基于Pair--Copula回归模型的联合估计研究.pdf

摘要

随着大数据时代下数据规模不断增大、其维度不断提升，变量间的关系变得

愈发难以描述，我们需要更加精细化的模型对行业数据进行分析和预测工作。因

此研究在统计分析中如何更好地精准刻画多维变量间的复杂依赖关系，对优化金

融市场的股票数据预测及保险领域中的费率厘定和风险评估具有重要意义。本文

就是基于Pair-Copula回归模型这一主题进行了联合估计和改进方法的研究，并将

该方法应用于保险理赔数据集中进行检验。

推导，并对Pair-Copula回归模型的估计方法进行介绍，考虑到自变量参数估计和

相关结构的参数估计间的存在相关性，结合算法需要提出了分步建模估计法。其

次在分步建模估计法的思路下对Pair-Copula基础回归结构的参数估计使用极大

似然估计方法进行了推导。并在基础回归模型的上，考虑高维自变量情况下对变

量解释效果和模型简洁性等问题，选用Lasso和自适应Lasso两种特征选择方法，

将其与Pair-Copula回归模型的估计研究相结合，进行下一步改进模型的参数估计

推导。同时为了考虑在模型预测效果时的稳定可靠性，模型还将使用Bootstrap法

对数据集进行重复抽样以获取更稳定的模型评估指标。

在实证分析部分，本文使用保险索赔网络数据集中以往索赔金额、索赔频率

和索赔强度作为因变量，对由Lasso和自适应Lasso结合后的两种模型进行了参

数估计。实证结果分析表明了本文提出的Pair-Copula联合估计算法在模型拟合和

预测准确性上都有着效果提升。通过分别使用边际推断函数估计法和分步建模估

计法对基础回归模型进行拟合，模型结果显示分步建模估计法较于边际推断函数

估计法在建模准确性上有着提升，符合做模型假设时的预期构想。同时参数估计

结果显示了相较于未引入特征选择方法的模型，Lasso和自适应Lasso方法提升

Pair-Copula回归模型的拟合效果，并且可以更直观地明确影响因变量变动的因素，

帮助在风险管理时针对性地进行管控。此外，在传统研究索赔频率和索赔强度相

关性建模的基础上，通过将以往索赔金额这一变量作为内生性变量加入相关性建

模研究，发现以往索赔金额与该两个变量均具有正向相关性，并且条件分布下的

索赔频率和索赔强度的预测准确度相较于原始模型均有所提升。

本文创新性地选取了分步建模估计法对Pair-Copula回归模型进行了参数估

计，并在考虑了高维自变量情景下引入了Lasso等特征选择方法对模型进行改进，

是对复杂依赖结构下的高维回归模型的有利研究探索，也为保险公司等机构对于

具有内生影响的变量预测方法提供了全新思路。

关键词：风险相依性；Pair-Copula回归；特征选择；内生变量

ABSTRACT

Intheeraofthecontinuousindatavolumeand

data，withdimensions，

biggrowth

theareto

betweenvariablesdifficultdescribe．This

relationshipsbecomingincreasingly

necessitatesmorerefinedmodelsforanddata．Therefore，

analyzingpredictingindustry

thereisaneedformorerefinedmodelstOandindustry

analyzepredictdata．Studying

howtomorethebetweenmultidimensional

accuratelycapturecomplexdependencies

variablesinstatisticalisoffor