Sei sulla pagina 1di 9

INGENERARE 25 - 2011 / 49

APLICACIÓN DE METODOLOGÍAS ECONOMÉTRICAS UNIVARIANTES EN EL PRONÓSTICO DE LA MORTALIDAD EN CHILE Y SUS REGIONES

APPLICATION OF ECONOMETRIC UNIVARIATE METHODOLOGIES FOR FORECAST OF MORTALITY IN CHILE AND ITS REGIONS

Dr. Hanns de la Fuente Mella 1 Jorge Valdivia Quezada 2

1 Profesor Asociado. Pontificia Universidad Católica de Valparaíso, Facultad de Ciencias Económicas y Administrativas, Escuela de Comercio. Doctor en Economía y Gestión de las Organizaciones, Universidad de Zaragoza, España. Ingeniero Civil Industrial, Magíster en Ingeniería Industrial, Pontificia Universidad Católica de Valparaíso. 2 Ingeniero Civil Industrial, Universidad de Talca.

RESUMEN: El estudio de la mortalidad ha sido un tema central por años para diferentes especialistas, ya sean médicos, demográficos, científicos, etc. Existen diversas metodologías y leyes de mortalidad que datan de más de 100 años de antigüedad donde algunas aún si- guen vigentes. Sin embargo, nuevas metodologías que se basan en la extrapolación de datos pasados son las más usadas en la actualidad. Este artículo incluye dos estudios base: i) Se ajusta el modelo de Lee y Carter, el cual es un estándar en predicción de mortalidad a la razón de mortalidad en Chile a nivel nacional estructurados según grupos de edad [1], ii) Se aplican modelos de series temporales univariantes como Winter’s Additive y el Simple Seasonal a la mortalidad regional. Se encontraron diferencias significativas entre edades tempranas y edades avanzadas, siendo éstas las más sensibles a la mortalidad. Entre los 15 y los 35 años se encuentra un aumento en la razón de mortalidad explicados por muertes accidentales en ese rango etario. Además, se verifica que la mortalidad no es uniforme entre las regio- nes y tampoco durante los diferentes meses del año.

Palabras Clave: Mortalidad, Causa de Muerte, Predicción.

Abstract: The study of mortality has been a central theme for seve- ral years by specialists, whether medical, demographic, scientific, etc. There are several methodologies and mortality laws dating back over 100 years old, where some still remain in force. However, new me- thodologies that are based on extrapolation of past data are the most used at present. This article includes two basic studies: i) It fits the model of Lee and Carter, which is standard in predicting mortality to mortality rates of Chile at national level structured according to age groups [1], ii) Apply univariate time series models such as Winter’s Additive and Simple Seasonal to the regional mortality. Significant di- fferences were found between early and later life, being these ones the most susceptible to mortality. Between 15 and 35 years an increase in mortality rates is found explained by accidental deaths in thisage ran- ge. Furthermore, it was observed that mortality is not uniform across regions and during different months of the year.

Key Words: Mortality, Cause of Death, Forecasting.

1. INTRODUCCIÓN

Actualmente, los niveles de mortalidad en países desarrollados son significativamente menores que en países en vías de desa- rrollo. De acuerdo a las Naciones Unidas, la estimación de vida para una persona en el mundo, entre 1990-1995, es 64,3 años para ambos sexos combinados (62,1 años en regiones menos desarrolladas y 74,2 años para las más desarrolladas) [2].

En Chile la esperanza de vida en 1980 era de 67,2 años mientras que en 2005 pasó a ser 77,7 años. Esto puede explicarse por

el aumento de la población que vive en zonas urbanas, factor

importante debido a dos motivos: conlleva un crecimiento en

el nivel educacional y además, presenta una mejor cobertura

de agua potable, alcantarillado y luz eléctrica que los sectores asociados a zonas rurales. A lo anterior, se suma un incremen- to en el gasto público destinado a las atenciones de madres, niños y enfermedades específicas, además del mejoramiento

y

ampliación de servicios de salud. Reducciones similares a

la

observada en Chile se han visto sólo en algunos países de

América Latina como Cuba y Costa Rica [3].

Las características influyentes en la mortalidad son numerosas y

el estudio de los efectos y sus interrelaciones aún más diverso.

