年龄—时期—队列分析

📝 一句话定义：年龄—时期—队列分析（age-period-cohort analysis, APC）试图区分生命历程中的年龄变化、特定历史时点的共同冲击，以及同一出生队列共享经历留下的持久差异；但由于年龄、时期与出生队列满足完全线性关系，三种效应不能仅凭同一组观测数据被唯一分解。

三种时间如何同时塑造人口现象

人口率几乎总是同时沿三种时间变化。某个年龄的死亡率较高，可能源于衰老；某一年的死亡率突然上升，可能源于流行病或统计制度改变；某批出生者在整个成年期都保持较高风险，则可能与其成长阶段的营养、职业暴露或吸烟经历有关。APC 分析的目标不是给时间贴三个标签，而是说明不同的时间机制如何产生可观察的年龄曲线、年度波动与代际差异。

🏷️ 年龄效应（age effect）指风险或行为随个体年龄改变而出现的规律。生理老化、生育能力、就学与退休等生命历程位置，都可能形成年龄效应。例如，多数慢性病死亡率随年龄上升，这种变化即使在社会环境稳定时也会存在。

🏷️ 时期效应（period effect）指某个日历时期同时影响多个年龄与出生队列的变化。战争、经济衰退、流行病、医疗技术普及、法律修订和调查问卷改变，都可能造成时期效应。时期效应强调共同历史时点，但不同年龄群对同一冲击的反应强度仍可不同。

🏷️ 队列效应（cohort effect）指在相近年份出生的一批人，因为共享早年环境、教育制度、进入劳动力市场的时机或行为规范，而在其后的生命历程中保持某种差异。队列不是一个天然同质的共同体。同一出生年内部仍有阶层、性别与地区差异，因此所谓队列效应只是队列平均值的变化，不能抹去内部异质性。

三种效应的概念含义可以区分，统计贡献却不能自动分开。若一项重复横截面调查发现，老年受访者比青年受访者更保守，至少存在三种解释：态度随年龄转变；调查发生时的共同环境影响各年龄群；早年社会化不同的出生队列长期保持差异。单次横截面无法判断哪一种解释成立。即使积累多年调查，完全线性依赖仍然存在，只是可观察的时间表面变得更丰富。

APC 的识别难题

完全线性依赖

若年龄与时期用相同时间单位记录，出生队列由二者精确决定：

$$ \text{Age}=\text{Period}-\text{Cohort} $$

例如，2020 年调查中的 40 岁受访者属于约 1980 年出生的队列。三者中任意两项一旦确定，第三项没有独立变化空间。这不是样本太小造成的普通共线性，也不是收集更多同类数据即可缓解的高相关，而是设计矩阵的秩缺失：三组变量之间存在精确的代数恒等式。

经典加性 APC 模型通常写作：

$$ g!\left(E[Y_{apc}]\right)=\mu+\alpha_a+\pi_p+\gamma_c, \qquad c=p-a $$

其中，$Y_{apc}$ 是年龄 $a$、时期 $p$、队列 $c$ 单元中的率或平均值；$g(\cdot)$ 可以是恒等、对数或对数几率链接；$\alpha_a$、$\pi_p$、$\gamma_c$ 分别表示年龄、时期和队列参数。即使模型对数据拟合良好，参数也不唯一。对任意常数 $\lambda$，作如下变换：

$$ \alpha’_a=\alpha_a+\lambda a,\qquad \pi’_p=\pi_p-\lambda p,\qquad \gamma’_c=\gamma_c+\lambda c $$

由于 $a-p+c=0$，变换前后的拟合值完全相同。换言之，一条线性趋势可以在年龄、时期与队列之间任意搬移，而不会改变任何预测。通常的“各组参数和为零”约束只能确定平均水平，不能解决这条线性漂移（linear drift）归属于谁的问题。

⚠️ 识别的核心：数据能够识别某些组合，例如整体时间漂移、偏离直线的曲率、局部拐点和交互模式，却不能无条件识别三条彼此独立的线性效应。任何给出唯一年龄、时期与队列曲线的方法，都额外加入了某种约束、先验、随机效应分布或平滑假设。

可识别性不是纯技术问题

识别问题常被描述成需要更聪明估计器解决的数学障碍，但真正困难之处在于：究竟哪条线性趋势应归给哪种机制，只能依赖研究对象的实质知识。假如长期死亡率下降来自医疗技术持续进步，把趋势归为时期效应具有理论依据；假如特定出生队列从青年期开始形成吸烟习惯并将风险带到晚年，把相应变化归为队列效应更合理。两项判断都不能由年龄、年份和出生年三列数字单独裁决。

