GAMLSS for Longitudinal Multivariate Claim Count Models
Notice bibliographique
Résumé
By generalizing traditional regression frameworks, generalized additive models for location, scale, and shape (GAMLSSs) allow parametric or semiparametric modeling of one or more parameters of distributions that are not members of the linear exponential family. Consequently, these GAMLSS approaches offer an interesting theoretical framework to allow the use of several potentially helpful distributions in actuarial science. GAMLSS theory is coupled with longitudinal approaches for counting data because these approaches are essential to predictive pricing models. Indeed, they are mainly known for modeling the dependence between the number of claims from the contracts of the same insured over time. Considering that the models’ cross-sectional counterparts have been successfully applied in actuarial work and the importance of longitudinal models, we show that the proposed approach allows one to quickly implement multivariate longitudinal models with nonparametric terms for ratemaking. This semiparametric modeling is illustrated using a dataset from a major insurance company in Canada. An analysis is then conducted on the improvement of predictive power that the use of historical data and nonparametric terms in the modeling allows. In addition, we found that the weight of past experience in bonus–malus predictive premiums analysis is reduced in comparison with a parametric model and that this method could help for continuous covariate segmentation. Our approach differs from previous studies because it does not use any simplifying assumptions as to the value of the a priori explanatory variables and because we have carried out a predictive pricing integrating nonparametric terms within the framework of the GAMLSS in an explicit way, which makes it possible to reproduce the same type of study using other distributions.
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 | 0,010 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,003 |
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 ».