Amaç: Bu çalışmanın amacı, 11.3.2020 ve 9.9.2020 tarihleri arasında Türkiye'deki koronavirüs hastalığı-2019 [coronavirus disease (COVID-19)] hasta sayılarını ve üstel düzgünleştirme modelini (exponential smoothing model) kullanılarak 2020 yılı sonuna kadar hasta sayılarının tahmin edilmesidir. Gereç ve Yöntemler: Türkiye Cumhuriyeti Sağlık Bakanlığının web sitesinden günlük olarak yayımladığı ve güncellediği COVID-19 hasta sayıları kullanılarak, üstel düzgünleştirme modelinin farklı versiyonları uygulanarak karşılaştırılmış, bu versiyonlardan en iyi uyum gösteren 2 adet model (toplamsal yöntem içeren model: Model 1 ve çarpımsal yöntem içeren model: Model 2) belirlendikten sonra bu modeller kullanılarak yakın gelecek tahminleri gerçekleştirilmiştir. Bulgular: Kullanılması önerilen ilk model (Model 1) için Türkiye'de 31 Ekim 2020 tarihi itibarıyla 374.842, 30 Kasım 2020 tarihi itibarıyla 427.672, 31 Aralık 2020 tarihi itibarıyla ise 482.263 hasta sayısına ulaşılacağı tahmin edilmiştir. İkinci model (Model 2) için ise aynı tarihler için sırasıyla 391.992, 472.782 ve 573.811 vaka sayılarına ulaşılacağı hesaplanmıştır. Kışın etkisiyle COVID-19 hasta sayılarının daha da artacağı göz önüne alındığında Model 2'nin daha gerçekçi sonuçlar ortaya koyduğu değerlendirilmiştir. Sonuç: Önümüzdeki süreçte, bu çalışmada önerilen modellerin uluslararası ölçekteki çalışmalarda hasta sayılarının tahmin edilmesinde de kullanılabileceği düşünülmektedir. Aynı zamanda, söz konusu modellerin sadece COVID-19 hasta sayılarını değil bu hastalığa bağlı ölüm sayılarının ve iyileşen hasta sayılarına ilişkin tahminlerin gerçekleştirilmesinde de kullanılabileceği değerlendirilmiştir.
Anahtar Kelimeler: Koronavirüs; modeller, istatistiksel; tahmin
Objective: The aim of this study was to predict the number of patients infected with coronavirus disease (COVID-19) by the end of year 2020 by using the number of infections in Turkey between the dates 11.3.2020-9.9.2020 and exponential smoothing model. Material and Methods: Different versions of the exponential smoothing model were applied and compared by using the data published and upgraded on the web by the Turkish Republic Ministry of Health, and near future predictions were performed after the determination of two models (containing additive method model: Model 1 and containing multiplicative method model: Model 2) producing the best estimates. Results: The first proposed model (Model 1) estimated that there would be 374,842, 427,672 and 482,263 infected patients in Turkey by the date 31 October 2020, 30 November 2020, and 31 December 2020, respectively. For the same dates, it was calculated that there would be 391,992, 472,782, and 573,811 infected patients, respectively for the second model (Model 2). The model 2 was evaluated to produce more realistic results considering that the number of patients infected with COVID-19 will increase even more with the effect of winter. Conclusion: It was thought that the models proposed in this study could also be used to predict the number of infected patients in international studies in the upcoming period. At the same time, it was evaluated that these models not only for infections but could also be used to estimate the number of deaths and recoveries due to coronavirus disease 2019.
Keywords: Coronavirus; models, statistical; forecasting
- Alanagreh L, Alzoughool F, Atoum M. The human coronavirus disease COVID-19: its origin, characteristics, and insights into potential drugs and its mechanisms. Pathogens. 2020;9(5):331. [Crossref] [PubMed] [PMC]
- Hemida MG, Ba Abduallah MM. The SARS-CoV-2 outbreak from a one health perspective. One Health. 2020;10:100127. [Crossref] [PubMed] [PMC]
- Yücel Şengün İ, Kırmızıgül A, Kılıç G, Öztürk B. [Precautions to be taken against COVID-19 pandemic in food establishments]. The Journal of Food. 2020;45(4):646-64. [Link]
- CDC. Coronavirus disease 2019 basics. [Link] Erişim tarihi: 26.08.2020.
- World Health Organization (WHO) 2020. [Link] Erişim tarihi: 16.12.2020.
- Worldometer [Internet]. © Copyright Worldometers. [Erişim tarihi: 10.11.2020]. COVID-19 coronavirus pandemic. Erişim linki: [Link]
- Kayral İE, Buzrul S. Forecasting of COVID-19 infections in E7 countries and proposing some policies based on the Stringency Index. J Popul Ther Clin Pharmacol. 2020;27(S Pt 1):e76-e84. [PubMed]
- Mondal MRH, Bharati S, Podder P, Podder P. Data analytics for novel coronavirus disease. Inform Med Unlocked. 2020;20:100374. [Crossref] [PubMed] [PMC]
- Corradini MG, Peleg M. Estimating non-isothermal bacterial growth in foods from isothermal experimental data. J Appl Microbiol. 2005;99(1):187-200. [Crossref] [PubMed]
- Fanelli D, Piazza F. Analysis and forecast of COVID-19 spreading in China, Italy and France. Chaos Solitons Fractals. 2020;134:109761. [Crossref] [PubMed] [PMC]
- Hernandez-Matamoros A, Fujita H, Hayashi T, Perez-Meana H. Forecasting of COVID19 per regions using ARIMA models and polynomial functions. Appl Soft Comput. 2020;96:106610. [Crossref] [PubMed] [PMC]
- T.C. Sağlık Bakanlığı [Internet]. Copyright © 2020 T.C. Sağlık Bakanlığı. [Erişim tarihi: 10.9.2020]. COVID-19 bilgilendirme sayfası. Erişim linki: [Link]
- Ucal MŞ. [A brief survey of econometrics model selection criteria]. C.Ü. İktisadi ve İdari Bilimler Dergisi. 2006;7(2):41-57. [Link]
- Baran T, Bacanlı ÜG. [Evaluation of goodness of fit criterion in time series analysis]. İMO Teknik Dergi. 2006;17(84):3987-4002. [Link]
- Akaike H. A New Look at the statistical model identification. IEEE Transactions on Automatic Control 1974;19(6):716-23. [Crossref]
- Pegels CC. Exponential forecasting: Some new variations. Management Science 1969;15(5): 311-5. [Crossref]
- Makridakis S, Wheelwright SC, Hyndman RJ. Forecasting: Methods and Applications. 3rd ed. New York: John Wiley and Sons; 1997
- Gardner Jr ES, Exponential smoothing: the state of the art. Journal of Forecasting. 1985;4(1):1-28. [Crossref]
- Taylor JW. Exponential smoothing with a damped multiplicative trend. International Journal of Forecasting. 2003;19(4):715-25. [Crossref]
- Hyndman RJ, Koehler AB, Snyder RD, Grose S. A state space framework for automatic forecasting using exponential smoothing methods. International Journal of Forecasting. 2002;18(3):439-54. [Link]
- Hyndman RJ, Koehler AB, Ord JK, Snyder RD. Forecasting with Exponential Smoothing: The State Space Approach. Berlin/Almanya: Springer;2008. [Crossref]
- Bowerman BL, O'Connell R, Koehler AB. Forecasting Time Series and Regression: an Applied Approach. 3rd ed. Belmont/ABD: Thomson Brooks/Cole; 2005.
.: İşlem Listesi