标签：泊松 log 模型 回归 BASE2 死亡率 Poisson exp 我们

原文链接：http://tecdat.cn/?p=18782

 

本文我们讨论了期望寿命的计算。人口统计模型的起点是死亡率表。但是，这种假设有偏差，因为它假设生活条件不会得到改善。为了正确处理问题，我们使用了更完整的数据，其中死亡人数根据x岁而定，还包括日期t。

1.    
2.   DE=read.table("DE.txt",skip = 3,header=TRUE)
3.   EXPS=read.table("EXPS.txt",skip = 3,header=TRUE)

 我们用 Dx，t表示死亡人数，Ex，t表示暴露人数。因此，对于在日期t上x岁的某人，在该年死亡的概率为 qx，t = Dx，t / Ex，t。这些数据存储在矩阵中进行可视化，存储在数据库中进行回归。

1.    
2.   QF[QF==0]=NA
3.   QH[QH==0]=NA

 必须进行一些修改以避免出现零值的问题，因为（i）我们求出比率（ii）然后我们对数化）。我们可以可视化为x和t的函数。

persp(log(QF))

 或

1.    
2.   persp3d(ages,annees,log(QH),col="light blue")

 

为了模拟qx，t的演化，我们可以从Lee＆Carter（1992）的模型中获得启发，该模型  假设log （qx，t）= Ax + Bx⋅Kt。A =（A0，A1，⋯，A110）在某种程度上是log（qx，t）。K =（K1816，K1817，⋯，K2015）使我们了解生活条件的改善，一年内死亡的可能性降低。这些改善不是均匀的，因此我们使用B =（B0，B1，⋯，B110）来使改善取决于l '年龄。

为了估计参数A，B和K，我们尝试使用二项式模型。B（Ex，t，qx，t），这是人寿保险的基本模型。这里Dx，t〜B（Ex，t，exp [ Ax + Bx⋅Kt]）。

另一个线索是使用小数定律，即如果概率低（一年中的死亡概率就是这种情况），则二项式定律可以近似由泊松分布。我们在这里用到了Poisson回归，其解释变量为年龄x，年t和暴露量为偏移变量。唯一的问题是它不是线性回归。我们这里有非线性模型，因为E [ Dx，t] =（exp[log（Ex，t）+ Ax + Bx⋅Kt]）。

1.    
2.   gnm( DH ~ offset(log(EH) + as.factor(age) +
3.   Multas.factor(age,as.factor(annee),
4.   family = poisson(link="log")

 我们有估计系数A ^，B ^和K ^。

1.    
2.   Ax=reg$coefficients[2:111]
3.   Bx=reg$coefficients[112:222]
4.   Kt=reg$coefficients[223:length(reg$coefficients)]

我们可以表示三组系数。首先 A ^表示平均变化，

plot(ages[-1],Ax)

 

我们还可以用 K ^来绘制时间。

 

 

同样，该模型不可被识别。简而言之，改善没有任何意义。我们可以表示-K ^，它的优点是描述了生活条件的改善。最后，让我们作图-B ^

 

 

困难在于，为了预测期望寿命，我们需要针对t的大值（尚未观察到）计算qt，x。例如，某人可能想知道q50,2020（对于1970年出生的人）。我们要使用q50,2020 = exp（A ^ 50 + B ^ 50 K ^ 2020）。问题是K ^ 2020不属于估计数量K ^。

这个想法是Lee＆Carter（1992）的初衷，我们可以尝试指数模型或线性模型（在1950年以后的原始K ^序列上）

1.    
2.   lm(log(Kt[idx])~ann[idx])
3.   futur=2016:2125
4.    
5.   lm(Kt[idx]~ann[idx])
6.    
7.   points(futur,pr,col="blue")

 

然后，我们可以根据过去的数据建立一系列预测，q ^ x，t = exp [A ^ x + B ^ x K ^ t]，以及未来数据q〜x，t = exp [A ^ x + B ^ x K〜t]。

我们保留过去的数据，这里是1880年死亡的概率

1.    
2.   plot(BASE$x[BASE$t==1880],BASE$pred[BASE$t==1880],
3.   log="y")

 

 

同样，我们在未来（此处为2050年）使用这两种模型

1.    
2.   BASE2$Qpred1=exp(cste+BASE2$Ax+BASE2$Bx*BASE2$Kt1)
3.    
4.    
5.   plot(BASE2$x[BASE2$t==2050],BASE2$Qpred1[BASE2$t==
6.   2050],log="y")

 

 

用于指数预测

 对于线性预测，对1968年出生的人，我们有第二年死亡的概率

1.    
2.   if(sbase$t[i]<= 2015)
3.   {vq[i]=BASE[ BASE$x==sbase$x[i]) & BASE$t==sbase$t[i]),"Qpred"]
4.   if(sbase$t[i] <2015)
5.   {vq[i]=BASE2[(BASE2$x==sbase$x[i]) & (BASE2$t==sbase$t[i]),"Qpred2"]
6.    

 

 

左边是我们模型估算值，右边是预测值。

要计算出生时的期望寿命，我们使用以下代码

1.   sum(cumprod(exp(-vq[1:110])))
2.   [1] 77.62047

 然后，我们可以做函数可视化这种期望寿命的演变

1.    
2.   vP = cumprod(exp(-(sbase$vq[1:110])))
3.   sum(vP)}

 

1.    
2.   ANN =1930:2010
3.   plot(ANN ,E2)

 

 

如果我们看一下变化，我们发现每年（大约）有0.25的变化

 

 

 

另一方面，如果我们采用保留Kt指数变化的预测，则可以得出

 

 

结果不符合实际，它更少地考虑曲线的变化。

 

 

---

最受欢迎的见解

1.R语言多元Logistic逻辑回归 应用案例

2.面板平滑转移回归(PSTR)分析案例实现

3.matlab中的偏最小二乘回归（PLSR）和主成分回归（PCR）

4.R语言泊松Poisson回归模型分析案例

5.R语言回归中的Hosmer-Lemeshow拟合优度检验

6.r语言中对LASSO回归，Ridge岭回归和Elastic Net模型实现

7.在R语言中实现Logistic逻辑回归

8.python用线性回归预测股票价格

9.R语言如何在生存分析与Cox回归中计算IDI，NRI指标

标签：泊松,log,模型,回归,BASE2,死亡率,Poisson,exp,我们
来源： https://www.cnblogs.com/tecdat/p/14224112.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。