A Forecast-driven Hierarchical Factor Model with Application to Mortality Data
死亡率预测在人寿保险公司、养老基金和社会保障的保险和金融风险管理中起着关键作用。死亡率数据通常是高维的，有利于因素模型方法建模和预测。本文介绍了一种新的预测驱动的层次因子模型（FHFM）定制的死亡率预测。与现有的模型相比，它只捕捉横截面的变化或时间序列的依赖性在降维步骤，新的模型捕捉这两个功能有效地在一个层次结构下，并提供了深入了解随时间变化的死亡率模式。通过与Lee和Carter 1992年使用的静态PCA，Lam等人2011年引入的动态PCA以及其他现有的死亡率建模方法进行比较，我们发现这种方法提供了更好的估计结果和更好的样本外预测性能。仿真研究进一步说明了基于不同数据结构的模型的优势。最后，使用美国死亡率数据的实证研究表明，这一新的模型在预期寿命预测和终身年金定价的影响和意义。
2021-12-09 stat.AP
Mortality Forecasting using Variational Inference
本文针对死亡率预测中传统模型两步估计或使用繁琐的问题，提出基于变分推断和 Pyro 的一步估计方法，在瑞典数据上取得优于流行模型的预测性能。
2023-05-25 stat.AP
Retiree mortality forecasting: A partial age-range or a full age-range model?
年金定价的一个重要输入是未来退休人员的死亡率。根据观察到的年龄别死亡率数据，可以通过两种途径进行建模和预测。一方面，我们可以首先将可用数据截断为退休人员年龄，然后基于部分年龄范围模型生成死亡率预测。另一方面，在所有可用数据的情况下，我们可以首先应用全年龄范围模型进行预测，然后将死亡率预测截断为退休人员年龄。我们使用人类死亡率数据库（2020年）中主要发达国家的数据，研究了部分年龄范围模型和全年龄范围模型之间中心死亡率对数转换建模的差异。通过评估和比较短期点和区间预测准确度，我们推荐第一种策略，即将所有可用数据截断为退休人员年龄，然后生成死亡率预测。然而，在考虑长期预测时，不清楚哪种策略更好，因为更难找到最佳模型和参数。这是使用基于时间序列外推法进行长期预测的一个缺点。相反，可以考虑采用一种期望方法，由专家确定未来的目标，并指出这种方法在过去也取得了有限的成功。
2020-06-25 stat.AP
Mortality and life expectancy forecasting for a group of populations in developed countries: A robust multilevel functional data method
提出了一种稳健的多水平函数数据方法，用于预测具有高质量生命登记系统的发达国家的两个或多个人口的年龄别死亡率和预期寿命。它使用了一个强大的多层次功能主成分分析的总数据和人口的具体数据，以提取人口之间的共同趋势和人口的具体残差趋势。将该方法应用于英国1922 - 2011年的年龄和性别别死亡率和预期寿命，并将其预测精度与标准的多水平函数数据方法进行了比较。对于年龄别死亡率和预期寿命的预测，稳健的多水平函数数据方法比标准的多水平函数数据方法在存在离群值的情况下产生更准确的点和区间预测。
2016-09-23 stat.AP
Enhancing Mortality Forecasting with Ensemble Learning: A Shapley-Based Approach
University of Salerno（萨莱诺大学）；University of Newcastle（纽卡斯尔大学）；Macquarie University（麦考瑞大学）
本文提出基于Shapley值的集成方法，通过年龄分层权重和阈值机制提升死亡率预测的准确性和可解释性。
2026-03-04 stat.AP
A Compositional Approach to Modelling Cause-specific Mortality with Zero Counts
针对死因别死亡计数中的零值问题，提出采用α-变换的CODA建模方法，并在英格兰、威尔士和美国数据上验证其预测精度优于对数比率变换。
2025-10-17 stat.AP
Modelling and short-term forecasting of seasonal mortality
本文比较三种 Serfling-Poisson 季节性死亡率模型，发现趋势非参数、季节性参数的 SP-STFS 结合 P-splines 在25个欧洲国家的月度数据中预测最准确，并可用于 COVID-19 超额死亡评估。
2025-02-15 stat.AP
Grouped multivariate and functional time series forecasting: An application to annuity pricing
