Regulator's Determination of Return on Equity in the Absence of Public Firms: The Case of Automobile Insurance in Ontario
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract In a regulated market, such as automobile insurance (AI), regulators set the return on equity that insurers are allowed to achieve. Most insurers are engaged in a variety of insurance lines of business, and thus the full information beta methodology (FIB) is commonly employed to estimate the AI beta. The FIB uses two steps: first, the beta of each insurer is estimated, and then the beta of each line of business is estimated, as the beta of an insurer is a weighted average of the betas of the lines of business. When there are a sufficient number of public companies, company and market returns are used. Otherwise, researchers have resorted to using accounting data in the FIB. Theoretically, the two steps are not separable and the estimation should be done with one step. We introduce the one‐step methodology in our article. The one‐step and two‐step methodologies are compared empirically for the Ontario market of AI. Insurers in Ontario are predominantly private companies; thus, accounting data are used to estimate the AI beta. We show that a significant bias is introduced by the traditional, two‐step FIB methodology in estimating the betas for different lines of business, while insurers’ betas are very similar under both methods. This has a significant application to the estimation of betas of “pure players” in classic corporate finance. It implies that their betas and hence the resulting, required rates of return used in the net present value calculations should be estimated based on the one‐step method that we develop in this article.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle