含不完整数据的贝叶斯泊松死亡率预测
统计方法学
2021-03-11 v1
摘要
缺失数据问题普遍存在于统计应用中。即便如死亡率预测中的计数数据般简单，也可能因预算限制或追踪研究单元的困难而对某些年龄-年份组不可用，导致后续的估计与预测不准确。为规避这一数据驱动的挑战，我们将泊松对数正态 Lee-Carter 模型扩展以容纳更灵活的时间结构，并开发了在处理不完整死亡率数据时改善 MCMC 收敛的新采样算法。通过过离散项与 Gibbs 采样器，扩展模型可重写为动态线性模型，从而 Kalman 与序贯 Kalman 滤波器均可纳入采样方案。此外，我们细致的先验设置可避免每次 MCMC 迭代中的重标度步骤，并允许模型选择同时与估计和预测进行。所提方法应用于 1995-2016 年间中国男性死亡率数据，以给出 2017-2039 年的死亡率预测。结果与基于插补数据集者相当，表明我们的方法能较好处理不完整数据。
引用
@article{arxiv.2103.05856,
title = {Bayesian Poisson Mortality Projections with Incomplete Data},
author = {Rui Gong and Xiaoqian Sun and Leping Liu and Yu-Bo Wang},
journal= {arXiv preprint arXiv:2103.05856},
year = {2021}
}