特定人群的死亡率往往按不同属性分列，如性别、州、族裔群体和社会经济地位。在国家和国家以下各级制定社会政策和年金定价时，不仅要准确预测死亡率，而且要确保国家以下各级的预测与国家一级的预测相一致。这激发了分组功能时间序列方法（Shang和Hyndman，2017）的最新发展，以协调特定年龄的死亡率预测。我们将这些分组功能时间序列预测方法扩展到多变量时间序列，并将其应用于老年人死亡率的点预测，从中可以为不同年龄和到期日的固定期限年金定价。使用日本死亡率数据库中的日本各地区年龄别死亡率，我们研究了独立预测方法和分组预测方法之间的一步到15步预测精度。分组的预测方法不仅是有用的，在国家和国家以下各级的年龄别死亡率的预测进行协调，但它们也被证明可以提高预测的准确性。提高死亡率的预测准确性对于保险和养老金行业估计年金价格非常重要，特别是在人口亚组的水平上，由性别，地区和社会经济分组等关键因素定义。
2017-05-22 stat.AP
Accounting for Smoking in Forecasting Mortality and Life Expectancy
吸烟是上个世纪影响人类死亡率和预期寿命的主要危险因素之一。吸烟在很大程度上造成了预期寿命增长的非线性以及死亡率的地理和性别差异。正如Bongaarts（2006）和Janssen（2018）所建议的那样，由于吸烟流行的可预测性，考虑吸烟可以提高死亡率预测的质量。我们提出了一个新的贝叶斯层次模型来预测出生时的预期寿命为男性和69个国家的吸烟相关死亡率的良好数据。其主要思想是将出生时的非吸烟预期寿命预测（即，（2）将出生时的预期寿命（去除吸烟影响）转化为通过使用特定年龄吸烟归因分数（ASSAF）预测的预期寿命。我们引入了一个新的年龄队列模型的ASSAF和贝叶斯分层模型的非吸烟预期寿命在出生时。与其他四种常用的预期寿命预测方法相比，所提出的方法的预测性能进行评估的样本外验证。观测结果表明，新方法在预报精度和模型校正方面都有所提高。
2019-10-27 stat.AP
Learning and forecasting of age-specific period mortality via B-spline processes with locally-adaptive dynamic coefficients
本文提出一种具有局部自适应动态系数的B样条过程，通过Poisson对数正态模型和高斯状态空间近似实现年龄别死亡率的可解释建模与闭式Kalman预测，在点预测和区间校准上优于现有方法，并揭示了不同国家和年龄在历史时期及COVID-19期间的死亡率差异。
2024-01-12 stat.AP
Estimating and Forecasting the Smoking-Attributable Mortality Fraction for Both Genders Jointly in Over 60 Countries
吸烟是对人类健康的可预防的威胁之一，是肺癌、上呼吸消化道癌和慢性阻塞性肺病的主要危险因素。估计和预测死亡率的吸烟归因分数（SAF）可以深入了解吸烟流行情况，也为更准确的死亡率和预期寿命预测提供了依据。Peto等人（1992年）提出了一种方法，使用肺癌死亡率作为目标人群吸烟暴露的指标来估计SAF。在这里，我们使用相同的方法来估计60多个国家的所有年龄段的SAF（ASAF）。我们记录了一个强大的和跨国一致的模式，随着时间的推移，SAF的演变。我们以此为基础，一个新的贝叶斯层次模型，以项目未来的男性和女性ASAF从60多个国家同时。这给出了预测以及预测分布，可用于为任何感兴趣的量找到不确定性区间。我们使用样本外预测验证评估模型，发现它提供了良好的预测和校准的预测区间。
2019-10-27 stat.AP
Mortality and life expectancy forecasting for a group of populations in developed countries: A multilevel functional data method
在拥有高质量人口动态登记系统的发达国家，采用多级函数数据方法预测两个或两个以上人口的年龄别死亡率。它使用多层次的功能主成分分析的总体和特定群体的数据，提取的共同趋势和特定群体的残差趋势之间的群体。如果特定人群的残差趋势的预测没有显示出长期趋势，则可能实现预测的收敛。该方法首先适用于英国的年龄和性别特定的数据，其预测精度，然后进一步比较与现有的几种方法，包括独立的功能数据和产品比率的方法，通过多国比较。所提出的方法也证明了年龄，性别和国家的具体数据在澳大利亚，在预测的收敛可能会实现性别和国家。对于年龄别死亡率的预测，多水平函数数据方法比其他相关方法更准确。在预测女性出生时预期寿命时，多水平函数数据方法优于\cite{RLG14}的贝叶斯方法。对于男性出生时预期寿命的预测，多水平函数数据方法在点预测方面优于贝叶斯方法，但在区间预测方面则不如贝叶斯方法。本文的补充材料可在网上查阅。
2016-06-16 stat.AP
Mortality rate forecasting: can recurrent neural networks beat the Lee-Carter model?
