📊 statistics

Forecasting sub-population mortality using credibility theory

यह शोध पत्र एक विशिष्ट सुपर-पॉपुलेशन मॉडल संरचना पर निर्भर किए बिना, पूर्वानुमान त्रुटि को न्यूनतम करने के लिए विश्वसनीय सुपर-पॉपुलेशन प्रवृत्तियों और सीमित उप-जनसंख्या डेटा के बीच इष्टतम संतुलन बनाने वाले स्पष्ट भविष्यवक्ताओं को व्युत्पन्न करके, छोटे उप-समूहों के लिए मृत्यु दर का पूर्वानुमान लगाने हेतु शास्त्रीय विश्वसनीयता सिद्धांत (क्लासिकल क्रेडिबिलिटी थ्योरी) का विस्तार करता है।

मूल लेखक: Mathias Lindholm, Gabriele Pittarello

प्रकाशित 2026-04-22

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Mathias Lindholm, Gabriele Pittarello

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप यह अनुमान लगाने की कोशिश कर रहे हैं कि एक विशिष्ट, छोटे शहर में लोग कितने समय तक जीवित रहेंगे। आपके पास जानकारी के दो स्रोत हैं:

राष्ट्रीय रिपोर्ट (The National Report): पूरे देश को कवर करने वाला एक विशाल, अत्यधिक विश्वसनीय अध्ययन। इसमें लाखों डेटा पॉइंट्स हैं, इसलिए इसके पूर्वानुमान बहुत स्थिर और भरोसेमंद हैं।
स्थानीय डायरी (The Local Diary): शहर के मेयर द्वारा रखी गई एक छोटी नोटबुक। इसमें केवल 500 लोगों का डेटा है। चूंकि इसका सैंपल बहुत छोटा है, इसलिए इसके आंकड़े बेतहाशा उतार-चढ़ाव दिखाते हैं। यदि एक वर्ष में शहर के तीन लोग बीमार हो जाते हैं, तो स्थानीय डायरी एक भयानक भविष्य की भविष्यवाणी कर सकती है, भले ही वह केवल एक बुरा संयोग रहा हो।

समस्या:
यदि आप केवल राष्ट्रीय रिपोर्ट पर भरोसा करते हैं, तो आप अपने छोटे शहर की अनूठी विशेषताओं (जैसे कि वहां की हवा अधिक स्वच्छ हो सकती है या खान-पान अलग हो सकता है) को मिस कर सकते हैं। यदि आप केवल स्थानीय डायरी पर भरोसा करते हैं, तो आपका पूर्वानुमान शोर और यादृच्छिक उतार-चढ़ाव का एक ढेर बन जाएगा।

समाधान (विश्वसनीयता सिद्धांत - Credibility Theory):
यह शोध पत्र एक "स्मार्ट ब्लेंडिंग" तकनीक पेश करता है जिसे क्रेडिबिलिटी थ्योरी (विश्वसनीयता सिद्धांत) कहा जाता है। इसे एक डिमर स्विच (dimmer switch) या वॉल्यूम नॉब की तरह समझें जो स्वचालित रूप से इस बात को नियंत्रित करता है कि आपको राष्ट्रीय रिपोर्ट पर कितना भरोसा करना चाहिए और स्थानीय डायरी पर कितना।

यह "डिमर स्विच" कैसे काम करता है

लेखकों ने एक गणितीय सूत्र बनाया है जो एक बुद्धिमान रेफरी की तरह कार्य करता है। यह स्थानीय डायरी को देखता है और पूछता है: "क्या यह डेटा अपने आप में पर्याप्त विश्वसनीय है?"

