PE Bijeenkomst Prognosetafel AG2016 · • Europese trend in AG2014 geëxtrapoleerd vanaf 2009, ......
Transcript of PE Bijeenkomst Prognosetafel AG2016 · • Europese trend in AG2014 geëxtrapoleerd vanaf 2009, ......
PE Bijeenkomst Prognosetafel AG2016
1
Prognosetafel AG2016
Inhoud
1. Datasets en Databewerking
2. Modelstructuur en eigenschappen
3. Correlaties
4. Vergelijking met AG2014
5. Gebruik:
• als (best estimate) statische prognosetafel
• als stochastische scenariogenerator
6. Kalibratiemethode en onzekerheid
2
3
Prognosetafel AG2016
Wilbert Ouburg
Prognosetafel AG2016
Datasets en Databewerking
4
Prognosetafel AG2016
Nieuw model
5
Prognosetafel AG2016
Nieuw model
6
Prognosetafel AG2016
Model: waarnemingen
7
Peer group :
11500 miljoen exposures, 108 miljoen sterftes.
Nederland :
696 miljoen exposures, 5.4 miljoen sterftes.
Prognosetafel AG2016
8
0 20 40 60 800
0.5
1
1.5
2x 10
8EU Exposures Totaal
0 20 40 60 800
1
2
3
4
5x 10
6EU Deaths Totaal
0 20 40 60 800
2
4
6
8
10
12
14x 10
6NL Exposures Totaal
0 20 40 60 800
0.5
1
1.5
2
2.5x 10
5NL Deaths Totaal
EU male
EU female
NL male
NL female
Prognosetafel AG2016
Dataset
• Gebruik gemaakt van
– Human Mortality Database, aangevuld met
– EUROSTAT database en
– StatLine van het CBS (laatste gegevens Nederland).
• Europese trend in AG2014 geëxtrapoleerd vanaf 2009, nu vanaf 2014 met behulp van de extra Eurostat gegevens.
• Werkgroep heeft uitgebreide checks uitgevoerd om onderlinge consistentie van gegevens uit databases te verifiëren.
9
Prognosetafel AG2016
Dataset
10
Prognosetafel AG2016
Model: data
11
Prognosetafel AG2016
Modelstructuur en eigenschappen
12
Prognosetafel AG2016
Modelstructuur
Modelstructuur AG2016 is hetzelfde als AG2014:
• Variant van Li-Lee model voor twee populaties:
• Modelleer de instantane sterftekansen per tijdseenheid (hazard rate).
• Doe dat eerst voor peer group van welvarende Europese landen.
• En modeleer vervolgens de afwijking van Nederland ten opzichte van die peer group.
• We nemen nu naast de correlaties uit AG2014 ook correlaties tussen mannen en vrouwen expliciet mee.
• Kalibratie maakt onderscheid tussen onzekerheid in ontwikkeling sterftekansen en onzekerheid in sterfte gegeven die kansen. Vergelijk bijvoorbeeld 25 en 65 jaar...
13
Prognosetafel AG2016
Voorbeeld: sterftekansen 25 en 65 jaar
14
Meer ruis onder 25-jarigen (in sterfteobservaties) betekent niet: meer onzekerheid in toekomstige sterftekansen voor 25-jarigen.
Prognosetafel AG2016
Modelstructuur
• Éénjarige sterftekansen:
𝑞𝑥𝑔
𝑡 kans op 1 januari van jaar t dat iemand van geslacht
g die op dat moment exact x jaar oud is, gestorven zal zijn op 1 januari van jaar t+1.
• Éénjarige sterftekansen worden bepaald door hazard rates
𝜇𝑥𝑔
𝑡 te modelleren:
Hazard rates zijn constant gedurende het jaar voor gegeven x en g.
15
𝑞𝑥𝑔
𝑡 = 1 − 𝑒−𝜇𝑥𝑔
𝑡
Prognosetafel AG2016
Modelstructuur
• We modelleren de logaritme van de hazard rate per geslacht g en leeftijd x (garandeert positieve hazard rates).