本文将长短期记忆递归神经网络应用于死亡率预测。该模型可以根据不同国家、年龄和性别的死亡率历史进行联合训练。基于RNN的方法似乎优于流行的Lee-Carter模型。
2019-10-17 q-fin.RM stat.AP stat.ML
Dynamic modeling of mortality via mixtures of skewed distribution functions
人们对预测死亡率越来越感兴趣。在这篇文章中，我们提出了一种新的动态贝叶斯方法建模和预测的死亡年龄分布，专注于一个狄拉克质量，高斯分布和斜正态分布的三个组成部分的混合物。根据指定的模型，死亡年龄分布的特征是通过与婴儿、成人和老年死亡率的主要方面相对应的七个参数来确定的。所提出的方法侧重于多个国家的连贯建模，并遵循贝叶斯方法进行推理，我们允许跨人群借用信息，并将参数缩小到一个共同的平均水平，隐含地惩罚不同的场景。跨年度的动态建模是通过一个层次的动态先验分布，可以描述每个死亡率组成部分的时间演变，并预测死亡年龄分布。多个国家的实证结果表明，所提出的方法优于流行的方法预测死亡率，提供了可解释的见解的死亡率的演变。
2021-12-17 stat.AP
Deepening Lee-Carter for longevity projections with uncertainty estimation
毫无疑问，世界上有几个国家的预期寿命持续增长，这给寿命精算师和人口统计学家预测死亡率带来了挑战。虽然在过去的文献中已经提出了一些随机死亡率模型，死亡率预测的研究仍然是一个至关重要的任务。最近，各种研究工作鼓励深度学习模型在死亡率数据中推断合适的模式。这种学习模型允许实现准确的点预测，尽管也需要不确定性措施来支持模型估计的可靠性和风险评估。据我们所知，死亡率预测中的机器和深度学习文献缺乏关于不确定性估计的研究。作为死亡率预测的新进展，我们在Lee-Carter框架内形式化了深度神经网络集成，在深度学习和死亡率密度预测之间架起了第一座桥梁。我们在一个数值应用程序中测试了我们的模型建议，考虑了全球三个有代表性的国家和两种性别，仔细检查了两个不同的拟合期。利用预测的生物合理性和可行性以及性能指标的意义，我们的研究结果证实了深度学习模型对提高Lee-Carter模型预测能力的适用性，从长远来看也提供了更可靠的死亡率边界。
2021-03-18 stat.AP
Bayesian model averaging for mortality forecasting using leave-future-out validation
预测死亡率的演变对人寿保险和养老基金起着核心作用。各种随机框架已经被开发出来，以模拟死亡率模式，并考虑到驱动这些模式的主要程式化因素。然而，依赖于一个特定的模型的预测可能会受到太多的限制，并导致一些有据可查的缺点，包括模型错误，参数不确定性和过拟合。为了解决这些问题，我们首先考虑贝叶斯负二项框架中的死亡率建模，以自然和一致的方式解释过度分散和参数估计的不确定性。模型平均技术，然后被认为是作为一个响应模型的误指定。在本文中，我们提出了两种方法的基础上留未来的验证相比，标准的贝叶斯模型平均（BMA）的基础上的边际似然。一个密集的数值研究进行了大范围的模拟设置，比较所提出的方法的性能。然后提出了一个说明，对现实生活中的死亡率数据集，其中包括一个敏感性分析，以一个Covid型的情况。总体而言，我们发现，这两种方法的基础上的样本标准优于标准的BMA方法的预测性能和鲁棒性。
2021-11-16 stat.AP
Analyzing Cause-Specific Mortality Trends using Compositional Functional Data Analysis
我们研究的动态原因-特异性死亡率在国家之间考虑他们的功能组成。我们开发了一个新的框架，这样的数据结构，特别注意功能PCA。应用这种方法的一个子集的世界卫生组织死亡率数据库揭示了主要模式的变化的原因-特异性率多年来为男性和女性，使我们能够在预测的子空间进行聚类。结果给出了许多见解的持续趋势，只有部分解释过去的文献，认为国家正在经历。我们还能够显示男性和女性死亡原因的不同演变：例如，我们可以看到，虽然男性肺癌发病率稳定，但女性的发病率仍在上升。
2020-07-31 stat.AP stat.ME
Climate-Driven Mortality Forecasting Using Deep Learning
UCLouvain（瓦隆鲁汶大学）；University of Amsterdam（阿姆斯特丹大学）
提出结合Lee-Carter基线模型与CNN-LSTM或GNN-LSTM的两步框架，预测环境极端事件导致的超额死亡率，在法国区域数据上优于现有模型。
2026-06-26 stat.AP
Forecasting Australian subnational age-specific mortality rates
在对次国家死亡率进行建模时，重要的是要纳入次人口之间任何可能的相关性，以提高预测准确性。此外，国家以下一级的预测应与国家一级的预测一致。在这项研究中，我们应用分组多元函数时间序列来预测澳大利亚区域和远程年龄特定的死亡率和调和预测组结构使用各种方法。我们所提出的方法相比，毫不逊色于一个分组的单变量功能时间序列预测方法，通过比较一步，五步提前点预测精度。因此，我们证明了具有相似死亡率模式的子群体的联合建模可以提高点预测的准确性。
