📊 statistics

Structured dispersion modelling for mortality data using a Conway--Maxwell--Poisson specification

यह शोध पत्र मृत्यु दर डेटा में आयु- और समय-परिवर्तित प्रकीर्णन (डिस्पर्सन) को स्पष्ट रूप से मॉडल करने के लिए कॉनवे-मैक्सवेल-पॉइसन वितरण का उपयोग करते हुए एक लचीले बेयसियन ढांचे को प्रस्तुत करता है, जिससे निश्चित प्रकीर्णन धारणाओं वाले पारंपरिक मॉडलों की तुलना में अनिश्चितता अंशांकन और दीर्घायु जोखिम मूल्य निर्धारण में सुधार होता है।

मूल लेखक: Jackie Siaw Tze Wong, Emiliano A. Valdez

प्रकाशित 2026-08-12

📖 4 मिनट में पढ़ें☕ कॉफ़ी ब्रेक में पढ़ें

CC BY 4.0

मूल लेखक: Jackie Siaw Tze Wong, Emiliano A. Valdez

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

लोगों की भीड़ को देखकर भविष्य की भविष्यवाणी करने की कल्पना कीजिए। विज्ञान की दुनिया जिसे 'एक्चुअरी साइंस' (actuarial science) कहा जाता है, उसमें विशेषज्ञ बिल्कुल यही करते हैं, लेकिन यह अनुमान लगाने के बजाय कि कौन दौड़ जीतेगा, वे यह पता लगाने की कोशिश करते हैं कि लोग कितने समय तक जीवित रहेंगे। यह बहुत महत्वपूर्ण है क्योंकि इससे सरकारों को पेंशन की योजना बनाने में मदद मिलती है और बीमा कंपनियाँ यह तय कर पाती हैं कि उन्हें एन्युइटी (वह भुगतान जो आपको आपके जीवन के शेष समय तक हर साल मिलता है) के लिए कितना शुल्क लेना चाहिए। दशकों से, इस काम के लिए एक मानक उपकरण के रूप में 'पॉइसन डिस्ट्रीब्यूशन' (Poisson distribution) नामक एक गणितीय नियम का उपयोग किया जाता रहा है। इस नियम को एक सख्त शिक्षक की तरह समझें जो मानता है कि यदि आप उम्मीद करते हैं कि 100 छात्र देर से आएंगे, तो वास्तविक संख्या लगभग हमेशा ठीक 100 ही होगी, या शायद 99 या 101। यह मान लेता है कि जीवन पूरी तरह से अनुमानित है और "आश्चर्य" दुर्लभ और एकसमान होते हैं।

हालाँकि, वास्तविक जीवन अव्यवस्थित है। कभी-कभी, फ्लू फैलने से उम्मीद से कहीं अधिक लोग बीमार हो जाते हैं (एक "आश्चर्यजनक" समूह), और अन्य समय में, एक स्वस्थ समुदाय में अनुमानित दुर्घटनाओं से कम मामले होते हैं। मानक नियम अक्सर इन उतार-चढ़ावों को पकड़ने में विफल रहता है, जिससे भविष्यवाणियां बहुत अधिक आत्मविश्वासी और बहुत संकीर्ण हो जाती हैं। यह शोध पत्र उस अव्यवस्थित वास्तविकता में कदम रखता है और एक सरल प्रश्न पूछता है: क्या होगा यदि "आश्चर्य" की मात्रा हर किसी के लिए, हर जगह और हर वर्ष एक समान नहीं है? क्या होगा यदि जीवन की अप्रत्याशितता इस बात पर निर्भर करती है कि आपकी उम्र क्या है या कौन सा वर्ष चल रहा है?

इस शोध पत्र के लेखक, जैकी सियाव त्ज़ वोंग और एमिलियानो ए. वाल्डेज़ ने एक सख्त शिक्षक को बदलकर एक बहुत अधिक लचीले शिक्षक को पेश करने का निर्णय लिया। उन्होंने एक नया गणितीय उपकरण पेश किया जिसे 'कॉनवे-मैक्सवेल-पॉइसन' (CMP) डिस्ट्रीब्यूशन कहा जाता है। जहाँ पुराना उपकरण यह मानता था कि "आश्चर्य कारक" पूरी आबादी के लिए एक एकल, अपरिवर्तनीय संख्या है, वहीं नया उपकरण उस "आश्चर्य कारक" को एक गिरगिट की तरह मानता है। यह व्यक्ति की आयु और अध्ययन किए जा रहे विशिष्ट वर्ष के आधार पर अपना रंग (या मान) बदल सकता है।