• Decompositie van hazard rates in twee delen: o Europese landen met vergelijkbare welvaart:
gezamenlijke trend naar beneden
o Specifiek Nederlandse afwijking t.o.v. die groep landen: verschil kan niet divergeren, in verwachting naar nul
16
ln 𝜇𝑥𝑔
𝑡 = ln 𝜇𝑥𝑔,𝐸𝑈
𝑡 + ln 𝜇𝑥𝑔,𝑁𝐿
𝑡
Prognosetafel AG2016
Modelstructuur
• Prognose gebruikt informatie uit andere maar vergelijkbare landen in poging om te vermijden dat
o tijdelijke effecten (bv. roken) en
o lokale effecten (bv. uitgaven zorg)
een grote rol spelen in de prognoses op lange termijn.
• Model is gekalibreerd met publiekelijk beschikbare data.
17
Prognosetafel AG2016
Stochastische verandering in de tijd
Bij modellering van zowel Europese sterfte als Nederlandse
afwijking is er naast statische term 𝐴𝑥𝑔
variatie in de tijd door:
• Gemiddelde verbetering per jaar over alle leeftijden 𝐾𝑡𝑔
Voorbeeld: sterkere verbeteringen sinds 2001
• Vermenigvuldiging met vaste leeftijdsspecifieke factor 𝐵𝑥𝑔
Voorbeeld: hoge leeftijden minder gevoelig dan lagere leeftijden voor veranderingen in sterftekansen
18
stochastisch
constant stochastisch
ln 𝜇𝑥𝑔,𝐸𝑈
𝑡 = 𝐴𝑥𝑔
+ 𝐵𝑥𝑔
𝐾𝑡𝑔
Prognosetafel AG2016
Verandering is leeftijdsafhankelijk
19
10 20 30 40 50 60 70 80 90-10
-9
-8
-7
-6
-5
-4
-3
-2
-1
0
Voor hoge leeftijden minder effect
𝐵𝑥𝑔 kleiner
voor hogere x
Bij versnelling in latere perioden:
𝐾𝑡𝑔daalt sterker
voor latere t x
(plaatje is niet op schaal)
ln 𝜇𝑥𝑔,𝐸𝑈
𝑡 = 𝐴𝑥𝑔
+ 𝐵𝑥𝑔
𝐾𝑡𝑔
ln 𝜇𝑥𝑔,𝐸𝑈
𝑡
Prognosetafel AG2016
Simulatie
Modelbeschrijving geeft dus voor zowel Europese landen als de Nederlandse afwijking:
• Leeftijdsafhankelijke parameters: 𝐴𝑥𝑔 𝐵𝑥
𝑔 𝛼𝑥
𝑔 𝛽𝑥
𝑔
die niet veranderen in de tijd en
• een stochastisch (simulatie-)model voor toekomstige
waarden van 𝐾𝑡𝑔 en 𝜅𝑡
𝑔
• die na combinatie de stochastische scenario’s voor alle
hazard rates 𝜇𝑥𝑔
𝑡 genereren en dus alle sterftekansen 𝑞𝑥𝑔
𝑡 .
• Elke nieuwe simulatie van 𝐾𝑡𝑔 en 𝜅𝑡
𝑔 geeft een nieuwe
gesimuleerde sterftetafel.
20
ln 𝜇𝑥𝑔
𝑡 = ln 𝜇𝑥𝑔,𝐸𝑈
𝑡 + ln 𝜇𝑥𝑔,𝑁𝐿
𝑡
ln 𝜇𝑥𝑔,𝐸𝑈
𝑡 = 𝐴𝑥𝑔
+ 𝐵𝑥𝑔
𝐾𝑡𝑔
ln 𝜇𝑥𝑔,𝑁𝐿
𝑡 = 𝛼𝑥𝑔
+ 𝛽𝑥𝑔
𝜅𝑡𝑔
Prognosetafel AG2016
Simulatie
• Simulatieschema gebaseerd op i.i.d. normaal verdeelde stochastische vectoren 𝑍𝑡 = 𝜖𝑡
𝑀, 𝛿𝑡𝑀, 𝜖𝑡
𝑉 , 𝛿𝑡𝑉
met verwachting (0,0,0,0) en gegeven covariantiematrix C. Genereren van zulke samples kan met behulp van methode die in publicatie expliciet beschreven wordt.
