Forecasting sub-population mortality using credibility theory

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 역학, 인구학, 보험 계리 등 다양한 분야에서 사망률은 주로 연령 - 기간 표 (age-period tables) 로 집계되어 분석됩니다.
• 핵심 문제: 전체 인구 (Super-population) 에 대해서는 신뢰할 수 있는 사망률 예측 모델을 구축할 수 있지만, **소규모 하위 인구 집단 (Small sub-populations)**의 경우 데이터가 부족하거나 이력이 짧아 개별적으로 모델을 구축하고 예측하는 것이 불가능하거나 매우 불안정합니다.
• 현실적 제약: 하위 인구 집단은 전체 인구의 거시적 사망률 추세를 공유하면서도, 생물학적 표지자, 인구통계학적 변수, 행동 요인 등으로 인해 집단 고유의 효과 (Specific effects) 를 가집니다.
• 목표: 전체 인구의 신뢰할 수 있는 예측과 하위 인구 집단의 제한된 데이터를 결합하여, 하위 인구 집단의 미래 사망률을 보다 정확하게 예측하는 방법론을 개발하는 것입니다.

2. 방법론 (Methodology)

이 논문은 **신용도 이론 (Credibility Theory)**을 사망률 예측에 적용하여 새로운 예측자를 도출했습니다.

가. 모델 구조

• 전체 모델 (Global Model): 전체 인구의 사망률 ($\mu_{x,t}$) 은 포아송 (Poisson) 기반의 Lee-Carter 모델 또는 일반화된 연령 - 기간 - 코호트 (APC) 모델을 사용하여 예측합니다. 이는 확률적 과정 (Latent stochastic process) 으로 간주됩니다.
• 하위 집단 모델: 하위 집단 $i$의 사망률은 전체 모델에 **랜덤 효과 (Random effect)**인 $\Theta^i_x$를 곱한 형태로 정의됩니다.
  $$\mu^i_{x,t} = \mu_{x,t} \cdot \Theta^i_x$$
  여기서 $\Theta^i_x$는 연령 $x$와 하위 집단 $i$에 의존하며, 시간에 따라 안정적인 집단 고유의 위험도 (Relative survival) 를 나타냅니다.

나. 신용도 예측자 (Credibility Predictor) 유도

• 선형 신용도 추정기: 과거 관측된 사망률 비율 ($F^i_{x,t}$) 을 기반으로 미래의 기대 사망률을 추정하는 선형 추정기를 도출했습니다.
• 가중 평균 형태: 최종 예측자는 전체 인구의 기대 사망률과 하위 집단 고유의 상대 생존 모델의 가중 평균으로 표현됩니다.
  $$\hat{\mu}^i_{x,t+h} = (1 - z^i_x) \mu_{x,t+h} + z^i_x \mu^i_{x,t+h}$$
  • $z^i_x$: 신용도 가중치 (Credibility weight). 하위 집단의 노출 (Exposure, $E^i_{x,t}$) 이 크고, 집단 간 변동성 ($\text{Var}(\Theta^i_x)$) 이 클수록 1 에 가까워져 하위 집단 모델의 가중치가 커집니다. 반대로 데이터가 부족하면 0 에 가까워져 전체 모델에 의존합니다.
  • $\mu^i_{x,t+h}$: 하위 집단 고유의 상대 생존 모델 (MLE 기반).

다. 추정 및 계산 (Plug-in Estimation)

• 이론적 예측자는 알 수 없는 모수 (기대값, 분산) 를 포함하므로, 실제 적용을 위해 Plug-in 추정 방식을 도입했습니다.
• $\Theta^i_x$의 분산은 모멘트 기반 추정기 (Moment-based estimator) 를 사용하여 계산하며, 음수 값을 방지하기 위해 0 으로 조정합니다.
• 이 접근법은 특정 분포 가정 (Bayesian prior 등) 에 의존하지 않고, 1 차 및 2 차 모멘트와 의존성 구조만 가정하여 계산 가능합니다.

라. 예측 오차 분석

• 기대 제곱 예측 오차 (Expected Quadratic Forecast Error): 예측자의 불확실성을 정량화하기 위해 명시적인 수식을 유도했습니다.
  • 이 오차는 전체 모델의 불확실성, 하위 집단 랜덤 효과의 분산, 그리고 신용도 가중치에 의한 추가 변동성을 포함합니다.
  • 하위 집단 모델과 전체 모델을 단순히 결합하는 것만으로는 설명되지 않는 과분산 (Over-dispersion) 효과를 고려합니다.

