Technische Samenvatting: Een Probabilistisch Kader voor het Schatten van de Modale Sterfleeftijd

Probleemstelling

De modale sterfleeftijd ($M$), gedefinieerd als de leeftijd waarbij de levensverdeling van sterfgevallen piekt, is een standaardindicator voor levensverwachting die de verschuiving van sterfte naar een latere leeftijd volgt. In tegenstelling tot de levensverwachting is het onafhankelijk van mortaliteit op jonge leeftijden. Het schatten van $M$ is echter uitdagend omdat de verdeling van sterfgevallen nabij de piek vaak vlak is. Bijgevolg kunnen kleine willekeurige fluctuaties in de jaarlijkse sterftecijfers de geïdentificeerde maximumwaarde met een jaar of meer verschuiven.

Bestaande methoden rapporteren $M$ doorgaans als een enkel puntpunt (bijv. via parametrische Gompertz-modellen, P-spline smoothing of discrete afgeleide-testen) waarbij de onzekerheid apart wordt beoordeeld via bootstrap- of delta-methoden. Deze benaderingen leveren betrouwbaarheidsintervallen op die hypothetische herhalingen van gegevens beschrijven, maar falen in het toekennen van een waarschijnlijkheid aan een specifieke kandidaat-leeftijd of in het onthullen wanneer naburige leeftijden bijna een even grote ondersteuning in de data hebben. Dit artikel adresseert de behoefte aan een methode die de volledige posterior verdeling van de modale leeftijd schat, waardoor onzekerheid direct wordt gekwantificeerd in termen van de waarschijnlijkheid dat een specifieiek leeftijdscijfer de modus is.

Methodologie

De auteurs stellen een Bayesiaans kader voor dat de onzekerheid van sterfteratene door de levensverdeling naar de modale leeftijd propageert. De kerninnovatie is het behandelen van de modale leeftijd niet als een vaste parameter, maar als een willekeurige variabele afgeleid van de posterior verdeling van sterfteraten.

1. Likelihood en Onafhankelijke Priors

Het model gaat ervan uit dat de sterfteaantallen ($D_x$) op leeftijd $x$ een Poisson-verdeling volgen gegeven de sterfterate ($m_x$) en blootstelling ($E_x$):
$$D_x | m_x \sim \text{Poisson}(m_x E_x)$$
Aanvankelijk overwegen de auteurs onafhankelijke Gamma-priors voor de raten ($m_x \sim \text{Gamma}(\alpha, \beta)$). Vanwege de conjugatie is de posterior voor elke rate eveneens Gamma:
$$m_x | D \sim \text{Gamma}(\alpha + D_x, \beta + E_x)$$
Deze opzet maakt exacte Monte Carlo-integratie mogelijk. Door monsters van de raten te trekken uit deze posteriors, deze om te zetten naar levensverdeling-sterfgevallen ($d_x$) en het maximum te identificeren, construeren de auteurs de posterior verdeling $P(M=x | D)$.

2. Random-Walk Prior (RW2)

In het besef dat sterfteraten per jaar ruisgevoelig zijn en dat mortaliteitsraten (op een logaritmische schaal) doorgaans lineair toenemen met de leeftijd (Gompertz-wet), introduceren de auteurs een tweede-orde random-walk (RW2) prior op de log-rates ($\eta_x = \log m_x$):
$$\eta_x - 2\eta_{x-1} + \eta_{x-2} \sim N(0, \lambda^{-1})$$
Deze prior stimuleert gladheid door grote veranderingen in de helling van de mortaliteit van de ene leeftijd naar de volgende te bestraffen, wat effectief informatie deelt tussen naburige leeftijden. De smoothing-parameter $\lambda$ wordt geïntegreerd via een Laplace-benadering, waardoor de data de mate van smoothing kunnen bepalen.

3. Schatting en Interpolatie

• Punt-schattingen: De posterior gemiddelde, mediaan en modus van de geïnterpoleerde modale leeftijd ($\tilde{M}$) worden gebruikt als punt-schattingen. De interpolatie past een parabool aan door de sterfgevallen van de modale interval en zijn buren om een continue leeftijd te schatten.
• Onzekerheid: Betrouwbaarheidsintervallen (credible intervals) worden afgeleid van de kwantielen van de posterior draws.
• Computatie: Voor de RW2-prior, waarvoor geen gesloten vorm van de posterior bestaat, gebruiken de auteurs een Integrated Nested Laplace Approximation (INLA) benadering. Zij vinden de posterior modus van de log-rates via penalized Fisher scoring en benaderen de posterior als een Gaussische verdeling, waarbij zij integreren over de precisieparameter $\lambda$.