• Benodigde parameters, naast die covariantiematrix C, zijn (𝜃𝑀, 𝜃𝑉 , 𝑎𝑀, 𝑎𝑉) en startwaarden 𝐾2015
𝑀 , 𝐾2015𝑉 en 𝜅2015
𝑀 , 𝜅2015𝑉 .
21
𝐾𝑡𝑀 = 𝐾𝑡−1
𝑀 + 𝜃𝑀 + 𝜖𝑡𝑀
𝜅𝑡𝑀 = 𝑎𝑀𝜅𝑡−1
𝑀 + 𝛿𝑡𝑀
𝐾𝑡𝑉 = 𝐾𝑡−1
𝑉 + 𝜃𝑉 + 𝜖𝑡𝑉
𝜅𝑡𝑉= 𝑎𝑉𝜅𝑡−1
𝑉 + 𝛿𝑡𝑉
Prognosetafel AG2016
Simulatie
𝐾𝑡𝑀, 𝐾𝑡
𝑉 processen Europese trend: in verwachting lineair
𝜅𝑡𝑀, 𝜅𝑡
𝑉 processen afwijking : in verwachting uitdovend
22
𝐾𝑡𝑀 = 𝐾𝑡−1
𝑀 + 𝜃𝑀 + 𝜖𝑡𝑀
𝜅𝑡𝑀 = 𝑎𝑀𝜅𝑡−1
𝑀 + 𝛿𝑡𝑀
𝐾𝑡𝑉 = 𝐾𝑡−1
𝑉 + 𝜃𝑉 + 𝜖𝑡𝑉
𝜅𝑡𝑉= 𝑎𝑉𝜅𝑡−1
𝑉 + 𝛿𝑡𝑉
𝐾𝑡𝑀of 𝐾𝑡
𝑉 𝜅𝑡𝑀 of 𝜅𝑡
𝑉
23
Prognosetafel AG2016
Michel Vellekoop
Prognosetafel AG2016
Correlaties
24
Prognosetafel AG2016
Correlaties
25
𝐾𝑡𝑀 = 𝐾𝑡−1
𝑀 + 𝜃𝑀 + 𝜖𝑡𝑀
𝜅𝑡𝑀 = 𝑎𝑀𝜅𝑡−1
𝑀 + 𝛿𝑡𝑀
𝐾𝑡𝑉 = 𝐾𝑡−1
𝑉 + 𝜃𝑉 + 𝜖𝑡𝑉
𝜅𝑡𝑉= 𝑎𝑉𝜅𝑡−1
𝑉 + 𝛿𝑡𝑉
𝜖𝑡𝑀
𝛿𝑡𝑀
𝜖𝑡𝑉
𝛿𝑡𝑉
EUROPESE 0,92 EUROPESE
MANNEN VROUWEN
0,39
-0,27
0,45 -0,21
(AG2014: 0.51) (AG2014: -0.15)
NEDERLANDSE NEDERLANDSE
AFWIJKING AFWIJKING
MANNEN 0,57 VROUWEN
Prognosetafel AG2016
Correlaties
26
NL EUR VERSCHIL NL EUR VERSCHIL
VROUWEN : Europa reageert sterker dan Nederland: MANNEN : Europa reageert minder sterk dan Nederland:
Europa en verschil (blauw en groen) negatief gecorreleerd Europa en verschil (blauw en groen) positief gecorreleerd
Prognosetafel AG2016
Correlaties
• Meenemen correlaties mannen/vrouwen heeft ook de inschatting van trendparameters beïnvloed:
o geobserveerde dataset is ‘optelsom’ van een trend en ruis,
o meenemen correlatie tussen mannen en vrouwen verandert
inschatting van de ruis bij zowel mannen als vrouwen, en
o voor gegeven dataset verandert daarmee ook inschatting van de
trends.
