Mortality Forecasting as a Flow Field in Tucker Decomposition Space

यहाँ सैमुअल जे. क्लार्क के शोध पत्र "Mortality Forecasting as a Flow Field in Tucker Decomposition Space: Direct Surface Prediction vs. e0-Mediated Pipelines" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

मृत्यु दर पूर्वानुमान (Mortality forecasting) ऐतिहासिक रूप से दो अलग-अलग प्रतिमानों (paradigms) का अनुसरण करता रहा है:

1. समय-श्रृंखला बाह्यत्रपोषण (Time-Series Extrapolation) (जैसे, ली-कार्टर, हाइंडमैन-उलाह): ये विधियाँ मृत्यु दर (अक्सर SVD के माध्यम से) को विघटित करती हैं और स्टोकैस्टिक मॉडल (जैसे, ड्रिफ्ट के साथ रैंडम वॉक) का उपयोग करके अस्थायी घटकों का बाह्यत्रपोषण करती हैं। हालांकि ये अल्प अवधि के लिए प्रभावी हैं, लेकिन लंबी अवधि (50+ वर्ष) में इनमें व्यवस्थित पूर्वाग्रह (systematic bias) हो सकता है और ये संरचनात्मक रूप से अकल्पनीय परिणाम (जैसे, नकारात्मक मृत्यु दर, लिंग क्रॉसओवर) उत्पन्न कर सकती हैं।
2. स्तर-निर्भर स्केलर पूर्वानुमान (Level-Dependent Scalar Forecasting) (जैसे, UN WPP/bayesLife): यह दृष्टिकोण जीवन प्रत्याशा ($e_0$) को एक स्केलर के रूप में पूर्वानुमानित करता है जो वर्तमान मृत्यु स्तर पर निर्भर एक डबल-लॉजिस्टिक फलन है। इसके बाद आयु-विशिष्ट दरों को एक अलग मॉडल लाइफ टेबल सिस्टम का उपयोग करके पुनर्गठित किया जाता है।
   • मुख्य बाधा (The Core Bottleneck): स्केलर दृष्टिकोण एक सूचना बाधा (information bottleneck) उत्पन्न करता है। यह संपूर्ण $Sex \times Age$ मृत्यु सतह को एक एकल संख्या ($e_0$) में संकुचित कर देता है और फिर एक उच्च-आयामी सतह को पुनर्गठित करने का प्रयास करता है। यह आयु पैटर्न, लिंग विभेद और देश-विशिष्ट संरचनात्मक विचलन के बारे में जानकारी को त्याग देता है, जिससे आयु-विशिष्ट पूर्वानुमानों में महत्वपूर्ण त्रुटियां होती हैं, भले ही $e_0$ का पूर्वानुमान सटीक हो।

प्रस्तावित पद्धति एक एकीकृत ढांचे का प्रस्ताव करती है जो मृत्यु संक्रमण को केवल समय-श्रृंखला बाह्यत्रपोषण या स्केलर रिकवरी समस्या के रूप में नहीं, बल्कि एक संरचित, निम्न-आयामी स्थान (structured, low-dimensional space) में एक प्रवाह (flow) के रूप में देखती है।

2. कार्यप्रणाली: फ्लो-फील्ड दृष्टिकोण (Methodology: The Flow-Field Approach)

प्रस्तावित विधि टेंसर अपघटन (tensor decomposition) को डायनेमिकल सिस्टम थ्योरी के साथ एकीकृत करती है।

A. डेटा प्रतिनिधित्व: टकर अपघटन (Tucker Decomposition)

ह्यूमन मॉर्टालिटी डेटाबेस (HMD) डेटा को एक 4-वे टेंसर $M \in \mathbb{R}^{S \times A \times C \times T}$ (लिंग, आयु, देश, वर्ष) के रूप में व्यवस्थित किया गया है।

