The probable numbers of kin in a multi-state population: a branching process approach

Dit artikel presenteert een nieuw analytisch raamwerk op basis van vertakkingsprocessen en genererende functies om de waarschijnlijke aantallen verwanten in een populatie te berekenen, waarbij deze simultaan gestructureerd zijn naar leeftijd en specifieke levensstadia zoals pariteit of gezondheid.

De kern

De Familie-voorspeller: Hoe wiskunde je stamboom in kaart brengt

Stel je voor dat je een enorme, levende web van familieleden bent. Je hebt ouders, broers, zussen, kinderen, nichten en neven. Maar hoe groot is dat web eigenlijk? En hoeveel van die mensen zijn er nog in leven, en hoeveel zijn er al overleden?

Tot nu toe konden wetenschappers alleen het gemiddelde aantal familieleden voorspellen. "Gemiddeld heb je 2 zussen," zeiden ze. Maar in het echte leven heb je misschien 0 zussen, of juist 5. Die gemiddelden vertellen je niet of je alleen staat of in een groot gezin zit.

Deze paper, geschreven door Joe Butterick, introduceert een nieuwe, slimme manier om niet alleen het gemiddelde, maar de kans te berekenen op elk mogelijk aantal familieleden. Het is alsof we van een statische foto van je familie zijn gegaan naar een interactieve, voorspelbare film.

Hier is hoe het werkt, vertaald in alledaagse taal:

1. De Wiskundige "Lego-blokken" (De Branching Processen)

De auteur gebruikt een wiskundig concept dat lijkt op een Lego-bouwsel of een boom die groeit.

• Stel je voor dat elke persoon een "zaadje" is.
• Dit zaadje kan uitgroeien tot een boom (jezelf).
• Die boom kan nieuwe takken laten groeien (je kinderen).
• Die nieuwe takken kunnen weer hun eigen takjes krijgen (je kleinkinderen).

In de oude methoden keken ze alleen naar hoe groot de boom gemiddeld zou worden. Deze nieuwe methode kijkt naar alle mogelijke vormen die die boom kan aannemen. Wat is de kans dat je boom 3 takken heeft? En wat is de kans dat 2 van die takken afbreken (overlijden)?

2. De "Tijdmachine" en de "Staat-kaart"

De paper is speciaal slim omdat hij twee dingen tegelijk meet:

1. Leeftijd: Hoe oud is je familielid?
2. Levensfase (Staat): Wat is hun situatie?

In het voorbeeld in de paper gebruiken ze "pariteit" als levensfase. Dat is een fancy woord voor: Hoeveel kinderen heeft iemand al?

• Staat 0: Iemand heeft nog geen kinderen.
• Staat 1: Iemand heeft 1 kind.
• Staat 2: Iemand heeft 2 kinderen, enzovoort.

Stel je voor dat je een kaart hebt waarop niet alleen staat wie je familieleden zijn, maar ook in welke levensfase ze zitten. De wiskunde in dit paper is als een super-computer die alle mogelijke paden op die kaart doorloopt.

3. De "Magische Formule" (Genererende Functies)

Hoe doet de computer dit? De auteur gebruikt iets dat "Genererende Functies" heet. Dat klinkt ingewikkeld, maar denk er zo over:

• Het is als een recept voor een taart.
• In plaats van ingrediënten (meel, suiker), bevat het recept kansen (kans op een kind, kans op overlijden).
• Als je dit recept "oplost" (wiskundig samenvoegt), krijg je niet alleen de taart, maar een lijst met alle mogelijke taarten die je zou kunnen bakken, inclusief de kans dat je per ongeluk een taart met alleen suiker (geen kinderen) of een taart met 10 lagen (een heel groot gezin) bakt.

De paper gebruikt deze "recepten" om te berekenen:

• Wat is de kans dat je op je 40e precies één zus hebt die al twee kinderen heeft?
• Wat is de kans dat je geen kinderen hebt, maar wel drie zussen?
• Wat is de kans dat je een nichtje hebt dat "wees" is geworden omdat haar moeder (jouw nicht) is overleden?

4. Het Praktische Voorbeeld: Het Verleden vs. De Toekomst

De auteur test zijn methode met data uit het Verenigd Koninkrijk. Hij vergelijkt twee groepen mensen:

• De groep uit 1965: Mensen die opgroeiden in een tijd met meer kinderen en hogere sterftecijfers.
• De groep uit 2025: Mensen in de moderne tijd met minder kinderen en langere levens.

