Predicting Insurance Losses Under Cross-Classification: A Comparison of Alternative Approaches
交叉分类下的保险损失预测：不同方法的比较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。
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：文本讨论汽车保险损失的统计预测，未明确涉及收益预测、资产定价或尾部与系统性风险，现有细分缺少直接对应方向。
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…
交叉分类下的保险损失预测：不同方法的比较
- 研究问题
- 在汽车保险的交叉分类定价问题中，不同统计模型的损失预测表现如何，如何通过预测准确度权衡模型复杂性与数据可用性？
- 方法与思路
- 作者比较简单单元均值、乘加式模型和经验贝叶斯方法，使用来自两个州、两个时期的两组汽车保险数据评估预测能力。
- 材料陈述的贡献
- 摘要称结合模型估计与单元自身估计的经验贝叶斯预测表现似乎最好，并以预测准确度讨论模型复杂性与数据量的取舍。
- 阅读关注点
- 应核对交叉分类单元的划分、经验贝叶斯的收缩方式、训练与评估样本的安排，以及误差指标和稀疏单元的处理。
- 阅读边界
- 摘要未说明样本规模、预测检验设计、误差数值或差异的不确定性，所称最佳表现仅限其比较，不能直接推广至其他保险数据。
原文摘要
Various mathematical and statistical models for estimation of automobile insurance pricing are reviewed. The methods are compared on their predictive ability based on two sets of automobile insurance data for two different states collected over two different periods. The issue of model complexity versus data availability is resolved through a comparison of the accuracy of prediction. The models reviewed range from the use of simple cell means to various multiplicative-additive schemes to the empirical-Bayes approach. The empirical-Bayes approach, with prediction based on both model-based and individual cell estimates, seems to yield the best forecast.