Mémoires d'Actuariat
Détection de rupture de tendance sur les taux de mortalité par âge.
Auteur(s) NGONG ENGOULOU D.
Société Fixage
Année 2023
Résumé
La détection de rupture de tendance ou changement structurel est une technique utilisée dans l'analyse des données pour identifier quand une tendance dans un ensemble de données a changé ou s'est terminée. Elle consiste à analyser le modèle ou la direction des données au fil du temps et à détecter lorsqu'il y a un écart significatif par rapport au modèle précédent. Cette technique peut être utile pour prédire et réagir aux changements dans divers secteurs, tels que la finance, l'économie et le cas échéant dans les données de mortalité. Les contraintes de détection de rupture sont des facteurs qui peuvent limiter la précision et la fiabilité de la détection de rupture de tendance. Ces contraintes peuvent être liées aux données, ou à la méthode de détection de rupture utilisée. Les données utilisées doivent être de bonne qualité et sans bruit. Les statistiques de mortalité sont basées sur des estimations et peuvent donc contenir des erreurs. Dans ce mémoire, nous avons décrit le principe du test le plus abouti en univarié celui de Bai et Perron, que nous appliquons par la suite à l'indice de mortalité du modèle de Lee-Carter sur la période 2000-2020. Ce test, ainsi, que les tests de fluctuations généralisés, montre qu'il existe des ruptures significatives dans l'indice de mortalité. Le critère d'information bayésien (BIC) retient les dates de 2003 (canicule) et 2017 comme les dates de ruptures les plus significatives pour l'indice de mortalité masculin. Celles retenues pour l'indice de mortalité chez les femmes sont 2003 et 2013 (arrivée plus importante aux âges de forte mortalité des générations du baby-boom). Les résultats de ces tests dépendent fortement de la longueur de la période d'observation.
Abstract
Detecting trend breaks or structural changes is a technique used in data analysis to identify when a trend in a dataset has changed or ended. It involves analyzing the pattern or direction of the data over time and detecting when there is a significant deviation from the previous pattern. This technique can be useful for predicting and responding to changes in various sectors, such as finance, economics, and, where applicable, mortality data. The constraints of break detection are factors that can limit the accuracy and reliability of trend break detection. These constraints may relate to the data or the break detection method. The data used must be of good quality and noise-free. Mortality statistics are based on estimates and may therefore contain errors. In this paper, we described the principle of the most advanced univariate test by Bai and Perron, which we then applied to the mortality index of the Lee-Carter model over the period 2000-2020. This test, as well as generalized fluctuation tests, shows that there are significant breaks in the mortality index. The Bayesian Information Criterion (BIC) identifies the dates 2003 (heatwave) and 2017 as the most significant break dates for the male mortality index. The dates retained for the female mortality index are 2003 and 2013 (greater arrival at high mortality ages of the baby boom generations). The results of these tests strongly depend on the length of the observation period.
Mémoire complet
Auteur(s) NGONG ENGOULOU D.
Société Fixage
Année 2023
Résumé
La détection de rupture de tendance ou changement structurel est une technique utilisée dans l'analyse des données pour identifier quand une tendance dans un ensemble de données a changé ou s'est terminée. Elle consiste à analyser le modèle ou la direction des données au fil du temps et à détecter lorsqu'il y a un écart significatif par rapport au modèle précédent. Cette technique peut être utile pour prédire et réagir aux changements dans divers secteurs, tels que la finance, l'économie et le cas échéant dans les données de mortalité. Les contraintes de détection de rupture sont des facteurs qui peuvent limiter la précision et la fiabilité de la détection de rupture de tendance. Ces contraintes peuvent être liées aux données, ou à la méthode de détection de rupture utilisée. Les données utilisées doivent être de bonne qualité et sans bruit. Les statistiques de mortalité sont basées sur des estimations et peuvent donc contenir des erreurs. Dans ce mémoire, nous avons décrit le principe du test le plus abouti en univarié celui de Bai et Perron, que nous appliquons par la suite à l'indice de mortalité du modèle de Lee-Carter sur la période 2000-2020. Ce test, ainsi, que les tests de fluctuations généralisés, montre qu'il existe des ruptures significatives dans l'indice de mortalité. Le critère d'information bayésien (BIC) retient les dates de 2003 (canicule) et 2017 comme les dates de ruptures les plus significatives pour l'indice de mortalité masculin. Celles retenues pour l'indice de mortalité chez les femmes sont 2003 et 2013 (arrivée plus importante aux âges de forte mortalité des générations du baby-boom). Les résultats de ces tests dépendent fortement de la longueur de la période d'observation.
Abstract
Detecting trend breaks or structural changes is a technique used in data analysis to identify when a trend in a dataset has changed or ended. It involves analyzing the pattern or direction of the data over time and detecting when there is a significant deviation from the previous pattern. This technique can be useful for predicting and responding to changes in various sectors, such as finance, economics, and, where applicable, mortality data. The constraints of break detection are factors that can limit the accuracy and reliability of trend break detection. These constraints may relate to the data or the break detection method. The data used must be of good quality and noise-free. Mortality statistics are based on estimates and may therefore contain errors. In this paper, we described the principle of the most advanced univariate test by Bai and Perron, which we then applied to the mortality index of the Lee-Carter model over the period 2000-2020. This test, as well as generalized fluctuation tests, shows that there are significant breaks in the mortality index. The Bayesian Information Criterion (BIC) identifies the dates 2003 (heatwave) and 2017 as the most significant break dates for the male mortality index. The dates retained for the female mortality index are 2003 and 2013 (greater arrival at high mortality ages of the baby boom generations). The results of these tests strongly depend on the length of the observation period.
Mémoire complet