Pueden hacerse distinciones entre factores internos y externos de la mortalidad, los que a su vez pueden diferenciarse como factores de riesgo físico (ej.: hipertensión y stress), o factores biológicos básicos como el género que, en el caso chileno, mues- tra que las mujeres viven más que los hombres con diferencias variables en el tiempo. En 1950, la diferencia en mortalidad era mucho menor que la actual, siendo una de las causas princi- pales, el incremento de las enfermedades relacionadas con el sistema circulatorio. El consumo de cigarrillos es el mayor factor

de riesgo de estas enfermedades [4].

50 / INGENERARE 25 - 2011

El presente estudio tiene como objetivos la modelación y pre- dicción de la razón de mortalidad en Chile según grupos de edades, además de la modelación y predicción del número de muertes regionales. Los resultados principales sugieren que la mortalidad en general ha disminuido, donde los menores de un año y adultos mayores son más sensibles a ésta. Además, se verificó que la mortalidad no es uniforme entre las regiones ni durante los diferentes meses del año.

2. MATERIAL Y MÉTODO

2.1 Marco Teórico

La literatura clasifica los modelos de predicción para mortalidad de diferente forma. Gómez de León y Texmon sugieren que los modelos causa-muerte son parte de los métodos tradicionales

y pueden dividirse en dos categorías: i) métodos de extrapola-

ción y, ii) procedimientos basados en la mortalidad de una más “avanzada” o “natural” característica de la población. Distin- guen además cuatro diferencias para proyectar mortalidad: por extrapolación, haciendo referencia a un particular modelo de mortalidad, con un objetivo y, en referencia a los componentes de las mortalidades [5] y [6]. Aunque existe una gran tradición de modelos motivados biológicamente, las actuales prediccio- nes son comúnmente basadas en extrapolación y no reflejan directamente los procesos físicos o evidencia epidemiológica y biomédica de la salud.

Las leyes de mortalidad describen la mortalidad por edades en términos de funciones matemáticas, utilizando para ello variables como: edad-específica ratio de muerte, probabilidades, etc. En los estudios de mortalidad, los modelos ARIMA resultan popula- res en predicciones por edad. En 1992, Lee y Carter desarrolla- ron un modelo para la extrapolación de tendencias según grupos de edad. Los autores exploran el comportamiento de las series de tiempo de mortalidad entre grupos de edad usando un único factor latente el cual describe el logaritmo general de mortalidad. El logaritmo de la razón de muerte es modelado como la suma de un tiempo invariable, una constante edad-específica y el pro- ducto de una componente de tiempo invariable a edad-específica con el factor latente de tiempo variable. La componente edad- específica representa la sensibilidad de un grupo de edad hacia el nivel general de cambio de mortalidad [1].

La estimación del modelo procede como sigue: Primero, descomposición por valores singulares para obtener el factor latente. Segundo, el parámetro de edad-específica es estimado por Mínimos Cuadrados Ordinarios (SVD). Por otra parte, para asegurar que la suma del número implicado de muertes iguale

la suma del número actual de muertes de cada periodo se utiliza

una nueva estimación del factor latente (SEE) manteniendo el parámetro edad-especifica constante. Finalmente, se utilizan los modelos ARIMA para ajustar una serie de tiempo al factor

latente, a fin de realizar predicciones.

Una gran cantidad de literatura envuelve el uso del modelo original de Lee y Carter [7-12].

2.2 Análisis de Datos

La fuente de datos utilizada comprende información de anua- rios demográficos desde 1987 a 2003. Estos son publicados anualmente mostrando la mortalidad total del país, por regiones, por causas de muerte según la clasificación de enfermedades (ICD-10) establecida por WHO en 1992, por natalidad, por población, etc. [13], [14].

El ratio de muerte se define como la proporción entre el número de muertes y la población, de acuerdo a:

entre el número de muertes y la población, de acuerdo a: Donde,   : Ratio de

Donde,

el número de muertes y la población, de acuerdo a: Donde,   : Ratio de muerte
 

:

Ratio de muerte para una población;

 

:

Número de muertes edad

.
.

y tiempo

:

Población edad

y tiempo

y tiempo

edad . y tiempo : Población edad y tiempo ; y Para el análisis regional, los

; y

Para el análisis regional, los datos fueron obtenidos de los anua- rios demográficos entre 1987 y 2003 [13]. La base de datos del número de muertes comprende un total de 204 observaciones por región clasificadas mensualmente.

