Mixture composite regression models with multi-type feature selection
具有多类型特征选择的混合复合回归模型AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确围绕厚尾保险赔款与大额损失建模，直接涉及尾部风险。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
具有多类型特征选择的混合复合回归模型
- 研究问题
- 如何同时刻画保险赔款金额的多峰、厚尾和系统性差异，并识别影响常规赔款、大额赔款及混合概率的解释变量？
- 方法与思路
- 作者构建混合复合回归模型，采用组融合正则化分别选择混合概率和各成分的变量，并以广义 EM 算法拟合。
- 材料陈述的贡献
- 摘要称模型可联合处理常规与大额赔款，提供正则化估计的渐近理论及新拟合算法，并以真实机动车保险数据示范。
- 阅读关注点
- 核对混合成分与尾部分布设定、组融合惩罚如何实现不同类型的变量选择，以及渐近结论和算法收敛所需条件。
- 阅读边界
- 所据为 arXiv 预印本，不能确认同行评审或期刊接收；摘要未说明具体尾部分布、理论条件及相对基准的量化表现。
原文摘要
The aim of this paper is to present a mixture composite regression model for claim severity modelling. Claim severity modelling poses several challenges such as multimodality, heavy-tailedness and systematic effects in data. We tackle this modelling problem by studying a mixture composite regression model for simultaneous modeling of attritional and large claims, and for considering systematic effects in both the mixture components as well as the mixing probabilities. For model fitting, we present a group-fused regularization approach that allows us for selecting the explanatory variables which significantly impact the mixing probabilities and the different mixture components, respectively. We develop an asymptotic theory for this regularized estimation approach, and fitting is performed using a novel Generalized Expectation-Maximization algorithm. We exemplify our approach on real motor insurance data set.