多元有序 Logistic 模型在车险索赔次数预测中的应用

新一轮商业车险综合改革对车险的精准定价提出了更高的要求,预测索赔次数是定价中非常重要的一环。泊松分布等计数分布所对应的零膨胀回归模型是常用的预测模型,现有研究主要集中于在此基础上发展出的零膨胀混合泊松模型。但是,混合泊松模型存在混合个数的确定太过主观和模型参数难以直观解释的缺点。为此,本文避免了对计数分布的讨论,将索赔次数作为分类变量,建立了多元有序Logistic回归模型。使用一组2017年的车险索赔数据进行实证分析,表明该模型的预测结果优于现有的零膨胀模型,并且有效提升了尾部概率估计的准确性。本文所讨论的多元有序Logistic回归模型为车险索赔次数预测提供了新思路,并且该模型拥有较强的解释性和灵活性。

过度离散型数据的统计模拟与分析

针对车险索赔次数数据经常出现的过度离散问题,采用数值模拟的方法,分别使用泊松模型(Poisson)、负二项回归模型(NB)以及广义泊松模型(GP)对不同程度的过度离散车险索赔次数数据进行拟合,并用均方误差、偏差以及AIC和BIC准则对Poisson、NB、GP三种模型的优良性进行比较分析,得到了不同条件下三种模型的优良性,并针对不同的条件给出了模型选择的建议.