CS2B‐10: 

Graduation tests – Course Notes  Page 1 

 
Graduation tests 
 
Course Notes 
 

Syllabus objectives 
4.5  Graduation and graduation tests 

4.5.1  Describe and apply statistical tests of the comparison of crude estimates 
with a standard mortality table testing for:  
 the overall fit  
 the presence of consistent bias  
 the presence of individual ages where the fit is poor  
 the consistency of the ‘shape’ of the crude estimates and the 
standard table.  

4.5.3  Describe a test for smoothness of a set of graduated estimates. 
4.5.7  Carry out a comparison of a set of crude estimates and a standard table, or 
of a set of crude estimates and a set of graduated estimates. 

   

The Actuarial Education Company  © IFE: 2019 Examinations 
 Page 2   CS2B‐10: Graduation tests – Course Notes 

0 Introduction 

0.1 Contents 
There is very little material in the Core Reading for this chapter that relates specifically to R.  
However, in theory, any syllabus objective in Subject CS2 can be tested in the CS2B exam.  
For example, you could be asked to carry out the calculations required for some of the graduation 
tests in this chapter.  

We have provided an exam‐style worked example below that covers some types of exercises 
relating to this topic that could be examined in the practical exam. 

0.2 Summary sheets 
For the topics in this chapter you will need to be familiar with the basic R commands and 
functions.  We have summarised these in the R Refresher for CS2 B document, which is available 
for you to download from the main menu. 

0.3 Data requirements 
If you wish to follow our workings for the worked example, you will need to download the 
following file into your working directory: 
 Graduation2.csv 
 

© IFE: 2019 Examinations  The Actuarial Education Company  
 CS2B‐10: Graduation tests – Course Notes  Page 3 

Worked example 
Ex 1 We have been provided with a data file Graduation2.csv, which includes the following columns: 
Exam style 
 AGE  Age  x  
 ETR   Central exposed to risk for age  x  last birthday 
 DEATHS  Number of deaths recorded at age  x  last birthday 
 CRUDE  Crude mortality rate for age  x  last birthday 
 GRADUATED  Graduated mortality rate for age  x  last birthday 
 EXPECTED  Expected number of deaths at age  x  last birthday based on the graduated rates 
 ZX    Individual standardised deviation for age  x  
The entries for the last four columns have not yet been calculated and currently just contain 
zeros. 

(i)  (a)  Read in the data file as a data table. 

  (b)  Fill in the entries for the CRUDE column in your table.  [6] 

It has been proposed that the crude rates can be graduated using the Gompertz mortality law 
x  Bc x . 

(ii)  (a)  Explain how a suitable Gompertz law could be fitted using the R function lm. 

  (b)  Calculate suitable values for the parameters  B  and  c . 

  (c)  Fill in the entries for the GRADUATED column in your table, rounding your 
answers to 6 decimal places. 

  (d)  Plot a graph showing the crude rates and the graduated rates together.  [18] 

(iii)  (a)  Explain what the following R function does to an input vector  v . 

diff1<-function(v)v[-1]-v[-length(v)]

  (b)  Display the third differences of both the crude rates and the graduated rates in a 
form that makes their values easy to compare. 

  (c)  Comment on your results in (b).  [12] 

(iv)  (a)  Fill in the correct values in the remaining columns EXPECTED and ZX in your table. 

  (b)  Plot a graph of the values of ZX against age. 

  (c)  Comment on your graph in (iv)(b).  [12] 

        [Total 48] 

The Actuarial Education Company  © IFE: 2019 Examinations 
 Page 4   CS2B‐10: Graduation tests – Course Notes 

Solution 
Ex 1 (i)(a)  Read in the data 

We have used the c:\Temp folder for our files. So we need to set the working directory (folder): 

setwd("c:\\Temp")

Note that you need to put the folder name in double quotes and (if you’re working in Windows) 
you need to use two backslashes to specify a subfolder. 

We can now read in the data file and check it has the correct contents: 

data<-read.table("Graduation2.csv",header=T)

head(data)

AGE.ETR.DEATHS.CRUDE.GRADUATED.EXPECTED.ZX
1 25,3140,1,0,0,0,0
2 26,3217,1,0,0,0,0
3 27,3279,1,0,0,0,0
4 28,3349,1,0,0,0,0
5 29,3395,3,0,0,0,0
6 30,3403,2,0,0,0,0

This doesn’t look right.  The table we have created appears to contain a single column of values of 
the form 25,3140,1,0,0,0,0 with the very long name AGE.ETR.DEATHS…ZX, rather than treating it 
as 7 separate columns of figures.  So we need to include the sep option to specify that the data 
values in the .csv file provided are separated by commas rather than spaces. 

data<-read.table("Graduation2.csv",sep=",",header=T)
head(data)

AGE ETR DEATHS CRUDE GRADUATED EXPECTED ZX

1 25 3140 1 0 0 0 0
2 26 3217 1 0 0 0 0
3 27 3279 1 0 0 0 0
4 28 3349 1 0 0 0 0
5 29 3395 3 0 0 0 0
6 30 3403 2 0 0 0 0

This now has the format we would expect. 