Het verrassende resultaat:
De paper laat zien dat de kans op "familie-uitsterving" (kinlessness) anders is dan je denkt.

• In 1965 was de kans dat iemand op hoge leeftijd een "wees-kleindochter" had (een kleindochter wier moeder is overleden) ongeveer 13%.
• In 2025 is die kans gedaald naar 4%.

Dit betekent dat we in de toekomst waarschijnlijk minder vaak geconfronteerd worden met het specifieke verdriet van een kleindochter die haar moeder verliest, maar dat het wel belangrijk blijft om te weten wie er nog in je "netwerk" zit.

Waarom is dit belangrijk?

Vroeger dachten we: "Gemiddeld heb je genoeg familie." Maar dit paper laat zien dat het toeval een grote rol speelt.

• Voor een ouderhuis is het cruciaal om te weten: "Is de kans groot dat deze oudere alleen komt te staan?"
• Voor de overheid is het belangrijk: "Hoeveel mensen hebben niemand om voor hen te zorgen als ze ziek worden?"

Kortom:
Deze paper is als een wiskundige kristallen bol. Hij kijkt niet alleen naar het gemiddelde aantal familieleden, maar berekent de kans op elke mogelijke familie-configuratie. Hij helpt ons begrijpen hoe groot de kans is dat we alleen staan, of juist omringd zijn door een groot, levend netwerk van familieleden in verschillende levensfasen. Het is een stap van "wat is het gemiddelde?" naar "wat is de kans dat jij dit specifieke lot treft?"

Technische samenvatting

Titel: De waarschijnlijke aantallen verwanten in een multi-staat populatie: een takingsprocesbenadering

1. Het Probleem

De demografie van verwantschap (kinship demography) heeft aanzienlijke vooruitgang geboekt in het voorspellen van het verwachte aantal verwanten voor een individu, vaak gebaseerd op matrixprojecties (zoals het werk van Caswell). Echter, deze traditionele modellen leveren voornamelijk gemiddelden op. In werkelijkheid zijn aantallen verwanten discrete, niet-negatieve gehele getallen die beter worden beschreven door kansverdelingen (probability mass functions) dan door enkelvoudige verwachtingen.

Een specifiek openstaand probleem is het modelleren van verwantschappen in populaties die gestructureerd zijn door zowel leeftijd als stadium (bijvoorbeeld pariteit, gezondheidstoestand of geografische locatie). Bestaande modellen kunnen moeilijk de gezamenlijke verdeling voorspellen van het aantal verwanten in specifieke combinaties van leeftijd en stadium (bijv. de kans op het hebben van één zus thuis en één zus weg, versus twee zussen). Daarnaast ontbreekt het vaak aan een analytisch raamwerk om de waarschijnlijkheid van kinship-uitdoving (kinlessness) en het verlies van verwanten (overlijden) over generaties heen te berekenen.

2. Methodologie

Het artikel introduceert een nieuw analytisch raamwerk gebaseerd op de theorie van takingsprocessen (branching processes), specifiek het gebruik van genererende functies voor kansen (Probability Generating Functions - PGF's).

• Multi-staat Demografie: De populatie wordt gemodelleerd met leeftijdklassen ($a$) en discrete stadia ($s$). De overgang tussen stadia en overleving worden beschreven door matrices ($U_a$ voor overleving en stadiumtransitie, $F_a$ voor vruchtbaarheid).
• Genererende Functies (PGF's): In plaats van te werken met kansmassafuncties (PMF's), gebruikt de auteur PGF's. Een PGF $G(z)$ encodeert een kansverdeling waarbij de coëfficiënten van de macht van $z$ de kansen voorstellen.
• Recursieve Composities: De kern van de methode is het recursief samenvoegen (componeren) van PGF's.
  • Levenslange voortplanting: De PGF voor de nakomelingen van een individu wordt berekend door de PGF's van de voortplanting op elke leeftijd te combineren met de overlevings-PGF's van de nakomelingen.
  • Generaties: Voor de $g$-de generatie nakomelingen wordt de PGF van de $(g-1)$-de generatie recursief ingebracht in de vruchtbaarheidsfunctie van de ouder. Dit creëert een geneste structuur: $L^{(i)}(h, Z) = \prod f(L^{(i-1)}(h-t, Z))$.
• Genealogische Markovketens: Voor zijdelingse verwanten (zoals zussen) en voorouders wordt gebruikgemaakt van genealogische Markovketens om de waarschijnlijke leeftijden en stadia van de voorouders op het moment van voortplanting te infereren.
• Grootte-biasing (Size-biasing): Om zijdelingse verwanten (bijv. zussen van een voorouder) te modelleren, wordt een "size-biasing" techniek toegepast. Dit verwijdert het specifieke individu dat de lijn voortzet (de directe voorouder) uit de verdeling en geeft de conditionele verdeling van de overige nakomelingen (de zussen).
• Tellen van Overlijden: Er wordt een dummy-variabele $d$ geïntroduceerd in de PGF's om het aantal overleden verwanten expliciet te tellen, waardoor de kans op verlies van verwanten en weesstatus kan worden berekend.

