Multivariate Bühlmann-Straub credibility model for claim reserving
Notice bibliographique
Résumé
Abstract One of the approaches that is used for claim reserving in insurance companies is credibility theory, which allows claim reserving by combining claim payment data with other information. In this paper, the Bühlmann-Straub credibility model is used. Furthermore, in general, claim reserving in a company is done by calculating the claim reserve in each line of business (LoB) in the company, then the total claim reserve for the company (aggregate reserve) is obtained by adding up the claim reserve in each LoB. Considering the possibility that there is correlation between the existing LoBs, the value of aggregate reserve can actually be less than the sum of the claim reserve in each of the existing LoB. Therefore, research on the claim reserving then evolves by considering claim payment data from various LoBs in a company, or also called claim reserving in multivariate context. In this paper, a research is conducted on the development of multivariate Bühlmann-Straub credibility model for claim reserving along with estimation for model’s parameters. The model is used to calculate claim reserve for three LoBs of insurance company in United State, based on the data of claim amount during the period of 2008-2017 that was published by Association of Insurance Commisioners of the United State. It appears that the error of multivariate Bühlmann-Straub credibility model is lower than the error of standard Bühlmann-Straub credibility model.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».