परिदृश्य A: छोटा गाँव (कम विश्वसनीयता)
कल्पना कीजिए कि एक गाँव में केवल 50 लोग हैं। डेटा बहुत अस्थिर है। "डिमर स्विच" स्थानीय डायरी को लगभग शून्य तक कम कर देता है और राष्ट्रीय रिपोर्ट को 100% तक बढ़ा देता है।
- परिणाम: भविष्यवाणी बिल्कुल राष्ट्रीय रिपोर्ट जैसी दिखती है। क्यों? क्योंकि इतने कम लोगों के साथ, स्थानीय शोर पर भरोसा करना बहुत खतरनाक है।
परिदृश्य B: मध्यम शहर (मध्यम विश्वसनीयता)
कल्प लीजिए कि एक शहर में 5,000 लोग हैं। डेटा बेहतर हो रहा है, लेकिन अभी भी इसमें कुछ उतार-चढ़ाव हैं। "डिमर स्विच" बीच का रास्ता निकालता है। शायद यह राष्ट्रीय रिपोर्ट पर 60% और स्थानीय डायरी पर 40% भरोसा करता है।
- परिणाम: भविष्यवाणी एक सुचारू मिश्रण है। यह राष्ट्रीय रुझान का पालन करती है लेकिन शहर की विशिष्ट आदतों को ध्यान में रखने के लिए धीरे से झुकती है।
परिदृश्य C: बड़ा शहर (उच्च विश्वसनीयता)
कल्पना कीजिए कि एक शहर में 1,00,000 लोग हैं। स्थानीय डेटा अब पूरी तरह से ठोस है। "डिमर स्विच" राष्ट्रीय रिपोर्ट को कम करता है और स्थानीय डायरी को 100% तक बढ़ा देता है।
- परिणाम: भविष्यवाणी लगभग पूरी तरह से स्थानीय डेटा पर निर्भर करती है क्योंकि यह अब सामान्य राष्ट्रीय औसत को ओवरराइड करने के लिए पर्याप्त विश्वसनीय हो गया है।

द "स्टोकेस्टिक प्रोसेस" ट्विस्ट (The "Stochastic Process" Twist)

अधिकांश पिछले तरीकों ने माना था कि मृत्यु दर स्थिर (एक निश्चित संख्या की तरह) होती है। हालांकि, लेखकों ने महसूस किया कि मृत्यु दर एक मौसम के पैटर्न की तरह है। यह समय के साथ बदलती रहती है, जो छिपी हुई शक्तियों (जैसे महामारी, चिकित्सा संबंधी प्रगति, या जलवायु परिवर्तन) द्वारा संचालित होती है।

उन्होंने इस "डिमर स्विच" को इस बदलते लक्ष्य को संभालने के लिए विस्तारित किया है। वे भविष्य को एक निश्चित संख्या के रूप में नहीं, बल्कि संभावनाओं के एक बादल (stochastic process) के रूप में देखते हैं।

उपमा: केवल यह अनुमान लगाने के बजाय कि "कल तापमान 70 डिग्री होगा," वे भविष्यवाणी करते हैं कि "तापमान संभवतः 65 और 75 के बीच होगा, लेकिन यहाँ बताया गया है कि हम अपने स्थानीय थर्मामीटर बनाम राष्ट्रीय मौसम केंद्र पर कितना भरोसा करते हैं।"

यह क्यों महत्वपूर्ण है

यह शोध पत्र यह सिद्ध करता है कि यह "स्मार्ट ब्लेंडिंग" विधि केवल छोटे स्थानीय डेटा का उपयोग करके भविष्य का अनुमान लगाने की तुलना में गणितीय रूप से श्रेष्ठ है।

यह अति-प्रतिक्रिया (overreaction) को रोकता है: यदि किसी छोटे शहर में एक वर्ष में मृत्यु दर में अचानक उछाल आता है, तो मॉडल घबराकर आपदा की भविष्यवाणी नहीं करेगा। यह कहेगा, "यह शायद केवल यादृच्छिक शोर है; आइए राष्ट्रीय रुझान के करीब रहें।"
यह विशिष्टता को पकड़ता है: यदि कोई शहर लगातार राष्ट्रीय औसत से अधिक लंबा जीवन जी रहा है, तो मॉडल धीरे-धीरे स्थानीय डेटा पर भरोसा करना सीख जाता है, और अंततः उस शहर के लिए अपना अनूठा पूर्वानुमान प्रदान करता है।

मुख्य निष्कर्ष (The Bottom Line)

यह शोध पत्र हमें छोटे समूहों के भविष्य की भविष्यवाणी करने के लिए एक नया उपकरण देता है। यह एक ऐसे जीपीएस (GPS) की तरह है जो जानता है कि सैटेलाइट मैप (बड़े डेटा) पर कब भरोसा करना है और स्थानीय ड्राइवर के ज्ञान (छोटे डेटा) पर कब भरोसा करना है।

इन दोनों स्रोतों को गणितीय रूप से संतुलित करके, हम छोटे समुदायों, बीमा कंपनियों और सरकारों के लिए बहुत सुरक्षित और अधिक सटीक भविष्यवाणियां कर सकते हैं, बिना यादृच्छिक संयोग से धोखा खाए।

