Ajuste del modelo de Heligman Pollard a la mortalidad de México mediante redes neuronales recurrentes

Adjustment of the Heligman-Pollard model to mortality in Mexico using recurrent neural networks

Resumen

El modelo de Heligman Pollard es una de las herramientas paramétricas más utilizadas para describir la mortalidad por edad. Este trabajo explora el uso de una red neuronal recurrente, programada en Python con TensorFlow con el objetivo de aprender la relación entre tasas específicas de mortalidad y los parámetros del modelo, utilizando como caso de estudio las tasas de mortalidad de las entidades federativas de México para el periodo 2015 2025. Se diseño una arquitectura recurrente con tres capas, que recibe secuencias de tasas de mortalidad por edad y que produce una secuencia de salida de ocho parámetros; la red se entrenó con 1,024 secuencias (820 de entrenamiento y 204 de validación) y su desempeño se evalúo mediante la raíz cuadrada del error cuadrático medio (RMSE). Los resultados para el estado de Oaxaca en 2019 muestran que la red neuronal entrenada es capaz de generar conjuntos de parámetros demográficamente coherentes y una curva suavizada que reproduce adecuadamente los patrones de mortalidad por edad, pero el ajuste obtenido indica que, bajo las condiciones de datos y diseño considerados, el método clásico sigue ofreciendo un mejor desempeño global.