技术摘要：一种用于估计死亡模态年龄的概率框架

问题陈述

死亡模态年龄（$M$）定义为生命表死亡分布达到峰值的年龄，它是衡量长寿程度的标准指标，反映了死亡向高龄阶段的推迟。与预期寿命不同，它不受低龄死亡率的影响。然而，由于死亡分布在其峰值附近通常较为平坦，估计 $M$ 具有挑战性。因此，单年死亡人数的微小随机波动可能会使确定的最大值发生一岁或更大幅度的偏移。

现有方法通常将 $M$ 报告为单个点估计值（例如，通过参数化 Gompertz 模型、P-样条平滑或离散导数检验），并使用自助法（bootstrap）或 Delta 方法分别评估不确定性。这些方法产生的置信区间描述的是假设性的数据重复实验，但无法为每个候选年龄分配概率，也无法揭示相邻年龄在数据支持上几乎相等的情况。本文旨在解决这一需求，即开发一种能够估计模态年龄的完整后验分布的方法，从而直接以特定年龄作为模态的概率来量化不确定性。

方法论

作者提出了一个贝叶斯框架，将不确定性从死亡率传播到生命表，进而传播到模态年龄。其核心创新在于将模态年龄视为一个随机变量，而非固定参数，该变量源自死亡率的后验分布。

1. 似然函数与独立先验

模型假设各年龄 $x$ 的死亡人数（$D_x$）在给定死亡率（$m_x$）和暴露量（$E_x$）的情况下服从泊松分布：
$$D_x | m_x \sim \text{Poisson}(m_x E_x)$$
最初，作者考虑对死亡率使用独立 Gamma 先验（$m_x \sim \text{Gamma}(\alpha, \beta)$）。由于共轭性，每个速率的后验分布也是 Gamma 分布：
$$m_x | D \sim \text{Gamma}(\alpha + D_x, \beta + E_x)$$
这种设置允许进行精确的蒙特卡洛积分。通过从这些后验分布中抽取速率样本，将其转换为生命表死亡人数（$d_x$），并识别最大值，作者构建了模态年龄的后验分布 $P(M=x | D)$。

2. 随机游走先验 (RW2)

考虑到单年死亡率具有噪声，且死亡率（在对数尺度上）通常随年龄线性增加（Gompertz 定律），作者在对数速率（$\eta_x = \log m_x$）上引入了二阶随机游走 (RW2) 先验：
$$\eta_x - 2\eta_{x-1} + \eta_{x-2} \sim N(0, \lambda^{-1})$$
该先验通过惩罚相邻年龄之间斜率的剧烈变化来鼓励平滑性，从而有效地在相邻年龄之间共享信息。平滑参数 $\lambda$ 通过拉普拉斯近似进行积分，使数据能够决定平滑程度。

3. 估计与插值

• 点估计： 插值模态年龄（$\tilde{M}$）的后验均值、中位数和众数被用作点估计值。插值法通过拟合模态区间及其相邻区间的生命表死亡人数来估计连续年龄。
• 不确定性： 置信区间由后验抽样的分位数导出。
• 计算： 对于不存在闭式后验的 RW2 先验，作者使用了集成嵌套拉普拉斯近似 (INLA) 方法。他们通过惩罚化费雪评分法找到对数速率的后验众数，并将后验近似为高斯分布，同时对精度参数 $\lambda$ 进行积分。

主要贡献

1. 概率化表述： 本文将模态年龄的估计从点估计转向完整的后验分布，提供了任何特定年龄作为模态的概率。
2. 精确与近似推理： 它为独立先验提供了精确解，并为更稳健的 RW2 先验提供了高效的拉普拉斯近似。
3. 不确定性插值： 该方法通过生命表转换传播不确定性，并使用一致的插值方案（Kannisto, 2001）应用于每一次后验抽样，以估计连续模态年龄。
4. 局部模态分析： 该框架允许计算局部模态的后验概率，从而为理解死亡率表的“粗糙度”提供见解。

结果

模拟研究

作者使用来自 Gompertz 分布混合模型的模拟数据，将该方法（RW2 后验均值）与 Gompertz、P-样条和离散导数检验 (DDT) 估计量进行了比较。

• 准确性： 在单峰场景下，RW2 的平均绝对误差比独立先验下的后验均值低 1.4 到 10.6 倍。
• 与其他估计量的比较：
  • 在单峰分布中，RW2、P-样条和 Gompertz 估计量都非常准确，尽管 RW2 由于插值偏差导致误差略高。
  • 在具有次级峰值（代表亚群）的分布中，Gompertz 模型存在严重偏差（模型设定错误），而 RW2 后验均值保持相对准确。P-样条估计量在这些多峰情况下的表现最为准确。
• 区间覆盖率： RW2 置信区间表现得较为保守，在所有场景下的重复实验中，覆盖真实模态的比例在 98% 至 100% 之间。相比之下，其他估计量的自助法区间覆盖率较低（例如，Gompertz 区间在次级峰值场景下从未覆盖真实模态），或者显著更宽（DDT 区间在单峰情况下是 RW2 区间的 4 到 8 倍）。

实际数据应用

该方法被应用于丹麦、法国、日本和瑞典（1960–2020 年）的女性死亡率数据。

• 趋势： RW2 估计值显示所有国家的模态年龄均呈持续上升趋势。
• 稳定性： RW2 后验均值对于估计起始年龄（$x_0$）具有高度稳定性。将 $x_0$ 从 40 岁改为 70 岁，估计值的平均变化仅为 0.03 岁，而 Gompertz 模型的变化为 0.42 岁。
• 2020 年下降： 该框架成功量化了 2020 年模态年龄下降的概率。对于法国，尽管 2019 年和 2020 年的边际区间存在重叠，但下降的后验概率为 0.99。对于瑞典，该概率为 0.94。

意义与主张

本文声称其主要贡献在于提供了一个概率框架，能够显式地量化模态年龄的不确定性，这在由于数据噪声或平坦死亡峰值导致相邻年龄难以区分时尤为重要。

• 稳健性： RW2 先验通过在不同年龄之间有效借力，在不具备 Gompertz 模型那样严格结构性假设的前提下，降低了独立先验带来的偏差和方差。
• 决策支持： 后验分布允许研究人员做出概率性陈述（例如，“有 99% 的概率模态年龄下降了”），这是标准置信区间无法实现的。
• 实用价值： 该方法在不同年龄段内表现稳定，并提供保守且可靠的置信区间，使其适用于常规估计及各类规模的人口。

作者也客观地指出了局限性：RW2 模型中的单一平滑参数可能无法完美适应复杂的多元分布（在这些情况下 P-样条表现稍好），且区间是基于泊松模型和已知暴露量计算的，未包含暴露量数据或年龄报告中的误差。然而，该框架被呈现为一个灵活的工具，可以扩展到其他生命表统计量。