因此，约束应被表述为可争论的实质假设，而不是软件默认设置。例如，“相邻两个时期效应相等”隐含这两年没有独立时期冲击；“队列线性趋势为零”隐含跨队列的长期变化都应归给年龄或时期；把时期设为均值为零的随机效应，则假定时期冲击围绕稳定分布波动。假设可以因外部证据而合理，却不会因产生唯一系数便成为事实。

识别还与研究问题有关。若目标只是描述哪些年龄—年份单元出现异常，未必需要把整个表面拆成三条曲线。若目标是估计某项政策的时期因果效应，则政策实施时间、对照群体、暴露差异与反事实设计比 APC 分解更关键。把“模型能估计”替换成“研究问题已识别”，是 APC 应用中最危险的跳跃。

Lexis 图：先看时间表面

Lexis 图（Lexis diagram）是人口学表示年龄、时期与队列关系的基本工具。横轴通常是日历时期，纵轴是年龄。一个人随时间推移而变老，其生命线沿右上方移动；同一出生队列的成员位于平行的对角带上。

Lexis 图的优势是把代数依赖转化为可见的几何结构。某次疫情若在特定年份影响各年龄组，热力图上可能出现近似垂直的高值带；风险随年龄稳定上升，会形成近似水平梯度；某批出生者在多个年龄阶段持续偏高，则可能出现对角带。真实数据往往混合三种纹理，还会受到年龄组宽度、年份分组与稀疏单元影响。

🔍 图形首先提供描述性诊断，不是因果判决。对角纹理与队列机制相容，却也可能由年龄与时期效应的特定组合、选择性存活、人口构成变化或测量方式改变造成。垂直突变与时期冲击相容，也可能只是某年死因编码标准更新。图形最有价值的用途，是定位需要外部史料、制度信息或更强研究设计检验的异常。

年龄组与队列组的机械关联

实际资料常把年龄和时期分成五年组，由此推导五年出生队列。分组可以减少随机波动，却会隐藏组内变化，并产生边界问题。若年龄组是 40—44 岁、时期组是 2000—2004 年，对应的出生年份并非单一五年队列，而会横跨更宽范围。把矩形观察单元强行赋给一个对角队列，会制造分类误差。

重复横截面还有构成变化。某一出生队列在 30 岁时的样本包含后来会早逝或迁出的成员，到 70 岁时只剩存活且仍在抽样框中的成员。同一队列均值随年龄变化，既可能是个体改变，也可能是选择性存活和迁移改变了队列组成。Lexis 图显示的是观测人口的轨迹，不等于固定个体集合的纯粹生命历程。

描述性队列比较

在尝试三因素模型之前，描述性队列比较通常更透明。基本做法是把不同出生队列放在可比年龄上，比较其率、均值或分布。例如，比较 1940、1950 与 1960 年出生者在 50—54 岁时的吸烟率，而不是比较同一年中 50 岁与 70 岁人群。这样可以减少年龄构成造成的混淆，但比较发生在不同时期，时期环境仍然不同。

一套稳健的描述流程包括：

1. 绘制年龄别时期率，并同时按出生队列连接观察点，检查水平、垂直与对角纹理。
2. 报告原始单元格的样本量、暴露人年和不确定区间，避免让小队列的偶然波动主导解释。
3. 进行年龄标准化或在相同年龄窗口内比较队列，使差异不由年龄构成机械产生。
4. 分别呈现绝对率差与相对率比。基线风险变化时，两种尺度可能给出不同的公共卫生含义。
5. 检查分类、抽样、诊断与编码制度是否随时期改变，并把这些变化标在图上。

描述性分析可以回答“哪些队列在何种年龄出现了不同模式”，却不能单独回答“出生于某年为何造成这种差异”。出生年份只是许多历史暴露的索引。教育扩张、食品环境、战争经历、劳动市场条件与家庭规模可能同时沿队列变化；若不测量具体暴露，“队列效应”只是待解释的模式，而不是解释本身。

三类模型与各自的假设

约束模型

约束广义线性模型（constrained generalized linear model）通过人为指定一个或多个限制，使原本奇异的模型得到唯一解。常见做法包括令两个相邻时期效应相等、令某一组队列效应为零、删除某个线性趋势，或规定三组效应各自满足特定平滑条件。约束之后，Poisson 回归可用于人数与暴露人年资料，logit 模型可用于二元个体资料。

