您只是需要更多的钱来获得良好的医疗保健吗？

amanurrohmanara

很明显，如果每天的真实数据都是一样的，但是比如有一个Region连续三天没有传输数据，那么在接下来的几天里再核算的话，就会出现上面描述的情况。在下面的示例中，每周平均值不会相等，而是会出现明显暂时的增长趋势： 03-figura-3-anomalie.png 那么如何识别这些异常，然后如何估计不受这些异常影响的趋势呢？通过计算每周内相对变异性（变异系数，即标准差除以随后每隔 7 天的值的平均值）。 如果周期性实际上始终相同，则应观察到线性趋势，同时观察到一些振荡（尽管有限），这似乎不仅仅归因于其随机成分之一。



事实上，这些异常现象是在周中假期发生时 科威特 WhatsApp 号码数据 观察到的，这会增加一周中各天之间的变异性，因为假期期间诊断活动会减少。 05-figura-5-anomalie.png 2023 年 2 月和 3 月没有观察到异常，但由于圣诞节和 2022 年年底假期、复活节假期以及 4 月底 2023 年 5 月初，观察到变异性增加。 然后可以计算所有区域的“移动”变异系数，然后与国家变异系数进行比较。这样他们就被淘汰了。由于每周假期的存在而导致的异常现象在各个地区和全国总数中都存在，并且仅因当地情况而出现差异。





地方层面变异性的突然差异（如果有一定强度）不太可能是由于实际流行病传播的差异造成的，因此更有可能归因于数据记录的异常。下图再现了一些区域的变异系数和国家系数的趋势（该图很难阅读，但它是为了突出显示区域之间的相似趋势）。 06-figura-6-anomalie.png 通过计算各地区系数与全国值的相对变化平均值，可以发现，仍有一些地区在疫情流行的最后一年中，一周内各天的频率存在较大或较小的变化。 一个地区的周内变异系数与全国同类变异系数之间的比率可以被认为是识别数据异常的有用指标。