導(dǎo)語：市區(qū)中醫(yī)藥衛(wèi)生技術(shù)人才需求探索一文來源于網(wǎng)友上傳，不代表本站觀點，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

作者：吳海峰何坪鄧宇潘倫周天寒何麗芳方明金單位：重慶醫(yī)藥高等?？茖W(xué)校重慶市衛(wèi)生局

主成分回歸模型分析法，先對各自變量進(jìn)行主成分分析，避開自變量之間的相關(guān)性，進(jìn)而分析各自變量對因變量的影響，即它先將原來的指標(biāo)通過主成分分析重新組合成一組新的相互獨立的綜合指標(biāo)來代替原來的指標(biāo)，同時根據(jù)實際需要從中提取較少的幾個綜合指標(biāo)來盡可能多地反映原指標(biāo)的信息；之后將這些綜合指標(biāo)看作自變量建立回歸方程，實現(xiàn)預(yù)測。該方法避開了多元回歸分析中自變量間的多重共線性。本研究選取2個主成分，此時方差累積貢獻(xiàn)率為94．82％，通過2個主成分的線性表達(dá)式計算主成分得分，之后將2個主成分看做自變量參與多元回歸模型分析。在2個主成分的多元回歸分析中，仍選擇“向前法”篩選變量，入選標(biāo)準(zhǔn)為0．4。

前饋型（backprpagation，BP）人工神經(jīng)網(wǎng)絡(luò)（artificialneuralnetworks，ANN）預(yù)測模型（模型Ⅲ）的建立ANN近年來在預(yù)測領(lǐng)域中一直是研究的熱點，建立模型Ⅲ時，首先應(yīng)考慮網(wǎng)絡(luò)結(jié)構(gòu)，由于具有一個單隱含層的3層前饋型神經(jīng)網(wǎng)絡(luò)能以任意精度逼近任一研究數(shù)據(jù)，因此，選擇3層前饋型神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，即1個輸入層，1個隱含層，1個輸出層；其次應(yīng)考慮網(wǎng)絡(luò)各層節(jié)點數(shù)、激勵函數(shù)及訓(xùn)練函數(shù)。本文通過實驗法驗證，即先根據(jù)經(jīng)驗確定范圍，然后在此范圍內(nèi)選擇不同的節(jié)點數(shù)目，選擇不同的激勵函數(shù)和訓(xùn)練函數(shù)，以最終預(yù)測誤差為評選標(biāo)準(zhǔn)，選擇最佳節(jié)點數(shù)、激勵函數(shù)及訓(xùn)練函數(shù)，最終所選的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如表1所示。效果評價采用均方根誤差（rootmeansquareerror，RMSE）以及平均絕對百分比誤差（meanabsolutepercentageerror，MAPE）2個指標(biāo)來考察各模型對研究數(shù)據(jù)泛化能力。RMSE和MAPE的值越小，說明預(yù)測值與實測值之間的差別越小，預(yù)測效果就越好。1．3統(tǒng)計學(xué)處理采用SAS8．2統(tǒng)計分析軟件及MATLAB數(shù)據(jù)處理軟件。模型Ⅲ對重慶市中醫(yī)藥類專業(yè)衛(wèi)生技術(shù)人員需求的預(yù)測效果比模型Ⅰ、Ⅱ好，（表略）。模型Ⅲ對本市2011～2013年中醫(yī)藥類衛(wèi)生專業(yè)技術(shù)人員總數(shù)預(yù)測結(jié)果（表略）

為了探討尋求最佳模型預(yù)測重慶市中醫(yī)藥類衛(wèi)生技術(shù)人員總數(shù)，分別建立了3個預(yù)測模型，即多元線性回歸預(yù)測模型、主成分回歸預(yù)測模型、BPANN預(yù)測模型，各模型的優(yōu)缺點：（1）當(dāng)研究各影響因素與因變量之間的關(guān)系，并通過這些影響因素預(yù)測因變量時，多元線性回歸模型是較常采用的研究方法。但多元線性回歸需要因變量數(shù)據(jù)呈正態(tài)性分布、各影響因素之間相互獨立且與因變量之間呈線性變化趨勢，眾多限制條件不僅限制了多元線性回歸的應(yīng)用，更影響其預(yù)測效果。（2）主成分回歸模型先將原來的影響因素指標(biāo)通過主成分分析重新組合成一組新的相互獨立的綜合指標(biāo)來代替原來的指標(biāo)，同時根據(jù)實際需要從中提取較少的幾個綜合指標(biāo)來盡可能多地反映原指標(biāo)的信息；之后將這些綜合指標(biāo)看作自變量進(jìn)行多元線性回歸，從而建立回歸方程，實現(xiàn)預(yù)測，可見該方法既避開了多元回歸分析中自變量間的多重共線性問題，也能在盡量保留原始數(shù)據(jù)信息前提下，達(dá)到減少自變量個數(shù)的目的，因而與多元線性回歸相比，具有一定優(yōu)勢。但主成分回歸同樣也要求各主成分指標(biāo)與因變量之間線性相關(guān)要求，且通過綜合原始數(shù)據(jù)信息而得到的主成分，反而使得其與因變量線性相關(guān)性判斷更加困難。（3）不管是多元線性回歸模型，還是主成分回歸模型，在建模預(yù)測時，都要求因變量滿足正態(tài)性和自變量相互獨立性，且要求自變量與因變量須呈線性相關(guān)關(guān)系，而ANN無此限制［11－13］。并且加入隱含層的ANN可以逼近從輸入到輸出間的任意非線性映射，避開類復(fù)雜的參數(shù)估計過程，直接給出結(jié)果，簡單直觀，易于操作，因而更具有優(yōu)勢。但ANN是基于自動學(xué)習(xí)理論而提出的灰色學(xué)習(xí)系統(tǒng)，它直接給出結(jié)果，不能通過具體模型方程確切表達(dá)出輸入與輸出之間的映射關(guān)系，這與回歸預(yù)測模型有所區(qū)別；并且ANN存在不穩(wěn)定性現(xiàn)象［14］，即對同一訓(xùn)練數(shù)據(jù)重復(fù)運行模型程序后得到的結(jié)果并不總是一樣，不穩(wěn)定性現(xiàn)象主要是由于初始網(wǎng)絡(luò)參數(shù)為隨機(jī)數(shù)，而不同的初始網(wǎng)絡(luò)參數(shù)又會導(dǎo)致網(wǎng)絡(luò)不同的輸出造成的。此外，人工神經(jīng)網(wǎng)絡(luò)理論尚不十分成熟，如隱含層節(jié)點數(shù)的選擇目前尚無統(tǒng)一認(rèn)可的選擇依據(jù)或公式，本研究所建立的人工神經(jīng)網(wǎng)絡(luò)在選擇隱含層節(jié)點時，先給出最佳隱含層節(jié)點所在大致區(qū)間，然后分別取該區(qū)間的任一整數(shù)為隱含層神經(jīng)元的個數(shù)，分別建立神經(jīng)網(wǎng)絡(luò)模型，通過同一研究數(shù)據(jù)的計算與分析，以最終的網(wǎng)絡(luò)訓(xùn)練誤差為選擇標(biāo)準(zhǔn)，以決定最優(yōu)隱含層節(jié)點數(shù)目。