×
亚塞米·根蒂尔克;艾登·伊特

使用新的混合模型：负二项伽马分布对索赔数量进行建模。 （英语） Zbl 1510.62422号

J.统计计算。模拟 86，第10期，1829-1839（2016）.
摘要：在精算应用中，混合泊松分布广泛用于索赔计数建模，因为索赔数量的观测数据往往显示出明显超过平均值的方差。在本研究中，通过将负二项式参数（p）与Gamma分布混合，得到了一个新的索赔数分布，该参数被重新参数化为（p=exp（-\lambda））。给出了这种新分布的基本性质。利用Newton-Raphson和遗传算法（GA）计算参数的最大似然估计。我们通过仿真比较了这些方法在效率方面的性能。给出了一个数值例子。

引用于8文件

MSC公司：

62P05号 统计学在精算科学和金融数学中的应用
62-08 统计问题的计算方法
91G05号 精算数学

关键词：

混合分布;过度分散;牛顿法;遗传算法

软件：

通用航空公司
PDF格式BibTeX公司 XML格式引用
\textit{Y.Gençtürk}和\textit{A.Yiiter}，J.Stat.Compute。模拟86，第10期，1829--1839（2016；Zbl 1510.62422）
全文： 内政部

参考文献：

[1] Karlis D，Xekalaki E.混合泊松分布。国际统计版次2005；73:35-58. doi:10.1111/j.1751-5823.005.tb00250.x[Crossref]，[Web of Science®]，[Google学者]·Zbl 1104.62010年
[2] Denuit M，Maréchal X，Pitrebis S，Walhin JF。索赔数量的精算建模：风险分类。诚信和博爱体系。伦敦：威利；2007.【Crossref】，【谷歌学者】·Zbl 1168.91001号
[3] Dionne G，Vanesse C.汽车保险评级模型的推广：带有回归成分的负二项分布。阿斯汀公牛。1989;19(2):199-212. doi:10.2143/AST.19.2.2014909[交叉引用]，[谷歌学者]
[4] Frangos GE，Vrontos SD。汽车保险中具有频率和严重程度分量的最优奖金恶意系统的设计。阿斯汀公牛。2001年；31(1):1-22. doi:10.2143/AST.31.1.991[交叉引用]，[谷歌学者]·Zbl 1035.62108号
[5] Willmot GE。泊松-逆高斯分布作为负二项式的替代。《Scand Actuar J.1987》；1987(3-4):113-127. doi:10.1080/03461238.1987.10413823[Taylor&Francis Online]，[Google学者]
[6] Trembley L.在骨量系统中使用泊松逆高斯。阿斯汀公牛。1992;22(1):97-106. doi:10.2143/AST.22.2005129[Crosref]，[谷歌学者]
[7] Willmot G.混合复合泊松分布。阿斯汀公牛。1986;16S:59-79。doi:10.2143/AST.16.3.2014993[交叉引用]，[谷歌学者]
[8] Sankaran M.离散泊松-林德利分布。生物计量学。1970;26(1):145-149. doi:10.2307/2529053[Crossref]，[Web of Science®]，[Google学者]
[9] Ghitany ME、Al-Mutairi DK、Nadarajah S.Zero截断Poisson-Lindley分布及其应用。数学计算模拟。2008;79:279-287. doi:10.1016/j.matcom.2007.11.021[Crossref]，[Web of Science®]，[Google学者]·Zbl 1153.62308号
[10] Goméz-Deniz E，Sarabia JM，Calderin-Ojeda E.负二项-负高斯分布的单变量和多变量版本及其应用。保险：数学经济。2008;42(1):39-49. [Crossref]、[Web of Science®]、[Google学者]·Zbl 1141.91514号
[11] Zamani H，Ismail N.负二项Lindley分布及其应用。数学统计杂志2010；6(1):4-9. doi:10.3844/jmssp.2010.4.9[交叉引用]，[谷歌学者]·Zbl 1188.91092号
[12] Klugman SA、Panjer HH、Willmot GE。从数据到决策的损失模型。纽约：Wiley；1998.[谷歌学者]·Zbl 0905.62104号
[13] Goldberg DE。搜索、优化和机器学习中的遗传算法。美国马萨诸塞州波士顿：艾迪森·韦斯利；1989.[谷歌学者]·Zbl 0721.68056号
[14] 荷兰JH。适应自然和人工系统。第二版，马萨诸塞州剑桥：麻省理工学院出版社；1992.[谷歌学者]
[15] Razali N，Geraghty MJ。不同选择策略下遗传算法求解TSP的性能。2011年7月6日至8日，英国伦敦，世界工程大会会议记录第二卷WCE 2011
[16] Scrucca L.GA：R.J Stat Softw中的遗传算法包。2013;53(4):1-37. [Crossref]、[Web of Science®]、[Google学者]
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。