约束模型的优点是结构清楚，研究者可以明确说明哪项信息来自数据、哪项结论依赖约束。其主要限度同样明显：不同但同样可拟合的约束可能生成方向相反的线性趋势，而标准误通常只反映“约束为真”条件下的抽样不确定性，不包含约束选择的不确定性。

合理应用不应只展示一个首选结果。至少需要做约束敏感性分析：在若干具有实质依据的限制下重复估计，区分始终稳定的曲率与拐点，以及随约束改变的线性斜率。若政策结论只在某一个无法外部验证的约束下成立，应把它报告为条件性发现。

内在估计量

内在估计量（intrinsic estimator, IE）利用设计矩阵的奇异值分解或广义逆，在无限多个等价解中选择与零空间正交的一个解。其支持者强调，IE 不需要研究者任意指定“哪两个时期相等”，在重复抽样下也具有便于计算的统计性质（Yang, Fu, & Land, 2004）。

不过，“由算法选择”不等于“没有约束”。正交于零空间本身就是一种约束，只是它以矩阵几何而非实质语言表达。Luo (2013) 指出，IE 的结果会依赖变量编码、观察窗口与真实效应形态；当其隐含约束不符合数据生成过程时，估计可能有系统偏差。IE 能稳定地产生唯一数值，却不能证明该数值对应真实的年龄、时期和队列机制。

IE 较适合被当作一种规范化描述或敏感性方案。若它与多个有理论依据的约束模型在非线性部分给出相近结果，这种一致性增加了模式的可信度；若主要结论集中在三者不可分的线性漂移上，IE 的唯一曲线不应获得额外的因果地位。

层级 APC 模型

层级 APC 模型（hierarchical age-period-cohort model, HAPC）常用于重复横截面个体资料。典型的交叉分类随机效应模型把年龄及其多项式作为个体层固定效应，把时期与出生队列作为交叉分类的随机截距：

$$ Y_{i(pc)}=\beta_0+f(\text{Age}_{i})+u_p+v_c+\varepsilon_i, \qquad u_p\sim N(0,\sigma_p^2),\quad v_c\sim N(0,\sigma_c^2) $$

这种模型能够部分汇聚样本较小的时期和队列单元，并可加入教育、性别等个体协变量。Yang 与 Land 将其发展为处理重复横截面调查的实用框架。模型尤其适合把时期与队列理解为来自某个分布的离散情境差异，而不是三条完全自由的固定效应曲线。

争议在于，随机效应设定没有使 $\text{Age}=\text{Period}-\text{Cohort}$ 消失。均值为零、彼此独立、共享方差以及年龄函数形式等分布假设，承担了区分三种效应的工作。Bell 与 Jones (2014) 的模拟表明，当真实年龄趋势设定错误，或时期与队列包含显著线性趋势时，HAPC 可能把一种效应错误分配给另一种效应。增加样本量不会纠正这种结构性错配。

层级模型并非因此失去价值。其价值来自对嵌套和交叉数据结构、部分汇聚与异质性的处理，而不是声称“随机效应自动解决识别”。研究者需要说明为何时期或队列适合视为随机抽样的情境，检验年龄函数的替代形式，并报告模型对观察窗口、分组宽度与随机效应设定的敏感程度。

两个可查案例

吸烟与癌症死亡的出生队列纹理

20 世纪的吸烟流行并非在所有年龄同时发生。卷烟的普及、广告、战争时期配给、职业文化、医学证据传播与控烟政策，在男性和女性、较早和较晚出生队列之间发生于不同生命阶段。较早接触卷烟且在成年期长期保持高吸烟率的队列，数十年后才在肺癌死亡中显示风险；较晚队列若更早接触健康警示和戒烟政策，其风险轨迹可能下降。疾病的长潜伏期使队列视角具有明确的实质基础。

Osmond 与 Gardner (1982) 对英格兰和威尔士癌症死亡资料应用 APC 模型，展示了不同癌种在年龄、时期与队列纹理上的差异。吸烟相关癌症的对角变化与历史吸烟扩散相呼应，而诊断或治疗快速改变的癌种更可能显示时期变化。这类研究的证据力来自两部分的连接：死亡率表面的队列模式，以及独立记录的吸烟率、卷烟消费与控烟历史。

不过，模型中的“队列效应”不能单独证明吸烟造成死亡差异。空气污染、职业暴露、诊断准确性和选择性存活也可能沿队列变化；吸烟行为本身还会随年龄和时期改变。更有说服力的因果判断需要个体吸烟史的前瞻性队列研究、剂量—反应关系、戒烟后风险下降及疾病机制证据共同支持。APC 在此主要负责发现历史纹理和校准时间滞后，而不是替代这些证据。

