用于死亡率与死亡改善因子的高斯过程模型
统计方法学
2018-04-13 v3 应用统计
统计计算
摘要
我们开发了一个高斯过程（“GP”）框架，用于建模死亡率与死亡改善因子。GP回归是一种非参数的、数据驱动的方法，用于确定死亡率中的空间依赖关系，并跨维度（如日历年与年龄）联合平滑原始比率。GP模型量化与平滑历史经验相关的不确定性，并生成用于样本外预测的完整随机轨迹。我们的框架非常适合于在新数据到达时更新预测，以及处理可信度较低的“边缘”问题。我们基于CDC数据集，对美国死亡率经验的高斯过程模型性能进行了详细分析。我们研究了均值与残差建模之间的交互、贝叶斯与非贝叶斯GP方法、样本内与样本外预测的准确性，以及模型参数的稳定性。我们还记录了过去几年中死亡改善因子的普遍下降以及强烈的年龄依赖性，并将我们的发现与未能充分反映这些近期趋势的精算师协会（“SOA”）MP-2014与MP-2015模型进行了对比。
引用
@article{arxiv.1608.08291,
title = {Gaussian Process Models for Mortality Rates and Improvement Factors},
author = {Mike Ludkovski and Jimmy Risk and Howard Zail},
journal= {arXiv preprint arXiv:1608.08291},
year = {2018}
}