非寿险费率厘定的索赔频率预测模型及其应用

在非寿险分类费率厘定中,泊松回归模型是最常使用的索赔频率预测模型,但实际的索赔频率数据往往存在过离散特征,使泊松回归模型的结果缺乏可靠性.因此,讨论处理过离散问题的各种回归模型,包括负二项回归模型、泊松-逆高斯回归模型、泊松-对数正态回归模型、广义泊松回归模型、双泊松回归模型、混合负二项回归模型、混合二项回归模型、Delaporte回归模型和Sichel回归模型,并对其进行系统比较研究认为:这些模型都可以看做是对泊松回归模型的推广,可以用于处理各种不同过离散程度的索赔频率数据,从而改善费率厘定的效果;同时应用一组实际的汽车保险数据,讨论这些模型的具体应用.     

神经网络模型与车险索赔频率预测

汽车保险广受社会关注,且在财产保险公司具有举足轻重的地位,因此汽车保险的索赔频率预测模型一直是非寿险精算理论和应用研究的重点之一。目前最为流行的索赔频率预测模型是广义线性模型,其中包括泊松回归、负二项回归和泊松-逆高斯回归等。本文基于一组实际的车险损失数据,对索赔频率的各种广义线性模型与神经网络模型和回归树模型进行了比较,得出了一些新的结论,即神经网络模型的拟合效果优于广义线性模型,在广义线性模型中,泊松回归的拟合效果优于负二项回归和泊松-逆高斯回归。线性回归模型的拟合效果最差,回归树模型的拟合效果略好于线性回归模型。     

非寿险未决赔款准备金评估的两阶段广义线性混合模型

文章考虑了赔付额和赔付次数两种赔付信息,建立两阶段广义线性混合模型.为提高模型的适用范围,将赔付次数的分布假设由通常的泊松分布推广到过度分散泊松分布,将案均赔付额的分布假设由通常的伽玛分布拓宽到ED*类分布.通过对Hoerl曲线的改进来刻画赔付损失的进展模式,改善了模型的线性预估量.为了刻画不同模型的预测效果,给出了模型均方误差的理论推导和估计方法.以实际的保险数据为例,利用R软件进行实证分析.结果表明,建立的模型提高了未决赔款准备金评估的预测精度和适用范围.     

广义线性混合模型及其SAS实现

本文探讨了重复测量资料广义线性混合模型（GLMMs）建模及SAS9．1的PROC GLIMMIX程序实现。利用PROC GLIMMIX程序中Model语句选项和Link语句来指定因变量的分布及连接函数，通过Random语句来指定随机效应，采用线性限制性／残差虚拟似然法进行参数估计。GLMMs是在广义线性模型的基础上引入随机效应,因变量可以是指数家族中任意分布，可以通过连接函数将观测的均数向量与模型参数联系起来。GLMMs应用范围广，建模灵活，可以为相关或非常数方差数据建模，能提供客观正确的统计结论。     

混合广义线性模型

本文首次提出混合广义线性模型，此模型包括通常的标准广义线性模型以及贝叶斯多层广义线性模型。对二分量混合广义线性模型，利用近似准似然方法讨论其参数估计。对指数族混合广义线性模型，利用标准的广义线性模型分析方法得到参数的迭代估计。至于Ａｌｂｅｒｔ提出的贝叶斯多层先验分析方法，我们给出简单的讨论与修正；并且讨论与分析两个特殊的贝叶斯多层广义线性模型，给出它们的有关详细结果。最后，对混合广义线性模型，提出两个问题     

基于负二项回归模型的空气质量指数分析

空气质量指数是与人们的日常活动密切相关的指标。基于中国18个城市2014年共52个周的空气污染计数数据进行负二项回归分析,通过运用广义线性混合效应模型和广义估计方程的方法进行比较分析,从理论和实际应用上得到了一定结论。研究结果表明:广义线性混合效应模型和广义估计方程两种方法在分析空气污染问题中差别不大;人口因素、城市园林绿化状况、气象因素、城市群效应以及季节效应对所研究城市的空气污染状况发生与否及其严重程度有显著的影响。     

基于联合定价模型的奖惩因子的扩展与比较

信度模型是经验费率厘定的主要方法,其缺陷在于隐含的正态分布假设并不适用于索赔次数,同时也无法分析费率因子对预期保费的影响。若将信度模型与广义线性混合模型相结合,同时考虑保单已知的风险特征信息和潜在的个体风险特征信息,将正态分布假设推广到泊松分布,放宽随机效应假设,即可构建一种扩展的联合定价模型。扩展的联合定价模型不仅能解决定价过程中风险信息重叠的问题,其预测值还具有类似信度模型"收缩估计"的性质。对一组保单索赔次数数据的研究发现,扩展的联合定价模型(泊松-伽马模型)对索赔次数的拟合更加合理,解决了奖惩因子的"过度奖惩"的问题,有效改进了预测结果。     

广义矩方法及其在金融领域的应用

文章讨论了广义矩估计的统计思想,并将其与最小二乘估计和极大似然估计方法相比较,说明了普通最小二乘估计是广义矩估计的一个特例,在密度函数满足一定的条件下,广义矩估计和极大似然估计是一致的,最后对广义矩估计在金融资产定价方面的应用进行了研究。     

零膨胀计数数据的联合建模及变量选择

零膨胀计数数据破坏了泊松分布的方差-均值关系，可由取值服从泊松分布的数据和取值为零(退化分布)的数据各占一定比例所构成的混合分布所解释。本文基于自适应弹性网技术， 研究了零膨胀计数数据的联合建模及变量选择问题.对于零膨胀泊松分布，引入潜变量，构造出零膨胀泊松模型的完全似然, 其中由零膨胀部分和泊松部分两项组成.考虑到协变量可能存在共线性和稀疏性，通过对似然函数加自适应弹性网惩罚得到目标函数,然后利用EM算法得到回归系数的稀疏估计量，并用贝叶斯信息准则BIC来确定最优调节参数.本文也给出了估计量的大样本性质的理论证明和模拟研究，最后把所提出的方法应用到实际问题中。     

线性回归模型的后验极大似然估计

与普通最小二乘法相比,线性模型参数的极大似然估计,在一般的条件下也具有很好的性质;而实际中,在进行统计推断之前,我们往往对参数的信息有一定把握。文章将利用参数的先验信息即先验分布,构造了线性模型参数的后验极大似然估计,并在两种先验分布的情形,给出了具体的结果。