 답합니다.
보시다시피 MR 차트로 식별되는 "특수 원인" 데이터가 있습니다. 이러한 "사건"은 조사할 가치가 있지만 4/26-4/27 및 5/3-5/4에서 발생했으므로 이제 이 날짜 사이에 무슨 일이 일어났는지 추측하고 있습니까? MR이 일관되지 않기 때문에 개별 차트의 관리 한계를 주의 깊게 해석해야 합니다(MR은 관리 한계를 계산하는 데 사용되며 일관성이 없다는 것을 알고 있기 때문입니다). 매일 발견되는 출처 이상인 장기적 변동의 원인이 있는 것으로 보입니다.
Re: covid 단계 중 일일 환자 수 예측안녕 스탯맨
실제 및 예측된 파일을 모두 첨부했습니다( (110,012)7의 시계열 계절 애니마에서
월요일에 높은 것과 같은 주간 변동이 있기 때문에 7을 사용했습니다.
나는 사용했다 실제 열에서 3/20 ~ 5/09 에게 5/10에서 5/23까지 예측 이것은 또한 col c에서 g에 추가됩니다.
Re: covid 단계 중 일일 환자 수 예측JMP 파일을 첨부해 주시면 확인하겠습니다.
Re: covid 단계 중 일일 환자 수 예측감사합니다.
지난 4주 데이터를 사용하여 다음 3주를 예측했습니다. 예측 추세는 올라가고 있지만 실제로 실제는 높지 않습니다. 이것은 우리가 165명의 환자를 위해 직원을 배치했기 때문에 직원에 문제를 일으켰지만 실제로는 120명에서 보고 있습니다.
이상적으로는 아래 그래프에서 빨간색 선으로 표시되어야 합니다.
지난 주에 더 많은 가중치를 부여하고 주간 패턴을 유지할 수 있는 방법이 있습니까(월요일에 높음, 금요일에 낮음 등).
어떤 방법이 좋을까요.. 아니면 더 나은 제안이 있습니까?
조언 부탁드립니다
고맙습니다
Re: covid 단계 중 일일 환자 수 예측일일 환자 수가 일정하고 안정적이라면(관리도를 사용하여 확인) 미래 기간에 대한 예측으로 관리도의 한계를 확장할 수 있습니다. 그러나 환자 수가 일정하지 않으면 예측 방법이 좋지 않습니다. COVID 발생 이후, 이벤트 이전의 데이터가 현재 상황을 대표하지 않는다고 생각합니다. 다음 14일을 대표할 수 있는 "최근" 데이터 모델링을 시도할 수 있습니다(특정 데이터가 무엇인지 모르겠습니다). 그러나 어쨌든 프로세스가 불안정하면 예측이 좋지 않습니다. 환자의 양을 이해하는 데 도움이 되는 선행 지표를 찾는 것이 유용할 수 있습니다.