3. 주요 기여 (Key Contributions)

1. 신용도 이론의 확장: 기존의 비생명 보험 청구 빈도 모델링에 사용되던 고전적 신용도 이론을, **확률적 강도 (Stochastic intensity)**를 가진 Lee-Carter 유형의 사망률 모델에 적용하도록 확장했습니다.
2. 모델 독립성: 전체 인구의 예측 모델 (Lee-Carter, APC 등) 의 구체적인 형태에 구애받지 않는 일반적인 프레임워크를 제공합니다.
3. 명시적 오차 식: 예측자의 단순한 구조 덕분에 기대 제곱 예측 오차에 대한 명시적 식을 유도하여, 예측의 불확실성을 정량화할 수 있게 했습니다.
4. 베이지안 접근법과의 차별화: 베이지안 모델링은 사전 분포 (Prior) 에 대한 강한 가정이 필요하지만, 제안된 방법은 1 차 및 2 차 모멘트만 가정하여 소규모 데이터에서 사전 정보에 과도하게 의존하지 않는 장점이 있습니다.

4. 실험 결과 (Results)

이탈리아 인구 데이터를 기반으로 한 시뮬레이션 연구를 통해 방법론을 검증했습니다.

• 시나리오: 전체 인구를 구성하는 세 가지 크기의 하위 집단 (소규모, 중규모, 대규모) 을 생성하여 분석했습니다.
• 신용도 가중치의 행동:
  • 데이터가 부족한 집단 (소규모): 신용도 가중치 ($z^i_x$) 가 낮아 전체 인구 모델 (Global Model) 에 크게 의존합니다.
  • 데이터가 풍부한 집단 (대규모): 신용도 가중치가 높아 하위 집단 고유의 상대 생존 모델 (Relative Survival Model) 에 가깝게 수렴합니다.
  • 연령별 패턴: 사망률이 높은 고령층에서는 사망 건수가 많아 가중치가 증가하여 하위 집단 모델의 영향을 더 받습니다.
• 예측 성능 비교:
  • **모델 A (제안된 신용도 모델)**는 **모델 C (하위 집단별 독립 모델)**보다 일관되게 우수한 성능을 보였습니다. 특히 데이터가 부족한 소규모 집단에서 독립 모델은 수렴 실패나 불안정한 추정을 보인 반면, 신용도 모델은 전체 모델을 기반으로 안정성을 유지했습니다.
  • **모델 B (상대 생존 모델)**는 종종 모델 C 보다 성능이 좋았으나, 신용도 모델 (A) 은 B 와 전체 모델 (D) 사이의 최적의 절충점을 제공하여 가장 낮은 평균 제곱 오차 (MSE) 와 포아송 편차 (Poisson Deviance) 를 기록했습니다.
• 오차 구간: 유도된 예측 오차 식은 실제 관측 데이터의 변동성을 잘 포착하여 신뢰구간을 적절히 설정하는 것을 보여주었습니다.

5. 의의 및 결론 (Significance)

• 실용적 가치: 소규모 하위 인구 집단 (예: 특정 직업군, 특정 질병 보유자, 소수 민족 등) 의 사망률을 예측할 때, 데이터 부족으로 인한 예측 실패를 방지하고 신뢰할 수 있는 예측을 제공하는 강력한 도구입니다.
• 이론적 발전: 사망률 예측 분야에서 신용도 이론의 적용 범위를 넓혔으며, 확률적 과정과 결합된 새로운 예측 프레임워크를 제시했습니다.
• 적용 가능성: 보험 계리 (생보/손보), 공중보건 정책 수립, 인구 통계학적 분석 등 다양한 분야에서 소규모 집단의 리스크 관리와 자원 배분에 활용될 수 있습니다.

요약하자면, 이 논문은 데이터가 부족한 소규모 집단의 사망률 예측 문제를 해결하기 위해, 전체 인구의 거시적 추세와 하위 집단의 미시적 특성을 '신용도 가중치'로 자동 조정하여 결합하는 효율적이고 통계적으로 엄밀한 방법론을 제안하고 검증했습니다.