Profitability of life policies and compound GLM

Abstract

Životné zmluvy nie sú rovnako ziskové v zmysle strednej hodnoty. V praxi je ziskovosť zmlúv výstupom komplexných cash flow modelov, ktoré vyžadujú pou- žitie špeciálnych systémov, a čas takého výpočtu môže byť relatívne významný ak je počet zmlúv vysoký. Preto uvažujeme premenné, ktoré sa menia najčastejšie, stimulujeme model niekoľkými hodnotami každej premennej a hľadáme regresný model, ktorý vysvetľuje pozorované zmeny. Použijeme na data Gamma log-link model. Ale čo ak existujú nejaké stratové zmluvy? Potom ich determinujeme logistickou regresiou na cezúrované data v binárnej podobe. Záporné zmluvy mo- delujeme symetrickým Gamma modelom. Na tieto tri modely, uvažované spolu, sa dá pozerať ako na jeden model, ktorý je podobný modelom pre rozdelenie po- čtu s prebytočnými nulami. Najzaujímavejšia časť inferencie v takomto modeli je diagnostika. Ukážeme že všetky základné tipy reziduí - Pearsonove, deviančné a kvantilové - sa dajú definovať. Postavíme aj normálny lineárny model a porov- náme užitočnosť týchto dvoch prístupov. Počas budovania modelov sa stretneme s viacerými štatistickými oblasťami ako mnohorozmerná analýza a disperzia závislá na poistnej čiastke. 1

Life insurance policies are not equally profitable is sense of expected value. In practice, profitability is an output of complex cash flow models, which need utilizing special systems and the run time of such calculation can be significant if number of policies is high. Therefore we consider variables, which change most frequently, stimulate the profitability model with several values of these variables and then we search for a regression model to explain the changes. We apply Gamma regression on the data. But what if there exist some policies which are negative? Then we determine these policies with logistic regression applied on data censored to the binary form. Loss of these policies is modelled using symmetrical Gamma model. These three models, when considered together, can be viewed as a single model, which is a generalization of the well known zero inflated count model. The most interesting part of inference in such model is diagnostics. We show that the basic types of residuals - Pearson, deviance and quantile - can be defined. We also build an ordinary linear model and we compare utility of these two approaches. While building models, we meet various statistical issues like dimension reduction of yield curve or dispersion proportional to sum insured. 1