Forecasting Child Mortality while Accounting for Complex Survey Design

Abstract

Barnedødelighetsrater er viktige indikatorer på en nasjons helse. FNs tusenårsmål (MDG) og bærekraftsmål (SDG) fokuserer på å redusere barnedødelighet. Man trenger nøyaktige estimater og prediksjoner for nyfødtdødelighet (NMR) og under-5 dødelighet (U5MR) for å måle fremdrift mot FNs mål og for å identifisere behovet for intervensjoner. Hovedmålet med denne oppgaven er å forbedre dagens estimater og prediksjoner for NMR og U5MR i lav- og medium-inntektsland ved å låne styrke over tid og fra naboland. De beste modellene brukes til å produsere prediksjoner for NMR og U5MR i Kenya frem til 2030 og evaluere Kenyas fremgang mot FN-målene.

I lav- og medium-inntektsland estimeres barnedødelighet primært ved hjelp av undersøkelse og folketelling data. Tradisjonelle modellbaserte tilnærminger til estimering tar ikke hensyn til de komplekse utformingene av undersøkelsene. Å ignorere stratifisering og clustering fører til biased estimater og feil usikkerhet. I denne oppgaven beregnes årlige designbaserte estivhengig. Etersom det forventes at dødelighetsrater endres sakte over tid, blir en tidsmodell brukt. Modellen er latent Gaussisk og har en lineær trend i tid, en stokastisk temporal effekt og en korrigering for systematiske forskjeller mellom undersøkelser. Tidsavhengige kovariater kan inkluderes, og felles modellering av naboland utforskes. Modellene er estimert ved hjelp av den integrerte nestede Laplace-tilnærmingen (INLA).

Analysen konkluderer med at den beste modellen for predikering av NMR i Kenya har en autoregressiv prosess av orden to som tids-effekt, en lineær trend i tid, logaritmen for bruttonasjonalproduktet (BNP) som kovariat og låner ikke styrke fra nabolandene. Den beste modellen for prediksjoner for U5MR i Kenya har en random walk av første orden som temporal effekt, BNP som kovariat og låner styrke fra Uganda og Tanzania. Basert på prediksjoner produsert av denne modellen nådde Kenya ikke MDG-mål 4A: redusere U5MR med to tredjedeler mellom 1990 og 2015. SDG-mål 3.2 er å redusere NMR til 12 per 1000 levendefødt og U5MR til 25 per levendefødt innen 2030. Den foretrukne modellen for prediksjon av NMR gir Kenya en sannsynlighet på 29.63 % for å nå SDG mål 3.2 for NMR. Den beste modellen for U5MR gir Kenya en 99,97 % sannsynlighet for å nå SDG mål 3.2 for U5MR. Sannsynligheten for å nå SDG mål 3.2 er sensitiv til valg av modell.

Child mortality rates are key indicators of the health of a nation. The United Nations' (UN) millennium development goals (MDGs) and sustainable development goals (SDGs) focus on reducing child mortality. To measure progress toward the UN goals and to identify the need for interventions, accurate estimates and forecasts of neonatal mortality rate (NMR) and under-5 mortality rate (U5MR) are needed. The main goal of this thesis is to improve on current estimates and forecasts of NMR and U5MR in low-and-medium income countries by borrowing strength across time and from neighboring countries. The best performing models are used to make forecasts of NMR and U5MR for 2030 for Kenya and evaluate Kenya's progress towards the MDGs and SDGs.

In low- and medium-income countries, child mortality rates are primarily estimated using survey and census data. Traditional model-based approaches to estimation do not account for complex survey design. Not accounting for stratification and clustering leads to biased estimates and incorrect uncertainties. In this thesis, yearly design-based estimates are computed independently. Then, as mortality rates are expected to be slowly changing over time, a temporal model is applied. The model is latent Gaussian and has a linear trend in time, a stochastic temporal effect, and an effect correcting for systematic differences between surveys. Time-dependent covariates can be included, and joint modeling of neighboring countries is considered. The models are estimated using the integrated nested Laplace approximation (INLA).

The analysis concludes that the best model for forecasting NMR in Kenya has an autoregressive process of order two as the temporal effect, a linear trend in time, and the logarithm of the gross domestic product (GDP) as a covariate. It does not borrow strength from neighboring countries. The best model for forecasting U5MR in Kenya has a random walk of order one as the temporal effect, GDP as a covariate, and borrows strength from Uganda and Tanzania. Using that model, Kenya did not reach MDG target 4A: reduce U5MR by two thirds between 1990 and 2015. SDG target 3.2 is to reduce NMR to 12 per 1000 live birth and U5MR to 25 per live birth by 2030. The preferred models give Kenya a 29.63 % probability of reaching SDG target 3.2 for NMR and a 99.97% probability of reaching SDG target 3.2 for U5MR. The probability of reaching SDG target 3.2 is sensitive to the choice of model.