稳健的非参数死亡率与生育率建模及预测：高斯过程回归方法
机器学习
2024-12-30 v1 机器学习
应用统计
统计方法学
摘要
过去几十年中，死亡率与生育率的快速下降已成为许多发达国家的主要问题。精确的 demographical 变动预测模型对于政府和诸多行业部门在社会福利政策决策与资源预算方面十分重要。本文引入一种新颖的非参数方法，使用带自然三次样条均值函数与谱混合协方差函数的高斯过程回归进行死亡率与生育率建模及预测。与人口学建模文献中多数依赖时间参数决定整体死亡率或生育率曲线随年份推移而移动的方法不同，我们从所有年龄别死亡率与生育率率的组分出发考虑死亡率与生育率曲线，并假设其中每一项随时间服从高斯过程，以离散但密集的方式拟合整体曲线。所提出的高斯过程回归方法在使用若干发达国家死亡率与生育率数据的数值实验中，于短、中、长期预测上相较其他主流人口学建模方法在精确性与稳健性方面均有显著提升。
引用
@article{arxiv.2102.09676,
title = {Robust non-parametric mortality and fertility modelling and forecasting: Gaussian process regression approaches},
author = {Ka Kin Lam and Bo Wang},
journal= {arXiv preprint arXiv:2102.09676},
year = {2024}
}