GAMLSS模型及其在车损险费率厘定中的应用

在车损险费率厘定中,通常假设索赔频率、索赔强度或纯保费服从指数分布族,并对其均值建立广义线性模型,而假设其他参数对所有风险类别都是固定的常数。这种假设在某些情况下并非成立。GAMLSS模型可以在各种分布假设下同时对一个分布的位置参数、尺度参数和形状参数建立参数或非参数的回归模型,具有很大的灵活性。本文在零调整逆高斯分布假设下把GAMLSS模型应用于我国实际的车损险数据,建立了车损险的费率厘定模型,结果表明,这种模型对车损险实际数据的拟合要优于常用的Tweedie分布假设下的广义线性模型。此外,这种模型厘定的风险保费更加公平合理。     

泊松逆高斯回归模型的贝叶斯统计推断

本文研究泊松逆高斯回归模型的贝叶斯统计推断.基于应用Gibbs抽样,Metropolis-Hastings算法以及Multiple-Try Metropolis算法等MCMC统计方法计算模型未知参数和潜变量的联合贝叶斯估计,并引入两个拟合优度统计量来评价提出的泊松逆高斯回归模型的合理性.若干模拟研究与一个实证分析说明方法的可行性.     

考虑空间效应的贝叶斯分层模型与索赔频率预测

在非寿险索赔频率预测中,使用最为广泛的是广义线性模型.但是,如果观察数据呈现出明显的零膨胀特征,或者包含空间协变量,或者某些协变量之间具有分层结构,则广义线性模型的拟合优度往往欠佳.在零膨胀分布假设下,建立了考虑空间效应的贝叶斯分层模型,并将其应用于索赔频率预测.在模型中,用惩罚样条函数描述连续型协变量的非线性效应,用高斯马尔科夫随机场描述相邻地区在索赔频率上的空间相依性,用随机截距项描述不同地区在索赔频率上的分层关系和差异性.实证研究结果表明,考虑空间效应的贝叶斯分层模型的拟合优度明显优于传统的广义线性模型.     

零膨胀集群数据层次回归模型的贝叶斯推断

零膨胀Poisson回归模型是研究零观测值过多的计数数据的常用工具,本文提出了一类拟合具有这类特征的集群数据的层次零膨胀泊松回归模型,并给出了相应的贝叶斯推断方法,参数估计通过Gibbs抽样获得,模型比较与选择则通过拟合优度检验与BIC准则实现.最后,利用一个船舶受损事故数据来展示本文方法的实现及应用.     

无交叉多指标分位数回归模型中的估计与推断

在过去的30年中分位数回归模型的研究已十分深入.然而在实际的应用场景中,由传统估计方法所得到的分位数回归估计量,经常会在不同分位数水平上出现互相交叉的现象,这给分位数回归模型的实际应用造成了解释和预测上的困难.为解决这个问题,本文提出一种带单调约束的半参数多指标分位数回归模型的研究框架.首先将半参数多指标分位数回归模型...     

汽车保险的精算模型及其应用

本文应用我国一家保险公司的实际数据 ,对各种可以反映保单持有人索赔次数的模型 (包括负二项模型、泊松 -逆高斯模型、二元风险模型、三元风险模型、二项 -贝塔模型和负二项 -帆塔模型 )分别进行了拟合 ,结果表明三元风险模型拟合效果最好 ,因此利用三元风险模型构造了对保单持有人根据后验风险的大小调整其续期保费的系统     

零膨胀广义泊松回归模型与保险费率厘定

在保险产品的分类费率厘定中,最常使用的模型之一是泊松回归模型.当损失数据存在零膨胀(zero-in flated)特征时,通常会采用零膨胀泊松回归模型.在零膨胀泊松回归模型中,一般假设结构零的比例参数φ为常数,不受费率因子的影响,这有可能背离实际情况.假设参数φ与费率因子之间存在一定关系,并在此基础上建立了零膨胀广义泊松回归模型,即Z IGP(τ)回归模型.通过对一组汽车保险损失数据的拟合表明,Z IGP(τ)回归模型可以有效地改善对实际数据的拟合效果,从而提高费率厘定结果的合理性.     

面板数据分位数回归模型的工具变量估计

针对含有内生变量的面板数据回归模型,提出基于工具变量的分位数回归估计方法.首先,通过引入工具变量解决协变量的内生性问题,然后利用分位数回归的方法对回归系数进行估计.在一些正则条件下,证明所提出估计的大样本性质,通过模拟研究证实该方法的有限样本性质.     

汽车保险市场的信息不对称:来自商业第三者责任险的证据

本文修正了Richaudeau(1999)提出的保障-风险条件相关模型,考虑到索赔次数中的"零膨胀"现象,采用零膨胀Poisson分布拟合索赔次数,以我国汽车商业第三者责任保险作为研究对象,研究了中国车险市场的信息不对称问题。实证结果表明,在控制公开信息的基础上,我国汽车保险市场仍存在显著的信息不对称问题。但是,保险公司可以通过费率厘定、无赔款优待制度、附加险设计等方法分离不同风险的投保人,减轻信息不对称程度对公司经营的影响。     

Capture-Recapture模型与车险事故总体预测

车险事故总体预测问题一直是车辆保险公司研究的重点内容之一,目前最为常用的方法是与泊松分布相关的模型.基于车辆保险中索赔数据的结构特征,构建了Capture-Recapture模型,并使用一组车辆保险数据,利用Capture-Recapture及常用的零膨胀泊松等模型分别建模分析,得出了一些新的结论,即Capture-Recapture模型拟合效果整体较优,从而为车辆保险公司更好预测事故总体提供一定的理论依据.