Demographic forecasting

پیش‌بینی جمعیت‌شناسی ابزارهای آماری جدیدی را معرفی می‌کند که می‌تواند پیش‌بینی نرخ مرگ و میر جمعیت را تا حد زیادی بهبود بخشد. پیش بینی مرگ و میر در طیف گسترده ای از زمینه های دانشگاهی و برای سیاست گذاری در بهداشت جهانی، تامین اجتماعی و برنامه ریزی بازنشستگی و سایر زمینه ها استفاده می شود. فدریکو گیروسی و گری کینگ چارچوبی نوآورانه برای پیش‌بینی متغیرهای سن-جنس-کشور-علت خاص ارائه می‌کنند که ترکیب اطلاعات بیشتر از رویکردهای استاندارد را ممکن می‌سازد. این روش‌های جدید به‌طور کلی‌تر، گنجاندن متغیرهای توضیحی مختلف را در یک رگرسیون سری زمانی برای هر مقطع امکان‌پذیر می‌سازند، در حالی که همچنان قدرت را از یک رگرسیون وام می‌گیرند تا تخمین همه را بهبود ببخشند. نویسندگان نشان می‌دهند که بسیاری از مدل‌های بیزی موجود با متغیرهای توضیحی، از تراکم‌های قبلی استفاده می‌کنند که به اشتباه دانش قبلی را رسمیت می‌دهند، و نشان می‌دهند که چگونه از این مشکلات اجتناب کنیم. آنها همچنین توضیح می‌دهند که چگونه می‌توان مقدار زیادی از دانش جمعیت‌شناختی را در مدل‌هایی با پارامترهای قابل تنظیم کمتر نسبت به رویکردهای بیزی کلاسیک ترکیب کرد، و مدل‌هایی را با پیشین‌های بیزی در حضور ناآگاهی نسبی قبلی ایجاد کرد.

با نشان دادن نحوه گنجاندن آن‌ها. اطلاعات بیشتر در مدل های آماری، پیش بینی جمعیت شناختی پیامدهای آماری گسترده ای را برای دانشمندان علوم اجتماعی، آماردانان، جمعیت شناسان، کارشناسان بهداشت عمومی، سیاست گذاران و تحلیلگران صنعت به همراه دارد.

• روش هایی را برای بهبود پیش بینی میزان مرگ و میر و مرگ و میر معرفی می کند. متغیرهای مشابه
• ابزارهای نوآورانه ای برای مدل سازی آماری موثرتر ارائه می دهد
• نرم افزار منبع باز رایگان و داده های تکراری را در دسترس قرار می دهد
• شامل گرافیک های تمام رنگی، یک واژه نامه کامل نمادها، یک تجدید کننده ریاضی مستقل، و موارد دیگر

Demographic Forecasting introduces new statistical tools that can greatly improve forecasts of population death rates. Mortality forecasting is used in a wide variety of academic fields, and for policymaking in global health, social security and retirement planning, and other areas. Federico Girosi and Gary King provide an innovative framework for forecasting age-sex-country-cause-specific variables that makes it possible to incorporate more information than standard approaches. These new methods more generally make it possible to include different explanatory variables in a time-series regression for each cross section while still borrowing strength from one regression to improve the estimation of all. The authors show that many existing Bayesian models with explanatory variables use prior densities that incorrectly formalize prior knowledge, and they show how to avoid these problems. They also explain how to incorporate a great deal of demographic knowledge into models with many fewer adjustable parameters than classic Bayesian approaches, and develop models with Bayesian priors in the presence of partial prior ignorance.

By showing how to include more information in statistical models, Demographic Forecasting carries broad statistical implications for social scientists, statisticians, demographers, public-health experts, policymakers, and industry analysts.

• Introduces methods to improve forecasts of mortality rates and similar variables
• Provides innovative tools for more effective statistical modeling
• Makes available free open-source software and replication data
• Includes full-color graphics, a complete glossary of symbols, a self-contained math refresher, and more