• Bij simulaties van toekomstscenario’s voor (bijvoorbeeld) nabestaandenpensioen kan correlatie tussen mannen en vrouwen nu expliciet meegenomen worden.
27
Prognosetafel AG2016
Vergelijking met AG 2014
28
Prognosetafel AG2016
Eigenschappen
• Prognose is tijdsconsistent: wanneer nieuwe sterftedata precies (ongeveer) overeenkomen met de best estimate waarden van een eerdere prognose, dan zullen de modelparameters na herschatting niet (nauwelijks) veranderen.
29
30
Prognosetafel AG2016
AG 2014 vs AG 2016
31
Prognosetafel AG2016
AG 2014 vs AG 2016
32
Prognosetafel AG2016
AG 2014 vs AG 2016
33
Prognosetafel AG2016
AG 2014 vs AG 2016
Prognosetafel AG2016
Gebruik van Best Estimate Tafel
34
Prognosetafel AG2016
Sterftetafel
35
𝐾𝑡𝑀 = 𝐾𝑡−1
𝑀 + 𝜃𝑀 + 𝜖𝑡𝑀
𝜅𝑡𝑀 = 𝑎𝑀𝜅𝑡−1
𝑀 + 𝛿𝑡𝑀
𝐾𝑡𝑉 = 𝐾𝑡−1
𝑉 + 𝜃𝑉 + 𝜖𝑡𝑉
𝜅𝑡𝑉= 𝑎𝑉𝜅𝑡−1
𝑉 + 𝛿𝑡𝑉
• Wie alleen de best estimate sterftetafel wil gebruiken kan meest waarschijnlijke uitkomsten voor sterftekansen generen door 𝜖𝑡
𝑀, 𝛿𝑡𝑀, 𝜖𝑡
𝑉 , 𝛿𝑡𝑉 =(0,0,0,0) te kiezen.
• De zo gegenereerde tafel is via een Excel sheet op de AG website te verkrijgen.
• In die sheet staan ook alle benodigde parameters voor de simulaties.
Prognosetafel AG2016
Voorbeeld: Levensverwachting
• Periodelevensverwachting
o Maakt gebruik van de sterftekansen voor verschillende leeftijden in één prognosejaar en gaat er dus van uit dat sterftekansen nooit meer veranderen.
o Geeft bij dalende toekomstige sterftekansen een onderschatting van de werkelijke levensverwachting, van waarde van annuïteiten etc.
• Cohortlevensverwachting
o Maakt gebruik van sterftekansen in toekomstige prognosejaren, en
o is daarom dus onderhevig aan onzekerheid in prognose.
36
Prognosetafel AG2016
Voorbeeld: Levensverwachting
• Periodelevensverwachting : kolom
• Cohortlevensverwachting : diagonaal
37
Prognosetafel AG2016
38
Prognosetafel AG2016
Levensverwachting
VPRO Zomergasten Andrea Maier (3:30)
39
Prognosetafel AG2016
Levensverwachting
Communicatie !
40
Prognosetafel AG2016
Gebruik: Sluiting
• Alle leeftijdsafhankelijke parameters worden gegeven tot leeftijd 90, dus gesimuleerde tafels stoppen bij die leeftijd.
• Voor hazard rates bij leeftijden x>90 wordt een inverse logistische weging genomen van hazard rates bij leeftijden x=80, 81, …, 90 (Kannistö sluiting), zoals in AG2014. Best estimate tafels op website lopen t/m leeftijd 120.
41
80 85 90 95 100 105 110 115 1200
0.2
0.4
0.6
0.8
1
ln μx
x
Prognosetafel AG2016
Gebruik als
Stochastische Scenario Generator
42
Prognosetafel AG2016
Stochastische Scenario’s
• Publicatie en Excel sheet beschrijven methode om trekkingen van samples van gecorreleerde variabelen 𝜖𝑡
𝑀, 𝛿𝑡𝑀, 𝜖𝑡
𝑉 , 𝛿𝑡𝑉 te
genereren, waarmee tijdreeksen 𝐾𝑡𝑔 en 𝜅𝑡
𝑔 en dus de hazard
rates 𝜇𝑥𝑔
𝑡 en daarmee de sterftekansen 𝑞𝑥𝑔
𝑡 gesimuleerd
kunnen worden.
