基于贝叶斯偏态线性混合模型的费率厘定

线性混合模型是非寿险费率厘定的主要方法之一。通常的线性混合模型假设随机误差项服从正态分布,而保险损失数据往往具有右偏特征,这使得该模型在非寿险费率厘定中的应用受到一定影响。在通常的线性混合模型基础上,假设随机误差项服从偏态分布,即可建立偏态线性混合模型,从而改善费率厘定结果的合理性。基于一组实际的保险损失数据,应用贝叶斯MCMC方法建立几个不同的偏态线性混合模型,并与正态分布假设下的线性混合模型进行对比,实证检验偏态线性混合模型在非寿险费率厘定中的优越性。     

广义线性模型在非寿险精算中的应用及其研究进展

广义线性模型在精算中的应用始于20世纪80年代，其应用涉及到精算学的各个领域，如生命表的修匀、损失分布、信度理论、风险分类、准备金和费率估计等方面。在对广义线性模型适用于非寿险精算的典型特征进行分析的基础上，对广义线性模型在非寿险精算中的应用及其研究进展进行分析和总结的同时，重点分析利率厘定和准备金估计中广义线性模型的建模思想，并结合实际提出了今后研究的方向。     

分位数回归在非寿险产品费率厘定中的应用

文章首先分析了非寿险产品费率厘定中的零索赔额现象;指出了线性回归模型和广义线性模型在非寿险产品费率厘定中存在的问题和不足;分析了分位数回归模型在非寿险产品费率厘定中的优点,并结合实例,给出了实证分析.结果表明,分位数回归模型更能从整体上反映出费率厘定变量之间的关系及其对索赔额的影响.     

双重广义线性模型在车损险费率厘定中的应用

双重广义线模型是对广义线性模型的扩展,其对反应变量的均值与散度参数同时建立模型,提高了模型运用的灵活性与适应性。将双重广义线性模型应用到车损险费率厘定中,既考虑了费率期望值与费率因子之间的关系,又考虑了变量的分散程度与费率因子之间的关系,并以欧洲一家保险公司的汽车保险损失数据为样本进行实证研究,把无索赔优待等级、地区、车型与年均行驶里程数作为费率因子,建立了费率厘定模型。结果表明,所得到费率结构合理,符合实际。     

基于中位数回归模型非寿险精算中费率因子的显著性判别分析

广义线性模型作为分类费率厘定的重要工具,面临着如何选择损失变量分布的问题,而且对于存在巨额索赔的数据费率因子的显著性判别往往不具有稳健性.文章利用中位数回归模型弥补了广义线性模型的这些不足,结合实际数据对费率因子的各水平进行显著性判别,并与其他常用损失模型的拟合结果进行比较.结果表明,中位数回归模型在费率因子的显著性判别方面更具有客观性和稳健性.     

基于广义线性混合模型的经验费率厘定

信度模型是非寿险精算学中最为重要的成果.从20世纪初至今,信度理论先后经历了两个发展阶段:一是早期的有限波动信度模型;二是目前的最大精确信度模型.有限波动信度模型强调结果的稳定性,而最大精确信度模型强调结果的精确性.因此建立信度模型与广义线性混合模型之间的联系,通过对信度模型的分解可以看到:传统的信度理论对风险的刻画方法与广义线性混合模型的结构有极其相似的地方,故可以用广义线性混合模型来厘定经验费率.     

零膨胀模型在非寿险中应用

分类费率厘定中最常使用的模型之一是泊松回归模型，但当损失次数数据存在零膨胀特征时，通常会采用零膨胀模型来解决。本文讨论一些零膨胀模型在非寿险中的应用，并通过对一组汽车保险损失数据的拟合，发现零膨胀模型可以有效改善对实际损失数据的拟合效果。     

贝叶斯非线性混合效应模型及其应用研究

由于常用的线性混合效应模型对具有非线性关系的纵向数据建模具有一定的局限性,因此对线性混合效应模型进行扩展,根据变量间的非线性关系建立不同的非线性混合效应模型,并根据因变量的分布特征建立混合分布模型。基于一组实际的保险损失数据,建立多项式混合效应模型、截断多项式混合效应模型和B样条混合效应模型。研究结果表明,非线性混合效应模型能够显著改进对保险损失数据的建模效果,对非寿险费率厘定具有重要参考价值。     

