INGENERARE 25 - 2011 / 49

APLICACIN DE METODOLOGAS ECONOMTRICAS UNIVARIANTES EN EL PRONSTICO 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 Mella1 Jorge Valdivia Quezada2

1 Profesor Asociado. Ponticia Universidad Catlica de Valparaso, Facultad de Ciencias Econmicas y Administrativas, Escuela de Comercio. Doctor en Economa y Gestin de las Organizaciones, Universidad de Zaragoza, Espaa. Ingeniero Civil Industrial, Magster en Ingeniera Industrial, Ponticia Universidad Catlica de Valparaso. 2 Ingeniero Civil Industrial, Universidad de Talca.

RESUMEN: El estudio de la mortalidad ha sido un tema central por aos para diferentes especialistas, ya sean mdicos, demogrcos, cientcos, etc. Existen diversas metodologas y leyes de mortalidad que datan de ms de 100 aos de antigedad donde algunas an siguen vigentes. Sin embargo, nuevas metodologas que se basan en la extrapolacin de datos pasados son las ms usadas en la actualidad. Este artculo incluye dos estudios base: i) Se ajusta el modelo de Lee y Carter, el cual es un estndar en prediccin de mortalidad a la razn de mortalidad en Chile a nivel nacional estructurados segn grupos de edad [1], ii) Se aplican modelos de series temporales univariantes como Winters Additive y el Simple Seasonal a la mortalidad regional. Se encontraron diferencias signicativas entre edades tempranas y edades avanzadas, siendo stas las ms sensibles a la mortalidad. Entre los 15 y los 35 aos se encuentra un aumento en la razn de mortalidad explicados por muertes accidentales en ese rango etario. Adems, se verica que la mortalidad no es uniforme entre las regiones y tampoco durante los diferentes meses del ao. Palabras Clave: Mortalidad, Causa de Muerte, Prediccin. Abstract: The study of mortality has been a central theme for several years by specialists, whether medical, demographic, scientic, etc. There are several methodologies and mortality laws dating back over 100 years old, where some still remain in force. However, new methodologies that are based on extrapolation of past data are the most used at present. This article includes two basic studies: i) It ts 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 Winters Additive and Simple Seasonal to the regional mortality. Signicant differences 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 range. 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. INTRODUCCIN Actualmente, los niveles de mortalidad en pases desarrollados son significativamente menores que en pases en vas de desarrollo. De acuerdo a las Naciones Unidas, la estimacin de vida para una persona en el mundo, entre 1990-1995, es 64,3 aos para ambos sexos combinados (62,1 aos en regiones menos desarrolladas y 74,2 aos para las ms desarrolladas) [2]. En Chile la esperanza de vida en 1980 era de 67,2 aos mientras que en 2005 pas a ser 77,7 aos. Esto puede explicarse por el aumento de la poblacin que vive en zonas urbanas, factor importante debido a dos motivos: conlleva un crecimiento en el nivel educacional y adems, presenta una mejor cobertura de agua potable, alcantarillado y luz elctrica que los sectores asociados a zonas rurales. A lo anterior, se suma un incremento en el gasto pblico destinado a las atenciones de madres, nios y enfermedades especficas, adems del mejoramiento y ampliacin de servicios de salud. Reducciones similares a la observada en Chile se han visto slo en algunos pases de Amrica Latina como Cuba y Costa Rica [3]. Las caractersticas influyentes en la mortalidad son numerosas y el estudio de los efectos y sus interrelaciones an ms diverso. Pueden hacerse distinciones entre factores internos y externos de la mortalidad, los que a su vez pueden diferenciarse como factores de riesgo fsico (ej.: hipertensin y stress), o factores biolgicos bsicos como el gnero que, en el caso chileno, muestra que las mujeres viven ms 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 principales, 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 modelacin y prediccin de la razn de mortalidad en Chile segn grupos de edades, adems de la modelacin y prediccin del nmero de muertes regionales. Los resultados principales sugieren que la mortalidad en general ha disminuido, donde los menores de un ao y adultos mayores son ms sensibles a sta. Adems, se verific que la mortalidad no es uniforme entre las regiones ni durante los diferentes meses del ao. 2. MATERIAL Y MTODO 2.1 Marco Terico La literatura clasifica los modelos de prediccin para mortalidad de diferente forma. Gmez de Len y Texmon sugieren que los modelos causa-muerte son parte de los mtodos tradicionales y pueden dividirse en dos categoras: i) mtodos de extrapolacin y, ii) procedimientos basados en la mortalidad de una ms avanzada o natural caracterstica de la poblacin. Distinguen adems cuatro diferencias para proyectar mortalidad: por extrapolacin, 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 tradicin de modelos motivados biolgicamente, las actuales predicciones son comnmente basadas en extrapolacin y no reflejan directamente los procesos fsicos o evidencia epidemiolgica y biomdica de la salud. Las leyes de mortalidad describen la mortalidad por edades en trminos de funciones matemticas, utilizando para ello variables como: edad-especfica ratio de muerte, probabilidades, etc. En los estudios de mortalidad, los modelos ARIMA resultan populares en predicciones por edad. En 1992, Lee y Carter desarrollaron un modelo para la extrapolacin de tendencias segn grupos de edad. Los autores exploran el comportamiento de las series de tiempo de mortalidad entre grupos de edad usando un nico factor latente el cual describe el logaritmo general de mortalidad. El logaritmo de la razn de muerte es modelado como la suma de un tiempo invariable, una constante edad-especfica y el producto de una componente de tiempo invariable a edad-especfica con el factor latente de tiempo variable. La componente edadespecfica representa la sensibilidad de un grupo de edad hacia el nivel general de cambio de mortalidad [1]. La estimacin del modelo procede como sigue: Primero, descomposicin por valores singulares para obtener el factor latente. Segundo, el parmetro de edad-especfica es estimado por Mnimos Cuadrados Ordinarios (SVD). Por otra parte, para asegurar que la suma del nmero implicado de muertes iguale la suma del nmero actual de muertes de cada periodo se utiliza una nueva estimacin del factor latente (SEE) manteniendo el parmetro 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 Anlisis de Datos La fuente de datos utilizada comprende informacin de anuarios demogrficos desde 1987 a 2003. Estos son publicados anualmente mostrando la mortalidad total del pas, por regiones, por causas de muerte segn la clasificacin de enfermedades (ICD-10) establecida por WHO en 1992, por natalidad, por poblacin, etc. [13], [14]. El ratio de muerte se define como la proporcin entre el nmero de muertes y la poblacin, de acuerdo a:

Donde, : Ratio de muerte para una poblacin; : Nmero de muertes edad : Poblacin edad y tiempo ; y

y tiempo .

Para el anlisis regional, los datos fueron obtenidos de los anuarios demogrficos entre 1987 y 2003 [13]. La base de datos del nmero de muertes comprende un total de 204 observaciones por regin 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 estndar es el siguiente (1):

Donde, : Ratio central observado de muertes edad : Perodos de tiempo (1982-2005); : Grupos de edades (menor a 1, 1-4, 5-9,, 85 y ms); : Promedio razn de mortalidad a edad especfica x; : Parmetro desviacin de perfiles de edad vara; cuando y ao ;

: ndice de tendencia nivel general de mortalidad; y : Residuo ratio de mortalidad edad y ao

INGENERARE 25 - 2011 / 51

El modelo fue ajustado a datos chilenos desde 1988 a 2003 segn grupos de edades; menor a 1, 1-4, 5-965 y ms, mediante la herramienta online LCFIT. La Tabla 1 muestra los valores de los coeficientes estimados de y . El parmetro describe la forma general de la mortalidad a diferentes edades, la Figura 1 refleja que la razn de mortalidad en los primeros aos de vida y en avanzadas edades son elevados; sin embargo, despus del primer ao de vida la mortalidad es bastante menor. Adems, en la serie temporal de la Figura 1, se refleja un incremento de la mortalidad entre los 15 y 35 aos donde Guillen y Vidiella-i-Anguera lo atribuyen a la mortalidad accidental [15, 16]. Los coeficientes describen la sensibilidad relativa ante variaciones del parmetro . Se observa que algunas edades son ms sensitivas que otras, en general a menor edad, mayor es la sensibilidad a variaciones de , Figura 2. El ndice de mortalidad , Tabla 2, captura la tendencia a travs del tiempo en escala logartmica de la razn de mortalidad en todas las edades. La Figura 3 muestra que el ratio de mortalidad estimado segn el mtodo SVD y SEE han ido disminuyendo a travs del tiempo para Chile, es decir, la mortalidad general disminuye en funcin del tiempo.