• अपघटन (Decomposition): लॉगिट-रूपांतरित मृत्यु दरों ($\logit(q_x)$) पर एक रैंक-$(2, 42, 46, 100)$ टकर अपघटन (Tucker decomposition) लागू किया जाता है।
• प्रभावी कोर (Effective Core): किसी भी देश-वर्ष के लिए, मृत्यु अनुसूची एक प्रभावी कोर मैट्रिक्स $G_{ct}$ द्वारा निर्धारित होती है।
• आयामी कमी (Dimensionality Reduction): वेक्टरकृत प्रभावी कोर मैट्रिसेस पर PCA यह प्रकट करता है कि 5 मुख्य घटक (PCs) 97.1% भिन्नता को कैप्चर करते हैं।
  • PC1 ($s_1$): यह मृत्यु स्तर (mortality level) का प्रतिनिधित्व करता है (जो $e_0$ के साथ अत्यधिक सह-संबंधित है)।
  • PCs 2–5 ($s_2, \dots, s_5$): ये मृत्यु अनुसूची की संरचनात्मक आकृति (आयु पैटर्न और लिंग विभेद) का प्रतिनिधित्व करते हैं।

B. फ्लो-फील्ड डायनेमिक्स (The Flow-Field Dynamics)

लेखक प्रदर्शित करते हैं कि इन 5 PCs के डेरिवेटिव आपस में मजबूती से सह-संबंधित हैं ($s_1$ और $s_2$ के बीच $\Delta s_1$ और $\Delta s_2$ के लिए $r \approx -0.92$), जिसका अर्थ है कि मृत्यु संक्रमण अनिवार्य रूप से 5D स्कोर स्पेस में एक एक-आयामी प्रवाह (one-dimensional flow) है।

• नेविगेशन समन्वय (Navigation Coordinate): प्रणाली कैलेंडर समय या $e_0$ के बजाय $s_1$ स्पेस (लेवल स्कोर) में नेविगेट करती है।
• स्पीड फंक्शन ($g^*(s_1)$): एक नॉन-पैरामीट्रिक, एरा-वेटेड फंक्शन $ds_1/dt$ की परिवर्तन दर का अनुमान लगाता है। यह हाल के डेटा को अधिक महत्व देने के लिए एक ट्रंकेटेड एक्सपोनेंशियल कर्नेल का उपयोग करता है, जिससे विभिन्न सुधार दरों वाले ऐतिहासिक युगों का पूर्वाग्रह समाप्त हो जाता है।
• ट्रैजेक्टरी फंक्शन्स ($f^*_k(s_1)$): $k=2 \dots 5$ के लिए, ये फलन $s_1$ को संरचनात्मक स्कोरों से मैप करते हैं। वे टकर निर्देशांकों में एक निरंतर मॉडल लाइफ टेबल सिस्टम के रूप में कार्य करते हैं।
• स्कोर रिलैक्सेशन (Score Relaxation): किसी विशिष्ट देश के संरचनात्मक स्कोर तुरंत कैनोनिकल पथ पर नहीं आते हैं। इसके बजाय, वे 12-32 वर्षों के अनुभवजन्य रूप से कैलिब्रेटेड हाफ-लाइव्स के साथ कैनोनिकल पथ की ओर 'रिलैक्स' होते हैं, जिससे देश-विशिष्ट संरचनात्मक विचलन (जैसे रूस की अतिरिक्त पुरुष कार्यशील आयु मृत्यु दर) दशकों तक सुरक्षित रहते हैं।

C. पूर्वानुमान आर्किटेक्चर (Forecasting Architecture)

1. लेवल को आगे बढ़ाना: स्पीड फंक्शन का उपयोग करके $s_1$ को अपडेट करें।
2. संरचना को मैप करना: ट्रैजेक्टरी फंक्शन्स का उपयोग करके संरचनात्मक स्कोर $s_k$ की गणना करें और स्कोर रिलैक्सेशन लागू करें।
3. सतह का पुनर्निर्माण: साझा टकर बेसिस मैट्रिसेस का उपयोग करके स्कोर वेक्टर को पूर्ण $Sex \times Age$ मृत्यु सतह में मैप करें।
4. $e_0$ की गणना: पुनर्निर्मित सतह से जीवन प्रत्याशा की गणना करें केवल रिपोर्टिंग के लिए। महत्वपूर्ण रूप से, $e_0$ का उपयोग नेविगेशन के लिए फीडबैक लूप के रूप में नहीं किया जाता है, जिससे "नेविगेशन $e_0$" और "सतह $e_0$" के बीच विचलन समाप्त हो जाता है।