1961 से 2002 तक इंग्लैंड और वेल्स में पुरुषों की मृत्यु के आंकड़ों का उपयोग करते हुए, शोधकर्ताओं ने अपने विचार का परीक्षण करने के लिए एक जटिल कंप्यूटर सिमुलेशन बनाया। उन्होंने केवल अनुमान नहीं लगाया; उन्होंने यह देखने के लिए हजारों चक्र चलाए कि उनका नया "गिरगिट वाला" मॉडल पुराने, कठोर मॉडलों की तुलना में वास्तविक इतिहास के साथ कितनी अच्छी तरह फिट बैठता है। उन्होंने पाया कि पुराने मॉडल वास्तव में लक्ष्य से चूक रहे थे। नए मॉडल ने खुलासा किया कि "आश्चर्य कारक" एक सीधी रेखा नहीं है। उदाहरण के लिए, शिशुओं की मृत्यु दर की अप्रत्याशितता किशोरों या बुजुर्गों की तुलना में बहुत अलग है। इसी तरह, कुछ वर्षों (जैसे 1969 या 2000) में अन्य वर्षों की तुलना में बहुत अधिक अराजक भिन्नता थी।

यह शोध पत्र सुझाव देता है कि मॉडल को इन पैटर्नों को सीधे डेटा से सीखने देने से, न कि हर किसी पर एक एकल नियम थोपने से, हमें भविष्य की अधिक स्पष्ट तस्वीर मिलती है। जब उन्होंने इसका परीक्षण एन्युइटी जैसे वित्तीय उत्पादों पर किया, तो नए मॉडल ने एक अधिक सटीक सुरक्षा जाल प्रदान किया, जिससे जोखिम को कम आंकने के जाल से बचा जा सका। लेखक निष्कर्ष निकालते हैं कि हालांकि उनकी विधि जादू से भविष्य की भविष्यवाणी नहीं करती है, लेकिन यह इस बात को स्वीकार करने में बहुत बेहतर काम करती है कि वह क्या नहीं जानती, जिससे सभी के लिए सुरक्षित और निष्पक्ष वित्तीय नियोजन संभव होता है।

तकनीकी सारांश: मृत्यु दर डेटा के लिए कॉनवे-मैक्सवेल-पॉइसन विनिर्देश का उपयोग करते हुए संरचित विक्षेपण मॉडलिंग (Structured Dispersion Modelling)

समस्या विवरण
पारंपरिक मृत्यु दर पूर्वानुमान मॉडल, जैसे कि ली-कार्टर (LC) और केर्न्स-ब्लैक-डाउड (CBD) परिवार, आमतौर पर मृत्यु गणनाओं के लिए पॉइसॉन (Poisson) वितरण का अनुमान लगाते हैं। यह धारणा माध्य-विचरण समानता ( $E[D_{xt}] = \text{Var}[D_{xt}]$ ) लागू करती है, जो अनपेक्षित विषमता (unobserved heterogeneity) के कारण अनुभवजन्य मृत्यु दर डेटा में अक्सर विफल रहती है। मौजूदा साहित्य ने वैश्विक विक्षेपण मापदंडों (जैसे कि क्वाजी-पॉइसॉन, नेगेटिव-बाइनोमियल, या एकल वैश्विक कॉनवे-मैक्सवेल-पॉइसन विनिर्देशों) के माध्यम से ओवरडिस्पर्शन (overdispersion) को संबोधित किया है, लेकिन ये दृष्टिकोण विक्षेपण को एक स्थिर, समग्र मात्रा के रूप में मानते हैं। लेखक तर्क देते हैं कि व्यवहार में यह धारणा शायद ही कभी संतुष्ट होती है; विक्षेपण संभवतः एक संरचित मात्रा है जो आयु और समय के अनुसार व्यवस्थित रूप से बदलती है। इस संरचनात्मक विषमता को पकड़ने में विफल रहने से अंशांकन (calibration) त्रुटियां हो सकती हैं, पूर्वानुमान अंतराल (prediction intervals) बहुत संकीर्ण हो सकते हैं, और दीर्घायु जोखिम (longevity risk) का कम आकलन हो सकता है।

कार्यप्रणाली
यह शोध पत्र एक लचीला ढांचा प्रस्तावित करता है जो स्पष्ट रूप से कॉनवे-मैक्सवेल-पॉइसन (CMP) वितरण का उपयोग करके आयु और समय के फलन (function) के रूप में विक्षेपण को मॉडल करता है।

वितरण विनिर्देश (Distributional Specification):
मुख्य नवाचार एक एकल वैश्विक विक्षेपण पैरामीटर ( $\nu$ ) से हटकर आयु-विशिष्ट ( $\nu_x$ ) और अवधि-विशिष्ट ( $\nu_t$ ) मापदंडों की ओर बढ़ना है। CMP वितरण अंडरडिस्पर्शन ( $\nu > 1$ ), इक्विडिस्पर्शन ( $\nu = 1$ ), और ओवरडिस्पर्शन ( $\nu < 1$ ) की अनुमति देता है।