这一案例也说明线性趋势与局部转折的地位不同。某些队列风险达到高点后转向下降，转折位置可能在多种约束下保持稳定；至于长期下降中有多少应归于时期控烟、有多少应归于后来队列较少开始吸烟，则更依赖外部行为数据。把稳定的非线性模式与约束敏感的线性分解分开报告，比给出一条看似精确的“净队列效应”曲线更可靠。

欧洲生育推迟与时期指标反弹

生育率提供了另一个队列比较的典型案例。1990 年代，一些欧洲国家的时期总和生育率迅速降至很低水平，随后又出现不同程度的回升。若只看时期 TFR，容易把下降解释为一代人永久减少生育，把回升解释为家庭政策逆转了趋势。队列资料显示的变化通常平缓得多。

Bongaarts 与 Feeney (1998) 区分了生育的量与进度：真实出生队列最终生育多少孩子属于量，生育发生在何种年龄属于进度。当初育与后续生育持续推迟时，某一时期会暂时少掉被推后的出生，时期 TFR 因而下降；推迟速度放缓后，此前延后的生育在较高年龄兑现，时期 TFR 又会机械回升。Sobotka 与 Lutz (2010) 据此指出，时期 TFR 可能向政策传递误导信号。

从 Lexis 图看，生育推迟表现为生育高峰沿连续队列向更高年龄移动。描述性队列比较可以追踪各出生队列的累积生育率，并在相同年龄比较已经实现的生育数。对于尚未完成生育的年轻队列，最终完成生育率仍需预测，因此“队列指标更真实”也不能取消不确定性。

这一案例不等同于一般 APC 加性分解。生育率按孩次、婚姻状态和年龄的变化可能包含交互作用，简单的年龄效应加时期效应加队列效应未必足够。进度调整公式也依赖生育年龄平移等假设。生育推迟机制之所以可信，不是因为模型自动识别了队列效应，而是因为年龄别生育率的位移、初育年龄上升、孩次资料与完成生育率共同指向同一过程。

从描述到因果：一条更稳健的分析路径

APC 研究最需要防止的是把描述性模式、参数化分解与因果解释混成一个步骤。三者对应不同的问题，也需要不同证据。

第一层是描述。 原始年龄别率、Lexis 热力图、队列轨迹与不确定区间回答“变化在哪里”。这一层尽量少依赖不可见约束，并检查分母、抽样和编码变化。

第二层是参数化概括。 约束模型、IE 或 HAPC 用较少参数概括时间表面，回答“在某组假设下，模式可如何分解”。模型比较应覆盖不同约束、年龄函数、分组方案和观察窗口。稳定部分与不稳定部分需要分别报告。

第三层是机制与因果。 因果解释要求明确暴露、结果、作用时机和反事实。时期政策可利用分阶段实施、受影响程度差异或适当对照组；队列机制可连接早年暴露资料、纵向追踪或制度资格界线；年龄机制可借助生物指标与个体内变化。APC 曲线能够生成机制假说，却不能凭出生年或年份标签替代具体暴露。

还需警惕年龄、时期与队列之间的交互。某次经济危机可能只强烈影响刚进入劳动力市场的青年；同一医疗创新可能对高龄患者收益最大；童年暴露的后果可能直到特定年龄才出现。加性 APC 把这些差异压成三条主效应曲线，可能漏掉真正的历史机制。若研究问题指向“某时期冲击对特定年龄或队列的差异影响”，直接建模交互或采用准实验设计通常比强求完整三分解更合适。

⚠️ 最低报告要求：说明年龄、时期和队列的分组方法；公开识别约束或先验；展示至少一种替代设定；区分可识别的曲率与不可唯一归属的线性漂移；把“效应”一词限定为模型中的条件关联，除非另有因果设计与外部证据。

方法争论与适用限度

APC 方法争论并不是寻找一个最终胜出的估计器。约束模型批评 IE 隐藏了假设，IE 支持者批评传统约束过于任意，层级模型则试图通过随机效应和部分汇聚改善估计；针对 HAPC 的模拟研究又表明，分布设定会在不知不觉中完成识别。争论的共同成果，是使“唯一解从何而来”成为必须回答的问题。

第一项限度是观察窗口依赖。增加或删除若干年份，会改变设计矩阵的几何结构、参照范围和 IE 的隐含约束，也可能使 HAPC 的方差分配变化。若一个队列只在青年期被观察，所谓队列轨迹实际混入了年龄范围不足的问题。

