文章梳理了多人口Lee-Carter隨機(jī)死亡率模型進(jìn)展與求解中存在的問題,推導(dǎo)了基于限制條件的兩階段加權(quán)最小二乘參數(shù)估計(jì)方法,并將中國大陸地區(qū)、香港特別行政區(qū)和臺灣地區(qū)組成一個(gè)多人口群體,檢驗(yàn)多人口隨機(jī)死亡率模型在中國的適用情況。研究結(jié)果顯示:（1）從估計(jì)方法看,基于限制條件的兩階段加權(quán)最小二乘估計(jì)法,能夠有效避免多人口死亡率模型參數(shù)過多導(dǎo)致的極大似然估計(jì)方法失效的問題,并且方法簡單、易于操作;（2）從擬合優(yōu)度看,中國大陸地區(qū)人口死亡率短期預(yù)測適用Joint-k模型、長期預(yù)測適用ACF（0）模型,而香港和臺灣地區(qū)無論長、短期均適用ACF（0）模型;（3）從穩(wěn)健性看,多人口死亡率模型在中國人口死亡率擬合中穩(wěn)健性較好,且基于修勻后數(shù)據(jù)的模型應(yīng)用,能夠顯著提升擬合優(yōu)度;（4）從預(yù)測結(jié)果看,帶有附加時(shí)間效應(yīng)因子的多人口隨機(jī)死亡率模型能夠得到一致的死亡率預(yù)測值,結(jié)果更加符合人類死亡率變動(dòng)的經(jīng)驗(yàn)特征,彌補(bǔ)了單人口死亡率模型的缺陷。 

【文章來源】：中國人口科學(xué). 2020,(02)北大核心CSSCI

【文章頁數(shù)】：17 頁

【部分圖文】：

α（x,i）估計(jì)結(jié)果

共同年齡效應(yīng)因子估計(jì)結(jié)果

圖2 共同年齡效應(yīng)因子估計(jì)結(jié)果圖3為ACF(0）模型的附加年齡效應(yīng)因子β（x,i）估計(jì)值，圖3中的附加年齡效應(yīng)因子估計(jì)值曲線比B(x）和β（x）因子波動(dòng)大，且在更多年齡上出現(xiàn)負(fù)值。對比3個(gè)人口群體，臺灣地區(qū)估計(jì)值曲線較為平緩，與共同因子曲線趨勢較為接近，其原因是臺灣地區(qū)人口死亡率數(shù)值介于中國大陸地區(qū)和香港地區(qū)之間，與平均趨勢更為接近。中國大陸地區(qū)和香港地區(qū)的附加年齡效應(yīng)因子估計(jì)值則圍繞共同趨勢上下波動(dòng)，其中16歲以下年齡組波動(dòng)較大，隨年齡增長波動(dòng)程度逐漸降低，但80歲以上年齡組趨勢再次出現(xiàn)分化。附加年齡效應(yīng)因子是對共同年齡效應(yīng)因子趨勢的補(bǔ)充，波動(dòng)較大并出現(xiàn)負(fù)值體現(xiàn)出年齡間的更多差異，也是多人口隨機(jī)死亡率模型中展現(xiàn)單個(gè)人群差異的重要指標(biāo)。此外，Joint-k模型也具有附加年齡效應(yīng)因子估計(jì)值，由于其變動(dòng)趨勢特征與ACF(0）模型相似，本文不再展示其結(jié)果。

【參考文獻(xiàn)】：
期刊論文
[1]利用DCMD模型生命表系統(tǒng)對“六普”數(shù)據(jù)中死亡漏報(bào)的估計(jì)[J]. 李成,米紅,孫凌雪.  人口研究. 2018(02)
[2]中國人口死亡率非參數(shù)二維修勻的模型比較與實(shí)證[J]. 趙明.  保險(xiǎn)研究. 2017(05)
[3]基于Age-Shifting模型的我國高齡人口死亡率動(dòng)態(tài)擬合[J]. 趙明.  保險(xiǎn)研究. 2017(01)
[4]1990年以來中國人口壽命水平和死亡模式的再估計(jì)[J]. 王金營.  人口研究. 2013(04)
[5]“六普”報(bào)告的嬰兒死亡率誤差和實(shí)際水平的估計(jì)[J]. 黃榮清,曾憲新.  人口研究. 2013(02)
[6]六普結(jié)果表明以往人口估計(jì)和預(yù)測嚴(yán)重失誤[J]. 郭志剛.  中國人口科學(xué). 2011(06)
[7]Lee-Carter死亡率模型的估計(jì)與應(yīng)用——基于中國人口數(shù)據(jù)的分析[J]. 李志生,劉恒甲.  中國人口科學(xué). 2010(03)
[8]80年代中國人口死亡水平和模式的變動(dòng)分析──兼論對1990年人口普查死亡水平的調(diào)整[J]. 李樹茁.  人口研究. 1994(02)
[9]中國第四次人口普查全國及部分省區(qū)死亡漏報(bào)研究[J]. 孫福濱,李樹茁,李南.  中國人口科學(xué). 1993(02)



本文編號：3247968