आयु-विशिष्ट मॉडल (CMP–LC–x, CMP–LCC–x): विक्षेपण पैरामीटर आयु समूह $x$ द्वारा भिन्न होता है।
अवधि-विशिष्ट मॉडल (CMP–LC–t, CMP–LCC–t): विक्षेपण पैरामीटर कैलेंडर वर्ष $t$ द्वारा भिन्न होता है।
इन दोनों को मानक मृत्यु दर संरचनाओं (ली-कार्टर (LC) मॉडल और कोहोर्ट (Cohort) के साथ ली-कार्टर (LCC) मॉडल) के साथ जोड़ा गया है।

बायेसियन फॉर्मूलेशन (Bayesian Formulation):
लेखक विक्षेपण मापदंडों को अज्ञात यादृच्छिक चरों (unknown random variables) के रूप में मानने के लिए एक बायेसियन ढांचे को अपनाते हैं।

प्रायर्स (Priors): $\nu_x$ और $\nu_t$ के लिए वेज गामा प्रायर्स ( $\text{Gamma}(1, 0.01)$ ) दिए गए हैं ताकि पूर्व-निर्धारित विक्षेपण संरचना के बिना डेटा-संचालित निष्कर्ष निकाला जा सके। मृत्यु दर मापदंडों ( $\alpha_x, \beta_x, \kappa_t, \gamma_c$ ) के लिए मानक प्रायर्स का उपयोग किया जाता है, जिसमें समय और कोहोर्ट प्रवृत्तियों को पकड़ने के लिए ARIMA-प्रकार के प्रायर्स शामिल हैं।
टाइम-सीरीज विस्तार: अवधि-विशिष्ट विक्षेपण के लिए, पेपर विक्षेपण प्रक्रिया में टेम्पोरल सहसंबंधों और प्रवृत्तियों को पकड़ने के लिए लीनियर ड्रिफ्ट के साथ ARIMA(0,1,1) प्रायर का अन्वेषण करता है, जिससे विषमता के गतिशील प्रक्षेपण (dynamic projection) की अनुमति मिलती है।
अनुमान (Estimation): मापदंडों का अनुमान मार्कोव चेन मोंटे कार्लो (MCMC) विधियों का उपयोग करके लगाया जाता है। विक्षेपण मापदंडों के लिए अपडेटिंग स्कीम में धनात्मकता सुनिश्चित करने के लिए लॉग-स्केल मेथोड-हैस्टिंग्स स्टेप्स का उपयोग किया जाता है।

प्रमुख योगदान
शोध पत्र तीन प्राथमिक योगदानों की पहचान करता है:

लचीला विक्षेपण ढांचा: पिछले CMP अनुप्रयोगों के विपरीत, जो एक एकल वैश्विक $\nu$ का उपयोग करते हैं, यह ढांचा विक्षेपण के प्रकार और डिग्री को आयु और समय के अनुसार बदलने की अनुमति देता है। यह पूर्व-निर्धारण के बिना सीधे डेटा से अंतर्निहित विक्षेपण संरचनाओं के निष्कर्ष निकालने में सक्षम बनाता है।
सुसंगत बायेसियन कार्यान्वयन: लेखक एक बायेसियन कार्यान्वयन प्रस्तुत करते हैं जो पैरामीटर, प्रक्रिया और वितरण संबंधी अनिश्चितता को एकीकृत करता है। यह सामान्य फ्रीक्वेंटिस्ट (frequentist) दृष्टिकोणों में सामान्य दो-चरणीय अनुमान प्रक्रियाओं से बचता है और अनिश्चितता को सुसंगत रूप से प्रसारित करने के लिए प्रायर संरचनाओं का उपयोग करता है।
अनुभवजन्य सत्यापन और बीमांकिक अनुप्रयोग (Empirical Validation and Actuarial Application): इस कार्यप्रणाली को इंग्लैंड और वेल्स के पुरुष मृत्यु डेटा (1961-2002) पर लागू किया गया है। अध्ययन दर्शाता है कि मृत्यु गणनाओं में परिवर्तनशीलता विभिन्न आयु और अवधियों में काफी भिन्न होती है, जिसका दीर्घायु जोखिम के अंशांकन और वार्षिकी मूल्य निर्धारण (annuity pricing) के लिए निहितार्थ है।

परिणाम
इंग्लैंड और वेल्स के पुरुष मृत्यु डेटा का उपयोग करते हुए, अध्ययन पॉइसॉन, मानक CMP और संरचित CMP मॉडलों (दोनों LC और LCC वेरिएंट) की तुलना करता है।

