近年来,随着经济的发展、生活质量的提高,以及社会医疗卫生保障程度的增强,世界各国的人口死亡率呈现出不断下降的趋势,老龄化现象日趋严重。死亡率的非预期降低给各国的养老金制度、福利政策、企业年金以及保险公司的寿险业务等带来了重大影响。因此,提高死亡率的估计精度具有重要意义。考虑到死亡率数据的函数特征,Hyndman和Ullah(HU)提出利用非参数平滑、经典函数型数据主成分分析等技术,在年龄维度上对死亡率数据进行平滑和拟合,显著提高了死亡率的预测精度。但是该模型未充分考虑部分年龄区间死亡率数据缺失、稀疏的特点,导致预测效果不甚理想。基于条件期望的稀疏函数型数据主成分分析技术(PACE)在数据稀疏、缺失、不规则的情况下,拟合效果较好,甚至在数据密集和规则的情况下,也可以改善经典函数型数据主成分分析的效果。考虑到部分国家死亡率数据缺失、稀疏的情况,本文将PACE引入到死亡率数据的分析中,并与HU模型进行对比。基于发达国家0-110岁死亡率数据的数值分析结果表明:PACE模型与HU模型的均值函数、特征函数、主成分得分序列基本相似,但是从主成分的方差贡献率来看,PACE模型对信息的综合能力更强;在数据缺失、稀疏时,比如对于90-110岁的数据,PACE模型可以显著提高拟合效果和预测精度,甚至对于数据完整的美国死亡率,PACE模型对高龄死亡率的预测效果也优于HU模型。然后对数据完整的美国死亡率进行各个年龄区间的随机删除,并基于这些数据进行拟合和预测,结果表明,随着数据稀疏程度的增加,PACE模型的优势愈加明显。鉴于中国可获得死亡率数据年限较短,且0-20岁等年龄区间数据有缺失的状况,本文将PACE模型应用到中国死亡率的拟合和预测中,为中国死亡率的预测提供了新思路。分析结果表明,在对缺失值较多的女性死亡率进行拟合和预测时,PACE模型的准确度要明显高于HU模型。