यहाँ लिंडहोम और पिटारेलो के शोध पत्र "Forecasting sub-population mortality using credibility theory" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र उन लघु उप-जनसंख्याओं (जैसे विशिष्ट जनसांख्यिकीय समूह, क्षेत्र, या कोहोर्ट्स) के लिए मृत्यु दर (mortality rates) के पूर्वानुमान की चुनौती को संबोधित करता है जो एक बड़े सुपर-पॉपुलेशन का हिस्सा हैं।

द्वंद्व (The Dilemma): लघु उप-जनसंख्याओं के पास अक्सर स्वतंत्र रूप से मृत्यु दर मॉडल करने के लिए पर्याप्त ऐतिहासिक डेटा या एक्सपोजर (जोखिम में व्यक्तियों की संख्या) नहीं होता है। इसके विपरीत, केवल सुपर-पॉपुलेशन मॉडल पर निर्भर रहने से उप-जनसंख्या-विशिष्ट प्रभावों (जैविक मार्कर, व्यवहार संबंधी कारक, या जनसांख्यिकीय चर) की अनदेखी होती है, जो सामान्य रुझान से विचलन का कारण बनते हैं।
अंतराल (The Gap): मौजूदा मल्टी-पॉपुलेशन मॉडल (जैसे ली-ली) अक्सर जटिल पैरामीटर शेयरिंग या मजबूत बेयसियन प्रायर (Bayesian priors) पर निर्भर करते हैं। क्लासिकल क्रेडिटेबिलिटी थ्योरी (credibility theory), जिसका उपयोग आमतौर पर गैर-जीवन बीमा में स्थिर दावा आवृत्तियों (static claim frequencies) के लिए किया जाता है, को अव्यक्त स्टोकेस्टिक प्रक्रियाओं (जैसे ली-कार्टर मॉडल में समय-परिवर्तित पीरियड इफेक्ट्स) को संभालने के लिए पूरी तरह से अनुकूलित नहीं किया गया है।

2. कार्यप्रणाली (Methodology)

लेखक स्टोकैस्टिक मृत्यु मॉडलिंग के संदर्भ में क्लासिकल क्रेडिटेबिलिटी थ्योरी का विस्तार करते हैं। मुख्य दृष्टिकोण एक वैश्विक मॉडल और एक उप-जनसंख्या-विशिष्ट सापेक्ष उत्तरजीविता (relative survival) मॉडल के भारित औसत (weighted average) के रूप में उप-जनसंख्या मृत्यु दर को मॉडल करना है।

A. सांख्यिकीय ढांचा (Statistical Framework)

डेटा जनरेशन: मॉडल पॉइसन डेथ काउंट स्ट्रक्चर (Poisson death count structure) मानता है:
$D_{x,t}^i \mid E_{x,t}^i, \Theta_x^i, \mu_{x,t} \sim \text{Poisson}(E_{x,t}^i \Theta_x^i \mu_{x,t})$
जहाँ:
- $D_{x,t}^i$ और $E_{x,t}^i$ उप-जनसंख्या $i$ , आयु $x$ , समय $t$ के लिए मृत्यु और एक्सपोजर हैं।
- $\mu_{x,t}$ वैश्विक मृत्यु दर (global mortality rate) है (सुपर-पॉपुलेशन से अनुमानित), जिसे एक स्टोकेस्टिक प्रक्रिया (जैसे ली-कार्टर या APC मॉडल के माध्यम से) के रूप में मॉडल किया गया है।
- $\Theta_x^i$ एक रैंडम इफेक्ट है जो उप-जनसंख्या के सापेक्ष जोखिम (relative risk) को दर्शाता है, जिसे वैश्विक रुझान से स्वतंत्र और समय के साथ स्थिर माना गया है।
क्रेडिटेबिलिटी एस्टीमेटर (Credibility Estimator): लेखक भविष्य की मृत्यु दर $\hat{\mu}_{x,t'+h}(\Theta_x^i)$ के लिए एक लीनियर क्रेडिटेबिलिटी एस्टीमेटर व्युत्पन्न करते हैं। यह एस्टीमेटर एक भारित औसत है:
$\hat{\mu}_{x,t'+h}(\Theta_x^i) = (1 - z_x^i)\mu_{x,t'+h} + z_x^i (\mu_{x,t'+h} R_x^i)$
जहाँ:
- $\mu_{x,t'+h}$ पूर्वानुमानित वैश्विक मृत्यु दर है।
- $R_x^i$ उप-जनसंख्या के ऐतिहासिक डेटा से अनुमानित एक सापेक्ष उत्तरजीविता कारक (relative survival factor) है।
- $z_x^i$ एक क्रेडिटेबिलिटी वेट है, जो एक्सपोजर आकार और रैंडम इफेक्ट $\Theta_x^i$ के विचरण (variance) द्वारा निर्धारित होता है।