2020-07-07 stat.AP stat.ME
Multi-dimensional Mortality (MDMx): Sex-Age-Specific Model Life Tables, Fitting, Prediction from Summary Mortality Indicators, and Forecasting
The Ohio State University（俄亥俄州立大学）
本文提出MDMx模型，整合了生命表、拟合、预测和预测四种方法，通过张量分解实现性-年龄特异性输出的结构一致性。
2026-03-25 stat.AP stat.ME
A Comparison of Aggregation Methods for Probabilistic Forecasts of COVID-19 Mortality in the United States
2019冠状病毒病大流行将预测模型置于卫生政策制定的前沿。死亡率和住院率的预测有助于政府应对规划和资源分配的挑战。在本文中，我们考虑了美国国家和州一级COVID-19累积死亡率的每周预测。最优决策需要预测概率分布，而不仅仅是单点预测。间隔预测也很重要，因为它们可以支持决策并提供态势感知。我们考虑的情况下，概率预测已经提供了多个预测团队，我们汇总的预测，以提取群众的智慧。只有有限的信息，关于预测团队的历史准确性，我们认为聚合（即组合）的方法，不依赖于过去的准确性记录。在这篇实证论文中，我们评估了以前提出的用于区间预测和概率分布预测的聚合方法的准确性。这些方法包括使用简单平均、中位数和修整方法，这些方法可以实现稳健估计，并允许聚合预测减少预测团队信心不足或过度自信的趋势的影响。我们使用COVID-19 Forecast Hub公开提供的数据。虽然简单平均值在高死亡率系列中表现良好，但我们在低和中等死亡率系列中使用中位数和某些修剪方法获得了更高的准确性。随着大流行病的发展，这种情况是否仍然存在，这将是一个有趣的问题。
2020-08-20 stat.AP
Forecast reconciliation meets compositional data analysis: A study of Italian cause-specific age-at-death
University of Foggia（福贾大学）；Sapienza University of Rome（罗马智慧大学）；University of Campania ”Luigi Vanvitelli”（坎帕尼亚路易吉·凡维特利大学）；Macquarie University（麦考瑞大学）
本研究将成分数据分析整合到分层时间序列预测中，提出新框架用于意大利死因别死亡率预测，确保聚合一致性并显著提升预测可靠性，尤其在总死亡率及按死因和性别的预测中表现优于传统方法。
2026-09-17 stat.AP stat.ME
Dynamic principal component regression: Application to age-specific mortality forecasting
在应用领域，包括精算学和人口学，越来越普遍地考虑曲线的时间序列;这方面的一个例子是在若干年期间观察到的按年龄划分的死亡率。考虑到年龄可以被视为离散或连续变量，通常实施诸如主成分分析的降维技术。然而，在存在中等到强的时间依赖性的情况下，通常用于分析独立同分布数据的静态主成分分析可能是不够的。作为一种替代方案，我们考虑一个\textit{dynamic}主成分的方法来模拟时间依赖的时间序列的曲线。受Brillinger（1974）的动态主成分理论的启发，本文提出了一种基于估计长期协方差的特征分解的动态主成分分析。通过一系列的实证应用，我们证明了潜在的改善一年提前点和区间预测精度的动态主成分回归需要相比，静态对应。
2019-05-10 stat.AP
Forecasting Mortality Rates: Unveiling Patterns with a PCA-GEE Approach
本文提出将PCA第一主成分作为协变量与GEE结合，用于单人口和多人口年龄别死亡率预测，并在多种相关结构下验证其优于Li-Lee和Lee-Carter模型的预测性能。
2024-04-24 stat.AP
Reconciling forecasts of infant mortality rates at national and sub-national levels: Grouped time-series methods
死亡率往往按性别、州、教育、宗教或族裔等不同属性分列。预测国家和国家以下各级的死亡率在制定与国家和国家以下各级有关的社会政策方面发挥着重要作用。然而，国家以下各级的基本预测可能与国家一级的预测不一致。为了解决这个问题，我们从分组时间序列预测方法的角度考虑了协调死亡率预测的问题（Hyndman等人，2011年）。一个自下而上的方法和最佳组合方法被应用到生产点预测的婴儿死亡率，适当地聚集在不同层次的层次结构。我们扩展这两种方法，考虑通过自助程序的区间预测的和解。以澳大利亚地区婴儿死亡率为例，研究了独立预测方法和两种分组时间序列预测方法的一步到20步预测精度和区间预测精度。所提出的方法被证明是有用的调和点和区间预测的人口率在国家和国家以下各级，并将有利于政府的政策决定，在国家和国家以下各级的当前和未来的资源分配。