2.3 Estudio 1: Mortalidad Nacional

El modelo utilizado para realizar este estudio corresponde al de Lee y Carter, en donde el modelo estándar es el siguiente (1):

y Carter, en donde el modelo estándar es el siguiente (1): Donde, : Ratio central observado

Donde,

: Ratio central observado de muertes edad

y año ;
y año
;

Períodos de tiempo (1982-2005);

Grupos de edades (menor a 1, 1-4, 5-9,…, 85 y más);

Promedio razón de mortalidad a edad específica x;

Parámetro desviación de perfiles de edad varía;

cuando
cuando
:
:

Índice de tendencia nivel general de mortalidad; y

: Residuo ratio de mortalidad edad

y año
y año

INGENERARE 25 - 2011 / 51

El modelo fue ajustado a datos chilenos desde 1988 a 2003 según grupos de edades; menor a 1, 1-4, 5-9…65 y más, mediante la herramienta online LCFIT. La Tabla 1 muestra los valores de los coeficientes estimados de y . El parámetro describe la forma general de la mortalidad a diferentes edades, la Figura 1 refleja que la razón de mortalidad en los primeros años de vida y en avanzadas edades son elevados; sin embargo, después del primer año de vida la mortalidad es bastante menor.

Además, en la serie temporal de la Figura 1, se refleja un incre- mento de la mortalidad entre los 15 y 35 años donde Guillen

y Vidiella-i-Anguera lo atribuyen a la mortalidad accidental [15,

16].

Los coeficientes describen la sensibilidad relativa ante varia- ciones del parámetro . Se observa que algunas edades son más sensitivas que otras, en general a menor edad, mayor es la sensibilidad a variaciones de , Figura 2.

edad, mayor es la sensibilidad a variaciones de , Figura 2. El índice de mortalidad ,
edad, mayor es la sensibilidad a variaciones de , Figura 2. El índice de mortalidad ,
edad, mayor es la sensibilidad a variaciones de , Figura 2. El índice de mortalidad ,
edad, mayor es la sensibilidad a variaciones de , Figura 2. El índice de mortalidad ,
edad, mayor es la sensibilidad a variaciones de , Figura 2. El índice de mortalidad ,

El índice de mortalidad , Tabla 2, captura la tendencia a través del tiempo en escala logarítmica de la razón de mortalidad en todas las edades. La Figura 3 muestra que el ratio de mortalidad estimado según el método SVD y SEE han ido disminuyendo

a través del tiempo para Chile, es decir, la mortalidad general disminuye en función del tiempo.

la mortalidad general disminuye en función del tiempo. Tabla 1: Coeficientes estimados de y . Edad

Tabla 1: Coeficientes estimados de

en función del tiempo. Tabla 1: Coeficientes estimados de y . Edad a b    

y

.
.

Edad

a

b

   

x

x

0

-4,508

0,133

1

-7,518

0,116

5

-8,305

0,071

10

-8,218

0,063

15

-7,445

0,047

20

-6,990

0,039

25

-6,848

0,034

30

-6,670

0,043

35

-6,418

0,044

40

-6,044

0,057

45

-5,629

0,061

50

-5,183

0,060

55

-4,743

0,053

60

-4,281

0,054

65

-3,832

0,041

70

-3,354

0,032

75

-2,897

0,053

Fuente: Elaboración propia.

Tabla 2: Coeficiente

0,053 Fuente: Elaboración propia. Tabla 2: Coeficiente estimado por SEE y SVD. Año k t ,

estimado por SEE y SVD.

Año

k t , SEE

k t , SVD

1988

3,457

3,608

1989

3,432

3,870

1990

3,749

3,370

1991

2,438

2,193

1992

1,645

1,311

1993

1,632

0,977

1994

0,239

0,433

1995

0,182

0,466

1996

-0,105

-0,204

1997

-1,309

-0,652

1998

-1,396

-1,155

1999

-1,644

-2,049

2000

-2,625

-2,727

2001

-1,778

-2,454

2002

-3,477

-3,294

2003

-3,428

-3,692

Fuente: Elaboración propia.

