保险数据的 penalized 回归模型系数区间估计
统计方法学
2025-07-17 v5 机器学习
摘要
Tweedie指数分布族是众多用于建模由零散装半连续数据组成的保险损失的流行选择。在此类数据中，获取描述内生变量的最重要特征的可信度(推论)往往至关重要。后选择推论是统计学中获取模型参数置信区间的标准程序。在线性模型中，lasso 估计值对于对应于外生变量的大系数具有显著的估计偏差。为了对这些系数进行有效的推论，需要纠正 lasso 估计的偏差。传统统计方法，如假设检验或标准置信区间构建可能在后选择过程中导致不正确的结论，因为它们通常过于乐观。本文我们讨论了在广义线性模型(GLM)族中进行特征选择后构建系数置信区间的几种方法，适用于保险数据。
引用
@article{arxiv.2410.01008,
title = {Interval Estimation of Coefficients in Penalized Regression Models of Insurance Data},
author = {Alokesh Manna and Zijian Huang and Dipak K. Dey and Yuwen Gu and Robin He},
journal= {arXiv preprint arXiv:2410.01008},
year = {2025}
}