精算模型第三版 第6章 经验模型.pptxVIP

;本章内容;如何选取合适的理赔额分布或理赔次数的分布;（3）对分布进行拟合检验，以确信所选择的分布类型和参数估计是否恰当；;Data set A 下表是某保险公司在一年内小汽车发生事故次数的统计数据： ;Data set B 下表是某劳工补偿险的部分原始损失数据;Data setD1 寿险保单终止有三种状态：死亡，期满和退保（surrender）。下表是某寿险保单持有人在签订保单后 5 年内保单终止的时间记录。 ;其中‘-’表示时间未知，最后 12 个保单持有人保单期满并退保。;Data set D2 下表表示寿险保单存活状态的两次观测值，其中 First observed 表示第一次观测的时间，若为0则表示保单签订后马上进行记录，Last observed表示第二次观测的时间，Event表示最后一次观测时保单持有人的状态，S 表示退保，D 表示死亡，E 表示保单期满。;上面是一组责任险保单的赔付数据，这个数据中包含了不同的免赔额和限额。;;;我们将分三种情况讨论经验模型的构建; 对于个体数据，它的经验分布信息除样本均值、样本方差、中位数、极大值和极小值，还包括经验分布函数、生存函数（survival),死亡力函数(cumulative hazard rate function）等信息。 1、样本分布函数 样本分布函数就是累积频率，其定义式为;例：设某医疗保险，规定免赔额为 50 元，随机抽取了 10 个理赔事件，赔偿额分别为;;;;;;;;;;;;;;;;;;;例：现要根据5个人来研究从患病到死亡时间的估计，这5个人的死亡时间如下： 2 3 3 3 7 使用带宽为2的三角核估计在2.5时的密度函数值。 (A) 8/40 (B) 12/40 (C) 14/40 (D) 16/40 (E) 17/40;;与此类似，观察值为3的点同样是0.375。 ?每个三角的高度根据其经验概率进行加权。 因此在2.5的估计值为 (1/5)(3/8) + (3/5)(3/8) + (1/5)(0) = 12/40.;6.3 分组数据的经验模型;;;;;;;;;;;;;;;;;;6.4 非完整数据的经验模型;;;;;例如： 第4份保单，第一次观测的时间是签署保单后，第二次观测时间是签署保单后0.8年，状态死亡d。其存活时间为0.8。 第31份保单，第一次观测的时间是签署保单后0.3年（truncated），第二次观测时间是签署保单后5年，状态是期满e。其存活时间大于等于5。 第35份保单，第一次观测的时间是签署保单后2.1年，第二次观??时间是签署保单后3.9年，状态是退保s (censored)。其存活时间未知但大于3.9。;;;;;;;;;;;;;;;?;;;;;;;;;;;例： 一个赔款支付时间的研究，已知： (i) 数据不存在截断或者删失。 (ii) 1次最多支付1次赔款。 (iii)在第二次支付赔款后的累积危险率函数H(t)的Nelson-Aalen估计为23/132. 求第四次支付赔款后的累积危险率函数H(t)的Nelson-Aalen估计值。 (A) 0.35 (B) 0.37 (C) 0.39 (D) 0.41 (E) 0.43;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;请问这样的答案是否有问题? ? 置信区间的上界为1.0077大于1，这个值是没有意义的。在小样本情形，直接运用正态近似，极有可能得到这样的结果。解决这个问题的方法是使用对数转换的置信区间(log-transformed confidence interval)进行估计。;;;;;;;;;;;;;在保险公司运营与制定养老计划中，通常使用大量的寿险保单数据来构造生命表，估计死亡概率和退保率。这些数据通常为非完整数据，即在某一确定观察期内，有的对象从观察期初期开始观察，有的从期中开始（中途加入）；有的在期中活着退出观察，有的生存到观察期末，有的在观察期死亡。在这样的非完整样本数据集中，我们把观察期中活着离开的这种行为称为“退出”，把生存到观察期末的这种现象简称为“结束”。;这种情况下的随机事件是“退出”与“死亡。”当样本量很大的时候，如果使用Kaplan-Meier估计方法，必须进行大量的数据排序和计算工作，但是从结果看，如此繁杂的工作是不必要的。 比如在生命表的估计中，我们只需要计算整数年龄的函数值，而不需要知道每个观测值处的生存函数。因此，可以采用近似的方法进行估计。 ;?;;式（1）被称为死亡率的确切法计算公式。但在早期的精算研究中，统计估计理论还不成熟，也没有出现任何机械或电子计算工具，人们只是简单保存记录，用精算暴露数来近似确切暴露数，采用式（2）来估计死亡率