Figura 1: Gráfico de los valores estimados de

.
.
propia. Figura 1: Gráfico de los valores estimados de . Fuente: Elaboración propia. Figura 2: Gráfico

Fuente: Elaboración propia.

Figura 2: Gráfico de los valores estimados de Chile.

de . Fuente: Elaboración propia. Figura 2: Gráfico de los valores estimados de Chile. para Fuente:

para

de . Fuente: Elaboración propia. Figura 2: Gráfico de los valores estimados de Chile. para Fuente:

Fuente: Elaboración propia.

52 / INGENERARE 25 - 2011

Figura 3: Índice de mortalidad

52 / INGENERARE 25 - 2011 Figura 3: Índice de mortalidad para Chile. Fuente: Elaboración propia.

para Chile.

25 - 2011 Figura 3: Índice de mortalidad para Chile. Fuente: Elaboración propia. Las Figuras 4,

Fuente: Elaboración propia.

Las Figuras 4, 5 y 6 presentan los gráficos de los logaritmos naturales del ratio central de muertes edad y tiempo de los datos de Chile ( ) versus los logaritmos naturales del ratio central estimado de muertes ( ) entre los años 1988 y 2003 para diferentes edades específicas.

Un caso particular se observa para el ratio de mortalidad para los menores de 1 año, siguiendo la tendencia a disminuir como lo hacen los datos observados (Figura 4). A su vez, se observan diferencias significativas entre la razón ajustada y observada para los rangos de edad 20 a 24 años y 75 a 79 años (Figuras 5 y 6 respectivamente).

a 24 años y 75 a 79 años (Figuras 5 y 6 respectivamente). Figura 4: Razón
a 24 años y 75 a 79 años (Figuras 5 y 6 respectivamente). Figura 4: Razón
a 24 años y 75 a 79 años (Figuras 5 y 6 respectivamente). Figura 4: Razón
a 24 años y 75 a 79 años (Figuras 5 y 6 respectivamente). Figura 4: Razón

Figura 4: Razón de mortalidad observados versus estimados, menores de un año.

mortalidad observados versus estimados, menores de un año. Fuente: Elaboración propia. Figura 5: Razón de mortalidad

Fuente: Elaboración propia.

Figura 5: Razón de mortalidad observados y estimados, 20 a

24 años.

Razón de mortalidad observados y estimados, 20 a 24 años. Fuente: Elaboración propia. Figura 6: Razón

Fuente: Elaboración propia.

Figura 6: Razón de mortalidad observados y estimados, 75 a

79 años.

Razón de mortalidad observados y estimados, 75 a 79 años. Fuente: Elaboración propia. En cuanto a

Fuente: Elaboración propia.

En cuanto a los residuos, las gráficas del Error Porcentual Absoluto Medio (MAPE) y Error Estándar Medio (MSE) para el ajuste del modelo de los datos chilenos se presentan en las Figuras 7 y 8 respectivamente. A simple vista no se aprecia una diferencia en el MAPE de los dos modelos (SVD y SEE). Por el contrario, la Figura 8 muestra una leve diferencia a favor del método SEE.

Figura 7: Gráficas del MAPE para SVD y SEE.

una leve diferencia a favor del método SEE. Figura 7: Gráficas del MAPE para SVD y

Fuente: Elaboración propia.

INGENERARE 25 - 2011 / 53

Figura 8: Gráficas del MSE para SVD y SEE.

25 - 2011 / 53 Figura 8: Gráficas del MSE para SVD y SEE. Fuente: Elaboración

Fuente: Elaboración propia.

La suma total de los MAPE y MSE son presentados en la Tabla 3. Se concluye que el ajuste de los por SEE es mejor, ya que los valores del MAPE y MSE son menores en ambos casos comparado con los valores de la estimación por SVD.

casos comparado con los valores de la estimación por SVD. Tabla 3: Comparación de SVD y

Tabla 3: Comparación de SVD y SEE para los dos métodos

de estimación de

.
.
 

MAPE

MSE

SVD

0,114

0,810

SSE

0,109

0,804

Fuente: Elaboración propia.

