×
Chang，乐;石燕林

基于空间惩罚平滑VAR模型的死亡率预测。 （英语） Zbl 1471.91452号

阿斯廷公牛。 51，第1期，161-189（2021）.
摘要：本文研究了一种用于死亡率建模和预测的高维向量自回归（VAR）模型。我们提出了一种基于对数重要性改进的稀疏VAR（SVAR）模型的扩展，称为“空间惩罚平滑VAR”（SSVAR）。通过基于年龄之间的距离自适应地惩罚系数，SSVAR不仅允许系数矩阵的灵活的数据驱动稀疏结构，而且同时确保包括队列效应的可解释系数。此外，与现有的SVAR模型相比，通过引入平滑惩罚，相邻年龄预测死亡率的差异大大减小。为了有效地求解SSVAR，提出了一种新的估计方法，该方法使用加速近似梯度算法。同样，我们建议使用空间惩罚的图形Lasso估计残差的精度矩阵，以进一步研究残差的依赖结构。利用英国和法国的人口数据，我们证明SSVAR模型在预测精度方面始终优于著名的Lee-Carter、Hyndman-Ullah和两个VAR型模型。最后，我们讨论了SSVAR模型在多人口死亡率预测中的扩展，并通过一个示例说明了其在预测方面的优势。

引用于5文件

理学硕士：

91G05号 精算数学
62P05号 统计学在精算科学和金融数学中的应用

关键词：

死亡率预测;高维向量自回归模型;队列效应;加速近端梯度;多种群建模
PDF格式BibTeX公司 XML格式引用
\textit{L.Chang}和\textit{Y.Shi}，阿斯汀公牛。51，第1号，161--189（2021；Zbl 1471.91452）
全文： 内政部

