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

Questo studio applica un modello bayesiano Age-Period-Cohort ai dati sulla fertilità di Porto Rico dal 1948 al 2022, rivelando che il drastico calo dei tassi di fecondità è dovuto principalmente a effetti di coorte, in particolare per le generazioni nate dal 1963 in poi, senza evidenze di un ritardo nella maternità.

L'essenziale

Immaginate di voler capire perché una famiglia in un piccolo villaggio sta avendo sempre meno bambini. Potreste guardare tre cose diverse:

1. L'età: Le donne sono più giovani o più vecchie? (Effetto Età).
2. Il momento storico: C'è una guerra, una crisi economica o una nuova tecnologia che colpisce tutti allo stesso tempo? (Effetto Periodo).
3. La generazione: Le donne nate in un certo anno hanno valori o abitudini diverse rispetto a quelle nate prima o dopo? (Effetto Cohort o "Cohorte").

Questo studio scientifico si concentra su Portorico, un luogo dove la popolazione sta invecchiando e le nascite sono crollate a livelli record (tra i più bassi al mondo). Gli scienziati volevano capire: è colpa del momento storico difficile o è perché le nuove generazioni hanno deciso di non fare figli?

Ecco come hanno fatto, spiegato con parole semplici e qualche analogia divertente.

1. Il Problema del "Treno Fantasma" (Il Problema di Identificazione)

In statistica, c'è un vecchio problema: Età, Periodo e Cohort sono legati come un treno dove ogni carro è attaccato all'altro. Se sai due cose, sai automaticamente la terza. È come dire: "Se so che sono nato nel 1990 e che oggi è il 2024, allora so che ho 34 anni".
Questo crea un "treno fantasma" matematico: ci sono infinite soluzioni possibili e non si sa quale sia quella vera.
La soluzione degli autori: Invece di usare le vecchie regole rigide (come dire "la somma deve essere zero"), hanno usato un approccio più flessibile e moderno chiamato Bayesiano. Immaginate di avere una mappa con molte strade possibili, ma invece di scegliere a caso, usano le informazioni che già hanno (la "priori") per restringere il campo e trovare la strada più probabile, tenendo conto anche dell'incertezza.

2. Gli Strumenti Magici: Le "Palle di Neve" e i "Filtri"

Per analizzare i dati dal 1948 al 2022, hanno usato un modello speciale:

• Il modello Poisson: Immaginate di contare le palle di neve che cadono su un tetto. Più palle ci sono, più è probabile che ne cadano altre. Usano questo per contare le nascite.
• Le Prie "Scaled Beta2": Questa è la parte innovativa. Immaginate che i dati siano un fiume. I vecchi metodi usavano un filtro che si rompeva se il fiume era troppo forte (dati estremi). Loro hanno usato un filtro nuovo, chiamato Scaled Beta2, che è come un filtro "intelligente": si adatta alla forza dell'acqua senza rompersi e gestisce bene le sorprese.

3. Cosa hanno scoperto? (La Sorpresa)

Molti paesi (come la Corea del Sud o gli USA) hanno visto il calo delle nascite perché le donne rimandavano la maternità (volevano prima laurearsi, comprare casa, ecc.). Questo è un effetto del "Periodo": tutti rimandano per le stesse ragioni esterne.

Ma Portorico è diverso!
Lo studio ha scoperto che a Portorico non c'è stato un "rimando". Le donne non stanno solo spostando le nascite in età più avanzata; stanno semplicemente facendo meno figli rispetto alle generazioni precedenti.

• L'analogia: Immaginate due gruppi di amici.
  • Nel gruppo A (altri paesi), tutti decidono di andare al cinema più tardi della solita ora (rimandano), ma alla fine vanno tutti.
  • Nel gruppo B (Portorico), le persone nate dopo il 1963 hanno deciso di non andare più al cinema. Non è che hanno rimandato l'uscita; hanno cambiato idea per sempre.