2016-08-31 stat.AP
Forecasting Mortality Rates: A Linear Mixed-Effects Model
Masaryk University（马萨里克大学）
本文提出用于单/多人群分年龄死亡率建模预测的线性混合效应模型，经HMD数据验证，其拟合精度、校准鲁棒性及预测表现均优于经典LC、LL模型。
2025-11-16 stat.AP
A unified approach to mortality modelling using state-space framework: characterisation, identification, estimation and forecasting
本文探讨和发展动态死亡率模型的替代统计表示和估计方法。我们采用的框架是重新解释流行的死亡率模型，如李卡特类模型在一般的状态空间建模方法，它允许建模，估计和预测的死亡率在一个统一的框架。此外，我们提出了一种替代类的模型识别约束，这是更适合于在过滤和参数估计设置的基础上最大化的边缘化的可能性或贝叶斯推理的统计推断。然后，我们开发了一类新的贝叶斯状态空间模型，其中包括先验信念的死亡率模型的特点，以及更灵活和适当的假设有关的异方差，目前在观察到的死亡率数据。我们发现，多期和队列效应可以投下一个状态空间结构。为了研究长期死亡率的动态变化，我们引入了随机波动率的周期效应。估计由此产生的随机波动率模型的死亡率是使用最近一类的蒙特卡罗程序专门设计的状态和参数估计贝叶斯状态空间模型，被称为粒子马尔可夫链蒙特卡罗方法的类。我们说明了我们已经开发的框架，使用丹麦男性死亡率数据，并表明，将异方差和随机波动率显着提高模型拟合，尽管增加了模型的复杂性。增强模型的预测性能与长期和短期的校准周期上的生命表重建进行了检查。
2016-05-31 q-fin.ST stat.AP
Forecasting high-dimensional functional time series: Application to sub-national age-specific mortality
研究高维函数时间序列的建模与预测，通过双向函数方差分析将其分解为确定性和残差成分，并利用函数主成分分析预测残差成分，结合两者实现多人口预测，在多人口死亡率预测中优于多种基准方法。
2024-02-13 stat.AP stat.ME
Mortality Forecasting using Factor Models: Time-varying or Time-invariant Factor Loadings?
许多现有的死亡率模型遵循经典因子模型的框架，如Lee-Carter模型及其变体。因子模型中的潜在公共因子被定义为与时间相关的死亡率指数（如Lee-Carter模型中的$κ_t$）。因子载荷捕捉年龄变量和潜在公共因子（例如Lee-Carter模型中的$β_x$）之间的线性关系，在经典框架中假设为时不变的。这种假设在现实中通常限制性太强，因为死亡率数据集通常跨越很长一段时间。某些疾病的医疗改善、环境变化和技术进步等驱动力可能会显著影响不同变量之间的关系。在本文中，我们首先开发了一个因素模型与时变因素负荷（时变因素模型）作为一个扩展的经典因素模型的死亡率建模。针对时变因子模型，提出了两种外推因子负荷的预测方法：局部回归法和朴素法。通过实证数据分析，我们发现新的模型能够捕捉到时变因素负荷的经验特征，提高对不同时间段和不同国家的死亡率预测。此外，我们提出了一种新的方法，基于变点分析来估计短期和长期预测，这是有利于本地线性回归和天真的方法，分别之间的最佳“边界”。此外，仿真研究提供了各种情况下的时变因子模型的性能。
2021-02-03 stat.AP stat.ME
Zero-Shot Forecasting Mortality Rates: A Global Study
University of Debrecen（德布勒恩大学）
本研究探索零样本时间序列预测在死亡率预测中的潜力，测试多种模型在不同周期下的表现，发现零样本模型效果有差异，微调及传统机器学习模型可提升表现，为该领域模型选择与适配提供参考。
2025-05-17 cs.LG q-fin.RM stat.AP
Moderation effects and elasticities in compositional regression with a total. Application to Bayesian spatiotemporal modelling of all-cause mortality from environmental stressors
University of Girona（赫罗纳大学）；Centro de Investigación Biomédica en Red de Epidemiología y Salud Pública, Instituto de Salud Carlos III（公共卫生与流行病学生物医学研究中心，卡洛斯三世健康研究所）
本文提出了一种基于贝叶斯空间时间建模的方法，用于分析环境压力源对全部原因死亡率的影响，考虑总效应和调节效应。
2025-05-12 stat.AP stat.ME
Mortality Forecasting under Climate Risk: A Stochastic Approach with Distributed Lag Non-Linear Models