Tabla 2: Coeficiente
Ao 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003
Fuente: Elaboracin propia.

estimado por SEE y SVD.

kt, SEE 3,457 3,432 3,749 2,438 1,645 1,632 0,239 0,182 -0,105 -1,309 -1,396 -1,644 -2,625 -1,778 -3,477 -3,428 kt, SVD 3,608 3,870 3,370 2,193 1,311 0,977 0,433 0,466 -0,204 -0,652 -1,155 -2,049 -2,727 -2,454 -3,294 -3,692

Tabla 1: Coeficientes estimados de

Edad 0 1 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75
Fuente: Elaboracin propia.

.
bx

Figura 1: Grfico de los valores estimados de

ax -4,508 -7,518 -8,305 -8,218 -7,445 -6,990 -6,848 -6,670 -6,418 -6,044 -5,629 -5,183 -4,743 -4,281 -3,832 -3,354 -2,897

0,133 0,116 0,071 0,063 0,047 0,039 0,034 0,043 0,044 0,057 0,061 0,060 0,053 0,054 0,041 0,032 0,053
Fuente: Elaboracin propia. Fuente: Elaboracin propia.

Figura 2: Grfico de los valores estimados de Chile.

para

52 / INGENERARE 25 - 2011

Figura 3: ndice de mortalidad

para Chile.

Figura 5: Razn de mortalidad observados y estimados, 20 a 24 aos.

Fuente: Elaboracin propia. Fuente: Elaboracin propia.

Las Figuras 4, 5 y 6 presentan los grficos 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 aos 1988 y 2003 para diferentes edades especficas. Un caso particular se observa para el ratio de mortalidad para los menores de 1 ao, siguiendo la tendencia a disminuir como lo hacen los datos observados (Figura 4). A su vez, se observan diferencias significativas entre la razn ajustada y observada para los rangos de edad 20 a 24 aos y 75 a 79 aos (Figuras 5 y 6 respectivamente).

Figura 6: Razn de mortalidad observados y estimados, 75 a 79 aos.

Figura 4: Razn de mortalidad observados versus estimados, menores de un ao.

Fuente: Elaboracin propia.

En cuanto a los residuos, las grficas del Error Porcentual Absoluto Medio (MAPE) y Error Estndar 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 mtodo SEE.

Figura 7: Grficas del MAPE para SVD y SEE.

Fuente: Elaboracin propia.

Fuente: Elaboracin propia.

INGENERARE 25 - 2011 / 53

Figura 8: Grficas del MSE para SVD y SEE.

La prediccin se realiza entre los aos 2004 y 2011 (8 perodos de prediccin). La eleccin del perodo de prediccin es arbitraria, as, en la literatura encontramos que por ejemplo Lee y Carter en1992 utilizan 76 perodos; en 2008 Debn et al. utilizan 12 perodos; Zheng en 2007 utiliza 54 y 104 perodos, entre otros [1],[16],[18]. La Tabla 4 presenta la prediccin obtenida mediante el software SPSS v.17. En la Figura 9 se presenta el grfico de los del modelo ARIMA (0, 1, 0). ajustados a travs

Fuente: Elaboracin 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 estimacin por SVD.

Figura 9:

(SSE) ajustado por mtodo ARIMA.

Tabla 3: Comparacin de SVD y SEE para los dos mtodos de estimacin de

MAPE SVD SSE
Fuente: Elaboracin propia.

.
MSE 0,810 0,804
Fuente: Elaboracin propia.

0,114 0,109

2.4 Estudio 2: Mortalidad Regional A fin de analizar la distribucin de la mortalidad regional en Chile, se aplican los mtodos Winters Additive y Simple Seasonal. Tanto el ajuste como la prediccin se realiza mediante el software SPSS v.17. La base de datos para el estudio mensual de la mortalidad incluye el nmero de muertes mensuales desde el ao 1987 al 2003, es decir 204 observaciones para cada regin de Chile. Los modelos seleccionados se presentan a continuacin en la Tabla 5. Por otra parte, la estimacin de los parmetros de los modelos por regin se presenta en la Tabla 6.