3. Belangrijkste Bijdragen

1. Analytisch Raamwerk voor Leeftijd $\times$ Stadium: Dit is het eerste model dat de volledige gezamenlijke kansverdeling (niet alleen het gemiddelde) van het aantal verwanten berekent, gestructureerd door zowel leeftijd als stadium.
2. Recursieve PGF-methode: Het biedt een wiskundig elegante manier om complexe kinship-netwerken te modelleren door PGF's te nesten, wat toelaat om elke generatie en elk stadium te volgen.
3. Berekening van Kinship-Verlies: Het model kan de waarschijnlijkheid berekenen dat een individu kinless wordt (geen levende verwanten heeft) of dat specifieke verwanten (zoals dochters) zijn overleden, inclusief de timing van dit verlies.
4. Toepassing op Pariteit: Het model wordt toegepast op een populatie gestructureerd naar pariteit (aantal kinderen), een cruciale demografische variabele die vaak wordt genegeerd in standaard leeftijdsmodellen.

4. Resultaten (Case Study: VK Pariteit)

De auteur past het model toe op gegevens uit het Verenigd Koninkrijk (1964-2023) met pariteit als het stadium (0, 1, 2, 3+).

• Verdeling van Dochters: Het model toont de waarschijnlijkheid dat een vrouw (Focal) een specifiek aantal dochters heeft in verschillende pariteitsklassen. Bijvoorbeeld, de kans op het hebben van dochters met hun eigen kinderen (pariteit 1+) neemt toe naarmate de moeder ouder wordt.
• Verwantschap en Pariteit: Er wordt een analyse gemaakt van zussen. Het model toont aan dat voor de cohorten van de jaren 60 in het VK, de kans groot is dat een vrouw kinderloos is maar wel één of meer zussen heeft. Dit is een belangrijk demografisch fenomeen met implicaties voor zorgnetwerken.
• Verlies en Wezen:
  • De waarschijnlijkheid dat een individu kinderloos blijft maar zussen heeft, wordt kwantitatief bepaald.
  • Het model berekent de kans dat een individu "kinless" is als gevolg van overlijden.
  • Wezen: Een opvallend resultaat is de vergelijking tussen de 1965 en 2025 periodes. De kans dat een grootmoeder een weeskleindochter heeft (een kleindochter wiens moeder is overleden) is in 1965 ongeveer 13% op 95-jarige leeftijd, terwijl dit in 2025 daalt naar 4% als gevolg van verbeterde overleving.

5. Betekenis en Toekomstperspectief

• Demografische Onzekerheid: Het model verschuift de focus van gemiddelden naar volledige kansverdelingen, wat essentieel is voor het begrijpen van demografische onzekerheid en risico's (bijv. de kans op het ontbreken van zorgverstrekkers).
• Toepassingsgebied: De methode is toepasbaar op zowel menselijke demografie (gezondheid, onderwijs, pariteit) als populatie-ecologie (verspreiding, groepsdynamiek bij dieren).
• Efficiëntie: Het analytische karakter van de PGF-benadering biedt een sneller alternatief voor complexe micro-simulaties (zoals Soc-Sim) om de blootstelling van specifieke subgroepen (bijv. kinderloze vrouwen met zussen) te berekenen.
• Beperkingen: Het huidige model is een-eenig (alleen vrouwen) en tijd-homogeen. Uitbreiding naar twee geslachten en tijd-variabele demografische rates wordt genoemd als een volgende stap, hoewel dit de wiskundige complexiteit vergroot.

Kortom, dit artikel levert een fundamentele doorbraak in de wiskundige demografie door een robuust, probabilistisch raamwerk te bieden dat de complexiteit van verwantschapsnetwerken in gestructureerde populaties volledig kan kwantificeren.