B. प्रमुख सैद्धांतिक व्युत्पन्न (Key Theoretical Derivations)

स्टोकेस्टिसिटी को संभालना (Handling Stochasticity): क्लासिकल क्रेडिटेबिलिटी के विपरीत, जो स्थिर माध्य (static means) मानती है, यह ढांचा वैश्विक मृत्यु दर रुझान ( $\mu_{x,t}$ ) की स्टोकेस्टिक प्रकृति और मृत्यु गणनाओं में पॉइसन भिन्नता को ध्यान में रखता है।
स्पष्ट त्रुटि सूत्र (Explicit Error Formulas): लेखक अपेक्षित द्विघात पूर्वानुमान त्रुटि (expected quadratic forecast error) के लिए एक स्पष्ट अभिव्यक्ति व्युत्पन्न करते हैं, जिससे भविष्यवाणियों में अनिश्चितता का परिमाणीकरण संभव होता है।
प्लग-इन एस्टीमेशन (Plug-in Estimation): चूंकि सैद्धांतिक एस्टीमेटर अज्ञात सशर्त अपेक्षाओं (conditional expectations) और विचरणों पर निर्भर करता है, इसलिए शोध पत्र रैंडम इफेक्ट्स के विचरण ( $\text{Var}(\Theta_x^i)$ ) के मेथड-ऑफ-मोमेंट्स एस्टीमेटर्स का उपयोग करके एक गणना योग्य "प्लग-इन" संस्करण प्रस्तावित करता है।

3. प्रमुख योगदान (Key Contributions)

क्रेडिटेबिलिटी थ्योरी का विस्तार: शोध पत्र डायनेमिक, स्टोकेस्टिक मृत्यु पूर्वानुमान के संदर्भ में क्रेडिटेबिलिटी थ्योरी को सफलतापूर्वक अनुकूलित करता है। यह मल्टी-पॉपुलेशन मॉडल और क्रेडिटेबिलिटी थ्योरी के बीच के अंतर को पाटता है।
मॉडल एग्नोस्टिसिज्म (Model Agnosticism): क्रेडिटेबिलिटी प्रेडिक्टर सुपर-पॉपुलेशन मॉडल के विशिष्ट रूप से स्वतंत्र है। चाहे वैश्विक रुझान को ली-कार्टर, APC, या रेंशॉ-हैबरमैन के माध्यम से मॉडल किया गया हो, क्रेडिटेबिलिटी एडजस्टमेंट तंत्र मान्य रहता है।
स्वचालित अंशांकन (Automatic Calibration): क्रेडिटेबिलिटी वेट ( $z_x^i$ $z_{x}^{i}$ ) डेटा की उपलब्धता के आधार पर स्वचालित रूप से समायोजित होता है।
- यदि एक्सपोजर कम है या विचरण अधिक है, तो मॉडल वैश्विक मॉडल पर अधिक निर्भर रहता है (शक्ति उधार लेना/borrowing strength)।
- यदि एक्सपोजर अधिक है और उप-जनसंख्या महत्वपूर्ण रूप से विचलित होती है, तो मॉडल उप-जनसंख्या विशिष्ट मॉडल की ओर झुक जाता है।
अनिश्चितता का परिमाणीकरण (Uncertainty Quantification): अपेक्षित द्विघात पूर्वानुमान त्रुटि का व्युत्पन्न पैरामीटर अनिश्चितता और प्रोसेस वेरिएशन दोनों को ध्यान में रखते हुए प्रेडिक्शन इंटरवल की गणना करने का एक कठोर तरीका प्रदान करता है।

4. परिणाम (Results)

इस कार्यप्रणाली को इतालवी मृत्यु दर डेटा (ह्यूमन मॉर्टैलिटी डेटाबेस) का उपयोग करके एक सिमुलेशन अध्ययन के माध्यम से सत्यापित किया गया, जिसमें डेटा को तीन अलग-अलग आकारों (लघु, मध्यम, बड़े) की उप-जनसंख्याओं में विभाजित किया गया था।