第二项限度是线性与非线性的地位不对称。许多参数化方法对局部弯曲、峰值或突然跳变比对长期直线趋势更有信息。研究若关注某个历史断点，可以围绕断点建立更直接的设计；若关注百年线性变化，就必须承认三种时间尺度之间缺少数据内生的唯一归属。

第三项限度是总体平均掩盖异质性。教育、性别、职业、族群与地区不仅改变结果水平，也可能改变时间模式。把所有人合并后出现的队列拐点，可能只是人口构成改变。分层分析有助于识别异质性，却也会增加稀疏单元与多重比较问题。

第四项限度是选择与测量变化。死亡研究面对选择性存活，调查研究面对无应答与迁移，疾病研究面对诊断和编码变化，态度研究面对题目措辞与调查模式变化。这些过程常沿时期发生，又会对不同年龄与队列产生不等影响，因而无法被一个简单时期虚拟变量充分吸收。

第五项限度是队列实体化。用“某代人”解释某代人的平均态度或行为，会形成循环论证。出生队列只是定位历史暴露的时间坐标，不是会自行产生结果的行动主体。有效解释必须从标签继续追问：哪些制度、资源、规范或风险在何种生命阶段不同，哪些群体受到影响，反例又在哪里。

最审慎的结论并非放弃 APC，而是改变其任务：把它用作组织时间证据、发现异常纹理、比较条件性解释和提出可检验机制的工具。只要识别假设被公开、描述与因果被分开、结论经过敏感性分析，APC 仍能为人口学的长期视角提供重要语言。若把某个估计器的唯一输出当成历史机制的唯一答案，模型的精确性反而会遮蔽知识的不确定性。

💭 延伸思考

• 当多个约束模型都同样拟合数据，却给出方向不同的线性队列趋势时，研究者应依据何种外部证据选择约束？无法选择时，最有信息量的报告形式是什么？
• Lexis 图中的对角高值带可能来自真实队列暴露，也可能来自选择性存活、迁移或测量变化。哪些辅助数据最能区分这些解释？
• 内在估计量和层级 APC 模型都能生成唯一结果，但唯一性来自矩阵约束或分布假设。软件是否应默认输出识别假设的自然语言说明与敏感性图？
• 生育推迟使时期 TFR 与队列完成生育率出现差异。政策评估若只观察短期时期指标，应如何避免把时间平移误作政策效果？
• 若研究真正关心的是一次时期冲击对某些年龄群的差异影响，继续追求完整的年龄—时期—队列分解是否必要，还是应转向交互模型与准实验设计？

📚 参考文献

1. Fienberg, S. E., & Mason, W. M. (1979). Identification and estimation of age-period-cohort models in the analysis of discrete archival data. Sociological Methodology, 10, 1-67. APC 识别问题与经典约束方法的系统奠基。
2. Clayton, D., & Schifflers, E. (1987). Models for temporal variation in cancer rates. II: Age-period-cohort models. Statistics in Medicine, 6(4), 469-481. 癌症率 APC 模型、漂移与曲率解释的经典论文。
3. Osmond, C., & Gardner, M. J. (1982). Age, period and cohort models applied to cancer mortality rates. Statistics in Medicine, 1(3), 245-259. 英格兰和威尔士癌症死亡时间模式的实证案例。
4. Yang, Y., Fu, W. J., & Land, K. C. (2004). A methodological comparison of age-period-cohort models: The intrinsic estimator and conventional generalized linear models. Sociological Methodology, 34, 75-110. 内在估计量的提出与方法比较。
5. Luo, L. (2013). Assessing validity and application scope of the intrinsic estimator approach to the age-period-cohort problem. Demography, 50(6), 1945-1967. 对内在估计量隐含约束和适用范围的批判性检验。
6. Yang, Y., & Land, K. C. (2006). A mixed models approach to the age-period-cohort analysis of repeated cross-section surveys, with an application to data on trends in verbal test scores. Sociological Methodology, 36, 75-97. 交叉分类随机效应 APC 模型的代表性表述。
7. Bell, A., & Jones, K. (2014). Another “futile quest”? A simulation study of Yang and Land’s hierarchical age-period-cohort model. Demographic Research, 30, 333-360. 通过模拟揭示 HAPC 在趋势错设下的识别风险。
8. Bongaarts, J., & Feeney, G. (1998). On the quantum and tempo of fertility. Population and Development Review, 24(2), 271-291. 生育数量与进度区分及时期 TFR 调整的经典来源。
9. Sobotka, T., & Lutz, W. (2011). Misleading policy messages derived from the period TFR: Should we stop using it? Comparative Population Studies, 35(3), 637-664. 欧洲生育推迟、时期指标误读与政策含义的系统讨论。