Explicando este resultado, Lee y Carter sealan que la diferencia en el modelo de estimacin por SVD se basa en el logaritmo de la razn de mortalidad ms que en el nmero de muertes como lo hace el SEE, lo cual marcara la diferencia entre ambos mtodos [1]. Dados los objetivos de este estudio donde se necesita estimar el nmero de muertes ms que el ratio de mortalidad se utilizar el mtodo SEE. Ahora bien, para predecir la razn de mortalidad se necesita del previo ajuste de una serie de tiempo para el ndice de mortalidad , el cual se obtiene mediante la aplicacin de la metodologa Box-Jenkins estableciendo que el modelo ms apropiado es un ARIMA (0, 1, 0) [1], [17]. Dicho modelo para nuestra investigacin (mtodo SEE) corresponde a:

Tabla 4: Modelo ARIMA ajustado a SEE.

Modelo kt, SEE Prediccin 2004 -3,881 2005 -4,333 2006 -4,784 2007 -5,234 2008 -5,684 2009 -6,133 2010 -6,581 2011 -7,028

Fuente: Elaboracin propia.

54 / INGENERARE 25 - 2011

Tabla 5: Modelos univariantes por regin.

Tipo de Modelo WintersAdditive Simple Seasonal Simple Seasonal WintersAdditive Simple Seasonal Simple Seasonal Simple Seasonal Simple Seasonal Simple Seasonal Simple Seasonal WintersAdditive WintersAdditive WintersAdditive

Regin ID

I II III IV V VI VII VIII IX X XI XII RM

Modelo_1 Modelo_2 Modelo_3 Modelo_4 Modelo_5 Modelo_6 Modelo_7 Modelo_8 Modelo_9 Modelo_10 Modelo_11 Modelo_12 Modelo_13
Fuente: Elaboracin propia.

Tabla 6: Parmetros de los modelos por regin

Regin I-Modelo_1 Alpha (Nivel) Gamma (Tendencia) Delta (Estacionalidad) Alpha (Nivel) Delta (Estacionalidad) Alpha (Nivel) Delta (Estacionalidad) Alpha (Nivel) Gamma (Tendencia) Delta (Estacionalidad) Alpha (Nivel) Delta (Estacionalidad) Alpha (Nivel) Delta (Estacionalidad) Alpha (Nivel) Delta (Estacionalidad) Alpha (Nivel) Delta (Estacionalidad) Alpha (Nivel) Delta (Estacionalidad) Alpha (Nivel) Delta (Estacionalidad) Alpha (Nivel) Gamma (Tendencia) Delta (Estacionalidad) Alpha (Nivel) Gamma (Tendencia) Delta (Estacionalidad) Alpha (Nivel) Gamma (Tendencia) Delta (Estacioanlidad) Estimado 0,001 1,000 3,197E-05 0,100 7,894E-07 0,100 1,393E-05 0,006 0,000 0,001 0,200 9,642E-07 0,100 2,885E-05 0,100 1,393E-05 0,200 2,901E-06 0,100 1,357E-05 0,100 2,136E-05 0,001 0,000 0,001 0,010 6,929E-05 0,005 0,100 1,766E-07 2,878E-06 SE 0,002 2,222 0,031 0,032 0,052 0,040 0,044 0,007 0,01 0,033 0,042 0,037 0,028 0,046 0,03 0,048 0,04 0,037 0,032 0,050 0,032 0,050 0,007 0,156 0,043 0,008 0,003 0,034 0,035 0,007 0,053 t 0,495 0,450 0,001 3,153 1,505E-05 2,510 0,000 0,843 0,012 0,030 4,720 2,631E-05 3,520 0,001 3,362 0,000 4,959 7,764E-05 3,131 0,000 3,116 0,000 0,141 0,002 0,023 1,227 0,022 0,134 2,832 2,494E-05 5,390E-05 Sig. 0,621 0,653 0,999 0,002 1,000 0,013 1,000 0,400 0,990 0,976 0,000 1,000 0,001 0,999 0,001 1,000 0,000 1,000 0,002 1,000 0,002 1,000 0,888 0,998 0,982 0,221 0,983 0,894 0,005 1,000 1,000

II-Modelo_2 III-Modelo_3 IV-Modelo_4

V-Modelo_5 VI-Modelo_6 VII-Modelo_7 VIII-Modelo_8 IX-Modelo_9 X-Modelo_10 XI-Modelo_11

XII-Modelo_12

RM-Modelo_13

Fuente: Elaboracin propia.

INGENERARE 25 - 2011 / 55

Finalmente, la prediccin se realiza desde enero de 2004 a diciembre de 2008 (periodos mensuales), el horizonte de prediccin se escogi arbitrariamente [1, 16, 18]. El resultado de las predicciones mensuales para el nmero de muertes por cada regin para el perodo analizado se presenta en la Tabla 7.

