Partnergruppe Uruguay

Simulation sozio-demografischer Systeme

Auf einen Blick Projekte Publikationen Team

Ausführliche Beschreibung

© iStockphoto.com / gremlin

Die Partnergruppe "Simulation sozio-demografischer Systeme" ist eine internationale Kooperation zwischen dem Instituto de Estadística de la Universidad de la República in Uruguay und der Max-Planck-Gesellschaft. Unsere Arbeit bewegt sich an der Schnittstelle zwischen computergestützter Statistik, maschinellem Lernen und Demografie.

Computergestützten Werkzeuge werden als Antwort auf die dringende Notwendigkeit entwickelt, globale Herausforderungen wie den anhaltenden Rückgang der Geburtenrate und die Bevölkerungsalterung vorherzusagen. Diese Phänomene üben entscheidenden strukturellen Druck auf die Nachhaltigkeit von Rentensystemen, Gesundheitssystemen und der Gesamtwirtschaft aus. Um den Herausforderungen zu begegnen, ist es unerlässlich, die Veränderungen von Gesellschaften zu verstehen und auf der Grundlage solider empirischer Belege und einer transparenten Quantifizierung von Unsicherheiten mögliche Zukunftsszenarien zu prognostizieren.

Methodisch gliedert sich unser Arbeitsprogramm in zwei Hauptforschungsschwerpunkte.

Mikrosimulation und simulationsbasierte Inferenz (SBI)

Ein immer wiederkehrendes Problem in der quantitativen Bevölkerungswissenschaft besteht darin, dass auf makroskopischer Ebene zwar die meisten Daten in Form von aggregierten Raten vorliegen, die kausalen Mechanismen, die den Wandel vorantreiben, jedoch auf der Mikroebene wirken. Die Ableitung nicht beobachtbarer individueller Verhaltensparameter aus rein aggregierten Zeitreihen ist ein wirkungsvolles Mittel, um die latenten Treiber des Bevölkerungswandels auf der Mikroebene aufzudecken. Obwohl dies eine komplexe Herausforderung darstellt, gehen wir sie an, indem wir demografisch interpretierbare Simulationsmodelle des Reproduktionsprozesses auf individueller Ebene entwickeln. Durch die Kopplung dieser mechanistischen Modelle mit fortschrittlichen Techniken der simulationsbasierten Inferenz (SBI), wie der approximativen Bayes’schen Berechnung und der sequenziellen neuronalen Posterior-Schätzung, ist es uns möglich, die latente Struktur menschlicher Entscheidungsfindung robust zu rekonstruieren. Dazu verwenden wir ausschließlich aggregierte altersspezifische Fertilitätsraten. Somit schlagen wir eine statistisch fundierte Brücke zwischen Beobachtungen auf Makroebene und den ihnen zugrunde liegenden mikroverstärkenden Verhaltensfaktoren. Dabei schätzen wir Kernparameter, die die aktuelle Fertilität bestimmen, wie Präferenzen hinsichtlich der Familiengröße, den Zeitpunkt der Fortpflanzung und das Versagen von Verhütungsmitteln. Durch die Gewinnung dieser verhaltensbezogenen Erkenntnisse aus aggregierten Zeitreihen reduziert dieser Ansatz den Datenbedarf für die Erstellung detaillierter Mikrosimulationsmodelle erheblich. Darüber hinaus bildet er die Grundlage für die Erstellung verhaltensorientierter demografischer Prognosen.

Deep Learning für Zeitreihen (neuronale Prognosen)

Unsere Gruppe hat kürzlich einen Forschungsschwerpunkt etabliert, der die rasanten Fortschritte bei Deep-Learning-Methoden nutzt, um deren Potenzial für demografische Prognosen zu untersuchen. Die Vorhersage der globalen Bevölkerungsdynamik stellt eine zentrale Herausforderung dar. In der Vergangenheit stützten sich standardmäßige demografische Methoden auf Modelle, die strukturelle Einschränkungen wie Mittelwertrückkehr oder langfristige Asymptoten vorgeben. Dadurch werden aktuelle Muster, wie ein anhaltender Rückgang der Fertilität, möglicherweise nicht erfasst. Um diese einschränkenden Annahmen zu überwinden, untersuchen wir den Einsatz datengesteuerter globaler Modelle auf der Grundlage von Deep-Learning-Architekturen. Wir formulieren die demografische Prognose als ein „Sequenz-zu-Sequenz“-Lernproblem und wenden eine globale Cross-Learning-Strategie an, um das bei kurzen makroskopischen Zeitreihen häufig auftretende Risiko der Überanpassung zu mindern. Durch das gleichzeitige Trainieren neuronaler Netze anhand harmonisierter historischer Daten aus Dutzenden von Ländern treiben wir die verteilungsfreie probabilistische Prognose mittels Multi-Quantil-Regression voran. Ursprünglich auf die globale Fertilität ausgerichtet, widmet sich dieser Forschungsschwerpunkt nun der mehrdimensionalen Prognose von Mortalitätsdaten.