MétaCan
Menu
Retour à la cohorte
Enregistrement W3005202186 · doi:10.1080/10920277.2020.1716808

Drivers of Mortality Dynamics: Identifying Age/Period/Cohort Components of Historical U.S. Mortality Improvements

2020· article· en· W3005202186 sur OpenAlexaff
Johnny S.-H. Li, Rui Zhou, Yanxin Liu, George Graziani, Ros Hall, Jennifer Haid, A. Townsend Peterson, Laurence Pinzur

Notice bibliographique

RevueNorth American Actuarial Journal · 2020
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueInsurance, Mortality, Demography, Risk Management
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesnon disponible
Mots-clésRobustness (evolution)DecompositionMortality rateCohortDemographyCohort effectStatisticsEconometricsComputer scienceMathematicsMedicineSurgeryBiology

Résumé

récupéré en direct d'OpenAlex

The goal of this article is to obtain an age/period/cohort (A/P/C) decomposition of historical U.S. mortality improvement. Two different routes to achieving this goal are considered. In the first route, the desired components are obtained by fitting an A/P/C model directly to historical mortality improvement rates. In the second route, an A/P/C model is estimated to historical crude death rates and the desired components are then obtained by differencing the estimated model parameters. For each route, various possible A/P/C model structures are tested and evaluated on the basis of their robustness to several factors (e.g., changes in the calibration window) and their ability to explain historical changes in mortality improvement. Based on the evaluation results, an A/P/C decomposition for each gender is recommended. The decomposition will be examined in a follow-up project, in which the linkages between the A/P/C components and certain intrinsic factors will be identified.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,025
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,001
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,048
Tête enseignante GPT0,312
Écart entre enseignants0,264 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations9
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNorth American Actuarial JournalMême sujetInsurance, Mortality, Demography, Risk ManagementTravaux en français237 207