A modo de ejemplo en la Figura 10 se presentan los grficos de los valores observados y ajustados con la prediccin e intervalos de confianza para las regiones primera, metropolitana y duodcima.

Tabla 7: Prediccin mensual nmero de muertes regional desde el ao 2004 al 2008.

Regin I II III IV V VI VII VIII IX X XI XII RM Regin I II III IV V VI VII VIII IX X XI XII RM
Fuente: Elaboracin propia.

Ene-04 169 193 93 246 782 358 437 852 417 506 33 81 2440 Ago-04 184 211 107 274 913 400 519 1016 511 589 38 86 2908

Feb-04 156 177 82 217 703 320 370 754 373 442 31 71 2156 Sep-04 175 204 95 259 850 384 481 956 491 592 38 82 2654

Mar-04 171 194 88 228 770 354 409 801 404 491 33 77 2320 Oct-04 170 194 97 255 811 363 442 903 460 554 36 83 2508

Abr-04 157 186 87 229 779 352 428 826 420 493 34 79 2437 Nov-04 158 186 91 237 764 342 417 834 425 505 34 78 2380

May-04 172 201 97 261 896 401 491 943 450 545 34 78 2879 Dic-04 171 193 95 252 780 361 426 849 426 513 33 84 2456

Jun-04 171 217 113 268 933 425 500 1031 499 581 38 86 3034 Ene-05 172 193 93 248 782 358 437 852 417 506 33 82 2466

Jul-04 187 221 116 300 980 444 548 1064 545 626 41 85 3179 Feb-05 159 177 82 219 703 320 370 754 373 442 31 72 2182

56 / INGENERARE 25 - 2011

Figura 10: Grfica de los modelos ajustados y la prediccin para la primera regin, duodcima y metropolitana.

La prediccin fue realizada con una serie de tiempo univariante ARIMA (0, 1, 0) [1], [17], donde sta indica que el ndice de mortalidad a travs de los aos en Chile tiende a disminuir. En cuanto a la mortalidad regional (estudio 2) se observa un fenmeno interesante y estacional a travs del tiempo. La mortalidad en Chile se intensifica a mediado de ao, siendo el mes de julio el que posee, en promedio, mayor nmero 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 Valparaso, Maule, de los Lagos, y la de Magallanes. Al contrario, las menores tasas promedio se encuentran en las regiones de Atacama, Tarapac, y Aysn. Para el ajuste de la mortalidad mensual regional, los modelos que mejor se ajustaron son los de Winters Additive y Simple Seasonal, donde se observa que la mortalidad mensual es cclica y se repite la misma tendencia cada ao. En cuanto a la prediccin mensual de la mortalidad regional, se observa que sigue la misma tendencia de los aos anteriores. 4. DISCUSIN La presente investigacin es un aporte al estudio y prediccin de la mortalidad en Chile, dado que se utilizan mtodos avanzados de series temporales univariantes. Estos mtodos han sido aplicados en pases desarrollados como Estados Unidos, Suecia, y Espaa, generando para dichos pases resultados satisfactorios, debido a que en base a herramientas cuantitativas es posible apoyar a la toma de decisiones en esta materia. Uno de estos mtodos es el de Lee-Carter, dado a conocer en 1992, desde aqu, numerosas aplicaciones se han realizado a este mtodo en diferentes reas. El mtodo Lee-Carter est basado en una representacin ao a ao de la razn de mortalidad para algn grupo de edad especfico en funcin de un slo parmetro variante en el tiempo (ndice de mortalidad). Adems, en la presente investigacin se realiza un estudio y prediccin de la mortalidad para las regiones de Chile, utilizando para ello modelos como los de Winters Additive y Simple Seasonal, donde para cada regin se utiliza el criterio de la bondad de ajuste para la seleccin del mtodo adecuado. Anlisis mensuales y regionales presentan diferencias de mortalidad entre los meses del ao y las regiones del pas. En resumen, se logra el ajuste del modelo de Lee-Carter a los datos anuales de mortalidad chilena como tambin ajustes regionales mensuales usando modelos de series de tiempo univariantes. Adems, para ambos anlisis se generan predicciones de mortalidad para Chile tanto a nivel nacional como regional, siendo estos resultados de especial inters para la generacin de polticas pblicas en stas materias.

Fuente: Elaboracin propia.