4. Il Verdetto: È colpa delle Generazioni, non del Momento

Usando i loro "filtri intelligenti" e confrontando diversi modelli, hanno scoperto che:

• Fino al 1997, le cose succedevano un po' per tutti (effetti del periodo).
• Dopo il 1998, la colpa (o la ragione) principale è la Cohort: le donne nate dopo il 1963-1967 hanno valori culturali e sociali diversi che le portano ad avere meno figli, indipendentemente da cosa succede nell'economia o nella politica.

5. Perché è importante?

Se pensiamo che il problema sia solo economico (Periodo), i politici proveranno a dare soldi o a creare posti di lavoro per "sbloccare" le nascite.
Ma se il problema è culturale e generazionale (Cohort), come dice questo studio, allora i soldi da soli non bastano. Bisogna capire i valori, la cultura e le scelte di vita di queste nuove generazioni.

In sintesi:
I ricercatori hanno usato una "lente Bayesiana" nuova e potente per guardare Portorico. Hanno scoperto che il crollo delle nascite non è un temporale passeggero (effetto periodo), ma un cambiamento climatico permanente nelle abitudini delle nuove generazioni (effetto cohort). Non stanno solo "rimandando" la vita, stanno vivendo la vita in modo diverso. E per salvare la popolazione, le politiche future dovranno parlare al cuore e alla mente di queste nuove generazioni, non solo al loro portafoglio.

Sommario tecnico

Sintesi Tecnica: Un approccio Bayesiano Age-Period-Cohort per la modellazione della fertilità a Porto Rico

1. Il Problema e il Contesto Demografico

Porto Rico si trova in una situazione demografica unica e critica, caratterizzata da uno dei tassi di fertilità totale (TFR) più bassi al mondo (0,9 nel 2023), un saldo migratorio negativo e una popolazione che invecchia rapidamente (classificata come "super-invecchiata").

• Il paradosso: Mentre la maggior parte degli studi demografici internazionali (es. Corea del Sud, USA, Italia) attribuisce il declino della fertilità principalmente agli effetti di periodo (eventi storici, crisi economiche, politiche) o al posticipo delle nascite (tempo di nascita), Porto Rico mostra un pattern diverso.
• L'obiettivo: L'obiettivo dello studio è sviluppare un modello Age-Period-Cohort (APC) Bayesiano per analizzare i dati di fertilità dal 1948 al 2022, determinando se il declino è guidato da effetti di periodo o di coorte, e verificare l'ipotesi di un'assenza di posticipo delle nascite.

2. Metodologia

Gli autori hanno implementato un modello gerarchico Bayesiano utilizzando il linguaggio Stan (tramite l'interfaccia RStan) e metodi MCMC (Markov Chain Monte Carlo).

• Dati: Matrice di nascite ($Y$) e popolazione a rischio ($P$) per 7 gruppi di età (15-49 anni, a intervalli di 5 anni) e 15 periodi (1948-2022).
• Likelihood: Distribuzione di Poisson per il numero di nascite, modellando il tasso di fertilità specifico per età ($ASFR$) con un offset logaritmico della popolazione.
• Struttura del Modello:
  • Effetti: $\theta_a$ (Età), $\phi_t$ (Periodo), $\alpha_c$ (Cohorte).
  • Priors Autoregressivi: I parametri per età, periodo e coorte seguono un processo autoregressivo di secondo ordine RW(2) (Random Walk), che impone una tendenza temporale lineare e regolarizza le fluttuazioni.
  • Priors per la Precisione: Invece delle tradizionali distribuzioni Inverse-Gamma o Gamma, gli autori utilizzano la distribuzione Scaled Beta2 ($SBeta2$) per i parametri di precisione ($\tau$). Questa scelta offre maggiore flessibilità (code più pesanti) e robustezza contro i valori estremi.
• Risoluzione del Problema di Identificazione:
  • Il problema di identificazione (collinearità perfetta: $Cohorte = Periodo - Età$) è stato affrontato imponendo vincoli specifici ma innovativi.
  • Invece di vincoli rigidi (somma a zero o fissare parametri a zero esatto), gli autori hanno applicato vincoli probabilistici su coorti "completate" (10ª e 11ª coorte, corrispondenti a intervalli temporali con dati fertili completi), assegnando loro una distribuzione normale con varianza molto piccola ma non nulla ($N(0, 0.0025)$). Questo approccio evita intervalli di credibilità irrealisticamente stretti.

