導語：市區(qū)中醫(yī)藥衛(wèi)生技術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，先對各自變量進行主成分分析，避開自變量之間的相關性，進而分析各自變量對因變量的影響，即它先將原來的指標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來代替原來的指標，同時根據(jù)實際需要從中提取較少的幾個綜合指標來盡可能多地反映原指標的信息；之后將這些綜合指標看作自變量建立回歸方程，實現(xiàn)預測。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，此時方差累積貢獻率為94．82％，通過2個主成分的線性表達式計算主成分得分，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，入選標準為0．4。

前饋型（backprpagation，BP）人工神經(jīng)網(wǎng)絡（artificialneuralnetworks，ANN）預測模型（模型Ⅲ）的建立ANN近年來在預測領域中一直是研究的熱點，建立模型Ⅲ時，首先應考慮網(wǎng)絡結(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)絡結(jié)構(gòu)，即1個輸入層，1個隱含層，1個輸出層；其次應考慮網(wǎng)絡各層節(jié)點數(shù)、激勵函數(shù)及訓練函數(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)和訓練函數(shù)，以最終預測誤差為評選標準，選擇最佳節(jié)點數(shù)、激勵函數(shù)及訓練函數(shù)，最終所選的BP神經(jīng)網(wǎng)絡結(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，說明預測值與實測值之間的差別越小，預測效果就越好。1．3統(tǒng)計學處理采用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)生技術人員需求的預測效果比模型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)技術人員總數(shù)預測結(jié)果（表略）

為了探討尋求最佳模型預測重慶市中醫(yī)藥類衛(wèi)生技術人員總數(shù)，分別建立了3個預測模型，即多元線性回歸預測模型、主成分回歸預測模型、BPANN預測模型，各模型的優(yōu)缺點：（1）當研究各影響因素與因變量之間的關系，并通過這些影響因素預測因變量時，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用，更影響其預測效果。（2）主成分回歸模型先將原來的影響因素指標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來代替原來的指標，同時根據(jù)實際需要從中提取較少的幾個綜合指標來盡可能多地反映原指標的信息；之后將這些綜合指標看作自變量進行多元線性回歸，從而建立回歸方程，實現(xiàn)預測，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與因變量之間線性相關要求，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關系，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是基于自動學習理論而提出的灰色學習系統(tǒng)，它直接給出結(jié)果，不能通過具體模型方程確切表達出輸入與輸出之間的映射關系，這與回歸預測模型有所區(qū)別；并且ANN存在不穩(wěn)定性現(xiàn)象［14］，即對同一訓練數(shù)據(jù)重復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)絡參數(shù)為隨機數(shù)，而不同的初始網(wǎng)絡參數(shù)又會導致網(wǎng)絡不同的輸出造成的。此外，人工神經(jīng)網(wǎng)絡理論尚不十分成熟，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)絡訓練誤差為選擇標準，以決定最優(yōu)隱含層節(jié)點數(shù)目。