Belangrijkste Bijdragen

1. Probabilistische Formulering: Het artikel verschuift de schatting van de modale leeftijd van een punt-schatting naar een volledige posterior verdeling, wat de waarschijnlijkheid biedt dat een specifieke leeftijd de modus is.
2. Exacte en Benaderende Inferentie: Het biedt een exacte oplossing voor onafhankelijke priors en een computationeel efficiënte Laplace-benadering voor de robuustere RW2-prior.
3. Interpolatie van Onzekerheid: De methode propageert onzekerheid door de levensverdeling-transformatie en gebruikt een consistente interpolatieschema (Kannisto, 2001) toegepast op elke posterior draw om continue modale leeftijden te schatten.
4. Lokale Modus Analyse: Het kader maakt de berekening van de posterior waarschijnlijkheid van lokale modi mogelijk, wat inzicht biedt in de "ruwheid" van het mortaliteitsschema.

Resultaten

Simulatiestudie

De auteurs vergeleken hun methode (RW2 posterior mean) met Gompertz, P-spline en Discretized Derivative Tests (DDT) schatters met behulp van gesimuleerde data uit mengsels van Gompertz-verdelingen.

• Nauwkeurigheid: In unimodale scenario's was de RW2 posterior mean 1,4 tot 10,6 keer nauwkeuriger (in termen van mean absolute error) dan de posterior mean onder onafhankelijke priors.
• Vergelijking met andere schatters:
  • In unimodale verdelingen waren de RW2, P-spline en Gompertz schattingen allemaal zeer nauwkeurig, hoewel RW2 een iets hogere fout vertoonde door interpolatiebias.
  • In verdelingen met een secundaire piek (die een subpopulatie vertegenwoordigen), was de Gompertz-schatter sterk vertekend (misspecified), terwijl de RW2 posterior mean relatief nauwkeurig bleef. De P-spline schatter was het meest nauwkeurig in deze multimodale gevallen.
• Intervaldekking: De RW2 betrouwbaarheidsintervallen waren conservatief en dekten de ware modus in 98% tot 100% van de replicaties in alle scenario's. In tegen testelling hiermee hadden bootstrap-intervallen voor andere schatters vaak een lagere dekking (bijv. Gompertz-intervallen dekten de ware modus nooit in scenario's met secundaire pieken) of waren ze aanzienlijk breder (DDT-intervallen waren 4 tot 8 keer breder dan RW2-intervallen in unimodale gevallen).

Toepassing op Werkelijke Data

De methode werd toegepast op vrouwelijke mortaliteitsdata uit Denemarken, Frankrijk, Japan en Zweden (1960–2020).

• Trends: De RW2-schattingen toonden consistente stijgingen in de modale leeftijd over alle landen heen.
• Stabiliteit: De RW2 posterior mean was zeer stabiel ten opzichte van de startleeftijd ($x_0$) van de schatting. Het wijzigen van $x_0$ van 40 naar 70 veranderde de schatting met gemiddeld slechts 0,03 jaar, vergeleken met 0,42 jaar voor het Gompertz-model.
• 2020 Daling: Het kader slaagde erin de waarschijnlijkheid van een daling in de modale leeftijd in 2020 te kwantificeren. Voor Frankrijk, ondanks overlappende marginale intervallen voor 2019 en 2020, was de posterior waarschijnlijkheid van een daling 0,99. Voor Zweden was deze 0,94.

Betekenis en Claims

Het artikel claimt dat de primaire bijdrage het bieden van een probabilistisch kader is dat expliciet de onzekerheid van de modale leeftijd kwantificeert, wat bijzonder waardevol is wanneer naburige leeftijden moeilijk te onderscheiden zijn door ruis in de data of vlakke mortaliteitspieken.

• Robuustheid: De RW2-prior leent effectief kracht van naburige leeftijden, wat de bias en variantie vermindert ten opstante de onafhankelijke priors zonder de rigide structurele aannames van het Gompertz-model.
• Besluitvormingsondersteuning: De posterior verdeling stelt onderzoekers in staat om probabilistische uitspraken te doen (bijv. "er is een kans van 99% dat de modale leeftijd is gedaald") die niet mogelijk zijn met standaard betrouwbaarheidsintervallen.
• Praktisch Nut: De methode is stabiel over verschillende leeftijdsbereiken en biedt conservatieve, betrouwbare betrouwbaarheidsintervallen, waardoor het geschikt is voor routinematige schattingen in zowel kleine als grote populaties.

De auteurs merken bescheiden de beperkingen op: de enkele smoothing-parameter in het RW2-model past zich mogelijk niet perfect aan complexe multimodale verdelingen aan (waar P-splines iets beter presteerden in simulaties), en de intervallen zijn voorwaardelijk op het Poisson-model en bekende blootstellingen, waardoor fouten in blootstellingsgegevens of leeftijdsrapportage buiten beschouwing worden gelaten. Desalniettemin wordt het kader gepresenteerd als een flexibel instrument dat kan worden uitgebreid naar andere levensverdeling-kwantiteiten.