Explicando este resultado, Lee y Carter señalan que la diferencia en el modelo de estimación por SVD se basa en el logaritmo de la razón de mortalidad más que en el número de muertes como lo hace el SEE, lo cual marcaría la diferencia entre ambos mé- todos [1]. Dados los objetivos de este estudio donde se necesita estimar el número de muertes más que el ratio de mortalidad se utilizará el método SEE.

Ahora bien, para predecir la razón de mortalidad se necesita del previo ajuste de una serie de tiempo para el índice de mortalidad , el cual se obtiene mediante la aplicación de la metodología Box-Jenkins estableciendo que el modelo más apropiado es un ARIMA (0, 1, 0) [1], [17]. Dicho modelo para nuestra investigación (método SEE) corresponde a:

para nuestra investigación (método SEE) corresponde a: La predicción se realiza entre los años 2004 y
para nuestra investigación (método SEE) corresponde a: La predicción se realiza entre los años 2004 y

La predicción se realiza entre los años 2004 y 2011 (8 períodos de predicción). La elección del período de predicción es arbi- traria, así, en la literatura encontramos que por ejemplo Lee y Carter en1992 utilizan 76 períodos; en 2008 Debón et al. utilizan 12 períodos; Zheng en 2007 utiliza 54 y 104 períodos, entre otros [1],[16],[18]. La Tabla 4 presenta la predicción obtenida mediante el software SPSS v.17.

En la Figura 9 se presenta el gráfico de los ajustados a través del modelo ARIMA (0, 1, 0).

de los ajustados a través del modelo ARIMA (0, 1, 0). Figura 9: (SSE) ajustado por

Figura 9:

ajustados a través del modelo ARIMA (0, 1, 0). Figura 9: (SSE) ajustado por método ARIMA.

(SSE) ajustado por método ARIMA.

ARIMA (0, 1, 0). Figura 9: (SSE) ajustado por método ARIMA. Fuente: Elaboración propia. 2.4 Estudio

Fuente: Elaboración propia.

2.4 Estudio 2: Mortalidad Regional

A fin de analizar la distribución de la mortalidad regional en Chile, se aplican los métodos Winter’s Additive y Simple Sea- sonal. Tanto el ajuste como la predicción se realiza mediante el software SPSS v.17.

La base de datos para el estudio mensual de la mortalidad incluye el número de muertes mensuales desde el año 1987 al 2003, es decir 204 observaciones para cada región de Chile. Los modelos seleccionados se presentan a continuación en la Tabla 5. Por otra parte, la estimación de los parámetros de los modelos por región se presenta en la Tabla 6.

Tabla 4: Modelo ARIMA ajustado a SEE.

Modelo

 

2004

2005

2006

2007

2008

2009

2010

2011

k t , SEE

Predicción

-3,881

-4,333

-4,784

-5,234

-5,684

-6,133

-6,581

-7,028

Fuente: Elaboración propia.

54 / INGENERARE 25 - 2011

Tabla 5: Modelos univariantes por región.

 

Tipo de Modelo

Región ID

I

Modelo_1

Winter’sAdditive

 

II

Modelo_2

Simple Seasonal

 

III

Modelo_3

Simple Seasonal

 

IV

Modelo_4

Winter’sAdditive

 

V

Modelo_5

Simple Seasonal

 

VI

Modelo_6

Simple Seasonal

 

VII

Modelo_7

Simple Seasonal

 

VIII

Modelo_8

Simple Seasonal

 

IX

Modelo_9

Simple Seasonal

 

X

Modelo_10

Simple Seasonal

 

XI

Modelo_11

Winter’sAdditive

 

XII

Modelo_12

Winter’sAdditive

 

RM

Modelo_13

Winter’sAdditive

Fuente: Elaboración propia.

Tabla 6: Parámetros de los modelos por región

Región

 

Estimado

SE

t

Sig.