基于偏正态随机效应模型的信度保费

信度模型是非寿险经验费率厘定的主要方法。传统的Buhlmann-Straub信度模型可以表示为随机截距模型,而随机截距模型假设随机效应服从正态分布。在实际的保险损失数据中,部分个体风险的损失可能远远高于总体平均水平,从而使得不同个体风险之间的风险差异呈现右偏特征。在这种情况下,Buhlmann-Straub模型有可能低估高风险的信度保费。本文在随机截距模型中假设随机效应服从偏正态分布,求得了偏正态随机效应假设下的信度保费。可以证明,Buhlmann-Straub信度保费是其特例。模拟分析和实证研究的结果都表明,偏正态随机效应假设下的信度模型可以更好地预测高风险的信度保费,从而改进传统信度模型的保费估计结果。     

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。     

随机效应零膨胀索赔次数回归模型

索赔频率预测是非寿险费率厘定的重要组成部分。最常使用的索赔频率预测模型是泊松回归和负二项回归,以及与它们相对应的零膨胀回归模型。但是,当索赔次数观察值既具有零膨胀特征,又存在组内相依结构时,上述模型都不能很好地拟合实际数据。为此,本文在泊松分布、负二项分布、广义泊松分布、P型负二项分布等条件下分别建立了随机效应零膨胀损失次数回归模型。为了改进模型的预测效果,对于连续型的解释变量,还引入了二次平滑项,并建立了结构性零比例与解释变量之间的回归关系。基于一组实际索赔次数数据的实证分析结果表明,该模型可以显著改进现有模型的拟合效果。     

分层模型在非寿险精算学中的应用研究评述

 本文结合非寿险精算中普遍存在的具有层次性及相关性的数据结构,在分层模型的全新视角下,充分借鉴分层模型的理论研究成果,对分层模型在非寿险定价与索赔准备金评估中的应用研究的最新成果进行了系统梳理和总结,并将贝叶斯方法、随机模拟、信度理论、数据分析技术、科学计算等融合其中。在此基础上,提出了一些有待深入探索和进一步扩展的新思路。这对提升我国非寿险精算学科的统计分析体系,促进我国非寿险精算学科的发展具有重要的科学研究意义。     

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。     

Comparing alternating logistic regressions to other approaches to modelling correlated binary data

Alternating logistic regressions (ALRs) seem to offer some of the advantages of marginal models estimated via generalized estimating equations (GEE) and generalized linear mixed models (GLMMs). Via simulation study we compared ALRs to marginal models estimated via GEE and subject-specific models estimated via GLMMs, with a focus on estimation of the correlation structure in three-level data sets (e.g. students in classes in schools). Data set size and structure, and amount of correlation in the data sets were varied. For simple correlation structures, ALRs performed well. For three-level correlation structures, all approaches, but especially ALRs, had difficulty assigning the correlation to the correct level, though sample sizes used were small. In addition, ALRs and GEEs had trouble attaching correct inference to the mean effects, though this improved as overall sample size improved. ALRs are a valuable addition to the data analyst's toolkit, though care should be taken when modelling data with three-level structures.     

Inference Based on General Linear Models for Order Restricted Randomization

This article develops statistical inference for the general linear models in order restricted randomized (ORR) designs. The ORR designs use the heterogeneity among experimental units to induce a negative correlation structure among responses obtained from different treatment regimes. This negative correlation structure acts as a variance reduction technique for treatment contrast. The parameters of the general linear models are estimated and a generalized F-test is constructed for its components. It is shown that the null distribution of the test statistic can be approximated reasonably well with an F-distribution for moderate sample sizes. It is also shown that the empirical power of the proposed test is substantially higher than the powers of its competitors in the literature. The proposed test and estimator are applied to a data set from a clinical trial to illustrate how one can improve such an experiment.     

基于copula回归模型的损失预测

在非寿险损失预测的广义线性模型中,通常假设损失次数与损失强度相互独立,事实上二者之间往往存在一定的相依关系,可通过copula函数来刻画.在损失已经发生的条件下,假设损失次数服从零截断泊松分布,损失强度服从伽玛分布,可以建立损失次数与损失强度相互依赖的copula回归模型.把损失强度的分布扩展到逆高斯分布,并将此模型应用于一组车险保单数据进行实证研究.结果表明:该模型不但在损失预测方面优于独立假设下的广义线性模型,而且也优于损失强度服从伽马分布假设下的copula回归模型.     

医疗费用预测的贝叶斯多项式混合效应模型

医疗费用预测是健康保险费率厘定的前提和基础。对于多年期的医疗费用数据,通常使用线性混合效应模型对其进行拟合,但线性混合效应模型对非线性关系的纵向数据建模具有一定的局限性。本文对线性混合效应模型进行扩展,根据医疗费用数据中变量之间的非线性关系,建立了多项式混合效应模型,并将其应用于一组医疗费用数据进行实证研究。结果表明,多项式混合效应模型对住院医疗费用的拟合效果显著优于通常使用的线性混合模型,在医疗费用管理和健康保险的费率厘定中具有重要的应用价值。