विक्षेपण पैटर्न: अनुभवजन्य विश्लेषण से पता चलता है कि विक्षेपण समान नहीं है। शिशु आयु, 18-23 आयु, 45-50 आयु, 60-65 आयु और 80-95 आयु में महत्वपूर्ण ओवरडिस्पर्शन देखा गया है। अवधि-विशिष्ट विश्लेषण 1963, 1969, 1985, 1994 और 2000-2002 जैसे वर्षों में मजबूत ओवरडिस्पर्शन दिखाता है।
मॉडल फिट: संरचित CMP मॉडल (विशेष रूप से CMP–LCC–x और CMP–LCC–t) पॉइसॉन और वैश्विक CMP मॉडलों की तुलना में काफी बेहतर प्रदर्शन करते हैं।
- रेसिडुअल्स (Residuals): CMP–LCC–x मॉडल मृत्यु गणनाओं के लिए न्यूनतम कुल रेसिडुअल्स प्रदान करता है, जो मानक मॉडलों (जैसे शिशु आयु और 18-23 आयु) में पाई जाने वाली विसंगतियों के समूहों को प्रभावी ढंग से कम करता है।
- वार्षिकी मूल्य निर्धारण (Annuity Pricing): वार्षिकी-ड्यू (annuity-due) मूल्यों के संदर्भ में, CMP–LCC–t मॉडल सबसे अच्छा प्रदर्शन करता है, जो अंतराल की चौड़ाई के बेहतर अंशांकन को प्रदान करता है।
अनिश्चितता अंशांकन: संरचित विक्षेपण वाले मॉडल अधिक यथार्थवादी पूर्वानुमान अंतराल (prediction intervals) उत्पन्न करते हैं। वैश्विक मॉडल कुछ आयु के लिए अत्यधिक विस्तृत अंतराल और कुछ के लिए अत्यधिक संकीर्ण अंतराल उत्पन्न करते हैं (औसत के कारण)। संरचित मॉडल स्थानीय डेटा विशेषताओं के अनुसार अंतराल की चौड़ाई को अनुकूलित करते हैं, जिससे होल्डआउट डेटा का कवरेज सुधर जाता है।
पूर्वानुमान (Forecasting): $\nu_t$ के लिए टाइम-सीरीज प्रायर (ARIMA(0,1,1)) एक धीरे-धीरे विकसित होने वाले स्टोकेस्टिक ट्रेंड को सफलतापूर्वक पकड़ता है, जो यह सुझाव देता है कि ओवरडिस्पर्शन का स्तर भविष्य में धीरे-धीरे कम हो सकता है, हालांकि लेखक संभावित नकारात्मक अनुमानों और अनिश्चित रैखिक प्रवृत्तियों के संबंध में सीमाओं का उल्लेख करते हैं।

महत्व और दावे
शोध पत्र का दावा है कि एकल वैश्विक विक्षेपण पैरामीटर पर निर्भर मॉडलों की तुलना में संरचनात्मक विक्षेपण को स्पष्ट रूप से मॉडल करना एक बेहतर विकल्प है। डेटा से सीधे विक्षेपण संरचना का निष्कर्ष निकालकर, प्रस्तावित ढांचा:

उस अवशिष्ट विषमता (residual heterogeneity) को पकड़ता है जिसे मानक ओवरडिस्पर्शन मॉडल अनदेखा कर देते हैं।
अनिश्चितता का अधिक स्थानीयकृत अंशांकन प्रदान करता है, जो सटीक दीर्घायु जोखिम मूल्यांकन और वार्षिकी मूल्य निर्धारण के लिए महत्वपूर्ण है।
यह प्रदर्शित करता है कि मृत्यु दर में स्टोकेस्टिक भिन्नता की डिग्री स्थिर नहीं है बल्कि आयु स्पेक्ट्रम और समय के साथ व्यवस्थित रूप से बदलती है।

लेखक निष्कर्ष निकालते हैं कि लचीले वितरण अनुमानों (CMP) को संरचित विक्षेपण घटकों के साथ एक सुसंगत बायेसियन ढांचे के भीतर जोड़ने से बेहतर मॉडल फिट और मृत्यु विषमता का समृद्ध प्रतिनिधित्व प्राप्त होता है। वे विनम्रतापूर्वक सुझाव देते हैं कि भविष्य के कार्य में टाइम-सीरीज विनिर्देशों के लिए औपचारिक मॉडल चयन और ऐसे वैकल्पिक प्रायर्स का अन्वेषण किया जा सकता है जो विक्षेपण अनुमानों में गैर-ऋणात्मकता और दीर्घकालिक स्थिरता सुनिश्चित करें।

इसी तरह के और पेपर