分析與討論

本研究為運用時間數列 ARIMA 來預測血小板需求量，首先判斷供應量 是否為一穩定的時間數列，如否，則將資料差階變換，時間序列模型結構的 認定後，q 及 p 參數之推定，模型可用性之診斷。分別來檢測其信賴區間，

發現以ARMA(7,5)殘差項之 ACF 圖及 PACF 圖各期均落於顯著水準為 5%，

較其他三種方式較佳，於是無法拒絕殘差項是白噪音的虛無假設，此為適用 之預測模型。

其表為預測數值(表 3.2)及預測圖(圖 3.5)。並將預測結果與實際數字比較 (圖 3.6)有類似接近的趨勢，除了一些變異較大的值之外，往後推第六天至第 十四天預測情形尤佳，說明ARIMA 方法，表示此模型配適良好。

就本研究以時間序列來預測血小板使用量的方式，分別就以下各點來討論其 他可能影響預測正確性的因素。

1. 血小板需求量遇到過年時，中國人常會回家團聚，故用量均會下降，

過完年後一週，用量常會升高；

2. 健保實施總和預算制，對醫院總體的健保給付固定，醫生對於血小 板需求臨界值的病患採用先觀察後再輸血的決定，會影響血小板的 需求量；

3. 如果血小板生產數量不足時，通常會與其他地區捐血中心進行血液 的調撥，無法調撥時(各中心庫存不足)，則及時無法供應，此間病 人可能死亡或康復，減少需求量，此數值也可能影響資料的結果，

可於後續研究時，考慮加入此影響因素；

4. 捐血中心另外一種血品，分離術血小板，可替代 12 袋血小板使用，

醫生的視需求來使用，大部分可以與血小板互用，每年生產約七千

響因素，將其轉換成血小板數來預測或單獨統計合併預測；

5. 突發的疾病如民國九十一年期間爆發出血性登革熱疫情，在流行期 間，血小板的需求大量增加，可考慮重新設定參數，以免影響預測 的準確性；

6. 本研究應當以醫院的需求量為收集數據，但醫院需求量礙於資料收 集的困難度，故以捐血中心的供應量作為資料，當完全供應醫院需 求時，可視為醫院的需求量，但當供應不足時，可能影響數據的上 下振動幅度及平移現象，如醫院累積二天供應不足時，第三天為滿 足醫院需求，可能供應大量且此數量為前兩天的總和量，如能掌握 血小板使用量的變化，加上及時依需求控管，例如能透過網際網路 回傳醫院的使用量，相信預測能夠更加的準確，相信能使使用量曲 線更趨穩定，控管庫存血品的成本也就能更低；

7. 提供製作血小板之後勤進料庫存品如捐血的情形，血袋(參聯袋)庫 存的情形，也將影響血小板供應量的變化，進而影響到血小板需求 的預測；

8. 在研究中發現血小板需求的曲線，是一個穩定的時間序列，故以運 用 ARMA 時間預測模型，來預測血小板需求量較為適合，在預測時 須注意極端值的變化及介入的因素(如較長的假期或突發疾病的因 素)，極端值上預測效果都較差；

9. ARIMA 模型有些限制，須以大量的觀察資料(至少 50 筆資料以上，

100 筆資料尤佳)，預測出結果才會較為準確；

10. ARIMA 模型適用於短期預測，而血小板的末效短，正符合短期預測 的需求。其他的血品，其末效較長，可考慮用較長期的方式，改用 迴歸或類神經網路方式來處理。

Autocorrelation Function VAR1 : ARIMA (7,0,5) residuals;

(Standard errors are white-noise estimates)

Conf. Limit

-1.0 -0.5 0.0 0.5 1.0 Lag Corr. S.E.

0

19.30 .2006 16.00 .3135 15.94 .2522 12.61 .3982 12.39 .3348 10.67 .3838 8.30 .5045

Partial Autocorrelation Function VAR1 : ARIMA (7,0,5) residuals;

(Standard errors assume AR order of k-1)

Conf. Limit

-1.0 -0.5 0.0 0.5 1.0 Lag Corr. S.E.

圖3- 4 ARIMA(7.0.5)之 PACF 圖

表3- 1 預測數值

Forecast Lower Upper Std.Err.

367 199.6125 12.9495 386.2756 113.1861 368 310.7737 123.1342 498.4132 113.7782 369 335.1048 147.4569 522.7527 113.7833 370 304.9589 117.0189 492.8989 113.9604 371 239.5998 49.9331 429.2666 115.0075 372 154.0943 -35.8304 344.0191 115.1639 373 175.7960 -17.2954 368.8874 117.0841 374 232.4746 27.8514 437.0979 124.0766 375 288.1763 80.4682 495.8844 125.9471 376 342.4911 133.2463 551.7360 126.8789 377 307.2839 97.1032 517.4646 127.4464 378 230.0098 19.8260 440.1936 127.4483 379 183.8763 -27.6555 395.4080 128.2656 380 168.6267 -47.5180 384.7714 131.0628 381 218.0344 -2.7109 438.7798 133.8524 382 296.1521 70.1123 522.1920 137.0628 383 326.5490 98.5150 554.5830 138.2720 384 307.5413 79.3099 535.7727 138.3917 385 247.3569 18.7722 475.9416 138.6059

386 182.0491 -47.4405 411.5388 139.1547

Forecasts; Model:(7,0,5) Seasonal lag: 12 Input: VAR1

Start of origin: 1 End of origin: 366

p(1) 0.782596 p(2) -0.386422 p(3) 0.405037 p(4) -0.707823 p(5) 0.580599 p(6) 0.122487 p(7) 0.203523 q(1) 0.680178 q(2) -0.315779 q(3) 0.316792 q(4) -0.762902 q(5) 0.650349

0 100 200 300 400 500 600

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

天數 數

量

實際血小板供應 數 預測血小板供應

圖3- 6 比較預測數值與實際供應數量