Archivos suplementarios
Palabras clave
pricing
predictive modelling
linear models
additive models
mixed models
software R
seguros
tarificación
modelación predictiva
modelos lineales
modelos aditivos
modelos mixtos
paquete estadístico R
Cómo citar
Resumen
Se analizó un seguro de accidentes y salud que tiene primas diferenciadas para grupos de riesgo homogéneos. La estimación de dichas primas en ocasiones anteriores fue de tipo univariado, que tiene la limitante de que cuando hay grupos de riesgo con pocas observaciones los resultados son muy volátiles y omiten la información que podrían aportar variables predictoras. Por lo que se optó por estimar los siniestros esperados (que son insumo del cálculo de primas) con tres modelos multivariados: lineales ordinarios, aditivos y lineales mixtos. Se utilizaron varios con el fin de comparar su capacidad de pronóstico. El desempeño fue aceptable tanto dentro de la muestra de ajuste como de prueba en el caso de los modelos lineal ordinario y aditivo con una diferencia porcentual de alrededor del 1% con respecto a los datos reales. El lineal mixto no pudo hacer pronósticos para combinaciones de predictores no observados en los datos de ajuste.
Citas
A. Buja, T. Hastie, R. Tibshirani, Linear smoothers and additive models, The Annals of Statistics 17(1989), no. 2, 453–510. Doi: 10.1214/aos/1176347115.
J. Correa Morales, J. Salazar Uribe, Introducción a los modelos mixtos, Universidad Nacional de Colombia, Bogotá, 2016. En: http://bdigital.unal.edu.co/57330/1/introduccionalosmodelosmixtos.2016.pdf. Consultado el 07/09/2018, 10 a.m. Doi:10.1214/aos/1176344136.
M. Durbán, “Métodos de suavizado eficientes con P-splines”. Universidad Carlos III, Madrid, España, 2015. En: http://ciencias.bogota.unal.edu.co/fileadmin/content/eventos/simposioestadistica/documentos/memorias/MEMORIAS_2015/Cursillos/Durban_Metodos_Suavizado_P-spline.pdf. Consultado el 11/09/2018, 3:00 p.m.
J.J. Faraway, Linear models with R, no.1, Chapman & Hall/CRC, Boca Raton FL, 2004. Doi: https://doi.org/10.4324/ 9780203507278.
J.J. Faraway, Extending the linear model with R: generalized linear, mixed effects and nonparametric regression, no.1, Chapman & Hall/CRC, Boca Raton FL, 2006. Doi: 10.1201/9781315382722.
W.E. Frees, R.A. Derrig, G. Meyers, Predictive Modeling Applications in Actuarial Science: Predictive Modeling Techniques, Cambridge University Press, 1, 2014. Doi: 10.1017/CBO9781139342674.
W.E. Frees, R.A. Derrig, G. Meyers, Predictive Modeling Applications in Actuarial Science: Case Studies in Insurance, Cambridge University Press, 2, 2016. Doi: 10.1017/CBO9781139342681.
P. Ibarrola, “Gauss y la estadística”, 2017. En: https://fme.upc.edu/ca/arxius/butlleti-digital/gauss/060215_ conferencia_ibarrola.pdf. Consultado el 03/08/2019, 5:00 p.m.
K.H. Jensen, “Linear mixed effects models (lme)”, 2016. En: https://folk.uib.no/nzlkj/psychR/day4/04_lme.pdf. Consultado el 22/11/2018, 2:00 p.m.
A. Montesinos López, Estudio del AIC y BIC en la selección de modelos de vida con datos censurados, 2011. En: https://probayestadistica.cimat.mx/sites/default/files/PDFs/TE414MontesinosLopez.pdf Consultado el 14/10/2020, 7:00 p.m.
D. Nychka, “Splines as local smoothers”, The Annals of Statistics 23(1995), no. 4, 1175–1197. Doi: 10.1214/aos/1176324704.
J.G. Rubalcaba, Cosas que conviene saber al usar AIC, DIC y otros criterios de información, 2016. En: https://jgrubalcaba.wordpress.com/. Consultado el 14/10/2020, 8:00 p.m.