[论文解读] A simple model of mortality trends aiming at universality: Lee Carter + Cohort

Édouard Debonneuil|arXiv (Cornell University)|Mar 9, 2010

Insurance, Mortality, Demography, Risk Management参考文献 4被引用 12

一句话总结

本文提出了一种简单且稳健的死亡率模型——Lee Carter 加上队列效应（LCC 或 M9）——通过结合年龄调整的时期改善与非年龄调整的队列效应，实现准确性和稳健性的平衡。该模型在拟合历史数据和跨多个国家的长期趋势预测方面优于现有模型，尤其能有效捕捉特定队列的死亡率模式，且不易过拟合。

ABSTRACT

The Lee Carter modelling framework is widely used because of its simplicity and robustness despite its inability to model specific cohort effects. A large number of extensions have been proposed that model cohort effects but there is no consensus. It is difficult to simultaneously account for cohort effects and age-adjusted improvements and we here test a simple model that accounts for both: we simply add a non age-adjusted cohort component to the Lee Carter framework. This is a trade-off between accuracy and robustness but, for various countries present in the Human Mortality Database and compared to various models, the model accurately fits past mortality data and gives good backtesting projections.

研究动机与目标

• 解决现有死亡率预测框架中队列效应建模缺乏共识的问题。
• 开发一种既能捕捉年龄特定死亡率改善，又能反映队列特定效应，且不易过拟合的模型。
• 通过在 Lee Carter 模型中增加一个非年龄调整的队列成分，测试其作为简单扩展的普适适用性。
• 利用人类死亡率数据库的历史数据，评估该模型相较于既有模型的性能表现。
• 为精算与人口学应用提供一种稳健、低参数的死亡率趋势建模替代方案。

提出的方法

• LCC 模型通过在对数死亡率方程中增加一个非年龄调整的队列效应项 γt−x(3)，扩展了 Lee Carter 框架。
• 参数 βx(1)、βx(2)、βx(3) 和 γt−x(3) 通过最大似然法估计，并施加约束条件：∑βx(2) = 1，∑κt(2) = 0，∑γt−x(3) = 0。
• 该模型被实现为 Renshaw-Haberman 模型（M2）的约束版本，将 βx(3) 简化为 1，而非进行估计。
• 通过贝叶斯信息准则（BIC）评估模型拟合度，优先选择拟合度更高且参数更少的模型。
• 通过在 1981 至 2006 年间重新估计 κt(2) 以匹配实际死亡率，测试模型的预测能力，并与线性外推法进行比较。
• 该模型应用于英国、美国、法国、瑞士、西班牙和日本（1955–1980 年）男性和女性（40–95 岁）的死亡率数据。

实验结果

研究问题

• RQ1 Lee Carter 模型的简单扩展是否能有效同时捕捉年龄调整的死亡率改善与队列特定效应？
• RQ2 在多种国家背景下，LCC 模型在拟合与预测准确性方面相较于 M1、M2、M3、M5–M8 等既有模型表现如何？
• RQ3 与更复杂的队列模型（如 M2）相比，引入非年龄调整的队列项是否能减少过拟合？
• RQ4 在具有显著不同死亡率趋势的国家（如英国 1920 年队列）中，LCC 模型在保持稳健性的同时，其拟合性能提升的幅度有多大？
• RQ5 像 LCC 这类低参数模型是否能在不依赖专家判断或复杂情境建模的前提下，提供可靠的预测结果？

主要发现

• 在 12 个国别-性别组合中，LCC 模型（M9）在 8 个中取得了最优的 BIC 拟合度，且所有国家的 BIC 值均保持较高水平。
• 在英国数据中，M9 成功捕捉了 1920 年出生队列的显著效应，而 M1 未能建模该效应，M2 在后期阶段则出现过拟合。
• 在英国女性数据（1981–2006 年）中，M2 显示出明显的过拟合现象，表现为 βx(2) 和 βx(3) 形状不规则，暗示存在人为构造的死亡率改善模式。
• 与 M2 相比，LCC 模型的 βx(2) 曲线更为稳定，表明其在保留年龄特定改善特征的同时具备更强的稳健性。
• M9 的 κt(2) 预测结果与实际趋势更为接近，优于线性外推法，表明其具备更优的预测性能。
• 该模型在具有不同死亡率趋势的国家中表现出一致的性能，包括日本的死亡率放缓趋势以及瑞士以年轻人为主的改善模式。