A Bayesian Age-Period-Cohort approach for modeling fertility in Puerto Rico

Diese Studie wendet erstmals ein bayessches Alters-Periode-Kohorten-Modell auf die Fertilitätsdaten Puerto Ricos von 1948 bis 2022 an und zeigt, dass der Rückgang der Geburtenraten primär auf Kohorteneffekte und nicht auf Periodeneffekte oder eine Verzögerung der Geburten zurückzuführen ist.

Das Wesentliche

Wie ein neues Mikroskop für die Familienplanung: Warum Puerto Rico weniger Kinder bekommt

Stellen Sie sich Puerto Rico wie ein großes, lebendiges Familienalbum vor. In den letzten 70 Jahren hat sich auf den Seiten dieses Albums eine dramatische Geschichte abgespielt: Die Insel hat eine der niedrigsten Geburtenraten der Welt erreicht. Aber warum? Und ist das nur eine vorübergehende Phase oder ein dauerhafter Wandel?

Dies ist die Geschichte einer Gruppe von Wissenschaftlern aus Puerto Rico, die ein neues mathematisches Werkzeug entwickelt haben, um diese Frage zu beantworten. Sie nennen es ein „Bayesianisches Alter-Periode-Kohorten-Modell". Klingt kompliziert? Lassen Sie uns das mit einfachen Bildern erklären.

Das große Rätsel: Drei Uhren, die gleichzeitig ticken

Um zu verstehen, warum die Geburtenzahlen sinken, müssen wir drei verschiedene Arten von „Zeit" betrachten, die oft durcheinanderlaufen:

1. Das Alter (Die biologische Uhr): Wie alt sind die Frauen? Jüngere Frauen bekommen tendenziell mehr Kinder als ältere. Das ist natürlich.
2. Die Periode (Der Wettersturm): Gibt es gerade eine Krise, einen Krieg, eine Wirtschaftskrise oder eine neue Technologie, die alle Frauen gleichzeitig trifft, egal wie alt sie sind?
3. Die Kohorte (Die Generation): Das ist die wichtigste Entdeckung dieses Papers. Eine Kohorte ist eine Gruppe von Menschen, die im selben Zeitraum geboren wurden (z. B. alle Frauen, die zwischen 1963 und 1967 geboren wurden). Sie teilen dieselben kulturellen Erfahrungen, dieselben Werte und dieselben Lebenserfahrungen, während sie gemeinsam durch das Leben wandern.

Das Problem: In der Statistik ist es wie ein Zaubertrick: Wenn man versucht, diese drei Effekte zu trennen, verheddern sie sich. Es ist, als würde man versuchen, den Einfluss von Regen, Wind und der Temperatur auf das Wachstum einer Pflanze zu messen, aber alle drei Faktoren ändern sich genau zur gleichen Zeit. Die Wissenschaftler mussten einen neuen Weg finden, um diese Knoten zu lösen.

Die neue Methode: Ein flexiblerer Ansatz

Die Forscher nutzten eine Methode namens „Bayesianische Statistik". Stellen Sie sich das wie einen sehr klugen Detektiv vor, der nicht nur die Beweise (die Daten) betrachtet, sondern auch sein Vorwissen (die Erfahrung) einbringt, um eine Wahrscheinlichkeit zu berechnen.

Sie bauten ein mathematisches Modell, das wie ein hochauflösendes Mikroskop funktioniert. Anstatt nur eine grobe Zahl zu nennen, zeigten sie uns, wie die Geburtenraten sich für jede Altersgruppe, jeden Zeitraum und jede Geburtsjahrgangs-Gruppe verändert haben.

Ein besonderer Trick war die Wahl der „Regeln" (Priors) für ihre Berechnungen. Früher nutzten Forscher oft starre Regeln, die wie ein zu enges Schuhwerk waren. Diese Forscher nutzten eine neue, flexiblere Regel (die „Scaled Beta2"-Verteilung), die wie ein gut sitzendes, elastisches Band ist. Sie erlaubt dem Modell, sich besser an die Realität anzupassen, ohne sich zu verzerren.

