Crédibilité linéaire bivariée utilisant le nombre de périodes avec réclamations : modèles de Poisson, modèles à barrière et modèles gonflés à zéro
Bibliographic record
Abstract
Dans certaines situations, il est bien connu que la crédibilité linéaire univariée est trop restrictive et ne modélise pas bien les primes prédictives. Récemment, Boucher, Denuit et Guillén (2006a, 2006b) ont proposé diverses généralisations du modèle de Poisson gonflé à zéro et du modèle à barrière. Pour ces modèles, les auteurs ont montré que la distribution prédictive du nombre de réclamations annuelles ne dépend pas seulement du nombre de réclamations passées, mais aussi du nombre de périodes au cours desquelles l’assuré a fait une réclamation. Nous utilisons la théorie de la crédibilité bivariée afin d’estimer la prime future en fonction de plusieurs prédicteurs afin de comparer l’ajustement des primes de crédibilité linéaire bivariées aux primes exactes des nouveaux modèles. Nous montrons que l’ajustement pour les modèles gonflés à zéro est satisfaisant alors que celui des modèles à barrière génère des erreurs d’approximation majeures, probablement dues au fait que le modèle de crédibilité linéaire classique néglige la dépendance des effets aléatoires.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.002 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".