एकल डेटासेट चित्रण (Single Dataset Illustration):
- वेट डायनेमिक्स (Weight Dynamics): जैसे-जैसे अधिक ऐतिहासिक डेटा (कैलेंडर वर्ष) जोड़ा गया, क्रेडिटेबिलिटी वेट्स वैश्विक मॉडल से उप-जनसंख्या विशिष्ट मॉडल की ओर सुचारू रूप से स्थानांतरित हुए।
- आयु निर्भरता (Age Dependence): अधिक आयु (जहाँ मृत्यु गणना अधिक होती है) के लिए, क्रेडिटेबिलिटी वेट बढ़े, जिससे पूर्वानुमान सापेक्ष उत्तरजीविता मॉडल के करीब आ गया। कम आयु (कम गणना) के लिए, पूर्वानुमान वैश्विक मॉडल के करीब रहा।
- लघु जनसंख्या (Small Populations): सबसे छोटी उप-जनसंख्या (500 व्यक्ति) के लिए, मॉडल ने वैश्विक रुझान पर भारी निर्भरता दिखाकर ओवरफिटिंग को प्रभावी ढंग से रोका, जबकि बड़ी उप-जनसंख्याएं अधिक विशिष्ट मॉडलिंग का समर्थन कर सकती थीं।
आउट-ऑफ-सैंपल प्रदर्शन (30 सिमुलेशन):
- क्रेडिटेबिलिटी दृष्टिकोण (मॉडल A) ने अलग उप-जनसंख्या मॉडल (मॉडल C) को लगातार मात दी या उसके बराबर रहा, जो छोटे सैंपल साइज के कारण अक्सर कन्वर्जेंस समस्याओं या उच्च विचरण से ग्रस्त था।
- क्रेडिटेबिलिटी दृष्टिकोण एक इष्टतम समझौते के रूप में कार्य करता है: यह कम-एक्सपोजर समूहों के लिए वैश्विक मॉडल (मॉडल D) के समान प्रदर्शन करता है, लेकिन उच्च-एक्सपोजर समूहों के लिए विशिष्ट रुझानों को बेहतर ढंग से पकड़ता है, और अक्सर पॉइसन डिविएंस और मीन स्क्वेर्ड एरर (MSE) के मामले में वैश्विक मॉडल से बेहतर प्रदर्शन करता है।
- बेंचमार्किंग: क्रेडिटेबिलिटी मॉडल ने "सेपरेट मॉडल" दृष्टिकोण की तुलना में सामान्य रूप से बेहतर प्रदर्शन किया, विशेष रूप से सबसे छोटी उप-जनसंख्या के लिए जहाँ स्वतंत्र मॉडलिंग विफल रही थी।

5. महत्व और निहितार्थ (Significance and Implications)

व्यावहारिक उपयोगिता: यह विधि उन बीमांकियों (actuaries) और जनसांख्यिकीविदों को एक मजबूत, डेटा-संचालित समाधान प्रदान करती है जो डेटा की कमी के कारण पारंपरिक मॉडलिंग विफल होने वाले विशिष्ट समूहों (जैसे विशिष्ट व्यावसायिक समूह, छोटे क्षेत्र, या विशिष्ट जनसांख्यिकीय खंड) के साथ काम कर रहे हैं।
सैद्धांतिक प्रगति: यह प्रदर्शित करता है कि क्रेडिटेबिलिटी थ्योरी को जटिल, टाइम-सीरीज-ड्रिवन मृत्यु मॉडल पर सफलतापूर्वक लागू किया जा सकता है, जो पूर्ण बेयसियन मल्टी-पॉपुलेशन मॉडल के लिए एक सरल विकल्प प्रदान करता है जिन्हें मजबूत प्रायर धारणाओं की आवश्यकता होती है।
जोखिम प्रबंधन: पूर्वानुमान त्रुटि के लिए स्पष्ट सूत्र प्रदान करके, यह दृष्टिकोण पेंशन फंडों और बीमाकर्ताओं के लिए जोखिम प्रबंधन क्षमताओं को बढ़ाता है, जिससे छोटे उप-पोर्टफोलियो के लिए अधिक सटीक पूंजी आवश्यकताएं और मूल्य निर्धारण संभव होता है।

संक्षेप में, यह शोध पत्र एक लचीला, गणितीय रूप से कठोर ढांचा प्रस्तावित करता है जो वैश्विक मृत्यु रुझान की स्थिरता और स्थानीय डेटा की विशिष्टता के बीच संतुलन बनाता है, और उपलब्ध डेटा की विश्वसनीयता के आधार पर इस संतुलन को स्वचालित रूप से अंशांकित करता है।