تعدیل و پوشش واریانس و خطای پیش بینی: کاربرد استنباط بیزی در پیش بینی های مرگ ومیر (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
مدل های توسعه داده شده در پیش بینی های مرگ ومیر عمدتا مبتنی بر روش های برون یابی و شامل درجه ای از قضاوت ذهنی محققان است که چالش اصلی و مهم تمامی این مدل ها پوشش بهتر و دقیق تر عدم قطعیت ذاتی پیش بینی ها است. مقاله حاضر با تکیه بر چنین مشکلی و اهمیت روش شناختی آن به معرفی روش های نوظهور استنباط بیزی در پیش بینی های مرگ ومیر پرداخته است. به منظور ارزیابی و معرفی بهتر مدل، از داده های مرگ ومیر فرانسه به عنوان یک کشور توسعه یافته و دارای نظام ثبتی دقیق برای برآورد و پیش بینی میزان های مرگ ومیر از سال ۱۹۵۹ تا ۱۹۹۹ استفاده شده است. توزیع پسین و پیشین هر پارامتر از طریق استنباط بیزی و همچنین برآورد پارامترهای مختلف از طریق الگوریتم زنجیره مارکوف مونت کارلو برآورد شده است. یافته های تحقیق حاکی از آن است که در مدل های بیزین با بررسی تمام فضای یک پارامتر از طریق توزیع های احتمال تخمین بهتری از مقادیر پارامتر بدست می آید. همچنین در مقایسه با مدل اصلی لی-کارتر، در مدل بیزین بخش قابل توجهی از خطاها و عدم قطعیت ذاتی پیش بینی در گروه های سنی مختلف به نحو بهتر و دقیق تری پوشش داده می شود.Adjustment and Coverage of Variance Projection Error: Application of Bayesian Inference in Mortality Projections
Models developed to project mortality are primarily based on extrapolative methods and to some extent researchers’ subjective judgement. These models face the same challenge of detecting the inherent uncertainty in forecasting. This paper introduces Bayesian inference methods for mortality projections in response to such a problem and its methodological importance. As a developed country with an accurate registration system, the French mortality data was used to estimate and predict mortality rates from 1959 to 1999. Bayesian inference was used to estimate each parameter's posterior and prior distributions, and the Monte Carlo Markov chain algorithm was exploited to estimate the parameters. The findings of the research indicate that in Bayesian models, by examining the entire space of a parameter through probability distributions, a better estimate of a parameter values is obtained. A Bayesian model also has a wider confidence interval than the Lee-Carter model, covering a more significant part of errors and uncertainty in most age groups.
تبلیغات