• Daarmee kunnen vervolgens verdelingen voor levens-verwachtingen / portefeuillewaarden e.d. gegeneerd worden.
43
ln 𝜇𝑥𝑔
𝑡 = ln 𝜇𝑥𝑔,𝐸𝑈
𝑡 + ln 𝜇𝑥𝑔,𝑁𝐿
𝑡
ln 𝜇𝑥𝑔,𝐸𝑈
𝑡 = 𝐴𝑥𝑔
+ 𝐵𝑥𝑔
𝐾𝑡𝑔
ln 𝜇𝑥𝑔,𝑁𝐿
𝑡 = 𝛼𝑥𝑔
+ 𝛽𝑥𝑔
𝜅𝑡𝑔
𝐾𝑡𝑀 = 𝐾𝑡−1
𝑀 + 𝜃𝑀 + 𝜖𝑡𝑀
𝜅𝑡𝑀 = 𝑎𝑀𝜅𝑡−1
𝑀 + 𝛿𝑡𝑀
𝐾𝑡𝑉 = 𝐾𝑡−1
𝑉 + 𝜃𝑉 + 𝜖𝑡𝑉
𝜅𝑡𝑉= 𝑎𝑉𝜅𝑡−1
𝑉 + 𝛿𝑡𝑉
Prognosetafel AG2016
Gebruik: Scenariogenerator
44
Prognosetafel AG2016
Gebruik: Scenariogenerator
45
Prognosetafel AG2016
Gebruik: Simulatie
46
Prognosetafel AG2016
Gebruik: Simulatie
47
Prognosetafel AG2016
Gebruik: Simulatie
48
Prognosetafel AG2016
Gebruik: Simulatie
49
Prognosetafel AG2016
Gebruik: Simulatie
• Alle
50
Product
of
Portefeuille
Prognosetafel AG2016
Onzekerheid in Levensverwachtingen
51
Prognosetafel AG2016
Onzekerheid in Levensverwachtingen
52
Prognosetafel AG2016
Gebruikte Kalibratiemethode
53
Prognosetafel AG2016
Decompositie van drie effecten
54
1970
1980
1990
2000
020
4060
80
-12
-10
-8
-6
-4
-2
0
1970
1980
1990
2000
020
4060
80
-12
-10
-8
-6
-4
-2
0
Ruwe data voor Nederland optelsom van drie verschillende effecten in dit model:
1. Europese Trend in sterftekansen
2. Nederlandse afwijking van Europese trend in sterftekansen
3. Toeval in aantal overledenen gegeven die sterftekansen
Prognosetafel AG2016
Kalibratiemethode
• Bijkomende onzekerheid in totaal aantal overledenen per leeftijd in zowel Nederland als rest van Europa gegeven de sterftekansen gemodelleerd met Poissonverdeling voor de kalibratie.
• Methode van maximum likelihood: Gekozen parameterwaarden maken de gevonden sterfteaantallen in Nederland en Europa het meest waarschijnlijk onder de Li/Lee + Poisson aanname, in vergelijking met mogelijke andere parameterwaarden.
55
Prognosetafel AG2016
Onzekerheid
• Prognose is gebaseerd op historische data. Parameter- en modelonzekerheid niet gemodelleerd.
o Impliciete veronderstelling dat orde van grootte van de schokken in de toekomst gelijk is aan het verleden.
o Binnen beroepsgroep en medische literatuur geen consensus over toe te voegen alternatieve scenario’s.
Prognosemodel genereert zo objectief mogelijk toekomstscenario’s waar ieder zijn eigen (subjectieve) scenario’s aan toe kan voegen:
AG2016 model is een startpunt, geen eindpunt voor modellering van onzekerheid.
56
57
Prognosetafel AG2016