průřezové a generační úmrtnostní tabulky modelování úmrtnosti brassovou relační metodou
DESCRIPTION
Průřezové a generační úmrtnostní tabulky Modelování úmrtnosti Brassovou relační metodou. RNDr. Tomáš Fiala, CSc. Katedra demografie Fakulty informatiky a statistiky VŠE Praha [email protected]. Základní data o úmrtnosti (pro každé pohlaví zvlášť). Za jednotlivé roky ( t ): - PowerPoint PPT PresentationTRANSCRIPT
Průřezové a generační úmrtnostní tabulky
Modelování úmrtnosti Brassovou relační metodou
RNDr. Tomáš Fiala, CSc.
Katedra demografie
Fakulty informatiky a statistiky
VŠE Praha
Základní data o úmrtnosti(pro každé pohlaví zvlášť)
Za jednotlivé roky (t):•Počty zemřelých podle věku x (Mt,x)•Počty žijících podle věku x (St,x)
Výpočet specifických měr úmrtnosti
(ve jmenovateli je průměrný počet žijících)Na základě řady specifických měr úmrtnosti pro všechny jednotky věku lze spočítat úmrtnostní tabulky
xt
xtxt S
Mm
,
,,
Průřezové (transverzální) úmrtnostní tabulky
• Na základě specifických měr úmrtnosti v jednom roce
• Průřez úmrtnosti zhruba 110 generací narozených• Charakterizují úmrtnost v daném roce, nikoli
vymírání nějaké skupiny žijících osob• Charakteristiky délky života – pouze za
předpokladu, že by se úmrtnost neměnila v čase• Nutno správně interpretovat
10
9
8
7
6
5
4
3
2
1
0
2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010kalendářní čas
věk
H
H
H
H
H
Generační (longitudinální) úmrtnostní tabulky
• Na základě specifických měr úmrtnosti osob narozených ve stejném roce
• Popisují úmrtnost těchto osob po celou dobu jejich života (zhruba 110 let)
• Charakteristiky délky života se týkají dané skupiny osob
Charakteristika generačních úmrtnostních tabulek
• Zpravidla nejsou k dispozici data za celou dobu života sledované generace (pouze neúplná řada specifických měr úmrtnosti)
• Neaktuální hodnoty
• Jsou vhodným doplňkem průřezových úmrtnostních tabulek
• Mohou vysvětlit generační zákonitosti úmrtnosti
• Vysoká úmrtnost v určitém věku může mít za následek snížení pozdější úmrtnosti téže generace (přirozený výběr, přežijí jen „silní“ jedinci) a naopak
• Příklad:
• V roce 1990 byla úmrtnost osob do 60 let nižší v ČR než v SR, pro starší osoby tomu bylo naopak
• Hypotéza:
• Jednou z příčin může být vysoká kojenecká a dětská úmrtnost na Slovensku na počátku minulého století
Modelování úmrtnosti Brassovou relační metodou
• Snaha nalézt funkci zachycující závislost míry úmrtnosti na věku
• Řada pokusů – zpravidla nepoužitelné pro předpověď budoucího vývoje
• Myšlenka Williama Brasse:• nemodelovat vlastní průběh intenzit úmrtnosti,
ale modelovat změny úmrtnosti, ke kterým dochází v čase
• On the scale of mortality In: Biological Aspects of Demography. Ed. W. Brass, Taylor and Francis, London 1971.
Východisko metody:křivky l(x) počtu dožívajících se přesného věku x, mají vždy podobný průběh, charakterem připomínající nepravidelně „stlačenou“ logistickou křivku
0,0
0,2
0,4
0,6
0,8
1,0
1,2
0 10 20 30 40 50 60 70 80 90 100věk
l(x), ČR, 1991, ženy
logistická křivka
(Obrázek převzat z Koschin F., Vybrané demografické modely, VŠE Praha 1995, ISBN 80-7079-761-4)
Popis metody:
Uvažujme nějakou „standardní“ úmrtnost popsanou funkcí l*(x), (l*(0)=1)
po vhodné transformaci osy x bude logistická křivka křivkou počtu dožívajících
obecná rovnice logistické křivky:
hledáme takovou transformační funkci g*(x) aby,
transformační funkce má tedy tvar
zzf
e1
1)(*
)(
**
e1
1)(
xgxl
)(logit)(
)(1ln)( *
*
** xl
xl
xlxg
-6
-4
-2
0
2
4
6
0,0 0,5 1,0p
logit p
Klíčový předpoklad metody:(zjednodušení reality)
Odlišnost úmrtnosti l(t,x) od l*(x) se projeví pouze změnou posunutí a strmosti
příslušné logistické křivky na , tedy
eventuální další odchylky považujeme za náhodné chyby.
Dostáváme tedy řadu regresních rovnic
Neznámými parametry jsou nejen u(t) a v(t), ale i l*(x)t=1, 2, …, T x = 0, 1, …, ω-1
ztvtuztf
)()(e1
1),(
)(itlog)()( *
e1
1),(
xltvtuxtl
),()(*logit)()(),(logit xtxltvtuxtl
Nalezení odhadu parametrů modelu1. Položíme i = 0 a určíme počáteční odhad standardu
2. Řešíme T regresních rovnic pro parametry u(t) a v(t)
3. Řešení označíme u(i)(t) a v(i)(t) a řešíme ω regr. rovnic pro parametry logit l*(x)
4. Řešení označíme logit l(i+1)(x) a vypočteme
5. Porovnáme rozdíly l(i)(x) a l(i+1)(x) pro všechna x , pokud jsou „velké“, položíme i = i +1 a
opakujeme kroky 2, 3, 4 a 5; jinak skončíme
6. Položíme l*(x) = l(i+1)(x) u(t) = u(i)(t) a v(t) = v(i)(t).
)(*logit)()(),(logit )()( xltvtuxtl ii
T
t
xtlT
xl1
)0( ),(1
)(
)(logit)()(),(logit )( xltvtuxtl i
)(logit
)1()1(
e1
1)(
xl
iixl
Příklad: Úmrtnost žen v ČR v letech 1980-91
(Obrázek převzat z Koschin F., Vybrané demografické modely, VŠE Praha 1995, ISBN 80-7079-761-4)
Česká republika, 1991, ženyparametry Brassova relačního modelu
-0,12
-0,10
-0,08
-0,06
-0,04
-0,02
0,00
0,02
0,04
0,06
0,08
1980 1982 1984 1986 1988 1990
u(t)
0,95
0,96
0,97
0,98
0,99
1,00
1,01
1,02
1,03
v(t)
u(t)
v(t)
Využití pro prognózu úmrtnosti:
Extrapolace hodnot u(t) a v(t) v čase umožňuje
modelovat vývoj úmrtnosti pomocí výše uvedené rovnice
Na rozdíl od jiných modelů zpravidla dostáváme
poměrně rozumné výsledky
)(itlog)()( *
e1
1),(
xltvtuxtl