Modelling seasonal mortality: An age–period–cohort approach
Notice bibliographique
Résumé
Age–period–cohort (APC) mortality models have become the standard approach in actuarial science to project mortality improvements for uses such as pricing annuities and setting contributions in pension plans. Annual mortality rates are sufficient for such long-term applications; yet, for understanding excess mortality due to, e.g., epidemics and heat waves, annual observations have important limitations, and high-frequency data need to be used. This study introduces a seasonal overlay that can be used in the context of APC models. Based on a periodic spline, this extra layer allows the model to capture seasonal features parsimoniously. In an empirical application, we fit a CBDX variant of the APC family to daily mortality data from the province of Quebec in Canada. Our dataset covers over 3.6 million individuals aged at least 60 between 1996 and 2019. Our results show significant seasonal patterns consistent with the flu season, which are similar between males and females. We also test different parametric models and find that the shape of seasonality remained constant over time for most age groups. As part of a sensitivity analysis, we investigate intra-annual mortality patterns between subgroups and report that the local climate, scheme of urbanization, and individual socio-economic status do not affect seasonal patterns. Excess mortality during 2020–2022 is also explored using our modelling framework.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».