Прогнозирование смертности в зависимости от характеристик социально-экономического положения индивида

(НИУ ВШЭ, доцент Кафедры математической экономики и эконометрики;

адрес рабочий: Москва, ул. Шаболовка, корпус 4, комната 4330;

e-mail: *****@***net)

(НИУ ВШЭ, преподаватель Кафедры математической экономики и эконометрики; адрес рабочий: Москва, ул. Шаболовка, корпус 4, комната 4330; ; e-mail: *****@***ru).

Прогнозирование смертности в зависимости от характеристик социально-экономического положения индивида.

Большинство исследований, посвящённых изучению смертности в России, опирается, в основном, на анализ агрегированных данных ([Кваша, Харькова, 2011], [Васин, Вишневский, 2011]). Такие данные, в силу того, что они собираются органами официальной статистики и частично публикуются Росстатом РФ, более доступны и просты в использовании, чем индивидуальные. Однако информация на агрегированном уровне не даёт сведений о связи смертности с потенциальными её детерминантами (например, уровнем образования, занятости или доходом) и, тем более, не позволяет идентифицировать конкретный случай смерти и соотнести его с характеристиками определённого индивида.

В текущем исследовании предпринята попытка изменить ситуацию, используя уникальный источник индивидуальных данных – Российский Мониторинг Экономического положения и Здоровья (РМЭЗ – НИУ ВШЭ), представляющий панель опросов домохозяйств, каждый год покрывающих более 10000 индивидов, отслеживаемых от одного раунда опроса к другому. Кроме того, что ответы респондентов дают сведения об их благосостоянии, образовании, здоровье, образе жизни, положении на рынке труда и многом другом, панельная структура данных позволяет проследить за судьбой одного индивида на протяжении нескольких лет и зачастую идентифицировать случай смерти.

Конечно, работа с такой индивидуальной информацией сопряжена с определёнными трудностями, в том числе с трудоёмкостью на этапе их подготовки к анализу, а также с тем, что приходится анализировать данные типа времени жизни, для которых характерна неполнота информации: цензурирование и усечение. Возможно, именно из-за этих сложностей на данный момент подобных исследований смертности, которые бы опирались на данные РМЭЗ, почти нет – известна лишь статья [Denisova, 2010], в которой впервые были представлены оценки связи смертности в России с социально-экономическими характеристиками индивидов и регионов.

В настоящем исследовании мы пытаемся усовершенствовать методику анализа в нескольких направлениях. Во-первых, мы корректируем выборку, включая только тех людей, чью смерть мы в состоянии отследить. Поскольку сведения о смерти обследуемых берутся из ответов их родственников, в выборку не имеет смысла включать одиноких людей, а также одиноких родителей с несовершеннолетними детьми. Таким образом, мы рассматриваем только респондентов из семей, где, кроме респондента, есть хотя бы один совершеннолетний член, принимающий участие в опросе.

Во-вторых, учитывается такая особенность данных типа времени жизни, как неполнота. Если в исследовании [Denisova, 2010] делается поправка на цензурирование справа: невозможно точно установить полное время жизни тех, кто на момент последнего наблюдения был жив, – то мы также учитываем усечение слева. Индивиды входят в выборку, прожив уже немалое время, из-за чего вероятность попадания индивида в выборку зависит от продолжительности его жизни. Кроме того, мы привлекаем к анализу данные, цензурированные на интервале, в которых дату смерти удаётся установить с точностью до нескольких лет, т. е. в ситуации, когда между раундами опроса для какого-то наблюдения прошёл не один год. В таком случае известно только, что человек умер, например, в возрасте от 50 до 53 лет). Подходы к анализу таких данных известны ([Klein, Moeschberger, 2005]), хотя их реализация требует написания собственных программ.

И, наконец, пользуясь опять же панельной структурой данных, мы имеем возможность учесть непостоянство детерминант смертности во времени. Значительная часть характеристик индивидов (например, занятость и благосостояние) является изменчивой, но данные позволяют отследить эти изменения от опроса к опросу и принять во внимание при анализе.

В докладе приводятся оценки функции дожития, силы смертности и вероятности смерти, рассчитанные на основании данных РМЭЗ за гг. для групп населения, различных по полу, месту проживания, уровню образования, занятости, семейному положению. А главное, РМЭЗ при оценивании функций дожития и интегрального риска позволяет нам учесть различия индивидов по показателям здоровья (таким, как индекс массы тела, показатели артериального давления, а также по наличию у индивида установленных диагнозов, в частности инфаркта, инсульта, диабета и др.) и образа жизни (частота употребления алкоголя, курения, интенсивность занятий спортом).

При оценивании используются как гибкие непараметрические методы (Каплана-Мейера и Нельсона-Аалена), так и параметрические модели для времени непрерывного (Гомперца-Мейкхема и Бэйли-Мейкхема (см. [Rogers, 1992]) и дискретного (дискретный вариант модели пропорциональных рисков Кокса [Cox, 1972], [Prentice, Gloeckler, 1978]). Подробный анализ с помощью принципиально разных по своей природе моделей позволяет наиболее эффективно использовать имеющиеся данные. Последнее представляется особенно важным, так как, число интересующих нас событий – смертей – в выборке оказывается всё же невысоким (порядка тысячи) из-за редкости изучаемого события, несмотря на наличие наблюдений за десятками тысяч индивидов.

Список использованной литературы:

1. , Вишневский смерти и приоритеты политики снижения смертности в России // Экономический журнал Высшей школы экономики, 2011. Т. 15. №4. С. 472-406.

2. , Харькова продолжительность жизни взрослого населения в регионах России в последнее десятилетие // Вопросы статистики, 2011. №8. С. 26-41.

Bailey R. C.

3. Denisova I. Adult mortality in Russia: a microanalysis // Economics of Transition, 2010. Мol. 18, №2. pp. 333-363.

4. Cox D. R. Regression Models and Life Tables. Journal of Royal Statistical Society// Series B Pp. 187-220.

5 .Klein J. P., Moeschberger M. L. Survival Analysis. Techniques for Censored and Truncated Data. Second Edition. Springer, 2005.

6. Prentice R., Gloeckler L. Regression analysis of grouped survival data with application to breast cancer data // Biometrics, 1978. №34. pp. 57-67.

7. Rogers W. Bailey-Makeham survival model // Stata Technical Bulletin, 1991. №2. pp. 11-14.