通过神经后验估计从聚合生育率学习个体生育行为
应用统计
2025-07-25 v2 机器学习
摘要
年龄-specific生育率（ASFR）提供了最完整的生育变迁记录，但其汇总性质掩盖了驱动生育趋势的个体水平行为机制。为弥合这一微观-宏观鸿沟，我们引入了一个无似然的贝叶斯框架，将一个可解释的个体水平生育过程仿真模型与顺序神经后验估计（SNPE）相耦合。我们展示了该框架仅使用ASFR就成功恢复了支配当代生育的核心行为参数，包括对家庭规模的偏好、生育时机和避孕失效率。该框架在来自四个具有不同生育制度的国家的队列中得到有效验证。最具说服力的是，该模型仅基于汇总数据估计，成功预测了个体水平结果的抽样分布，包括首次性行为的年龄、理想家庭规模和出生间隔。由于我们的框架产生完整的合成生命历程记录，显著减少了构建微观仿真模型的数据需求，并实现了行为显式的人口学预测。
引用
@article{arxiv.2506.22607,
title = {Learning Individual Reproductive Behavior from Aggregate Fertility Rates via Neural Posterior Estimation},
author = {Daniel Ciganda and Ignacio Campón and Iñaki Permanyer and Jakob H Macke},
journal= {arXiv preprint arXiv:2506.22607},
year = {2025}
}