[논문 리뷰] Negative binomial models for development triangles of counts

Luis E. Nieto‐Barajas, Rodrigo S. Targino|arXiv (Cornell University)|2026. 01. 09.

Probability and Risk Models인용 수 0

한 줄 요약

본 논문은 청구 건수의 런오프 삼각형에 대해 음이항 모델을 제안하고, 이동평균 잠재구조를 통해 개발 연도 간 의존성을 도입하며, 시뮬레이션 연구와 실제 데이터 적용을 통한 베이지안 추론을 제공합니다.

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.

연구 동기 및 목표

• IBNR 건수에 대한 청구 예비비 책정의 필요성을 제시하고 독립적 포아송/ NB 구성에서 벗어나 확장한다.
• 이동평균 의존성을 갖는 개발 연도 간 NB 개발 삼각형 모델을 제안한다.
• 데이터 증강과 MCMC를 이용한 베이지안 추론 프레임워크를 개발한다.
• 시뮬레이션 및 실제 보험 데이터 집합에서 모델 성능을 평가한다.
• 의존성 모델을 독립 벤치마크 및 체인래더 예측과 비교한다.

제안 방법

• 행 합계가 α_i이고 개발 연도 비율이 π_j인 NB(α_i, 1/(1+π_j)) 주변 분포를 사용한다.
• 숨겨진 Z와 Y를 통한 q차 이동평균 구조의 의존성 순서를 도입한다; X_{i,j}는 주변적으로 NB(α_i, 1/(1+π_j))이다.
• 조건분포와 자기공분산을 도출하고, Corr(X_{i,j}, X_{i,j+k})를 γ_i,j와 π_j의 함수로 나타낸다.
• 사전분포 α_i ~ Geo(p_α), γ_j ~ Ga(a_γ,b_γ), π ~ Dir(a)로 베이지안 프레임워크를 확립하고, 잠재 변수 Z,Y로 가능도 증강하며 Metropolis-Hastings 단계와 함께 Gibbs 샘플링을 사용한다.
• LPML, BIAS, PVAR로 모델 적합도를 평가하고, 수렴을 위한 임의 보행 제안과 조정을 통해 30% 수락율로 MCMC를 구현한다.
• 시뮬레이션 데이터와 실제 데이터 세트(일반 보험 및 자동차)에 적용하여 의존성 차수 q를 선택하고 체인래더와의 비교를 수행한다.

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).

실험 결과

연구 질문

• RQ1 개발 연도 간 의존성을 갖는 음이항 런오프 삼각형 모델이 과분산 및 삼각형 내 상관관계를 포착할 수 있는가?
• RQ2 의존 차수 q와 강도 매개변수 γ가 모델 적합도와 준비금 예측에 어떤 영향을 미치는가?
• RQ3 개발 연도 의존성의 도입이 독립 또는 체인래더와 비교하여 예측 정확도를 향상시키고 준비금 과대추정을 줄이는가?
• RQ4 다양한 데이터셋에서 α_i, π_j, γ_j의 사후 추정에 모델이 미치는 영향은 무엇인가?

주요 결과

• 의존성 모델은 주변적으로 NB를 유지하되 q와 γ_j를 통해 연도 간 의존성을 도입한다.
• 개발 연도 간 자기상관은 양수이며 γ와 π에 의해 제어되며 의존성이 강하고 시차가 작아질수록 증가한다.
• 시뮬레이션에서 LPML, BIAS, PVAR가 실제 차수 q를 정확히 식별한다(예: 본 연구에서 q=2).
• 일반 보험 데이터에서 LPML와 PVAR는 의존 모델(q=1)을 선호하는 반면 BIAS는 독립(q=0)을 선호할 수 있다. 그럼에도 의존 모델은 사후 요약에 변화를 준다.
• 의존 모델하의 예측은 관찰된 개발 패턴과 일치하며 체인래더보다 좁아지거나 이동된 준비금 추정치를 생성할 수 있어 일부 경우에 과대추정을 피한다.
• 자동차 데이터에서 최적 적합 모델은 q=1을 선호하며 개별 N_i와 총N에 대한 사후 예측은 신뢰구간이 타당하고 때로는 체인래더보다 더 촘촘하다.

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 $i=2,\ldots,n$ .