基于聚类的 Metropolis-Hastings 回归
机器学习
2019-09-17 v2 机器学习
应用统计
统计方法学
摘要
在医疗保险市场中，高质量的风险调整会削弱保险公司通过低效行为吸引低成本参保者以获取利益的动机。我们提出了一种基于马尔可夫链蒙特卡罗（Markov Chain Monte Carlo）方法的新方法论，通过将诊断代码聚类为对医疗支出预测最优的风险组来改进风险调整。我们利用来自哥伦比亚医疗系统 50 万参保者的面板数据，将本方法相较于常见替代方法的性能进行了检验。结果表明，本方法优于常见替代方法，并提示其有潜力改善慢性病患者的优质医疗可及性。
引用
@article{arxiv.1811.12295,
title = {Regression by clustering using Metropolis-Hastings},
author = {Adolfo Quiroz and Simón Ramírez-Amaya and Álvaro Riascos},
journal= {arXiv preprint arXiv:1811.12295},
year = {2019}
}
备注
Presented at NIPS 2018 Workshop on Machine Learning for the Developing World