Multi-Population O’Hare with ARIMA, ARIMA-GARCH and ANN in Forecasting Mortality Rate
Notice bibliographique
Résumé
Multi-population mortality model has gained attention from prominent researchers of mortality due to its ability to provide biologically reasonable forecast. Previously, many researchers have proposed several multi-population stochastic mortality models that they considered adequate to produce accurate life expectancy. However, little have been addressed of the variability in full ages and time, which can contribute to an erroneous estimation of life expectancy. Therefore, this study proposed a new multi-population O’Hare with ARIMA, ARIMA-GARCH and ANN in forecasting the mortality rate for male and female in Malaysia, Taiwan, Japan, Hong Kong, Australia, USA, UK, Canada, and Switzerland. Multi-population O’Hare was used as a reference model, whilst ARIMA, ARIMA-GARCH and ANN were incorporated to the reference model to forecast the mortality rates. The adequacy of the proposed model was assessed by using measurement errors which were Mean Absolute Percentage Error (MAPE) and Root Mean Square Error (RMSE). The results showed by multi-population O’Hare with ARIMA-GARCH gave the best forecasting performance for Taiwan, Japan, Australia, USA, UK, Canada, and Switzerland. On the other hand, multi-population O’Hare with ARIMA gave the best forecasting performance for Malaysia, whereas multi-population O’Hare with ANN gave the best forecasting performance for Hong Kong.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».