[论文解读] Predicting Long-Term Self-Rated Health in Small Areas Using Ordinal Regression and Microsimulation

Seán Caulfield Curley, Karl Mason+1 more|arXiv (Cornell University)|Jan 20, 2026

demographic modeling and climate adaptation被引用 0

一句话总结

论文结合用于爱尔兰的开源微观仿真与序回归，在细粒度地理尺度上预测未来自评健康（SRH），使微数据与普查分布对齐，并在老龄化与迁移等情景下探索未来情景。

ABSTRACT

This paper presents an approach for predicting the self-rated health of individuals in a future population utilising the individuals' socio-economic characteristics. An open-source microsimulation is used to project Ireland's population into the future where each individual is defined by a number of demographic and socio-economic characteristics. The model is disaggregated spatially at the Electoral Division level, allowing for analysis of results at that, or any broader geographical scales. Ordinal regression is utilised to predict an individual's self-rated health based on their socio-economic characteristics and this method is shown to match well to Ireland's 2022 distribution of health statuses. Due to differences in the health status distributions of the health microdata and the national data, an alignment technique is proposed to bring predictions closer to real values. It is illustrated for one potential future population that the effects of an ageing population may outweigh other improvements in socio-economic outcomes to disimprove Ireland's mean self-rated health slightly. Health modelling at this kind of granular scale could offer local authorities a chance to predict and combat health issues which may arise in their local populations in the future.

研究动机与目标

• 预测爱尔兰在细粒度地理尺度（选区 Electoral Divisions）上的未来自评健康（SRH）分布。
• 将一个动态的开源微观仿真（SEMIPro）与序回归相结合，以 socio-economic 特征来预测 SRH。
• 使微观数据的 SRH 分布与 Census 分布对齐，以提高预测准确性。
• 探索人口统计与 socio-economic 变化（如老龄化、教育、迁移）对 SRH 轨迹的影响。
• 展示对地方卫生规划和情景分析的有用性。

提出的方法

• 使用 SEMIPro 微观仿真来创建具有属性的合成个体：年龄、性别、婚姻状况、公民身份、最近移居爱尔兰、教育水平和主要经济状况。
• 对 SRH 应用序回归模型，预测变量包括年龄组、性别、婚姻状况、经济状况、教育和地区；使用潜在 Y* 与阈值的累积模型来估计 SRH 各类别的概率。
• 通过逐元素比值和重新归一化，将每一队列的预测 SRH 分布与国家 Census 分布对齐。
• 利用每队列的加性对数比（ALR）变换和高斯过程（GP）回归来建模跨年度与队列的对数比，并进行蒙特卡罗采样（1000 次样本）以表征不确定性。
• 通过将 2022 年 ED 水平的平均 SRH 与观测的 2022 年 SRH 进行比较来验证预测，拟合度较高（R^2 ~ 0.9，MSE ~ 0.0037）。
• 通过案例研究和情景分析（如 M1 移民情景和 2057 年投影）来说明地理差异及政策相关性。

Figure 1: A graphical summary of how the approach operates. Note that synthetic individuals are created for this example and are not based on individuals from either dataset.

实验结果

研究问题

• RQ1 序回归能否在微观仿真背景下从社会经济属性准确预测个体 SRH？
• RQ2 微观仿真生成的人口在小区域地理（EDs）能否较好再现观测到的 SRH 分布？
• RQ3 在定义的迁移情景下， aging 和教育变化对到 2057 年全国 SRH 分布的影响如何？
• RQ4 将微数据 SRH 与 census SRH 分布对齐对预测准确性有何影响？
• RQ5 SRH 轨迹中出现的地理模式是什么，如何为地方卫生规划提供信息？

主要发现

• 在选区层面的预测 SRH 分布与观测的 2022 年分布高度一致，平均 R^2 约为 0.9，平均 MSE 约为 0.0037。
• 对 SRH恶化的最强负向预测因子是“因疾病或残疾无法工作”，而正向预测因子包括成为学生、在岗工作或照看家庭/家人。
• 年龄是 SRH 的强负向预测因子，且较高教育水平通常与各地区更好的 SRH 相关。
• 未来投影（在 M1 移民情景下持续到 2057 年）显示 Very Good 与 Good SRH 的比例初期上升，伴随不确定性通过 90% 置信区间体现；模式在大约 2030 年代中期趋于稳定。
• Actual_outcome_note_to_usersOnly_from_source: 本文报告爱尔兰的 SRH 分布在最近一次普查中相对稳定，但预测显示到 2057 年会出现显著变化。

Figure 2: A flowchart summarising the workings of the SEMIPro Irish microsimulation model (Caulfield Curley et al., 2025a ) .