Modélisation de la réserve avec modèles linéaires généralisés pondérés par la réciproque de la probabilité de censure
Bibliographic record
Abstract
Le provisionnement est une des fonctions principales d’un assureur et la réserve qui en résulte constitue une dette importante pour celui-ci. Afin d’assurer la solvabilité de la compagnie, l’assureur emploie des actuaires pour calculer cette réserve. Selon la granularité des données, les méthodes de calcul de la réserve se divisent en deux approches : les modèles collectifs et les modèles individuels. Les modèles individuels sont rarement utilisés et de manière générale ne tiennent pas compte du mécanisme de censure observé parmi les réclamations ouvertes au moment du calcul de la réserve. Dans une série d’articles (Lopez et al., 2016), (Lopez et al., 2019) et (Lopez et Milhaud, 2021), des modèles individuels qui utilisent des arbres de régression sont proposés afin de prédire la réserve individuelle pour chaque réclamation ouverte. Des modèles linéaires généralisés pondérés qui prennent en compte le mécanisme de censure sont proposés dans ce mémoire. Les fonctions de vraisemblance sont calculées afin d’assurer des propriétés asymptotiques désirables. Les modèles collectifs et les modèles individuels proposés sont analysés avec des données réelles fournies par un grand assureur canadien. _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : Réserves individuelles, Réserve RBNS, Modèles linéaires généralisés, Modèles linéaires généralisés pondérés, Arbres de régression, Arbres de régression pondérés, IPCW, Kaplan-Meier, Modèles individuels, Assurance IARD
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.003 | 0.001 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.011 | 0.001 |
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 source (direct Gemma or distilled Codex), 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".