Illustrationsbillede indhold

SMILEs byggeklodser

De vigtigste grundsten i konstruktionen af SMILE er:

  • registerdata,
  • estimation af overgangssandsynligheder,
  • estimation af imputationsmodeller,
  • alignment (tilpasning til andre makrotal)
  • og matching af personer, som danner par i modellen.

Første trin i konstruktionen af SMILE er at sammensætte registerdata, som skal bruges til to primære formål. For det første skal der laves en startpopulation, hvor hvert individ karakteriseres ved en lang række karakteristika. Se linket for en oversigt over nogle af de mest centrale karakteristika.

Hændelser i SMILE

For det andet skal der estimeres overgangssandsynligheder, som bestemmer udfaldene af de hændelser, agenterne i modellen udsættes for. DREAM har adgang til registerdata gennem Danmark Statistiks forskerordning og underligger strenge krav til behandling af data.

Danmark har et af verdens mest omfattende registre med oplysninger om landets borgere. Registret omfatter en lang række områder, men har dog på nogle områder sine begrænsninger, så der er nogle oplysninger, der ikke er tilgængelige for alle borgere. For at alle individer i SMILE har de nødvendige oplysninger for det, som ønskes simuleret, kan det være nødvendigt at anvende en imputationsmodel. Hvis årslønnen for en person eksempelvis er ukendt, kan man med en imputationsmodel tildele en årsløn, som ligner den personer med tilsvarende alder, køn og uddannelse eksempelvis har. Imputationsmodeller bruges også til at tildele ukendte værdier til nye indvandrere, der hvert år sættes ind i modellen.

Læs mere om imputation

Endeligt benyttes registerdata til at beregne overgangssandsynligheder.

Læs mere om overgangssandsynligheder

Nogle overgangssandsynligheder i SMILE alignes. Ved alignment afstemmes de estimerede sandsynligheder, så modellens fremskrivning i højere grad tilpasses særlige scenarier fremadrettet. Det kan eksempelvis være, hvis det ønskes at modellen tilpasses dødeligheden i den nationale befolkningsfremskrivning eller uddannelsesadfærden i en anden uddannelsesfremskrivning. I basisfremskrivningen i SMILE alignes der eksempelvis til antallet af døde og fødte i den nationale befolkningsfremskrivning.

Læs mere om alignment

Endelig anvendes en matching-algoritme, som sammensætter personer i par. Matching algoritmen er designet så den skaber par med karakteristika som eksempelvis alder og uddannelse der ligner de par som man observerer i familierne.

Læs mere om matching

Når startpopulationen, imputationsmodeller og overgangssandsynligheder er på plads, indlæses de i SMILE, som er programmeret i C#. Hvert individ og familie fremskrives nu år for år et år ad gangen. Simplificeret, så trækkes der en sandsynlighed for, om en givet hændelse indtræffer, personens status opdateres og den nye information gemmes i en database. Dette gøres for alle personer for alle (relevante) hændelser. Nyfødte og indvandrere tilføjes, mens udvandrede og døde fjernes. Et nyt år startes og sådan køres simulationen rundt indtil den ønskede periode for analysen er simuleret. Flowet er vist i figuren nedenfor.

Diagram, der viser SMILEs byggesten og sammenhængen mellem de enkelte elementer