[发明专利]细颗粒物对不同报道次序下法定传染病影响的评估方法

权利要求书

1.一种细颗粒物对不同报道次序下法定传染病影响的评估方法，其特征在于，包括如下步骤：

S1，提取目标城市在研究周期内公开的法定传染病数据，所述法定传染病数据包括法定传染病种类数、感染人数和死亡人数；

S2，获取目标城市在对应法定传染病期间PM2.5的平均浓度数据，定义疾病报道日当天PM2.5浓度为即刻浓度PM-0day、报道日之前7天和15天内的日均PM2.5浓度为短期平均浓度PM-7day和PM-15day、距报道日之前30天内的日均PM2.5浓度为中期平均浓度PM-30day、距报道日之前60天内的日均PM2.5浓度为长期平均浓度PM-60day；

S3，将法定传染病数据与PM2.5的平均浓度数据进行数据关联，合成目标数据集；

S4，对目标数据集进行相关性分析，以确定PM2.5浓度和法定传染病之间的相关关系，并筛选出相关性显著变量；

S5，利用相关性显著变量构建法定传染病在不同报道次序下的贝叶斯回归模型，所述贝叶斯回归模型的参数预测变量为感染数量，预测因子为PM2.5浓度和不同报道次序的传染病名称及其二者的交互因子；

S6，基于贝叶斯回归模型提取各种传染病名称下PM2.5浓度和感染人数变量间的边际效应曲线，并根据边际效应曲线评估不同报道次序下PM2.5浓度和患病数量间的量化关系。

2.根据权利要求1所述的细颗粒物对不同报道次序下法定传染病影响的评估方法，其特征在于，所述S4在对目标数据集进行相关性分析时，是利用Pearson相关系数来实现的；

相关系数r为：

公式(1)中，r为X与Y的相关系数，X为PM-0day、PM-7day、PM-15day、PM-30day和PM-60day，Y为法定传染病种类数、感染人数和死亡人数，N为目标数据集的数据集样本总量；相关性显著变量是指r0.05的变量。

3.根据权利要求1所述的细颗粒物对不同报道次序下法定传染病影响的评估方法，其特征在于，所述贝叶斯回归模型的数据分布为泊松分布，迭代次数为2000，发散跃迁参数为0.99，最大迭代深度为15。

4.根据权利要求1所述的细颗粒物对不同报道次序下法定传染病影响的评估方法，其特征在于，所述边际效应曲线的PM2.5边际效应模型计算通过贝叶斯回归模型中对不同浓度下的PM2.5均值预测得来，患病数和PM2.5浓度的边际效应置信水平为95％。