ตัวแบบการพยากรณ์จำนวนผู้ป่วยโรคปอดอักเสบในประเทศไทย

Abstract

วัตถุประสงค์ของการวิจัยครั้งนี้ คือ การสร้างตัวแบบการพยากรณ์ที่เหมาะสมที่สุดของจำนวน ผู้ป่วยโรคปอดอักเสบในประเทศไทย โดยใช้ข้อมูลจากเว็บไซต์ของระบบฐานข้อมูลด้านสังคมและคุณภาพชีวิต ตั้งแต่ไตรมาสที่ 1 ปี 2546 ถึงไตรมาสที่ 4 ปี 2557 จำนวน 48 ค่า ผู้วิจัยได้แบ่งข้อมูลออกเป็น 2 ชุด ชุดที่ 1 คือ ข้อมูลตั้งแต่ไตรมาสที่ 1 ปี 2546 ถึงไตรมาสที่ 4 ปี 2556 จำนวน 44 ค่า สำหรับการสร้างตัวแบบการพยากรณ์ด้วยวิธีการทางสถิติ 3 วิธี ได้แก่ วิธีบอกซ์-เจนกินส์ วิธีปรับให้เรียบด้วยเส้นโค้งเลขชี้กำลังของวินเทอร์แบบบวก และวิธีการพยากรณ์รวม ชุดที่ 2 คือ ข้อมูลตั้งแต่ไตรมาสที่ 1 ถึงไตรมาสที่ 4 ปี 2557 จำนวน 4 ค่า สำหรับการตรวจสอบความแม่นของตัวแบบการพยากรณ์ด้วยเกณฑ์เปอร์เซ็นต์ค่าคลาดเคลื่อนสัมบูรณ์เฉลี่ยที่ต่ำที่สุด ผลการวิจัยพบว่า จากวิธีการพยากรณ์ทั้งหมดที่ได้ศึกษา วิธีการพยากรณ์รวมเป็นวิธีที่มีความเหมาะสมกับอนุกรมเวลาชุดนี้มากที่สุด ซึ่งมีตัวแบบการพยากรณ์เป็น Ŷ t = 0.234904Ŷ1t+0.765096Ŷ2t เมื่อ Ŷ1t และ Ŷ2t แทนค่าพยากรณ์เชิงเดี่ยว ณ เวลา t จากวิธีบอกซ์-เจนกินส์ และวิธีปรับ ให้เรียบด้วยเส้นโค้งเลขชี้กำลังของวินเทอร์แบบบวก ตามลำดับ เมื่อใช้วิธีการพยากรณ์รวมในการพยากรณ์จำนวนผู้ป่วยโรคปอดอักเสบ พบว่า จำนวนผู้ป่วยโรคปอดอักเสบมีแนวโน้มเพิ่มขึ้น อย่างไรก็ตาม ค่าพยากรณ์ของไตรมาสที่ 1 อาจมีค่าต่ำกว่าค่าจริง ดังนั้นผู้ที่นำตัวแบบการพยากรณ์ไปใช้ประโยชน์ควรระมัดระวัง และเมื่อมีข้อมูลที่เป็นปัจจุบันควรนำมาปรับปรุงตัวแบบ รวมถึงควรพิจารณาอนุกรมเวลารายเดือนและรายสัปดาห์ประกอบการสร้างตัวแบบการพยากรณ์ด้วย The purpose of this research was to construct the most suitable forecasting model for the number of patients with pneumonia in Thailand. The data gathered from the website of Social and Quality of Life Database System during the first quarter, 2003 to the fourth quarter, 2014 (48 values) were used and divided into two categories. The first category had 44 values, which were the data during the first quarter, 2003 to the fourth quarter, 2013 for the modeling by the methods of Box-Jenkins, Winters’ additive exponential smoothing, and combined forecasting. The second category had 4 values,which were the data from all four quarters in 2014 for checking the accuracy of the forecasting models via the criterion of the lowest mean absolute percentage error. The results showed that for all forecasting methods that had been studied, combined forecasting method was the most suitable for this time series and the forecasting model was Ŷt=0.234904Ŷ1t+0.765096Ŷ2t where Ŷ1t and Ŷ2t represented the single forecasts at time t from Box-Jenkins and Winters’ additive exponential smoothing, respectively. When using the combined forecasting method to predict the number of patients with pneumonia, we found that the number of pneumonia cases increased. However, the predictions of the first quarter may be lower than the actual value, so who used the forecasting model should be careful and if there were the current time series data, the model should be updated. Including should be considering the time series of monthly and weekly in order to construct the forecasting model.