تعدیل و پوشش واریانس و خطای پیش‌بینی: کاربرد استنباط بیزی در پیش‌بینی‌های مرگ‌ومیر

مدل‌های توسعه داده شده در پیش‌بینی‌های مرگ‌ومیر عمدتا مبتنی بر روش‌های برون‌یابی و شامل درجه‌ای از قضاوت ذهنی محققان است که چالش اصلی و مهم تمامی این مدل‌ها پوشش بهتر و دقیق‌تر عدم‌قطعیت ذاتی پیش‌‌بینی‌ها است. مقاله حاضر با تکیه بر چنین مشکلی و اهمیت روش‌شناختی آن به معرفی روش‌های نوظهور استنباط بیزی در پیش‌بینی‌های مرگ‌ومیر پرداخته است. به ‌منظور ارزیابی و معرفی بهتر مدل، از داده‌های مرگ‌ومیر فرانسه به‌ عنوان یک کشور توسعه‌یافته و دارای نظام ثبتی دقیق برای برآورد و پیش‌بینی میزان‌های مرگ‌ومیر از سال 1959 تا 1999 استفاده شده است. توزیع‌ پسین و پیشین هر پارامتر از طریق استنباط بیزی و همچنین برآورد پارامترهای مختلف از طریق الگوریتم زنجیره مارکوف مونت‌کارلو برآورد شده است. یافته‌های تحقیق حاکی از آن است که در مدل‌های بیزین با بررسی تمام فضای یک پارامتر از طریق توزیع‌های احتمال تخمین بهتری از مقادیر پارامتر بدست می‌آید. همچنین در مقایسه با مدل اصلی لی-کارتر، در مدل بیزین بخش قابل‌توجهی از خطاها و عدم‌قطعیت ذاتی پیش‌بینی در گروه‌های سنی مختلف به‌نحو بهتر و دقیق‌تری پوشش داده می‌شود.

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.