Die überraschende Entdeckung: Es liegt an der Generation, nicht am Wetter

Was fanden sie heraus? Das Ergebnis war überraschend und unterscheidet Puerto Rico von vielen anderen Ländern.

• Früher (1948–1997): Hier spielten äußere Ereignisse (Periode) die Hauptrolle. Wirtschaftliche Veränderungen, Familienplanungsgesetze und soziale Umbrüche ließen die Geburtenzahlen sinken. Es war, als würde ein starker Wind alle Bäume gleichzeitig biegen.
• Später (ab 1998): Hier änderte sich das Spiel. Die äußeren Ereignisse waren nicht mehr der Hauptgrund. Stattdessen war es die Generation selbst.

Die Analogie: Stellen Sie sich vor, die Geburtenrate ist ein Fluss.
In den meisten Ländern (wie Italien oder Südkorea) fließt der Fluss langsam, weil die Frauen den Abfluss (die Geburt) hinauszögern. Sie warten, bis sie eine Wohnung haben, einen Job gesichert haben oder studiert haben. Das nennt man „Verzögerung". Später holen sie die Kinder dann nach.

Aber in Puerto Rico passiert etwas anderes:
Die Frauen in Puerto Rico verzögern die Geburt nicht. Sie entscheiden sich einfach, weniger Kinder zu bekommen. Es ist, als würden sie den Wasserhahn nicht nur etwas zudrehen, sondern ihn ganz anders einstellen. Die Frauen, die nach 1963 geboren wurden, haben eine völlig andere Einstellung zu Familie und Kinderwunsch als ihre Mütter. Diese kulturelle Veränderung ist in ihrer DNA (sozusagen) verankert und bleibt bestehen, egal wie gut oder schlecht die Wirtschaft gerade läuft.

Was bedeutet das für die Zukunft?

Die Studie zeigt, dass Puerto Rico eine „Super-gealterte" Gesellschaft wird. Die Geburtenrate ist so niedrig (unter 1,0), dass die Bevölkerung schrumpft, und zwar nicht nur wegen Abwanderung, sondern weil einfach zu wenige Babys geboren werden.

Die Lehre für die Politik:
Wenn man denkt, man könne die Geburtenrate nur durch bessere Wirtschaft oder mehr Kindergeld (Periode-Effekte) retten, wird man in Puerto Rico scheitern. Das Problem ist tiefer verwurzelt. Es liegt in den Werten und der Lebensweise der jungen Generation (Kohorte-Effekt).

Um die Situation zu verbessern, müssen politische Maßnahmen nicht nur auf Geld setzen, sondern tiefgreifende kulturelle und soziale Werte ansprechen. Man muss verstehen, warum diese Generation so denkt, wie sie denkt.

Fazit

Dieses Papier ist wie eine Landkarte für eine sehr schwierige Reise. Es zeigt uns, dass Puerto Rico ein Sonderfall ist. Während andere Länder versuchen, verzögerte Geburten zu „reparieren", müssen wir in Puerto Rico verstehen, warum die Generationen selbst eine andere Richtung eingeschlagen haben. Die neuen mathematischen Werkzeuge der Forscher helfen uns, diese feinen Unterschiede endlich klar zu sehen und nicht nur zu raten.

Technische Zusammenfassung

Technische Zusammenfassung: Ein bayesscher Alters-Perioden-Kohorten-Ansatz zur Modellierung der Fertilität in Puerto Rico

1. Problemstellung und Hintergrund

Puerto Rico befindet sich in einer einzigartigen demografischen Krise mit einem der weltweit niedrigsten Gesamtfruchtbarkeitsraten (TFR). Die TFR sank von 5,2 in den Jahren 1948–1952 auf 0,9 im Jahr 2023. Dies stellt eine Abnahme von 82 % dar und führt zu einer "super-gealterten" Bevölkerung mit negativem natürlichem Wachstum und negativer Netto-Migration.

