Modelo de pensiones de microsimulación dinámica

Las transiciones entre estados (p. ej., entre empleo, desempleo, salida del mercado laboral, etc.) se modelan simultáneamente. La trayectoria vital de un individuo o grupo de individuos modelados se ramifica gradualmente. El resultado (p. ej., período de seguro, pensión recién otorgada) se obtiene promediando todas las trayectorias vitales. En tal caso, no es posible explorar trayectorias vitales extremas ni identificar satisfactoriamente, por ejemplo, el número de pensionistas en riesgo de pobreza. Con un gran número de puntos del modelo, este solo puede identificar una amenaza de pobreza causada por bajos ingresos. Una amenaza de pobreza causada por la interrupción de la carrera laboral (período de seguro insuficientemente largo) no puede modelarse sin información adicional y ajustes al modelo.

La simplificación o el cálculo de promedios son necesarios en los casos en que la fórmula de la pensión presenta dependencias no lineales en la trayectoria vital (por ejemplo, pensión mínima, número mínimo de años trabajados, etc.). Algunas situaciones extremas pueden abordarse estableciendo un nuevo estatus, pero esto complejiza el modelo y, de nuevo, el cálculo es solo aproximado. Con la disponibilidad adecuada de datos, es posible utilizar la estructura completa para parámetros seleccionados (principalmente el período de seguro), pero esto consume muchos recursos computacionales y de memoria.

Por otro lado, la ventaja del enfoque determinista radica en que facilita la coherencia con resultados externos, como la proyección demográfica y el escenario macroeconómico de crecimiento del salario medio. Sin embargo, incluso en este caso, puede ser necesario calibrar el modelo. Por ejemplo, para garantizar la coherencia con una proyección macroeconómica externa, es necesario calibrar el crecimiento salarial a lo largo de la trayectoria profesional.

Las transiciones entre estados se modelan en función de parámetros aleatorios (generando un número aleatorio). En un momento dado, cada punto del modelo corresponde a un único estado. La transición entre estados definidos depende de un número aleatorio y de su comparación con la probabilidad de transferencia.

Un punto del modelo tiene exactamente una trayectoria aleatoria. Como resultado, el período de seguro y otras variables que aparecen en la fórmula de la pensión se conocen con exactitud en el momento de la jubilación, lo que permite realizar un modelado exacto de las no linealidades de la fórmula de la pensión en líneas extremas, véase, por ejemplo, ("Pojistné rozpravy 28/2011"). ^{[ 3 ]}

Los requisitos de datos son los mismos que para el modelo determinista (probabilidad de transferencias). Si se dispone de datos más detallados, es fácil utilizarlos y adaptar la estructura del modelo.

Para obtener resultados generales estables, es necesario utilizar un número suficiente de puntos de modelo o simulaciones (con múltiples simulaciones, el resultado es el promedio de las mismas). La necesidad de un mayor número de puntos de modelo o simulaciones incrementa el tiempo de cálculo. Sin embargo, esto se compensa con un cálculo más sencillo, ya que no es necesario calcular todas las trayectorias de vida simultáneamente y promediarlas.

Debido a la aleatoriedad , los resultados no se corresponden exactamente con los datos externos (proyecciones demográficas, proyecciones macroeconómicas), pero si el número de puntos del modelo o de simulaciones es suficiente, el grado de consistencia es muy bueno.

La principal ventaja del enfoque estocástico reside en la posibilidad de modelar con exactitud todos los elementos no lineales de la fórmula de la pensión. De este modo, los resultados incluyen incluso los extremos y permiten analizar casos de personas en riesgo de pobreza. Este tipo de modelo permite integrar más categorías de situación, por lo que también puede utilizarse para modelar otros tipos de prestaciones (desempleo, subsidio por hijos, subsidio por enfermedad). Por otro lado, incorporar una categoría adicional en un modelo determinista lo hace mucho más complejo.

Algunas propiedades de los modelos estocásticos pueden resultar inusuales para los usuarios. Algunos resultados, especialmente aquellos relacionados con cambios de estado como el número de fallecimientos o el número de personas recién empleadas, presentan ruido. Si bien esto se corresponde con la realidad, los usuarios pueden estar acostumbrados a suavizar los resultados.

Para obtener resultados estables, es necesario contar con un gran número de puntos del modelo o simulaciones. Cuantos más parámetros se generen estocásticamente, mayor será el número de simulaciones necesarias para garantizar la convergencia.