D. टेल एक्सटेंशन (Tail Extension)

मौजूदा मृत्यु फ्रंटियर्स (जैसे, $e_0 > 85$) से परे पूर्वानुमान लगाने के लिए, लेखक एक संयुक्त स्पर्श रेखा विस्तार (joint tangent extension) लागू करते हैं। एक ट्रांजिशन पॉइंट ($s_1 \approx -12, e_0 \approx 78$) पर, LOWESS फिट को फ्रंटियर देशों (जापान, स्वीडन, आदि) के अनुभवजन्य ढलान का उपयोग करके रैखिक रूप से विस्तारित किया जाता है, जो बिना संतृप्ति (saturation) के निरंतर सुधार सुनिश्चित करता है।

3. प्रमुख योगदान (Key Contributions)

1. एकीकृत ढांचा (Unified Framework): टेंसर अपघटन (बहु-जनसंख्या संरचना) और स्तर-निर्भर पूर्वानुमान (डायनेमिक्स) को एक एकल सुसंगत प्रणाली में एकीकृत करने वाला पहला तरीका जहाँ पूर्वानुमान ही पुनर्निर्माण है।
2. प्रत्यक्ष सतह भविष्यवाणी (Direct Surface Prediction): स्कोर स्पेस में सीधे पूर्ण $Sex \times Age$ सतह का पूर्वानुमान लगाकर, यह विधि उस सूचना हानि से बचती है जो "स्केलर $e_0 \to$ आयु अनुसूची" पाइपलाइन में निहित होती है।
3. संरचनात्मक सुसंगतता (Structural Coherence): साझा टकर बेसिस मैट्रिसेस यह गारंटी देते हैं कि सभी पूर्वानुमान संरचनात्मक रूप से सुसंगत हैं (स्मूथ आयु प्रोफाइल, कोई नकारात्मक दर नहीं, सुसंगत लिंग विभेद), जो निर्माण द्वारा सुनिश्चित है।
4. pyBayesLife पुनर्रचना (pyBayesLife Reimplementation): लेखकों ने UN के R-आधारित bayesLife और MortCast पाइपलाइनों का एक नया पायथन पुनर्रचना (reimplementation) बनाया है। यह आवश्यक था क्योंकि R पैकेज में WPP डेटा और आंतरिक डेटासेट पर हार्ड-कोडेड निर्भरताएं थीं, जो HMD-ओनली तुलना को रोकती थीं। इस पुनर्रचना ने संख्यात्मक स्थिरता और MCMC दक्षता में भी सुधार किया।
5. पूर्वाग्रह सुधार (Bias Correction): यह प्रणाली ऐतिहासिक युगों के बजाय क्रॉस-सेक्शनल डेटा को आधार बनाकर दीर्घ-क्षित (long-horizon) पूर्वानुमानों में लगभग शून्य व्यवस्थित पूर्वाग्रह प्राप्त करती है।

4. परिणाम (Results)

सिस्टम का मूल्यांकन लीव-कंट्री-आउट क्रॉस-वैलिडेशन (48 HMD देश, 50-वर्षीय क्षितिज, 9,507 टेस्ट पॉइंट्स) का उपयोग करके किया गया और इसकी तुलना ली-कार्टर (LC), हाइंडमैन-उलाह (HU), और पुनर्रचित pyBayesLife से की गई।

A. जीवन प्रत्याशा ($e_0$) सटीकता

• MAE: फ्लो-फील्ड: 4.100 वर्ष। (LC: 3.818, HU: 4.094, pyBayesLife: 4.764 के तुलनीय)।
• पूर्वाग्रह (Bias): फ्लो-फील्ड में न्यूनतम कुल पूर्वाग्रह (+1.058 वर्ष) है।
  • LC और HU में बड़ा नकारात्मक पूर्वाग्रह (-3.2 से -3.5 वर्ष) है, जो दीर्घायु को कम आंकते हैं।
  • pyBayesLife में बड़ा सकारात्मक पूर्वाग्रह (+3.3 वर्ष) है, जो दीर्घायु को अधिक आंकते हैं।
• क्षितिज प्रदर्शन (Horizon Performance): लघु क्षितिज (1-5 वर्ष) पर, टाइम-सीरीज विधियाँ (LC/HU) जंप-ऑफ एडजस्टमेंट के कारण अधिक सटीक हैं। हालांकि, लंबी अवधि (26-50 वर्ष) में, फ्लो-फील्ड अन्य सभी से काफी बेहतर प्रदर्शन करता है (MAE 5.01 बनाम 6.0-7.1), क्योंकि यह अकल्पनीय क्षेत्र में नहीं भटकता है।