Während frühere Studien in anderen Ländern (z. B. Südkorea, USA, Italien) oft Periodeneffekte (z. B. Wirtschaftskrisen, Familienplanungspolitik) als Haupttreiber für den Fertilitätsrückgang identifizierten, deutet die Situation in Puerto Rico auf ein anderes Muster hin. Ein zentrales Problem in der Demografie ist die Identifizierbarkeit in Alters-Perioden-Kohorten (APC)-Modellen: Da Kohorte = Periode – Alter gilt, sind die drei Effekte linear abhängig, was zu unendlich vielen Lösungen führt. Herkömmliche Ansätze (frequentistisch oder bayessch) nutzen oft starre Restriktionen (z. B. Summe zu Null), die theoretisch fragwürdig sein können. Das Ziel dieser Studie ist es, ein bayessches APC-Modell zu entwickeln, um zu bestimmen, ob Perioden- oder Kohorteneffekte den Fertilitätsrückgang in Puerto Rico besser erklären, und dabei die Identifizierbarkeitsproblematik innovativ zu adressieren.

2. Methodik

Die Autoren verwenden einen bayesschen Rahmen mit folgenden technischen Spezifikationen:

• Datenbasis: Daten aus dem Demografischen Register von Puerto Rico und dem US Census Bureau (1948–2022). Die Daten liegen als Matrix vor mit $A=7$ Altersgruppen (15–49 Jahre, 5-Jahres-Intervalle) und $T=15$ Perioden (5-Jahres-Intervalle). Daraus ergeben sich $C=21$ Kohorten.
• Likelihood-Funktion: Ein Poisson-Modell für die Anzahl der Geburten $y_{a,t}$:
  $$y_{a,t} \sim \text{Pois}(\lambda_{a,t})$$
  wobei der Logarithmus der Rate modelliert wird als:
  $$\log(\lambda_{a,t}) = \lambda_0 + \theta_a + \phi_t + \alpha_c - \log(p_{a,t})$$
  Hier stehen $\theta_a$ (Alters), $\phi_t$ (Perioden) und $\alpha_c$ (Kohorten) für die Effekte, und $p_{a,t}$ ist der Offset (Personenjahre).
• Priors (A-priori-Verteilungen):
  • Struktur: Die Parameter folgen autoregressiven Priors zweiter Ordnung (RW(2)), die lineare Trends und glatte Verläufe erzwingen.
  • Präzisionsparameter: Anstelle der häufig kritisierten Inverse-Gamma-Verteilung verwenden die Autoren Scaled Beta2-Priors ($\text{SBeta2}$) für die Präzisionsparameter $\tau$. Dies bietet mehr Flexibilität, robustere Tails und ist äquivalent zu einer F-Verteilung unter bestimmten Bedingungen.
  • Identifizierbarkeits-Restriktionen: Um das Identifizierbarkeitsproblem zu lösen, wurden keine starren Null-Setzungen gewählt. Stattdessen wurden schwache Normalverteilungen mit sehr kleiner Varianz auf spezifische Parameter gelegt:
    • $\theta_1 \sim N(0, 0.01)$
    • $\phi_1 = 0$ (Referenzperiode 1948–1952)
    • $\alpha_{10}, \alpha_{11} \sim N(0, 0.0025)$ (Kohorten mit vollständigen Fertilitätsdaten).
    • Diese "unsicheren" Restriktionen vermeiden unrealistisch schmale Konfidenzintervalle.
• Implementierung: Das Modell wurde in Stan (via RStan) implementiert, unter Verwendung von Hamiltonian Monte Carlo (HMC) für die MCMC-Simulation (15.000 Iterationen).
• Modellvergleich: Zur Bewertung der Modelle wurden folgende Kriterien herangezogen:
  • LOOIC (Approximate Leave-One-Out Information Criterion) und WAIC (Widely Applicable Information Criterion) für die Vorhersagegenauigkeit.
  • Residualsumme der Quadrate (RSS) zur Erklärung der Varianz durch Perioden- vs. Kohorteneffekte.
  • Vergleich verschiedener Prior-Verteilungen (Scaled Beta2 vs. Gamma) und Restriktionsarten (Original vs. Summe-zu-Null).

