机器学习能否发现保险方案参与的决定因素？一项比较分析
综合经济学
2022-12-20 v3 经济学
摘要
识别影响参与的因素是保险方案成功的关键。本研究面临的挑战涉及使用大量可能影响保险参与的因素以做出更好的预测。海量因素会影响参与，使评估困难。这些相互关联的因素会掩盖对参与预测的影響，使其具有误导性。本研究评估了 66 个常见特征如何影响保险参与选择。我们依赖来自 FADN 的 2016 至 2019 年类型 1（大田作物）农业的个体农场数据，共 10,926 条观测。我们使用三种机器学习（ML）方法（LASSO、Boosting、Random Forest）并将其与保险建模中使用的 GLM 模型比较。ML 方法能通过变量选择高效利用大量信息。一个高精度的简约模型有助于我们理解影响保险参与的因素并设计更好的产品。尽管保险参与问题复杂，ML 预测相当良好。我们的结果表明，在使用更小回归变量集时，Boosting 优于其他两种 ML 工具。所提出的 ML 工具识别了哪些变量解释了参与选择。该信息包括单个变量被选中的案例数及其影响参与的相对重要性。聚焦于最能解释保险参与的信息子集可降低设计保险方案的成本。
引用
@article{arxiv.2212.03092,
title = {Can Machine Learning discover the determining factors in participation in insurance schemes? A comparative analysis},
author = {Luigi Biagini and Simone Severini},
journal= {arXiv preprint arXiv:2212.03092},
year = {2022}
}