【目的】克服Lee-Carter模型中时间因子预测方法在处理人口死亡率数据的非线性和长记忆性方面存在的局限性。【方法】以最小Lp范数误差法作为差分移动平均自回归模型(autoregressive integrated moving average model,ARIMA),基于遗传...【目的】克服Lee-Carter模型中时间因子预测方法在处理人口死亡率数据的非线性和长记忆性方面存在的局限性。【方法】以最小Lp范数误差法作为差分移动平均自回归模型(autoregressive integrated moving average model,ARIMA),基于遗传算法优化的最小二乘支持向量机(least squares support vector machine,LSSVM)和长短期记忆网络(long-short term memory,LSTM)模块权重优化准则,以及结合串联和并联的组合方式,构建了串联模型(series model,SM)和并联模型(parallel model,PM);选取澳大利亚、英国、美国和中国(不包括中国香港、中国澳门和中国台湾地区)4个国家的男性人口死亡率数据进行实证分析,验证组合模型的预测优越性及适用的广泛性。【结果】组合模型的预测效果无论是在时间因子预测方面还是人口死亡率预测方面均优于ARIMA模型,且PM的预测效果优于SM的预测效果。【结论】本研究结果为人口死亡率预测提供新的研究思路与建模方法,也为应对长寿风险提供一定的理论依据。展开更多
文摘【目的】克服Lee-Carter模型中时间因子预测方法在处理人口死亡率数据的非线性和长记忆性方面存在的局限性。【方法】以最小Lp范数误差法作为差分移动平均自回归模型(autoregressive integrated moving average model,ARIMA),基于遗传算法优化的最小二乘支持向量机(least squares support vector machine,LSSVM)和长短期记忆网络(long-short term memory,LSTM)模块权重优化准则,以及结合串联和并联的组合方式,构建了串联模型(series model,SM)和并联模型(parallel model,PM);选取澳大利亚、英国、美国和中国(不包括中国香港、中国澳门和中国台湾地区)4个国家的男性人口死亡率数据进行实证分析,验证组合模型的预测优越性及适用的广泛性。【结果】组合模型的预测效果无论是在时间因子预测方面还是人口死亡率预测方面均优于ARIMA模型,且PM的预测效果优于SM的预测效果。【结论】本研究结果为人口死亡率预测提供新的研究思路与建模方法,也为应对长寿风险提供一定的理论依据。