参考文献：

[1] Barrieu，P.、Bensusan，H.、El Karoui，N.、Hillairet，C.、Loisel，S.、Ravanelli，C.和Salhi，Y.（2012）《理解、建模和管理长寿风险：关键问题和主要挑战》。《斯堪的纳维亚精算杂志》，2012（3），203-231·Zbl 1277.91073号
[2] Basu，S.和Michailidis，G.（2015）稀疏高维时间序列模型中的正则化估计。《统计年鉴》，43（4），1535-1567·Zbl 1317.62067号
[3] Beck，A.和Teboulle，M.（2009）线性反问题的快速迭代收缩阈值算法。SIAM成像科学杂志，2（1），183-202·Zbl 1175.94009号
[4] Biffis，E.和Millossovich，P.（2006）死亡率风险的二维方法。《经济学与金融决策》，29（2），71-94·Zbl 1160.91366号
[5] Booth，H.、Hyndman，R.、Tickle，L.和De Jong，P.（2006）Lee-Carter死亡率预测：变异和扩展的多国比较。人口研究，15289-310。
[6] Cairns，A.J.、Blake，D.、Dowd，K.、Coughlan，G.D.和Khalaf-Allah，M.（2011）两个人群的贝叶斯随机死亡率模型。ASTIN公告，41，29-59。ISSN 1783-1350·兹比尔1228.91032
[7] Cressie，N.和Wikle，C.K.（2015）《时空数据统计》。新泽西州：John Wiley&Sons·Zbl 1273.62017年
[8] Daubechies，I.、Defrise，M.和De Mol，C.（2004）具有稀疏约束的线性反问题的迭代阈值算法。《纯粹数学与应用数学交流》，57（11），1413-1457·Zbl 1077.65055号
[9] Davis，R.A.、Zang，P.和Zheng，T.（2016）稀疏向量自回归建模。计算与图形统计杂志，25（4），1077-1096。
[10] Debón，A.、Montes，F.、Mateu，J.、Porcu，E.和Bevilacqua，M.（2008）动态生命表中残余沉积物相关性建模：地质统计学方法。计算统计与数据分析，52（6），3128-3147·Zbl 1452.62760号
[11] Diebold，F.X.和Mariano，R.S.（2002）《预测准确性比较》。《商业与经济统计杂志》，20（1），134-144。
[12] Donoho，D.L.和Johnstone，J.M.（1994）通过小波收缩实现理想的空间自适应。《生物特征》，81（3），425-455·Zbl 0815.62019号
[13] Fan，J.、Lv，J.和Qi，L.（2011）经济学中的稀疏高维模型。《经济学年度评论》，3（1），291-317。
[14] Friedman，J.、Hastie，T.和Tibshirani，R.（2008）用图形套索进行稀疏逆协方差估计。生物统计学，9（3），432-441·Zbl 1143.62076号
[15] Guibert，Q.，Lopez，O.和Piette，P.（2019）《用高维变量预测死亡率改善》。《保险：数学与经济学》，88，255-272·Zbl 1425.91223号
[16] 死亡率数据库，人类。（2019）加利福尼亚大学伯克利分校（美国）和马克斯·普朗克人口研究所（德国）。统一资源定位地址http://www.motality.org。
[17] Hunt，A.和Blake，D.（2014）构建死亡率模型的一般程序。《北美精算杂志》，18（1），116-138·Zbl 1412.91045号
[18] Hyndman，R.J.、Booth，H.和Yasmeen，F.（2013）《一致死亡率预测：具有函数时间序列模型的乘积比方法》。人口统计学，50（1），261-283。
[19] Hyndman，R.J.和Ullah，M.S.（2007）《死亡率和生育率的稳健预测：功能数据方法》。计算统计与数据分析，51（10），4942-4956·Zbl 1162.62434号
[20] Lazar，D.和Denuit，M.M.（2009）预测寿命表的多变量时间序列方法。商业和工业中的应用随机模型，25（6），806-823·Zbl 1224.91069号
[21] Lee，R.D.和Carter，L.R.（1992）美国死亡率建模与预测。《美国统计协会杂志》，87（419），659-671·Zbl 1351.62186号
[22] Li，H.和Lu，Y.（2017）死亡率的一致预测：稀疏向量自回归方法。阿斯汀公报：《IAA杂志》，47（2），563-600·Zbl 1390.62215号
[23] Li，H.，Lu，Y.和Lyu，P.（2018）欠发达国家的一致死亡率预测。SSRN学术论文ID 3209392。URL doi:http://dx.doi.org/10.2139/ssrn.3209392。
[24] Li，J.S.-H.和Hardy，M.R.（2011）《衡量长寿对冲基金的基差风险》。《北美精算杂志》，15（2），177-200·Zbl 1228.91042号
[25] Li，N.和Lee，R.（2005）一组人群的相关死亡率预测：Lee-Carter方法的扩展。人口统计学，42（3），575-594。
[26] Renshaw，A.E.和Haberman，S.（2006）基于队列的死亡率降低因子Lee-Carter模型扩展。保险：数学与经济学，38（3），556-570·Zbl 1168.91418号
[27] Salhi，Y.和Loisel，S.（2017）《基差风险建模：基于协整的方法》。统计学，51（1），205-221·Zbl 1369.62285号
[28] Song，S.和Bickel，P.J.（2011）大向量自回归。arXiv预打印arXiv:1106.3915。
[29] Villegas，A.M.、Haberman，S.、Kaishev，V.K.和Millossovich，P.（2017）《评估长寿套期保值基差风险的两种群模型的比较研究》。阿斯廷公报：国际航空协会杂志，47（3），631-679·Zbl 1390.91215号
[30] Yang，S.S.和Wang，C.-W.（2013）具有死亡率依赖性的多国长寿风险的定价和证券化。保险：数学与经济学，52（2），157-169·Zbl 1284.91556号
[31] Zhou，R.，Wang，Y.，Kaufhold，K.，Li，J.S.-H.和Tan，K.S.（2014）多人口死亡率模型中的建模周期效应：偿付能力的应用ii。《北美精算杂志》，18（1），150-167·Zbl 1412.91060号
[32] Zou，H.和Hastie，T.（2005）通过弹性网进行正则化和变量选择。英国皇家统计学会杂志：B辑（统计方法），67（2），301-320·Zbl 1069.62054号
此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配，并且可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。