WikiDer > Теория достоверности

Эта статья может быть слишком техническим для большинства читателей, чтобы понять. Пожалуйста помогите улучшить это к сделать понятным для неспециалистов, не снимая технических деталей. (Январь 2012 г.) (Узнайте, как и когда удалить этот шаблон сообщения)

Теория достоверности это форма статистического вывода, используемая для прогнозирования неопределенного будущего события, разработанная Томас Байес. Его можно использовать, когда у вас есть несколько оценок будущего события, и вы хотите объединить эти оценки таким образом, чтобы получить более точную и актуальную оценку. Обычно это используется актуарии работа в страховых компаниях при определении размера премии. Например, в групповое медицинское страхование страховщик заинтересован в расчете премии за риск, ${displaystyle RP}$, (то есть теоретическая ожидаемая сумма требований) для конкретного работодателя в наступающем году. Страховщик, вероятно, будет иметь оценку исторического опыта общих требований, ${displaystyle x}$, а также более конкретную оценку для рассматриваемого работодателя, ${displaystyle y}$. Присваивая фактор достоверности, ${displaystyle z}$, к общему опыту урегулирования убытков (и взаимному опыту работодателя) позволяет страховщику получить более точную оценку премии за риск следующим образом:

Фактор достоверности выводится путем расчета оценка максимального правдоподобия что минимизирует погрешность оценки. Предполагая, что дисперсия ${displaystyle x}$ и ${displaystyle y}$ - известные величины, принимающие значения ${displaystyle u}$ и ${displaystyle v}$ соответственно, можно показать, что ${displaystyle z}$ должно быть равно:

Следовательно, чем больше неопределенности в оценке, тем ниже ее достоверность.

Типы достоверности

В байесовском праве мы разделяем каждый класс (B) и присваиваем им вероятность (вероятность B). Затем мы выясняем, насколько вероятно, что наш опыт (A) соответствует каждому классу (вероятность A для данного B). Затем мы выясняем, насколько вероятно, что наш опыт был для всех классов (вероятность A). Наконец, мы можем найти вероятность нашего класса с учетом нашего опыта. Итак, возвращаясь к каждому классу, мы взвешиваем каждую статистику с вероятностью конкретного класса с учетом опыта.

Доверие к Бюльманну основывается на анализе дисперсии среди населения. Более конкретно, он пытается увидеть, какая часть общей дисперсии приписывается дисперсии ожидаемых значений каждого класса (дисперсия гипотетического среднего), а какая - ожидаемой дисперсии по всем классам (ожидаемое значение Дисперсия процесса). Допустим, у нас есть баскетбольная команда, набирающая много очков за игру. Иногда они получают 128, а иногда 130, но всегда одно из двух. По сравнению со всеми баскетбольными командами это относительно невысокая дисперсия, что означает, что они очень мало влияют на ожидаемую ценность дисперсии процесса. Кроме того, их необычно высокое количество очков значительно увеличивает дисперсию населения, а это означает, что, если лига выгнала их, у них будет гораздо более предсказуемая сумма очков для каждой команды (меньшая дисперсия). Итак, эта команда определенно уникальна (они вносят большой вклад в дисперсию гипотетического среднего). Так что мы можем оценить опыт этой команды с довольно высоким доверием. Они часто / всегда набирают много очков (низкое ожидаемое значение отклонения от процесса), и не многие команды набирают столько же, сколько они (высокая дисперсия гипотетического среднего).

Простой пример

Предположим, в коробке две монеты. У одной с обеих сторон орла, а у другой - обычная монета с вероятностью выпадения орла или решки 50:50. Вам нужно сделать ставку на результат после того, как он будет случайно выбран и перевернут.

Вероятность выпадения орла составляет 0,5 * 1 + 0,5 * 0,5 = 0,75. Это потому, что есть шанс 0,5 выбрать монету, состоящую только из орла, с вероятностью 100% и шанс 0,5 для справедливой монеты с вероятностью 50%.

Теперь эта же монета используется повторно, и вас снова просят сделать ставку на результат.

Если первый бросок был решкой, есть 100% шанс, что вы имеете дело с честной монетой, поэтому при следующем броске вероятность выпадения орла составляет 50%, а вероятность выпадения решки - 50%.

Если первый бросок выпадал орлом, мы должны вычислить условную вероятность того, что выбранная монета была только орлом, а также условную вероятность того, что монета была честной, после чего мы можем вычислить условную вероятность выпадения орла при следующем подбрасывании. Вероятность того, что он выпал из монетки, состоящей только из орла, с учетом того, что первым подбрасыванием орла был орел, равна вероятности выбора монетки с одним орлом, умноженной на вероятность выпадения орла для этой монеты, деленную на начальную вероятность выпадения орла при первом подбрасывании, или. 5 * 1 / 0,75 = 2/3. Вероятность того, что он выпал из честной монеты, с учетом того, что при первом подбрасывании орла выпадал орел, равна вероятности выбора справедливой монеты, умноженной на вероятность выпадения орла для этой монеты, деленную на начальную вероятность выпадения орла при первом подбрасывании, или 0,5 * 0,5 / 0,75 = 1/3. Наконец, условная вероятность выпадения орла при следующем подбрасывании с учетом того, что первым подбрасыванием выпала орла, является условная вероятность выпадения орла, умноженная на вероятность выпадения орла для монетки, состоящей только из орла, плюс условная вероятность справедливой монеты, умноженная на вероятность голов для честной монеты, или 2/3 * 1 + 1/3 * 0,5 = 5/6 ≈ 0,8333.