The University of Melbourne（墨尔本大学）；LMU Munich（慕尼黑大学）
提出将分布滞后非线性模型融入随机死亡率模型，通过新回拟合算法分离气候与非气候风险，在三个欧洲区域验证了短期预测优势，并利用未来气候数据预测至2045年的死亡率变化。
2026-06-17 stat.AP stat.ME
Forecasting drug overdose mortality by age in the United States at the national and county levels
本文提出融合CDC WONDER观测数据与年龄结构成瘾死亡模型的预测方法，在全国及洛杉矶县、库克县、纽约市五区预测分年龄药物过量死亡并估计关键流行病学指标。
2023-09-25 physics.soc-ph q-bio.PE stat.AP
Robust non-parametric mortality and fertility modelling and forecasting: Gaussian process regression approaches
School of Mathematics and Actuarial Science, University of Leicester（莱斯特大学数学与精算学院）
本文提出一种基于高斯过程回归的非参数方法，利用自然三次样条均值函数和谱混合协方差函数对年龄别死亡率和生育率进行建模与预测，在多个发达国家数据上相比主流方法显著提升了短期、中期和长期预测的精确性与稳健性。
2021-02-18 cs.LG stat.AP stat.ME
Forecasting sub-population mortality using credibility theory
Stockholm University（斯德哥尔摩大学）；University of Copenhagen（哥本哈根大学）
本文提出利用可信理论预测小规模子人口死亡率，通过结合超人口和子人口的预期死亡率，提供一种在预测精度和稳定性之间平衡的方法。
2026-04-21 stat.AP stat.ME
Random cohort effects and age groups dependency structure for mortality modelling and forecasting: Mixed-effects time-series model approach
本文提出一种考虑年龄组依赖性和随机队列效应的混合效应时间序列模型，用于死亡率建模与预测，无需预设约束即可量化参数不确定性，且在多国数据上的预测精度显著优于CBD模型。
2021-12-31 stat.AP stat.CO stat.ML
Evaluation of Time Series Forecasting Models for Predicting Lung Cancer Mortality Rates in the United States: A Comparison with Altuhaifa (2023) Study
本文基于扩展至2021年的SEER数据重新评估SES、HDES和ARIMA模型预测美国肺癌死亡率的表现，发现ARIMA(0,2,2)、HDES及二者平均模型均取得最低RMSE 2.56，并预测死亡率将持续下降。
2025-08-22 stat.AP
Forecasting mortality using Google trend
本文研究了以世界第一大经济体美国为代表的发达国家的动力模型。对死亡原因的早期监测至关重要，这可以为预防登革热等重大疾病做好准备。研究报告称，一些搜索查询，特别是谷歌趋势上与疾病相关的术语是必不可少的。为此，我们使用Wiener Cascade Model对主要死因或Google Trends中的扩展或更通用的术语进行解码。利用检索词的时间序列和小波尺度图，将检索查询模式分为不同的周期性层次。结果包括解码趋势、特征重要性和解码模式的准确性。关于预测因子的三个场景包括使用所有19个特征、前十个最周期性的预测因子或具有最高权重的十个预测因子。所有检索查询均涵盖2013年12月至2018年12月。结果表明，权重较高的搜索词和具有年周期模式的搜索词对死亡词的预测贡献较大，但只有权重较高的预测词才对死亡词的预测有价值。
2019-02-01 cs.SI stat.AP
Multipopulation mortality modelling and forecasting: The multivariate functional principal component with time weightings approaches
本文提出两种基于多元函数主成分分析的多人口死亡率联合建模与预测新模型，利用多国性别数据验证表明，所提协同建模方法在预测精度和性质上均优于现有模型。
2021-02-18 stat.AP stat.ME stat.ML
Novel Compositional Data's Grey Model for Structurally Forecasting Arctic Crude Oil Import