I-Modelo_1

Alpha (Nivel)

0,001

0,002

0,495

0,621

 

Gamma (Tendencia)

1,000

2,222

0,450

0,653

 

Delta (Estacionalidad)

3,197E-05

0,031

0,001

0,999

II-Modelo_2

Alpha (Nivel)

0,100

0,032

3,153

0,002

 

Delta (Estacionalidad)

7,894E-07

0,052

1,505E-05

1,000

III-Modelo_3

Alpha (Nivel)

0,100

0,040

2,510

0,013

 

Delta (Estacionalidad)

1,393E-05

0,044

0,000

1,000

IV-Modelo_4

Alpha (Nivel)

0,006

0,007

0,843

0,400

 

Gamma (Tendencia)

0,000

0,01

0,012

0,990

 

Delta (Estacionalidad)

0,001

0,033

0,030

0,976

V-Modelo_5

Alpha (Nivel)

0,200

0,042

4,720

0,000

 

Delta (Estacionalidad)

9,642E-07

0,037

2,631E-05

1,000

VI-Modelo_6

Alpha (Nivel)

0,100

0,028

3,520

0,001

 

Delta (Estacionalidad)

2,885E-05

0,046

0,001

0,999

VII-Modelo_7

Alpha (Nivel)

0,100

0,03

3,362

0,001

 

Delta (Estacionalidad)

1,393E-05

0,048

0,000

1,000

VIII-Modelo_8

Alpha (Nivel)

0,200

0,04

4,959

0,000

 

Delta (Estacionalidad)

2,901E-06

0,037

7,764E-05

1,000

IX-Modelo_9

Alpha (Nivel)

0,100

0,032

3,131

0,002

 

Delta (Estacionalidad)

1,357E-05

0,050

0,000

1,000

X-Modelo_10

Alpha (Nivel)

0,100

0,032

3,116

0,002

 

Delta (Estacionalidad)

2,136E-05

0,050

0,000

1,000

XI-Modelo_11

Alpha (Nivel)

0,001

0,007

0,141

0,888

 

Gamma (Tendencia)

0,000

0,156

0,002

0,998

 

Delta (Estacionalidad)

0,001

0,043

0,023

0,982

XII-Modelo_12

Alpha (Nivel)

0,010

0,008

1,227

0,221

 

Gamma (Tendencia)

6,929E-05

0,003

0,022

0,983

 

Delta (Estacionalidad)

0,005

0,034

0,134

0,894

RM-Modelo_13

Alpha (Nivel)

0,100

0,035

2,832

0,005

 

Gamma (Tendencia)

1,766E-07

0,007

2,494E-05

1,000

 

Delta (Estacioanlidad)

2,878E-06

0,053

5,390E-05

1,000

Fuente: Elaboración propia.

INGENERARE 25 - 2011 / 55

Finalmente, la predicción se realiza desde enero de 2004 a diciembre de 2008 (periodos mensuales), el horizonte de pre- dicción se escogió arbitrariamente [1, 16, 18]. El resultado de las predicciones mensuales para el número de muertes por cada región para el período analizado se presenta en la Tabla 7.

A modo de ejemplo en la Figura 10 se presentan los gráficos de los valores observados y ajustados con la predicción e in- tervalos de confianza para las regiones primera, metropolitana y duodécima.

Tabla 7: Predicción mensual número de muertes regional desde el año 2004 al 2008.

Región

Ene-04

Feb-04

Mar-04

Abr-04

May-04

Jun-04

Jul-04

I

169

156

171

157

172

171

187

II

193

177

194

186

201

217

221

III

93

82

88

87

97

113

116

IV

246

217

228

229

261

268

300

V

782

703

770

779

896

933

980

VI

358

320

354

352

401

425

444

VII

437

370

409

428

491

500

548

VIII

852

754

801

826

943

1031

1064

IX

417

373

404

420

450

499

545

X

506

442

491

493

545

581

626

XI

33

31

33

34

34

38

41

XII

81

71

77

79

78

86

85

RM

2440

2156

2320

2437

2879

3034

3179

Región

Ago-04

Sep-04

Oct-04

Nov-04

Dic-04

Ene-05

Feb-05

I

184

175

170

158

171

172

159

II

211

204

194

186

193

193

177

III

107

95

97

91

95

93

82

IV

274

259

255

237

252

248

219

V

913

850

811

764

780

782

703

VI

400

384

363

342

361

358

320

VII

519

481

442

417

426

437

370

VIII

1016

956

903

834

849

852

754

IX

511

491

460

425

426

417

373

X

589

592

554

505

513

506

442

XI

38

38

36

34

33

33

31

XII

86

82

83

78

84

82

72

RM

2908

2654

2508

2380

2456

2466

2182

Fuente: Elaboración propia.

