GEOSPATIAL AND MACHINE LEARNING MORTALITY MODELING OF MENA COUNTRIES. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF Abdur_Rahman Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 December 2026. Download (4MB)

Arabic Abstract

تلعب التنبؤات بالوفيات والخصوبة دو ًرا حيويًا في البحث الديموغرافي، حيث تُرشد استراتيجيات الرعاية الصحية (LC (وأنظمة التقاعد وتخطيط السياسات االجتماعية. وقد وفرت نماذج الوفيات التقليدية، مثل نموذجي لي-كارتر ، رؤى قيّمة حول تأثيرات العمر والفترة والفئة العمرية؛ ومع ذلك، فإنها غالبًا ما تفشل في (RH (ورينشو -هابرمان التقاط الالخطية والصدمات والتبعيات اإلقليمية في ديناميكيات الوفيات. تقدم هذه األطروحة إطا ًرا متكامًال لمنطقة يُعزز النماذج الديموغرافية التقليدية من خالل دمج التعلم اآللي والتحكم في (MENA (الشرق األوسط وشمال إفريقيا مع خوارزميات شجرة القرار (RH (ورينشو-هابرمان (LC (العمليات اإلحصائية. أوًال، يتم دمج نماذج لي-كارتر لنمذجة الهياكل المتبقية، مما يحقق (XGBoost (والتعزيز المتدرج الشديد (GBM (وآلة التعزيز المتدرج (DT( I مكاسب كبيرة في الدقة مع الحفاظ على قابلية التفسير. ثانيًا، يُحدد التحليل المكاني باستخدام خوارزمية موران ا، تُقترح تقنيات الترابطات والتجمعات اإلقليمية في اتجاهات الوفيات عبر دول منطقة الشرق األوسط وشمال إفريقيا. ثالثً EWMA-GEV ، وتحديدًا مخططات التحكم(GEV (مراقبة متقدمة قائمة على توزيع القيم القصوى المعممة ، ومعدالت وفيات (CDR (، ومعدالت الوفيات الخام(TFR (لتتبع معدالت الخصوبة الكلية CUSUM-GEVو ، إلى جانب (EAL (تتضمن مخططات التحكم هذه مقياس أداء جديدًا، وهو الخسارة المطلقة المتوقعة .(IMR (الرضع ، لتقييم الكفاءة والتحيز في ظل الحدود غير المتماثلة. تُظهر النتائج أن إطار عملMDRLو SDRLو ARL مقاييس تتفوق في األداء على النماذج التقليدية، حيث تكشف GEV ومخططات التحكم القائمة على ML-RHالهجين و LC xvi بفعالية عن التحوالت الطفيفة في ديناميكيات الخصوبة والوفيات. بشكل عام، يقدم هذا البحث نه ًجا قاب ًال للتطوير والتفسير وقائ ًما على البيانات لتحسين التنبؤ بالوفيات، مما يوفر لصانعي السياسات في منطقة الشرق األوسط وشمال إفريقيا أداة .مبتكرة للتخطيط االستباقي للصحة العامة والتخطيط الديموغرافي

English Abstract

Mortality and fertility forecasting play a vital role in demographic research, informing healthcare strategies, pension systems, and social policy planning. Traditional mortality models, such as the Lee-Carter (LC) and Renshaw-Haberman (RH) models, have provided valuable insights into age, period, and cohort effects; however, they often fail to capture nonlinearities, shocks, and regional dependencies in mortality dynamics. This thesis presents an integrated framework for the Middle East and North Africa (MENA) region that enhances traditional demographic models by incorporating machine learning and statistical process control. First, LC and RH models are combined with Decision Tree (DT), Gradient Boosting Machine (GBM), and Extreme Gradient Boosting (XGBoost) algorithms to model residual structures, achieving substantial accuracy gains while preserving interpretability. Second, spatial analysis employing Moran’s I identifies interdependencies and regional clustering in mortality trends across MENA countries. Third, advanced monitoring techniques based on the Generalized Extreme Value (GEV) distribution are proposed specifically, the GEV-EWMA and GEV-CUSUM control charts to track Total Fertility Rates (TFR), Crude Death Rates (CDR), and Infant Mortality Rates (IMR). These control charts incorporate a novel performance measure, the Expected Absolute Loss (EAL), along with ARL, SDRL, and MDRL metrics, to evaluate efficiency xiv and bias under asymmetric limits. The results demonstrate that the hybrid LC, RH-ML framework and the GEV-based control charts outperform conventional models, effectively detecting subtle shifts in fertility and mortality dynamics. Overall, this research presents a scalable, interpretable, and data-driven approach for improving mortality forecasting, providing policymakers in the MENA region with an innovative tool for proactive public health and demographic planning.

Item Type:	Thesis (Masters)
Subjects:	Math
Department:	College of Computing and Mathematics > Mathematics
Committee Advisor:	Mohammad Hafidz, Omar
Committee Members:	Nasir, Abbas and Emmanuel Osita, Afuecheta
Depositing User:	ABDUR RAHMAN (g202311930)
Date Deposited:	23 Dec 2025 09:56
Last Modified:	23 Dec 2025 09:56
URI:	http://eprints.kfupm.edu.sa/id/eprint/143789