北极地区原油储量丰富。冰的融化使人们有可能获得北极原油及其运输的中间通道。本文提出了一种新的北极原油成分数据灰色预测模型，对北极原油进口量进行结构性预测。首先根据Aitchison几何定义了多元组成数据的一般累加运算序列，然后以组成数据向量的形式得到新的模型。其次，本文研究了模型的最小二乘参数估计。新的模型推导和选择的时间响应表达式的解决方案。第三，将传统的灰色模型与新模型相结合，提高了模型的鲁棒性。引入差分进化算法来确定广义矩阵的最优值。最后，通过两个算例验证了该模型的有效性，并将其应用于中国原油进口结构的预测。结果表明，新模型在所有原油情况下都能提供更好的短期预测性能。因此，利用新模型计算出中国的发展参数为0.5214，新模型的决定因子为0.5999，这意味着中国的原油进口结构正在发生变化。具体来看，未来6年从北极地区进口的原油量明显增加，充分证明了北极地区拥有的优势：原油储量丰富，运输距离缩短。
2020-11-03 stat.AP
Forecasting age distribution of deaths across countries: Life expectancy and annuity valuation
Macquarie University（麦考瑞大学）
本文通过对比累积分布函数和中心对数比变换，评估了不同国家死亡概率的预测准确性，为人口统计学和精算学提供重要参考。
2026-03-18 stat.AP
Forecasting mortality associated emergency department crowding
Faculty of Medicine and Health Technology, Tampere University（坦佩雷大学医学与健康技术学院）；Emergency Department, Tampere University Hospital（坦佩雷大学医院急诊科）；Kanta-Häme Central Hospital（坎塔-海梅中心医院）；Faculty of Information Technology and Communication Sciences, Tampere University（坦佩雷大学信息技术与传播科学学院）；Centre for Vascular Surgery and Interventional Radiology, Tampere University Hospital（坦佩雷大学医院血管外科与介入放射中心）
本研究针对急诊科拥挤导致的死亡率增加问题，利用北欧大型急诊科回顾性数据，通过LightGBM模型预测与高占用率相关的危机时期，证明使用匿名行政数据提前预测死亡率相关拥挤是可行的。
2024-10-10 cs.AI cs.LG stat.AP
Modeling and forecasting age-specific drug overdose mortality in the United States
本文提出药物成瘾的年龄结构模型，结合增强集合卡尔曼滤波（EnKF）分析1999-2020年美国过量致死数据，预测死亡率趋势并估计模型参数。
2023-03-28 q-bio.PE q-bio.QM stat.AP
Assessing Excess Mortality in Times of Pandemics Based on Principal Component Analysis of Weekly Mortality Data -- The Case of COVID-19
当前COVID-19的爆发再次引起了对可靠统计分析的关注，以监测死亡率模式和趋势。超额死亡率被认为是衡量这一流行病对死亡率造成的总体负担的最适当指标。因此，于COVID-19疫情爆发的首个月，超额死亡率备受关注。以往估计超额死亡率的方法有些局限，因为它们没有充分考虑长期趋势、不同人口和地理群体之间的相关性以及死亡率时间序列中的自相关性。这可能导致对超额死亡率的有偏估计，因为随机死亡率波动可能被误解为超额死亡率。我们提出了一个混合的经典流行病学方法来估计额外的死亡率在非常事件与既定的人口统计方法在死亡率预测，即李卡特型模型，它涵盖了命名的限制，并绘制了一个更现实的画面，超额死亡率。我们使用19个国家的每周年龄和性别特异性死亡率数据以及当前的COVID-19大流行作为案例研究来说明我们的方法。我们提出的模型提供了一个总体框架，可应用于未来的流行病，以及监测特定死亡原因的超额死亡率。
2020-10-10 stat.AP
Clustering and Forecasting Multiple Functional Time Series
对多个国家的同质年龄别死亡率进行建模和预测，可以改善长期预测。输入联合模型的数据通常根据名义属性进行分组，例如地理区域，种族群体和社会经济地位，这可能仍然包含异质性并使预测结果恶化。本文提出了一种新的聚类技术，追求多个功能时间序列之间的同质性的基础上功能面板数据模型来解决这个问题。利用固定效应的功能面板数据模型，我们可以提取共同的功能时间序列特征。这些共同特征可以分解为两个组成部分：功能的时间趋势和功能的变化模式（功能模式）。功能时间趋势反映了一段时间内的动态变化，而功能模式则反映了曲线内的波动。所提出的聚类方法通过考虑曲线之间的变化模式和时间动态来搜索多个国家的同质年龄别死亡率。我们证明了所提出的聚类技术优于其他现有的方法，通过蒙特卡罗模拟，可以处理复杂的情况下，缓慢衰减的特征值。在实证数据分析中，我们发现年龄别死亡率的聚类结果可以通过地理区域、种族群体和社会经济地位的组合来解释。我们进一步表明，我们的模型产生更准确的预测比几个基准方法在预测特定年龄的死亡率。