56 / INGENERARE 25 - 2011

Figura 10: Gráfica de los modelos ajustados y la predicción para la primera región, duodécima y metropolitana.

para la primera región, duodécima y metropolitana. Fuente: Elaboración propia. 3. RESULTADOS De los
para la primera región, duodécima y metropolitana. Fuente: Elaboración propia. 3. RESULTADOS De los
para la primera región, duodécima y metropolitana. Fuente: Elaboración propia. 3. RESULTADOS De los

Fuente: Elaboración propia.

3. RESULTADOS

De los parámetros del ajuste del modelo Lee-Carter se concluye que existe un mayor ratio de muerte entre adultos mayores y niños. Entre los 15 y los 35 años se encuentra un aumento en la razón de mortalidad explicado por muertes accidentales en este grupo. En adición, se estudia la sensibilidad de la razón de mortalidad encontrándose que es más probable morir en los primeros años de vida o en una avanzada edad.

Para el ajuste del índice de mortalidad se usan dos métodos de estimación, SVD y SEE. Para ambas estimaciones se concluye que el índice general de la mortalidad ha disminuido en Chile, lo cual puede ser explicado por el aumento de recursos estatales entregados al área de salud, y al aumento en la prevención sanitaria de la ciudadanía.

Un estudio de los residuos MAPE y MSE permite determinar el método de estimación que mejor se ajusta al caso Chileno, del modelo ajustado de Lee-Carter se concluye que el método por SEE permite un mejor ajuste a la razón de mortalidad por grupos de edades.

Finalmente, en el caso nacional (estudio 1), se realiza una pre- dicción del índice de la mortalidad entre los años 2004 y 2011.

La predicción fue realizada con una serie de tiempo univariante ARIMA (0, 1, 0) [1], [17], donde ésta indica que el índice de mortalidad a través de los años en Chile tiende a disminuir.

En cuanto a la mortalidad regional (estudio 2) se observa un fenómeno interesante y estacional a través del tiempo. La mor- talidad en Chile se intensifica a mediado de año, siendo el mes de julio el que posee, en promedio, mayor número de muertes

y febrero el menor. Esto puede explicarse por el aumento de

las enfermedades respiratorias en invierno. Por otra parte, se observa que las regiones con mayores tasas de muerte son las de Valparaíso, Maule, de los Lagos, y la de Magallanes. Al contrario, las menores tasas promedio se encuentran en las

regiones de Atacama, Tarapacá, y Aysén.

Para el ajuste de la mortalidad mensual regional, los modelos que mejor se ajustaron son los de Winter’s Additive y Simple Seasonal, donde se observa que la mortalidad mensual es cíclica y se repite la misma tendencia cada año. En cuanto a la predicción mensual de la mortalidad regional, se observa que sigue la misma tendencia de los años anteriores.

4. DISCUSIÓN

La presente investigación es un aporte al estudio y predicción de

la mortalidad en Chile, dado que se utilizan métodos avanzados

de series temporales univariantes. Estos métodos han sido apli- cados en países desarrollados como Estados Unidos, Suecia, y España, generando para dichos países resultados satisfactorios, debido a que en base a herramientas cuantitativas es posible apoyar a la toma de decisiones en esta materia. Uno de estos métodos es el de Lee-Carter, dado a conocer en 1992, desde

aquí, numerosas aplicaciones se han realizado a este método en diferentes áreas. El método Lee-Carter está basado en una representación año a año de la razón de mortalidad para algún grupo de edad específico en función de un sólo parámetro va- riante en el tiempo (índice de mortalidad).

Además, en la presente investigación se realiza un estudio y predicción de la mortalidad para las regiones de Chile, utilizando para ello modelos como los de Winter’s Additive y Simple Sea- sonal, donde para cada región se utiliza el criterio de la bondad de ajuste para la selección del método adecuado. Análisis men- suales y regionales presentan diferencias de mortalidad entre los meses del año y las regiones del país.

En resumen, se logra el ajuste del modelo de Lee-Carter a los datos anuales de mortalidad chilena como también ajustes regionales mensuales usando modelos de series de tiempo uni- variantes. Además, para ambos análisis se generan predicciones de mortalidad para Chile tanto a nivel nacional como regional, siendo estos resultados de especial interés para la generación de políticas públicas en éstas materias.

