[論文レビュー] Negative binomial models for development triangles of counts

Luis E. Nieto‐Barajas, Rodrigo S. Targino|arXiv (Cornell University)|Jan 9, 2026

Probability and Risk Models被引用数 0

ひとこと要約

論文は、クレーム数のランオフ三角を対象にネガティブ二項モデルを提案し、移動平均潜在構造による開発年間の依存性を導入し、シミュレーション研究と実データ応用を伴うベイズ推論を提供します。

ABSTRACT

Prediction of outstanding claims has been done via nonparametric models (chain ladder), semiparametric models (overdispersed poisson) or fully parametric models. In this paper, we propose models based on negative binomial distributions for the prediction of outstanding number of claims, which are particularly useful to account for overdispersion. We first assume independence of random variables and introduce appropriate notation. Later, we generalise the model to account for dependence across development years. In both cases, the marginal distributions are negative binomials. We study the properties of the models and carry out bayesian inference. We illustrate the performance of the models with simulated and real datasets.

研究の動機と目的

• IBNR件数のクレーム保全を動機づけ、独立Poisson/NB設定を超える拡張を目指す。
• 開発年間の移動平均依存性を持つNB開発三角形モデルを提案する。
• データ拡張とMCMCを用いたベイズ推定フレームワークを開発する。
• シミュレーションデータと実際の保険データセットでモデル性能を評価する。
• 依存モデルと独立なベンチマークおよびチェーン・ラダー予測とを比較する。

提案手法

• 行ごとの総計をα_i、開発年別の割合をπ_jとする NB(α_i, 1/(1+π_j)) の周辺分布を用いる。
• 潜在変数ZおよびYを用いた移動平均構造による依存系列を導入する（q階）、X_{i,j} は周辺NB(α_i, 1/(1+π_j))。
• 条件付き分布と自己共分散を導出し、Corr(X_{i,j}, X_{i,j+k}) を γ_i,j と π_j の関数として示す。
• 事前分布として α_i ~ Geo(p_α)、γ_j ~ Ga(a_γ,b_γ)、π ~ Dir(a) を設定し、潜在変数Z,Yで尤度を拡張し、GibbsサンプリングとMetropolis-Hastings法を用いる。
• LPML、BIAS、PVAR でモデル適合を評価し、ランダムウォーク提案とチューニングを用いた30%の受容率でMCMCを実行する。
• シミュレーションデータと実データ（一般保険および自動車）に適用し、依存の次元qを選択し、チェーン・ラダーと比較する。

Figure 2 : Simulated data. Posterior estimates of parameters: $\alpha_{i}$ , $i=1,\ldots,n$ (left) and $\pi_{j}$ , $j=1,\ldots,n$ (right) with $n=10$ . True value (dots) and 95% CI (lines).

実験結果

リサーチクエスチョン

• RQ1 開発年間に依存性を持つネガティブ二項のランオフ・トライアングルモデルは、過分散とトライアングル内相関を捉えられるか。
• RQ2 依存次数qと強さパラメータγはモデル適合と準備金予測にどのような影響を与えるか。
• RQ3 開発年依存性を取り入れると、独立性やチェーン・ラダーと比較して予測精度が向上し、準備金の過大見積りを減らせるか。
• RQ4 異なるデータセットでα_i、π_j、γ_jの事後推定にどのような影響があるか。

主な発見

• 依存モデルは周辺分布 NB のままを保ちつつ、qとγ_jを通じて年跨りの依存性を導入する。
• 開発年間の自己相関は正で、γとπによって制御され、依存が強く、ラグが小さいほど増加する。
• シミュレーションではLPML、BIAS、PVARが真の次数qを正しく識別（例：本研究でq=2）。
• 一般保険データではLPMLとPVARが依存モデル（q=1）を支持する一方、BIASは独立性（q=0）を支持する場合がある；とはいえ、依存モデルは事後要約を変える。
• 依存モデル下の予測は観測された開発パターンと整合し、チェーン・ラダーよりも狭く・あるいは移動した準備金推定を生み出すことがあり、過大評価を避けられる場合がある。
• 自動車データ全体では最適適合モデルはq=1を好み、個別のN_iおよび総Nの事後予測は妥当な区間を提供し、場合によってはチェーン・ラダーよりも狭いことがある。

Figure 3 : Simulated data. Left: posterior estimates for parameters $\gamma_{j}$ , $j=1,\ldots,n$ with $n=10$ . True value (dots) and 95% CI (lines). Right: boxplots of posterior predicted aggregated number of claims $N_{i}$ , for $i=2,\ldots,n$ .