利用因子合并与贝叶斯模型平均的车险意外损害理赔建模
应用统计
2017-10-11 v1
摘要
意外损害是车险理赔的典型组成部分。此类建模通常涉及对过往理赔历史以及被保对象和投保人不同特征的分析。广义线性模型（GLM）已成为业界对这类风险进行定价和建模的标准方法。然而，GLM 方法在预测损失时依赖于单一的“最佳”模型，忽略了竞争模型之间以及变量选择中的不确定性。车险数据集的另一个特点是存在许多分类变量，且这些变量内的水平数很高。特别是，此类变量的所有水平可能并非都具有统计显著性，相反，可以合并某些水平的子集以获得更少的总水平数，从而提高模型的简约性和可解释性。本文提出了一种方法，用于评估将具有许多水平的因子合并为具有较少水平数的因子的最佳方式，随后使用贝叶斯模型平均（BMA）融合来自所有合理模型的预测，以解释因子合并的不确定性。由于被合并的因子数量以及因子内可能存在的大量水平，该方法的计算量将很大。因此，提出了一种随机优化方法，以在模型空间中快速找到最佳合并方案。
引用
@article{arxiv.1710.03704,
title = {Motor Insurance Accidental Damage Claims Modeling with Factor Collapsing and Bayesian Model Averaging},
author = {Sen Hu and Adrian O'Hagan and Thomas Brendan Murphy},
journal= {arXiv preprint arXiv:1710.03704},
year = {2017}
}