发表机构
University of Foggia; Sapienza University of Rome; University of Campania ”Luigi Vanvitelli”; Macquarie University（福贾大学; 罗马智慧大学; 坎帕尼亚路易吉·凡维特利大学; 麦考瑞大学）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
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。
AI 中文摘要
我们提出了一种新颖的方法，将成分数据分析（CoDA）整合到分层和分组时间序列的预测中，并将其应用于改进死亡率预测。通过利用按死因和性别划分的死亡率数据的内在分解，我们的框架解决了死亡率预测中的关键挑战，确保不同聚合层级之间的内部一致性，同时保持高预测精度。我们在意大利死因别死亡率数据上的实证结果表明，与传统CoDA相比，所提出的方法显著提高了预测的可靠性，尤其是在总死亡率预测方面。在按死因和按性别的总死亡预测中，也一致地发现了预测精度的改进。
英文摘要
We introduce a novel approach that integrates compositional data analysis (CoDA) in the forecasting of hierarchical and grouped time series and apply it to improve mortality forecasts. By leveraging the inherent decomposition of mortality data by cause of death and sex, our framework addresses key challenges in mortality forecasting, ensuring internal coherence across different levels of aggregation while maintaining high predictive accuracy. Our empirical results on Italian cause-specific mortality data demonstrate that the proposed approach significantly improves the reliability of forecasts compared to the traditional CoDA, especially for total mortality forecasts. Consistent improvements in forecasting accuracy are also found for total deaths by cause and by sex.
Comments51 pages, 13 figures, 5 tables