3. Risultati Chiave

• Dominanza degli Effetti di Cohorte:
  • L'analisi dei residui e i criteri di confronto dei modelli (LOOIC e WAIC) indicano che gli effetti di coorte spiegano il 45,96% della variazione nel modello APC, mentre gli effetti di periodo ne spiegano solo il 19,34%.
  • Le coorti nate dopo il 1963-1967 mostrano tassi di fertilità notevolmente bassi e persistenti.
• Assenza di Posticipo delle Nascite:
  • A differenza di altri paesi a fertilità ultra-bassa, Porto Rico non mostra evidenze di un "posticipo" (spostamento delle nascite verso età più avanzate). Non c'è recupero della fertilità nelle età successive.
  • Gli effetti di età mantengono una forma a "U" rovesciata classica, con il picco nella fascia 20-24 anni, senza lo spostamento verso il basso tipico del posticipo.
• Cambiamento Temporale:
  • 1948-1997: Gli effetti di periodo hanno predominato (declino iniziale).
  • Post-1998: Gli effetti di coorte diventano il fattore dominante nel spiegare il crollo della fertilità.
• Performance del Modello:
  • I modelli con prior Scaled Beta2 e i vincoli originali hanno prodotto le migliori prestazioni (LOOIC e WAIC più bassi) e stime del TFR per il periodo 2018-2022 molto vicine al valore reale (0,9).
  • I modelli con prior Gamma hanno prodotto intervalli di credibilità troppo ampi e stime meno accurate.

4. Contributi Principali

1. Contributo Demografico: Dimostra che il caso di Porto Rico è atipico rispetto alla letteratura globale. Il declino della fertilità non è guidato principalmente da eventi periodici o dal posticipo, ma da cambiamenti culturali e comportamentali radicati nelle coorti (valori sociali, intenzioni familiari). Questo suggerisce che le politiche pubbliche devono focalizzarsi sui valori culturali delle generazioni specifiche piuttosto che su interventi temporanei.
2. Contributo Metodologico:
   • Introduzione della distribuzione Scaled Beta2 come alternativa robusta alle priors Gamma/Inverse-Gamma per i parametri di precisione nei modelli APC.
   • Proposta di un approccio innovativo alla risoluzione del problema di identificazione tramite vincoli probabilistici su coorti complete, migliorando la stabilità degli intervalli di credibilità rispetto ai vincoli di uguaglianza rigida o somma a zero.
   • Sviluppo di un framework Bayesiano completo che quantifica l'incertezza totale dei parametri.

5. Significato e Implicazioni

Lo studio sottolinea la necessità di adattare i modelli demografici al contesto specifico di ogni territorio. L'applicazione di un approccio standard basato sugli effetti di periodo potrebbe portare a conclusioni errate per Porto Rico.

• Politiche Pubbliche: Poiché il declino è guidato dalle coorti, le politiche per invertire il trend devono considerare i cambiamenti strutturali nei valori sociali e nelle aspettative di vita delle generazioni più giovani, piuttosto che semplici incentivi economici temporanei.
• Futuro della Ricerca: Gli autori suggeriscono lo sviluppo di pacchetti R dedicati e l'uso di fattori di Bayes per futuri test di ipotesi, rendendo questo framework replicabile per altre giurisdizioni con fertilità ultra-bassa.

In conclusione, l'articolo fornisce una prova statistica rigorosa che a Porto Rico il "cambio generazionale" (coorte) è il motore principale del crollo demografico, offrendo al contempo avanzamenti significativi nella metodologia statistica Bayesiana per l'analisi APC.