广义线性模型在精算中的应用.docxVIP

广义线性模型在精算中的应用 一、 广义线性模型 1972年，nelder延续了经典的线性回归模型，建立了统一的理论和计算框架，对回归模型在统计上的应用产生了重要影响。这种新的统计模型称作广义线性模型(generalized linear models 简称GLM)。张尧庭在与经典线性模型对比的基础上,对广义线性模型本质特征进行了描述;陈希孺对多元广义线性模型进行了系统的介绍。近年来,广义线性模型在理论和应用上得到了快速的发展,在模型的拓展、参数估计方法以及模型的检验和诊断等方面不断趋于成熟。中国学者在广义线性模型参数估计的相合性、收敛速度、模型的诊断等方面得到了不少优秀成果。用于GLM的计算软件也相继问世,目前除了由NAG(Numerical Algorithams Group)研发的专用程序GLIM (Generalized Linear Interactive Modelling)外,SAS和S-Plus统计软件中的Genmod模块也被广泛使用,在统计软件R和Xplore中,也有相应的计算模块。得益于应用软件的推广,广义线性模型在医学、农业、交通运输,产品试验以及经济、金融等方面得到了广泛的应用。近年来,又出现了广义线性混合模型、半参数广义线性模型、广义非线性模型等拓展模型。 广义线性模型在精算中的应用起始于20世纪80年代。其应用涉及到精算学的各个领域,如生命表的修匀、损失分布、信度理论、风险分类、准备金和费率估计等方面。广义线性模型的建立,极大地推动了以统计方法为基石的精算学的发展。经典的线性回归模型,都是建立在对称分布的基础上,以常值方差为假设。但在精算实践中,所采集的数据往往显示出非常值方差的趋势,用于描述索赔额等变量的分布通常具有厚重的右尾,反应变量不再局限于对解释变量的线性依赖。在许多情况下,经典线性回归模型不再适宜作为精算统计模型。而广义线性模型的出现,为精算学的发展提供了有力的工具。 Haberman分六个方面,对广义线性模型在保险精算中的应用作了详细的论述。 二、 大型线性模型与非保险计算 (一) 经典线性模型中,小的分布和能量体现 1.在经典线性模型中,假定反应变量是服从正态分布的连续变量,但这一假定在应用中可能是不成立的。如索赔次数是离散变量,索赔额大小的分布往往是右偏的。 2.经典线性模型中,假定各数据点的方差是相等的,但在实际应用中这一假定会遭到破坏。如索赔次数的方差可能随其期望值的增大而增大。 3.在非寿险中,损失事件发生的概率是0和1之间的数,若将此变量作为反应变量,如果再简单地将概率表示为解释变量的线性组合是不合适的,因为该线性组合的取值可以是(-∞,+∞)中的任何值。 4.反应变量与解释变量间的关系不再是线性的。 (二) 基于广义线性模型的非参保估计 广义线性模型包容了应用非常广泛的logistic模型和对数线性模型。与经典线性模型相比,广义线性模型具有如下特点: 1.反应变量不再局限于正态分布,而被扩展到具有散布参数的单参数指数型分布,包括正态分布、Poisson分布、Gamma分布、逆Gauss分布和二项分布以及Tweedie类复合Poisson分布等。 2.反应变量的期望值表示为线性预测量的函数,该函数称为联系函数(link function)。 3.不要求方差为常数,方差可以是均值的函数。 4.参数的估计与分布的具体形式无关,只要知道反应变量的一、二阶矩即可。 广义线性模型将经典线性模型中反应变量的正态假设放宽为具有散布参数的指数型分布,这大大扩展了其在非寿险精算中的应用。使用该分布假设,既可对连续型变量进行拟合,也可对离散型变量进行拟合;既可对对称型变量进行拟合,也可对分布具有较大偏度的变量进行拟合;对非寿险精算中的常用变量,如索赔次数、损失额度、损失率、损失频率等都可以建立广义线性模型进行拟合并进行预测和估计。通过联系函数将反应变量和解释变量之间的关系设定为非线性关系,这不仅为拟合属性变量和取值为特定区间(如事件发生的概率)的变量提供了可能,同时也更加符合保险精算中反应变量与其影响因素之间的更为复杂的非线性关系,从而克服了经典线性模型应用上的局限性。总之,广义线性模型作为线性模型的拓展,其良好的特性决定了其在非寿险学中应用的广泛性。 三、 非险险率厘定的相关研究 费率厘定是广义线性模型在非寿险精算中应用最为活跃的领域。将广义线性模型用于非寿险费率厘定的研究始于20世纪70年代。用GLM估计保险费率,一般从两个方面建立模型: (一) 索赔频率估计模型 设u≡(i1,i2,…)表示根据各费率因子的不同水平组合而成的特定费率单元,(u,nu,eu)表示u单元的基本情况,eu表示该单元的潜在风险单位(exposure),nu表示该单元中的索赔次数。设muk为单元中的第k个风险单位的索