© IFE: 2019 Examinations  The Actuarial Education Company  
CS2B‐10: Graduation tests – Course Notes  Page 5 

(i)(b)  Entries for the CRUDE column 

The crude rates for each age are calculated by dividing the number of deaths by the exposed to 
risk. 

data$CRUDE<-data$DEATHS/data$ETR

We can check that this has replaced the CRUDE column in our data table with the correct values: 

head(data)

AGE ETR DEATHS CRUDE GRADUATED EXPECTED ZX

1 25 3140 1 0.0003184713 0 0 0
2 26 3217 1 0.0003108486 0 0 0
3 27 3279 1 0.0003049710 0 0 0
4 28 3349 1 0.0002985966 0 0 0
5 29 3395 3 0.0008836524 0 0 0
6 30 3403 2 0.0005877167 0 0 0

(ii)(a)  How to fit a Gompertz law 

The equation for the Gompertz mortality law is: 

  x  Bc x  

If we take logs, this is equivalent to: 

  log x  log B  x log c  

This has the form of a linear relationship between the variables  x  and  log x  with intercept 

parameter  logB  and slope  logc . 

So we can use the lm (= linear model) function to fit this model in R. 

(ii)(b)  Values of the parameters  B  and  c  

The command we need to use to fit this linear model is: 

gompertz<-lm(log(data$CRUDE)~data$AGE)

The specification on the RHS indicates that we want to carry out a regression of the values of 
log(data$CRUDE) in terms of the independent variable data$AGE. 

We can see what parameter values R has calculated: 

gompertz

Call:
lm(formula = log(data$CRUDE) ~ data$AGE)

Coefficients:
(Intercept) data$AGE
-10.8415 0.1029

The Actuarial Education Company  © IFE: 2019 Examinations 
Page 6   CS2B‐10: Graduation tests – Course Notes 

This tells us that the parameter values for the fitted model are: 

  log B  10.8415   and   log c  0.1029  

We can pick these values out from the fitted model using the coef function: 

coef(gompertz)

(Intercept) data$AGE
-10.8415488 0.1028654

The output from this function includes the headings (Intercept) and data$AGE.  To assign the 
correct values to the variables  B  and  c , we need to remove these using the as.numeric 
function, which extracts just the numerical information.  We can then apply the exponential 
function: 

B=exp(as.numeric(coef(gompertz)))[1]
C=exp(as.numeric(coef(gompertz)))[2]

c(B,C)

[1] 1.956929e-05 1.108342e+00

We’ve used capital C for the variable name here to avoid confusion with the built‐in 
concatenation function c , which we’ve used in the line afterwards! 

Exam tip 
Using the same name for two different things is a common source of errors in R.  So, when you’re 
deciding what name to give a new variable, make sure that that name doesn’t already exist.  If in 
doubt, you can use the ? function in R to find out. 

(ii)(c)  Entries for the GRADUATED column 

We can now fill in the column of graduated rates in our data table: 

data$GRADUATED<-round(B*C^data$AGE,6)

head(data)

AGE ETR DEATHS CRUDE GRADUATED EXPECTED ZX

1 25 3140 1 0.0003184713 0.000256 0 0
2 26 3217 1 0.0003108486 0.000284 0 0
3 27 3279 1 0.0003049710 0.000315 0 0
4 28 3349 1 0.0002985966 0.000349 0 0
5 29 3395 3 0.0008836524 0.000386 0 0
6 30 3403 2 0.0005877167 0.000428 0 0

© IFE: 2019 Examinations  The Actuarial Education Company  
CS2B‐10: Graduation tests – Course Notes  Page 7 

(ii)(d)  Graph of the crude and graduated rates 

We can use the plot function to plot the crude rates and then use the lines function to overlay a 
curve for the graduated rates. 

plot(data$AGE,data$CRUDE,
xlab="Age",ylab="Mortality rate",main="Crude and graduated rates")

lines(data$AGE,data$GRADUATED)

Crude and graduated rates

0.04
0.03
Mortality rate

0.02
0.01
0.00

30 40 50 60 70

Age
   
(iii)(a)  Explain the diff1 function 

diff1<-function(v)v[-1]-v[-length(v)]

The v[-1] removes the first element from the vector v, while the v[-length(v)] removes the 
last element.  Subtracting these will then give a vector of the first differences of the values in v 
(as suggested by the function name). 

(iii)(b)  Calculate the third differences 

The third differences can be calculated by applying the diff1 function three times to the rates. 