2022-01-04 stat.AP stat.ME
Dynamic principal component regression for forecasting functional time series in a group structure
在制定国家和国家以下各级的社会政策和年金定价时，必须准确预测死亡率，并确保国家以下各级的预测与国家一级的预测相一致。这激发了最近的事态发展预测功能时间序列在一组结构，静态主成分分析使用。在存在中度到强烈的时间依赖性，静态主成分分析设计的独立和同分布的功能数据可能是不够的。因此，通过使用动态函数主成分分析，我们考虑了一个功能的时间序列预测方法与静态和动态主成分回归预测组结构中的每个序列。通过使用从日本死亡率数据库（2019年）获得的日本地区年龄别死亡率，我们调查了我们提议的扩展的点和区间预测精度，并随后提出建议。
2019-09-01 stat.AP stat.ME
Forecasting Mortality in the Middle-Aged and Older Population of England: A 1D-CNN Approach
本研究针对纵向表格数据场景，利用ELSA调查数据，采用1D-CNN结合多维度特征预测英格兰中老年人群死亡率，通过样本采样优化和激活函数对比，验证了swish函数的性能优势。
2024-11-01 cs.LG stat.AP stat.ML
Modeling and forecasting subnational age distribution of death counts
Macquarie University（麦考瑞大学）；University of York（约克大学）
本文提出方法建模和预测次国家死亡计数的年龄分布，通过非线性空间转换提升预测准确性，为人口统计和精算研究提供支持。
2026-04-22 stat.AP stat.ME
Forecasting the U.S. Renewable-Energy Mix with an ALR-BDARMA Compositional Time-Series Framework
提出BDARMA组合时间序列模型，结合贝叶斯狄利克雷分布与VAR(2)及傅里叶谐波，预测美国可再生能源月度份额，显著提升概率预测精度与校准度。
2025-10-17 stat.AP
Clustering country-level all-cause mortality data: a review
University College Dublin（都柏林大学）
本文综述了国家层面全部原因死亡数据的聚类应用，指出聚类主要用于预测和研究收敛性与不平等，并发现东西欧分裂及聚类提升预测准确性。
2025-12-04 stat.AP
Projecting UK Mortality using Bayesian Generalised Additive Models
死亡率预测提供了关于未来人口的重要信息，对养老金和医疗保健政策以及私营公司关于人寿保险和年金定价的决策具有影响。随机死亡率预测允许在做出政策决定和设定产品价格时考虑死亡率预测的不确定性。寿命的延长意味着90岁及以上的死亡率预测在这种计算中将变得更加重要。本文提出了一种贝叶斯方法来预测死亡率，联合估计一个广义加性模型（GAM）的死亡率为大多数的年龄范围和参数模型的老年人的数据稀疏。GAM允许估计年龄、队列和年龄特异性改善率的平滑分量，以及非平滑期效应。对联合王国的预测是利用人类死亡率数据库1961-2013年期间的数据编制的。一个度量，近似预测准确度下留一交叉验证被用来估计权重的“堆叠”的预测与GAM和参数元素之间的不同点的过渡。男性和女性的死亡率分别估计在第一，但联合模型允许的渐近极限的死亡率在老年之间的性别共享，并进一步提供了预测会计期间创新的相关性。将使用1961-2003年数据估计的联合和单一性别模型预测与2004-2013年的观测数据进行比较，以便于模型评估。
2018-02-09 stat.AP
Mortality Modelling using Generalized Estimating Equations
本文针对年龄别死亡率的纵向相关性，构建单总体与多总体GEE模型并比较多种相关结构，以稳健估计回归参数并评估其死亡率预测能力。
2024-01-23 stat.AP
Functional concurrent regression with compositional covariates and its application to the time-varying effect of causes of death on human longevity
本文提出一种处理成分协变量的函数并发回归模型，通过增广拉格朗日算法求解优化问题，揭示了死亡原因对预期寿命的时变影响。
2023-11-20 stat.AP stat.ME
A Bayesian Dirichlet Auto-Regressive Moving Average Model for Forecasting Lead Times
本文提出贝叶斯狄利克雷自回归移动平均（B-DARMA）模型，用于酒店行业交付周期成分时间序列的建模与预测，解决了大型成分向量和长短时间序列的分析问题，并提供可解释参数和合理预测。
2024-02-22 stat.AP stat.ME