INGENERARE 25 - 2011 / 57

5. REFERENCIAS

[1]

R. Lee, L. Carter: “Modeling and forecasting US mortality”, Journal of the American Statistical Association, Vol. 87, 659-671, 1992.

[2]

Naciones Unidas: “Consejo económico y social: Tendencias

demográficas en el Mundo”, Informe del secretario general,

1997.

[3]

T. Castañeda: “Contexto socioeconómico y causas del descenso de la mortalidad infantil en Chile”, Estudios Públicos, Vol. 28, 1996.

[4]

W. Van Hoorn, J. De Beer: “Projecting mortality in population forecasts in the Netherlands”, Forecasting mortality in de- veloped countries: Insights from a statistical, demographic, and epidemiological perspectiv”, Boston: Kluwer Academic Publishers, 205-226, 2001.

[5]

J. Gomez De Leon, L.Texmon: “Methods of mortality pro- jections and forecasts”, National population forecasting in industrialized countries,Amsterdam, Holanda:Swets and Zeitlinger, 61-74, 1992.

[6]

E. Tabeau: “A review of demographic forecasting models for mortality”, Forecasting mortality in developed countries:

Insights from a statistical, demographic, and epidemiological perspective, Boston: Kluwer Academic Publishers, 1-32,

2001.

[7]

R. Lee, T. Miller: “Evaluating the performance of the Lee– Carter method for forecasting mortality”, Demography, Vol. 38, 537–549, 2001.

[8]

L. Carter,A. Prskawetz: “Examining structural shifts in mor- tality using the Lee–Carter method”, MPIDR, 2001.

[9]

H.Booth, J. Maindonald, L. Smith: “Applying Lee–Carter under conditions of variable mortality decline”, Population Studies, Vol. 56, 325–336, 2002.

[10]

N. Brouhns,M.Denuit, JK. Vermunt: “A Poisson log-bilinear regression approach to the construction of projected life- tables”, insurance: Mathematics and Economics, Vol. 31, 373–393, 2002.

[11]

A.E.Renshaw, S. Haberman: “On the forecasting of mortality reduction factors”, insurance: Mathematics and Economics, Vol. 32, 379-401,2003.

[12]

N. Hári, A. DeWeagenaere,B.Melenberg, T. Nijman: “Estima- ting the term structure of mortality”,Insurance: Mathematics and Economics, Vol. 42, 492-504, 2008.

[13]

Instituto Nacional de Estadísticas (INE), Anuario estadísticas vitales: Informe anual, 2005.

[14]

World Health Organization (WHO), International statistical classification of diseases and health related problems, Tenth Revision (versión on line para 2007), 1992.

[15]

M. Guillen, A. VidieIla-I-Anguera: “Forecasting Spanish

natural life expectancy”, Risk Analysis, Vol. 25, 1161–1170,

2005.

[16]

A. Debón, F. Montes, F.Puig: “Modelling and forecasting mortality in Spain”, European Journal of Operational Re- search, Vol. 189, 634-637, 2008.

[17]

G. E. Box, G. Jenkins: Times Series Analysis: Forecasting and Control, San Francisco California; Holden-Day Inc.,

1970.

[18]

J. Z Wang: “Fitting and forecasting mortality for Sweden:

Applying the Lee-Carter model”, Department of Mathe-

matical Statistics, Stockholm University, Degree Project,

2007.

6. RESEÑA BIOGRÁFICA DE LOS AUTORES

Hanns de la Fuente M., es Ingeniero Civil Industrial de la Pontifi- cia Universidad Católica de Valparaíso, Chile. Posee un Magíster en Ingeniería Industrial, Mención Gestión, de la Pontificia Univer- sidad Católica de Valparaíso, Chile, y es Doctor en Economía y Gestión de las Organizaciones de la Universidad de Zaragoza, España. Posee trabajos nacionales e internacionales en el área de Economía Aplicada y Modelamiento Econométrico.

Jorge Valdivia Quezada., es Licenciado en Ciencias de la In- geniería de la Universidad de Talca e Ingeniero Civil Industrial de la Universidad de Talca.