面向多群体寿命建模的多输出高斯过程
应用统计
2020-03-06 v1
摘要
我们借助高斯过程回归的空间统计框架研究寿命趋势的联合建模。我们的分析受人类死亡率数据库(HMD)的启发,该数据库为近40个国家提供统一的原始死亡率表。然而,现有随机模型极少能同时处理两个以上的群体。为弥补此缺口,我们利用机器学习中的空间协方差框架,将群体视为因子协变量的不同水平,显式捕捉跨群体依赖。所提多输出高斯过程模型可直截了当地扩展至十几个群体,且内在生成连贯的联合寿命情景。在大量案例研究中,我们考察了跨国家与性别聚合死亡率经验带来的预测增益,包括借用最新可用的“外国”数据。我们展示了在我们的方法中,信息融合带来了更精确(且在统计上更可信)的预测。我们在\texttt{R}中实现了模型,并在\texttt{Stan}中实现了贝叶斯版本,以对估计的死亡率协方差结构提供进一步的不确定性量化。所有示例均使用公开HMD数据集。
引用
@article{arxiv.2003.02443,
title = {Multi-Output Gaussian Processes for Multi-Population Longevity Modeling},
author = {Nhan Huynh and Mike Ludkovski},
journal= {arXiv preprint arXiv:2003.02443},
year = {2020}
}
备注
26 pages, 9 figures, 7 tables