Актуарная достоверность

Актуарная достоверность описывает подход, используемый актуарии улучшить статистический оценки. Хотя подход может быть сформулирован как частотник или же Байесовский статистической настройке, последний часто предпочтительнее из-за простоты распознавания более чем одного источника случайности с помощью как «выборочной», так и «априорной» информации. В типичном приложении актуарий имеет оценку X на основе небольшого набора данных и оценку M на основе большего, но менее релевантного набора данных. Оценка достоверности - ZX + (1-Z) M,^[1] где Z - число от 0 до 1 (называемое «весом достоверности» или «фактором достоверности»), рассчитанное для уравновешивания ошибка выборки X на фоне возможной несоответствия (и, следовательно, ошибки моделирования) M.

Когда страхование Компания рассчитывает размер страховой премии и делит страхователей на группы. Например, водители могут быть разделены по возрасту, полу и типу автомобиля; молодой человек, ведущий быструю машину, считается высоким риском, а старуха, ведущая маленькую машину, считается низким риском. Разделение производится с учетом двух требований: риски в каждой группе достаточно схожи, а группа достаточно велика, чтобы значимая статистическая Для расчета страхового взноса можно провести анализ претензионного опыта. Этот компромисс означает, что ни одна из групп не содержит только идентичных рисков. Тогда проблема состоит в том, чтобы разработать способ объединения опыта группы с опытом индивидуального риска для лучшего расчета страховой премии. Теория достоверности дает решение этой проблемы.

За актуарии, важно знать теорию достоверности, чтобы рассчитать премию для группы договоры страхования. Цель состоит в том, чтобы создать систему оценки опыта для определения премии в следующем году, принимая во внимание не только индивидуальный опыт работы в группе, но и коллективный опыт.

Есть две крайние позиции. Один из них - взимать со всех одинаковую премию, рассчитанную на основе общего среднего ${displaystyle {overline {X}}}$ данных. Это имеет смысл только в том случае, если портфель однороден, что означает, что все ячейки рисков имеют одинаковые средние требования. Однако, если портфель неоднороден, не рекомендуется взимать премию таким образом (завышая плату за «хороших» людей и занижая плату за людей с «плохим» риском), поскольку «хорошие» риски унесут их бизнес в другое место, оставив страховщика только с «плохими» рисками. Это пример неблагоприятный отбор.

Другой способ - зарядить группу ${displaystyle j}$ собственные средние требования, будучи ${displaystyle {overline {X_ {j}}}}$ в качестве премии застрахованного. Эти методы используются, если портфель неоднороден при условии достаточно большого количества претензий. Чтобы скомпрометировать эти две крайние позиции, мы принимаем средневзвешенное из двух крайностей:

${displaystyle C = z_ {j} {overline {X_ {j}}} + (1-z_ {j}) {overline {X}},}$

${displaystyle z_ {j}}$ имеет следующий интуитивный смысл: он выражает, как "заслуживающий доверия" (приемлемость) индивидуум ячейки ${displaystyle j}$ является. Если он высокий, то используйте более высокий ${displaystyle z_ {j}}$ прикрепить больший вес к зарядке ${displaystyle {overline {X_ {j}}}}$, и в этом случае ${displaystyle z_ {j}}$ называется фактором доверия, и такая начисленная премия называется премией за доверие.

Если бы группа была полностью однородной, то было бы разумно установить ${displaystyle z_ {j} = 0}$, а если бы группа была полностью разнородной, то было бы разумно установить ${displaystyle z_ {j} = 1}$. Использование промежуточных значений разумно в той степени, в которой как индивидуальная, так и групповая история полезна для вывода будущего индивидуального поведения.

Например, у актуария есть исторические данные о несчастных случаях и заработной плате для обувной фабрики, предполагающие, что коэффициент несчастных случаев составляет 3,1 на миллион долларов заработной платы. У нее есть отраслевая статистика (основанная на всех обувных фабриках), согласно которой уровень несчастных случаев составляет 7,4 на миллион. При вероятности Z, равной 30%, она оценила бы коэффициент для завода как 30% (3,1) + 70% (7,4) = 6,1 аварий на миллион.

Рекомендации

Эта статья включает в себя список общих Рекомендации, но он остается в основном непроверенным, потому что ему не хватает соответствующих встроенные цитаты. Пожалуйста, помогите улучшать эта статья введение более точные цитаты. (Январь 2012 г.) (Узнайте, как и когда удалить этот шаблон сообщения)

дальнейшее чтение

• Бехан, Дональд Ф. (2009) «Теория статистической достоверности», Юго-восточная актуарная конференция, 18 июня 2009 г.
• Longley-Cook, L.H. (1962) Введение в теорию достоверности PCAS, 49, 194-221.
• Mahler, Howard C .; Дин, Кертис Гэри (2001). «Глава 8: Достоверность» (PDF). В Актуарное общество по несчастным случаям (ред.). Основы актуарной науки о несчастных случаях (4-е изд.). Актуарное общество по несчастным случаям. С. 485–659. ISBN 978-0-96247-622-8. Получено 25 июня, 2015.
• Уитни, А. (1918) Theory of Experience Rating, Proceedings of the Emerty Actuarial Society, 4, 274-292 (Это одна из оригинальных актуарных статей о потерях, касающихся достоверности. В ней используются байесовские методы, хотя автор использует теперь устаревшую «обратную вероятность» "терминология.)
• Вентер, Гэри Г. (2005) "Теория достоверности для чайников"