3. RESULTADOS De los parmetros del ajuste del modelo Lee-Carter se concluye que existe un mayor ratio de muerte entre adultos mayores y nios. Entre los 15 y los 35 aos se encuentra un aumento en la razn de mortalidad explicado por muertes accidentales en este grupo. En adicin, se estudia la sensibilidad de la razn de mortalidad encontrndose que es ms probable morir en los primeros aos de vida o en una avanzada edad. Para el ajuste del ndice de mortalidad se usan dos mtodos de estimacin, SVD y SEE. Para ambas estimaciones se concluye que el ndice general de la mortalidad ha disminuido en Chile, lo cual puede ser explicado por el aumento de recursos estatales entregados al rea de salud, y al aumento en la prevencin sanitaria de la ciudadana. Un estudio de los residuos MAPE y MSE permite determinar el mtodo de estimacin que mejor se ajusta al caso Chileno, del modelo ajustado de Lee-Carter se concluye que el mtodo por SEE permite un mejor ajuste a la razn de mortalidad por grupos de edades. Finalmente, en el caso nacional (estudio 1), se realiza una prediccin del ndice de la mortalidad entre los aos 2004 y 2011.

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. Naciones Unidas: Consejo econmico y social: Tendencias demogrficas en el Mundo, Informe del secretario general, 1997. T. Castaeda: Contexto socioeconmico y causas del descenso de la mortalidad infantil en Chile, Estudios Pblicos, Vol. 28, 1996. W. Van Hoorn, J. De Beer: Projecting mortality in population forecasts in the Netherlands, Forecasting mortality in developed countries: Insights from a statistical, demographic, and epidemiological perspectiv, Boston: Kluwer Academic Publishers, 205-226, 2001. J. Gomez De Leon, L.Texmon: Methods of mortality projections and forecasts, National population forecasting in industrialized countries,Amsterdam, Holanda:Swets and Zeitlinger, 61-74, 1992. 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. R. Lee, T. Miller: Evaluating the performance of the Lee Carter method for forecasting mortality, Demography, Vol. 38, 537549, 2001. L. Carter,A. Prskawetz: Examining structural shifts in mortality using the LeeCarter method, MPIDR, 2001. H.Booth, J. Maindonald, L. Smith: Applying LeeCarter under conditions of variable mortality decline, Population Studies, Vol. 56, 325336, 2002. N. Brouhns,M.Denuit, JK. Vermunt: A Poisson log-bilinear regression approach to the construction of projected lifetables, insurance: Mathematics and Economics, Vol. 31, 373393, 2002. A.E.Renshaw, S. Haberman: On the forecasting of mortality reduction factors, insurance: Mathematics and Economics, Vol. 32, 379-401,2003. N. Hri, A. DeWeagenaere,B.Melenberg, T. Nijman: Estimating the term structure of mortality,Insurance: Mathematics and Economics, Vol. 42, 492-504, 2008. Instituto Nacional de Estadsticas (INE), Anuario estadsticas vitales: Informe anual, 2005. World Health Organization (WHO), International statistical classication of diseases and health related problems, Tenth Revision (versin on line para 2007), 1992.

[15]

M. Guillen, A. VidieIla-I-Anguera: Forecasting Spanish natural life expectancy, Risk Analysis, Vol. 25, 11611170, 2005. A. Debn, F. Montes, F.Puig: Modelling and forecasting mortality in Spain, European Journal of Operational Research, Vol. 189, 634-637, 2008. G. E. Box, G. Jenkins: Times Series Analysis: Forecasting and Control, San Francisco California; Holden-Day Inc., 1970. J. Z Wang: Fitting and forecasting mortality for Sweden: Applying the Lee-Carter model, Department of Mathematical Statistics, Stockholm University, Degree Project, 2007.

[16]

[2]

[17]

[3]

[18]

[4]

6. RESEA BIOGRFICA DE LOS AUTORES Hanns de la Fuente M., es Ingeniero Civil Industrial de la Pontificia Universidad Catlica de Valparaso, Chile. Posee un Magster en Ingeniera Industrial, Mencin Gestin, de la Pontificia Universidad Catlica de Valparaso, Chile, y es Doctor en Economa y Gestin de las Organizaciones de la Universidad de Zaragoza, Espaa. Posee trabajos nacionales e internacionales en el rea de Economa Aplicada y Modelamiento Economtrico.

[5]

[6]

[7]

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

[8] [9]

[10]

[11]

[12]

[13] [14]