B. आयु-विशिष्ट मृत्यु सटीकता (Age-Specific Mortality Accuracy)

यह सबसे महत्वपूर्ण निष्कर्ष है। तुलना 1.66 मिलियन आयु-विशिष्ट टेस्ट पॉइंट्स पर की गई।

• MAE ($l_x$-weighted $\log(m_x)$):
  • फ्लो-फील्ड: 0.424
  • pyBayesLife: 1.143
  • सुधार: फ्लो-फील्ड 2.7 गुना अधिक सटीक है।
• पूर्वाग्रह संरचना (Bias Structure):
  • फ्लो-फील्ड का पूर्वाग्रह सभी आयु और क्षितिज में लगभग शून्य है।
  • pyBayesLife में मजबूत, संरचित पूर्वाग्रह दिखता है (कम आयु में मृत्यु को कम आंकना, अधिक आयु में मृत्यु को अधिक आंकना) जो पुनर्निर्माण बाधा के कारण होता है।
• लिंग विभेद (Sex Differential): फ्लो-फील्ड लिंग अंतराल को बहुत अधिक सटीकता से पुनरुत्पादित करता है क्योंकि दोनों लिंग एक ही सतह से उभरते हैं, जबकि pyBayesLife उन्हें अलग-अलग पुनर्गठित करता है, जिससे त्रुटियां आती हैं।

5. महत्व और निहितार्थ (Significance and Implications)

• नीति प्रभाव (Policy Impact): मृत्यु पूर्वानुमान में व्यवस्थित पूर्वाग्रह पेंशन प्रणालियों के लिए संरचनात्मक रूप से कम वित्त पोषित (यदि जीवन प्रत्याशा कम आंकी गई) या अत्यधिक सॉल्वेंसी (यदि अधिक आंकी गई) का कारण बन सकता है। फ्लो-फील्ड का कम पूर्वाग्रह इसे दीर्घकालिक योजना (50-75 वर्ष) के लिए बेहतर बनाता है।
• वास्तुकला संबंधी अंतर्दृष्टि (Architectural Insight): परिणाम सिद्ध करते हैं कि "स्केलर $e_0$ बॉटलनेक" वर्तमान UN-शैली के पाइपलाइनों में त्रुटि का प्राथमिक स्रोत है। एक उच्च-आयामी सतह को एक स्केलर में सिकोड़ना और फिर उसे पुनर्गठित करने का प्रयास करना अप्राप्य जानकारी को त्याग देता है।
• सामान्यीकरण (Generalizability): इस पद्धति को गैर-HMD आबादी (Tier 1: केवल $e_0$; Tier 2: आयु-विशिष्ट दरें) पर लागू किया जा सकता है, जिससे डेटा-दुर्बल क्षेत्रों के लिए भी संरचनात्मक रूप से सुसंगत पूर्वानुमान प्राप्त होते हैं।
• वैज्ञानिक बहस (Scientific Debate): मृत्यु फ्रंटियर (जीवन प्रत्याशा में सुधार की धीमी दर) पर फ्लो-फील्ड का व्यवहार मानव जीवनकाल की सीमाओं के बारे में बहस में अनुभवजन्य समर्थन प्रदान करता है।

संक्षेप में, यह शोध पत्र "समय के बाह्यत्रपोषण" से "एक संरचित स्थान में नेविगेशन" की ओर एक प्रतिमान परिवर्तन प्रस्तुत करता है, यह प्रदर्शित करते हुए कि निम्न-आयामी टेंसर स्पेस में प्रत्यक्ष सतह भविष्यवाणी, पारंपरिक स्केलर-मध्यस्थ पाइपलाइनों की तुलना में बेहतर सटीकता, सुसंगतता और पूर्वाग्रह गुण प्रदान करती है।