3. Ergebnisse

• Dominanz der Kohorteneffekte: Die Analyse zeigt, dass Kohorteneffekte (45,96 % der Varianz erklärt) eine deutlich größere Rolle spielen als Periodeneffekte (19,34 %) bei der Erklärung des Fertilitätsrückgangs. Dies unterscheidet Puerto Rico von anderen Ländern, wo Periodeneffekte oft dominieren.
• Zeitliche Entwicklung:
  • 1948–1997: Periodeneffekte waren vorherrschend.
  • Ab 1998: Kohorteneffekte gewannen an Bedeutung. Frauen, die nach 1963–1967 geboren wurden, weisen signifikant niedrigere Fertilitätsraten auf.
• Kein "Postponement": Im Gegensatz zu Ländern mit "lowest-low fertility" (z. B. Italien, Südkorea), wo ein späteres Gebären (Postponement) und eine spätere Erholung der Geburtenraten beobachtet wird, zeigt Puerto Rico keine Anzeichen einer Verzögerung der Geburten. Die Fertilität sinkt dauerhaft, ohne dass ältere Frauen die verlorenen Geburten nachholen. Dies erklärt die Dominanz der Kohorteneffekte: Das reproduktive Verhalten ändert sich dauerhaft von Generation zu Generation.
• Modellvergleich:
  • Modelle mit Scaled Beta2-Priors lieferten die besten LOOIC- und WAIC-Werte und passten die Daten besser an als Modelle mit Gamma-Priors.
  • Die vorgeschlagenen Original-Restriktionen (auf vollständigen Kohorten basierend) performten besser als die traditionellen Summe-zu-Null-Restriktionen, insbesondere bei der Schätzung der TFR für den Zeitraum 2018–2022 (geschätzter Median: ~1,07 vs. tatsächliche 0,9). Gamma-Modelle produzierten zu breite Konfidenzintervalle.

4. Wichtige Beiträge

• Demografische Erkenntnis: Die Studie widerlegt die Annahme, dass Periodeneffekte (wie Wirtschaftskrisen oder Migration) der alleinige Treiber des Fertilitätsrückgangs in Puerto Rico sind. Stattdessen sind kulturelle und soziale Werte, die sich über Generationen (Kohorten) verfestigen, der Hauptfaktor. Dies hat direkte Implikationen für die Politikgestaltung: Maßnahmen müssen generationenspezifisch sein und kulturelle Werte adressieren, statt nur auf kurzfristige wirtschaftliche Anreize zu setzen.
• Methodische Innovation:
  • Einführung von Scaled Beta2-Priors als robuste Alternative zu Inverse-Gamma-Priors in bayesschen APC-Modellen.
  • Entwicklung einer neuen Strategie zur Lösung des Identifizierbarkeitsproblems durch die Anwendung schwacher Restriktionen auf Kohorten mit vollständigen Daten, anstatt starrer Null-Setzungen.
  • Demonstration, dass die Kombination aus LOOIC, WAIC und RSS notwendig ist, um robuste Modelle auszuwählen, da diese Kriterien unterschiedliche Aspekte der Modellgüte bewerten.

5. Bedeutung und Fazit

Die Arbeit liefert einen robusten, probabilistischen Rahmen für die Analyse von Fertilitätsdaten in extremen demografischen Situationen (lowest-low fertility). Sie zeigt, dass die Anwendung standardisierter Perioden-Ansätze auf Puerto Rico irreführend sein kann. Die methodischen Fortschritte (insbesondere die Priors und die Identifizierbarkeitslösung) sind übertragbar auf andere Gebiete mit ähnlichen demografischen Herausforderungen. Die Autoren empfehlen die Entwicklung eines R-Pakets zur Vereinfachung der Anwendung dieses Rahmens und schlagen Bayes-Faktoren als zukünftiges Kriterium für Hypothesentests vor.

Zusammenfassend liefert das Papier einen Beleg dafür, dass in Puerto Rico die Kohorteneffekte den Fertilitätsrückgang dominieren, was auf eine fundamentale, generationenübergreifende Veränderung des reproduktiven Verhaltens hindeutet, die nicht durch kurzfristige Periodenfaktoren oder eine spätere Geburtenverzögerung erklärt werden kann.