To make the values easy to compare, we will multiply them by  106  and display them in a table. 

diff_crude=round(diff1(diff1(diff1(data$CRUDE)))*10^6,0)
diff_grad=round(diff1(diff1(diff1(data$GRADUATED)))*10^6,0)

The Actuarial Education Company  © IFE: 2019 Examinations 
Page 8   CS2B‐10: Graduation tests – Course Notes 

R will number the rows in the table automatically when we display it, but these row numbers will 
not match the actual ages.  So it is best if we include the actual ages as the first column in our 
table.  The ages in the original data went up to age 75, but we will need to restrict this to age 72 
here, since each level of differencing we applied will have removed one age. 

cbind(data$AGE[data$AGE<=72],diff_crude,diff_grad)

diff_crude diff_grad
[1,] 25 -2 0
[2,] 26 592 0
[3,] 27 -1472 2
[4,] 28 2055 0
[5,] 29 -3228 -1
[6,] 30 3800 2
[7,] 31 -2326 0
[8,] 32 18 1
[9,] 33 1398 1
[10,] 34 -1378 0
[11,] 35 2334 1
[12,] 36 -3829 2
[13,] 37 3829 0
[14,] 38 -3315 2
[15,] 39 986 1
[16,] 40 1046 1
[17,] 41 -1190 3
[18,] 42 3472 1
[19,] 43 -3254 2
[20,] 44 -1349 3
[21,] 45 415 1
[22,] 46 3675 5
[23,] 47 -285 2
[24,] 48 -4722 3
[25,] 49 4633 4
[26,] 50 -3373 5
[27,] 51 2679 5
[28,] 52 -5482 4
[29,] 53 8357 6
[30,] 54 -3873 7
[31,] 55 -1807 7
[32,] 56 4623 8
[33,] 57 -3577 9
[34,] 58 -2194 9
[35,] 59 6446 10
[36,] 60 -8835 14
[37,] 61 11501 12
[38,] 62 -13794 15
[39,] 63 16343 16
[40,] 64 -14429 18
[41,] 65 8462 20
[42,] 66 247 22
[43,] 67 -7678 25
[44,] 68 -1206 26
[45,] 69 17483 32
[46,] 70 -17614 31
[47,] 71 10855 39
[48,] 72 -12400 40

© IFE: 2019 Examinations  The Actuarial Education Company  
CS2B‐10: Graduation tests – Course Notes  Page 9 

(iii)(c)  Comment on the third differences 

We can see from the table that the third differences of the crude rates are much larger in 
magnitude (max = 17,614) and progress erratically.  This is to be expected, since they are 
calculated directly from the deaths, which contain a significant random element. 

The third differences of the graduated rates are all very small (max = 40) and progress regularly.  
(The slight irregularity we can see is a result of the rounding we applied to the graduated rates in 
part (ii)(c).)  This is to be expected, since they have been smoothed using a simple parametric 
formula with just two parameters. 

(iv)(a)  Entries for the EXPECTED and ZX columns 

We can easily fill in the expected numbers of deaths and the individual standardised deviations 
(calculated as  z x  (DEATHS  EXPECTED) / EXPECTED ), rounding the values to an appropriate 
number of decimal places: 

data$EXPECTED<-round(data$GRADUATED*data$ETR,2)
data$ZX<-round((data$DEATHS-data$EXPECTED)/sqrt(data$EXPECTED),3)
head(data)

AGE ETR DEATHS CRUDE GRADUATED EXPECTED ZX

1 25 3140 1 0.0003184713 0.000256 0.80 0.224
2 26 3217 1 0.0003108486 0.000284 0.91 0.094
3 27 3279 1 0.0003049710 0.000315 1.03 -0.030
4 28 3349 1 0.0002985966 0.000349 1.17 -0.157
5 29 3395 3 0.0008836524 0.000386 1.31 1.477
6 30 3403 2 0.0005877167 0.000428 1.46 0.447

The Actuarial Education Company  © IFE: 2019 Examinations 
Page 10   CS2B‐10: Graduation tests – Course Notes 

(iv)(b)  Graph of the ZX’s 

It will be easiest to spot any patterns in the  z x ’s if we plot them using the type=”b” option to 
display both points for each age and lines connecting them. 

plot(data$AGE,data$ZX,type="b",xlab="Age (x)",
ylab="zx",main="Individual standardised deviations")

Individual standardised deviations

3
2
1
zx

0
-1
-2

30 40 50 60 70

Age (x)
   
(iv)(c)  Comment on the graph 

Without doing any detailed calculations we can see that: 

 The ISDs appear to be randomly distributed with no obvious pattern. 
 They all lie in the range (–3,3), so there are no extreme outliers. 
 However, seven values lie outside the range (–2,2), which might warrant investigation. 
 Roughly equal numbers lie above and below the zero line, which indicates that there is no 
systematic bias. 
 There are no obvious runs of positive or negative values, which indicates that we haven’t 
overgraduated the rates. 

© IFE: 2019 Examinations  The Actuarial Education Company  
 CS2B‐10: Graduation tests – Course Notes  Page 11 

1 Core reading 
The Core Reading for this chapter contains a few specific references to R. 

Chi‐square test 

R can carry out a  goodness-of-fit test using chisq.test().

2

However, the   2  statistic can also be calculated directly using: 
chi2 = sum((observed-expected)^2/expected)

Serial correlation test 

The serial correlations test can be carried out in R by considering the series of z x ’s as if
they were a time series and computing the first-order autocorrelation.

Alternatively, to compute rj in R from a set of 50 deviations z x , use:

z1x <- zx[1:49]

z2x <- zx[2:50]
cor(z1x,z2x) 

The Actuarial Education Company  © IFE: 2019 Examinations