Giới thiệu về phân bổ tổn thất
Một minh họa về lựa chọn phân phối, ước tính tham số và kiểm tra mức độ phù hợp
Trong quá trình kinh doanh thông thường, một công ty bảo hiểm nói chung sẽ nhận được các yêu cầu bồi thường rất có thể ở nhiều mức độ khác nhau. Công ty bảo hiểm sẽ cần hiểu việc phân phối các yêu cầu này cho các chức năng bao gồm định giá và đặt trước. Trên thực tế, việc phân bổ các yêu cầu bồi thường cơ bản thực sự khó có thể được biết đến và thay vào đó, công ty bảo hiểm sẽ phải sử dụng dữ liệu có sẵn để ước lượng phân bổ này. Phần tiếp theo là hướng dẫn từ đầu đến cuối của quá trình đó, cả bằng tay và với sự trợ giúp của tính toán thống kê trong R.
Phân phối tổn thất được định nghĩa là phân phối thống kê được sử dụng để mô hình hóa số tiền yêu cầu cá nhân. Có rất nhiều phân phối thống kê có thể được sử dụng cho mục đích này. Trong thực tế, các phân phối sai lệch tích cực đuôi dài thường mang lại sự phù hợp nhất cho các yêu cầu bảo hiểm chung. Giả sử chúng ta đã quan sát trải nghiệm yêu cầu bồi thường xe cơ giới của một công ty bảo hiểm tổng quát, được tóm tắt bằng biểu đồ và bảng bên dưới, và muốn điều chỉnh phân bổ tổn thất cho dữ liệu này.
Bước đầu tiên là chọn một bản phân phối thích hợp hoặc một tập hợp các bản phân phối. Để đơn giản, chúng tôi sẽ sử dụng phân phối tổn thất đơn giản chỉ với một tham số - phân phối hàm mũ. Nhớ lại rằng đối với phân phối mũ, hàm mật độ xác suất (pdf), hàm mật độ tích lũy (cdf) và thời điểm đầu tiên được xác định như sau:
Bước thứ hai là ước tính (các) tham số cho (các) phân phối đã chọn — tức là khớp với (các) phân phối . Chúng tôi có ba cách tiếp cận để ước tính tham số lambda, tất cả đều có thể dễ dàng mở rộng để ước tính tham số cho phân phối phức tạp hơn. Đầu tiên là phương pháp khoảnh khắc. Theo cách tiếp cận này, chúng tôi cân bằng thời điểm lý thuyết đầu tiên của phân phối hàm mũ với thời điểm mẫu đầu tiên — tức là giá trị trung bình quan sát được trong dữ liệu mẫu. Đối với các bản phân phối có nhiều hơn một tham số, các khoảnh khắc bậc cao hơn sẽ được sử dụng theo cùng một kiểu.
Cách tiếp cận tiếp theo là ước tính khả năng tối đa. Ở đây, ước tính của lambda là giá trị tối đa hóa xác suất quan sát dữ liệu được quan sát. Xác suất này được biểu thị bằng, đối với một giá trị lambda nhất định, hàm khả năng. Trong thực tế, thường đơn giản hơn (và mang lại cùng ước tính) để tối đa hóa logarit của hàm khả năng. Như thường lệ, việc tối đa hóa chức năng yêu cầu phân biệt khả năng ghi nhật ký đối với lambda, đặt biểu thức kết quả bằng 0 và giải quyết lambda. Đối với các bản phân phối có nhiều tham số hơn, phương pháp được mở rộng bằng cách thực hiện theo các bước tương tự (lấy vi phân, bằng 0, giải) cho từng tham số.
Phương pháp cuối cùng là phương pháp phân vị. Cách tiếp cận này tương tự như phương pháp tiếp cận khoảnh khắc với điểm khác biệt là thay vì đánh đồng khoảnh khắc, chúng ta đánh đồng phần trăm. Cụ thể hơn, chúng tôi đánh đồng trung bình lý thuyết của phân phối với trung vị mẫu. Đối với các bản phân phối có nhiều hơn một tham số, chúng tôi sẽ cần sử dụng các phần trăm khác. Ví dụ: đối với phân phối hai tham số, chúng tôi có thể chọn sử dụng các phần tư trên và dưới.
Trong R, ba ước tính của lambda có thể được tính toán dễ dàng trong một vài dòng sử dụng cùng một logic như trên:
x_bar = sum_xi/N
lambda_mme = 1/x_bar
lambda_mle = 1/x_bar
lambda_mpe = -log(0.5)/median_xi
Trong trường hợp cụ thể của chúng tôi, chúng tôi đang kiểm tra giả thuyết không cho rằng số tiền yêu cầu được phân phối theo cấp số nhân so với giả thuyết thay thế rằng số tiền yêu cầu không được phân phối theo cấp số nhân. Vì tham số lambda được ước tính từ dữ liệu nên chúng tôi mất thêm một bậc tự do — tức là một bậc tự do bị mất cho mỗi tham số được ước tính từ dữ liệu.
Chúng tôi bắt đầu bằng cách chọn 10 nhóm, mỗi nhóm có kích thước 1000. Các nhóm đại diện cho phạm vi hoặc khoảng thời gian cho số tiền yêu cầu, tức là (0; 1000], (1000; 2000], … (9000; 10000). Đối với số tiền quan sát được, chúng tôi chỉ cần đếm số lượng xác nhận quyền sở hữu được quan sát rơi vào mỗi khoảng. Trong R, điều này đạt được bằng cách chỉ định các nhóm của chúng tôi (trong biến số lần ngắt ), sử dụng hàm cắt để phân bổ từng xác nhận quyền sở hữu được quan sát vào nhóm thích hợp và sử dụng hàm table để đếm số lượng yêu cầu trong mỗi nhóm.
breaks = seq(from = 0, to = 10000, by = 1000)
intervals = cut(loss_data, breaks = breaks)
observed_counts = as.numeric(table(intervals))
intervals_text <- str_replace_all(levels(intervals), "[()\\[\\]]", "")
interval_ranges <- lapply(intervals_text, function(x) c(as.numeric(strsplit(x, ",")[[1]])))
expected_counts_mme = c()
for (i in 1:length(interval_ranges)){
expected_counts_mme[i] = length(loss_data)*(pexp(interval_ranges[[i]][2], rate = lambda_mme) - pexp(interval_ranges[[i]][1], rate = lambda_mme))
}
test_stat_mle = sum((observed_counts-expected_counts_mle)^2/expected_counts_mle)
p_value_mle = pchisq(test_stat_mle, df = length(observed_counts)-2, lower.tail = FALSE)
Có thể tìm thấy kho lưu trữ mã R để tái tạo biểu đồ và phép tính tại đây:https://github.com/ValentineChisango/A212-CS2

![Dù sao thì một danh sách được liên kết là gì? [Phần 1]](https://post.nghiatu.com/assets/images/m/max/724/1*Xokk6XOjWyIGCBujkJsCzQ.jpeg)



































