📊 statistics

Severity estimation in dependent collective risk models

Diese Arbeit zeigt auf, dass das direkte Anpassen von Schweregradmodellen an gepoolte Schadensfälle in abhängigen kollektiven Risikoszenarien aufgrund von Größenverzerrung inkonsistente Schätzungen liefert, und schlägt ein konsistentes Composite-Likelihood-Schätzverfahren vor, das auf der korrekten beobachteten Schadensverteilung basiert, wobei sie dessen asymptotische Eigenschaften etabliert und die Leistungsfähigkeit durch Simulationen validiert.

Ursprüngliche Autoren: Christopher Blier-Wong

Veröffentlicht 2026-07-10

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Christopher Blier-Wong

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie betreiben einen riesigen Limonadenstand. Jeden Tag erfassen Sie zwei Dinge: wie viele Becher Sie verkaufen (die Anzahl) und wie viel Zucker in jedem Becher ist (die Schwere). In der alten, einfachen Denkweise gehen Sie davon aus, dass diese beiden Dinge völlig unzusammenhängend sind. Sie denken: „Okay, heute habe ich 5 Becher verkauft, gestern waren es 100 Becher; der Zucker in diesen Bechern ist einfach eine zufällige Mischung aus dem gesamten Zucker, den ich jemals verwendet habe.“

Aber was wäre, wenn sie nicht zufällig sind? Was wäre, wenn Sie an Tagen, an denen Sie Unmengen an Limonade verkaufen, versehentlich die Becher besonders süß machen? Oder vielleicht an langsamen Tagen nur kleine, schwache Becher anbieten? Das ist das reale Chaos, mit dem sich das Paper befasst: Häufigkeit und Schwere sind oft miteinander verknüpft.

Das große Stichproben-Durcheinander

Hier ist das große Problem, das die Autoren gefunden haben: Wenn Sie alle Limonade-Becher betrachten, die Sie im Laufe eines Jahres verkauft haben, um Ihren „durchschnittlichen Zuckergehalt“ zu ermitteln, betrachten Sie tatsächlich eine verzerrte Stichprobe (biased sample).

Stellen Sie sich das so vor:

Kunde A kauft 1 Becher.
Kunde B kauft 100 Becher.
Kunde C kauft 0 Becher (er hat nur das Menü angeschaut und ist wieder gegangen).

Wenn Sie jeden einzelnen Becher von jedem Kunden in einen riesigen Eimer schütten, um den Zuckergehalt zu messen, wird Kunde B den Eimer dominieren. Er hat 20-mal mehr Daten beigesteuert als Kunde A. Wenn Kunde B die super süßen Becher gekauft hat, wird Ihr riesiger Eimer viel zu süß schmecken, selbst wenn der durchschnittliche Becher, den Sie hätten verkaufen können, viel weniger süß gewesen wäre.

Das Paper beweist mathematisch, dass wenn Sie einfach alle Becher aus dem Eimer nehmen und versuchen, das „wahre“ Zuckerrezept zu erraten, Sie falsch liegen werden. Sie messen die größenverzerrte Mischung (size-biased mixture) (den Geschmack des Eimers), nicht das marginale Rezept (den wahren Zuckergehalt eines einzelnen, zufälligen Bechers).

Was das Paper sagt, was Sie nicht tun sollten

Die Autoren warnen ausdrücklich vor dem „naiven“ Ansatz. Das ist, wenn eine Versicherung (oder ein Limonadenstand) sagt: „Lass uns einfach alle Ansprüche nehmen, die wir erhalten haben, ignorieren, wer sie gekauft hat, und eine Kurve anpassen.“

Sie zeigen, dass diese Methode inkonsistent ist. Es spielt keine Rolle, ob Sie eine Million oder eine Milliarde Kunden haben; wenn Sie die Verbindung zwischen der Anzahl der Ansprüche, die eine Person hat, und der Größe dieser Ansprüche ignorieren, wird Ihre Schätzung der „wahren“ Schwere immer falsch sein. Es ist, als würde man versuchen, die durchschnittliche Körpergröße aller Menschen in einer Stadt zu erraten, indem man nur die Menschen misst, die auf der Aussichtsplattform des höchsten Gebäudes stehen. Man wird zwar eine Zahl erhalten, aber es wird nicht die Wahrheit sein.

Der neue, klügere Weg: Die zusammengesetzte Likelihood (Composite Likelihood)

Wie reparieren wir also den Eimer? Die Autoren haben ein neues Werkzeug entwickelt, das man Composite Likelihood nennt.

Anstatt die Verzerrung zu ignorieren, nutzen sie sie aus. Sie haben erkannt, dass der Eimer tatsächlich ein spezifisches, vorhersagbares Muster enthält: Er ist eine „größenverzerrte Mischung“. Es ist kein zufälliges Rauschen; es ist eine spezifische mathematische Verzerrung.

Ihr neuer Ansatz funktioniert in zwei klugen Schritten:

Zählen Sie die Kunden: Zuerst schauen sie sich an, wie viele Leute Limonade gekauft haben (die Häufigkeit).
Schmecken Sie den Eimer korrekt: Dann schauen sie sich den riesigen Eimer voller Becher an, aber sie verwenden eine spezielle Formel, die besagt: „Okay, wir wissen, dass Kunde B überrepräsentiert ist. Lassen Sie uns das mathematisch korrigieren, um herauszufinden, was das wahre Zuckerrezept gewesen sein muss.“

Sie nennen dies eine „zusammengesetzte“ (composite) Methode, weil sie zwei verschiedene Teile des Puzzles (die Anzahl und den bereinigten Geschmack des Eimers) zusammenfügt, anstatt zu versuchen, das ganze unmögliche Puzzlespiel auf einmal zu lösen.

Wie sicher sind sie sich?

Die Autoren haben nicht nur geraten, dass dies funktionieren würde; sie haben Simulationen durchgeführt, um es zu beweisen.

Sie erschufen eine fiktive Limonadenwelt mit 1.000.000 Kunden.
Sie ließen die „naive“ Methode versuchen, den Zuckergehalt zu erraten. Sie lag um etwa 25 % daneben (ein riesiger Fehler!).
Dann verwendeten sie ihre neue „composite“-Methode. Sie traf den wahren Zuckergehalt fast perfekt, mit nahezu null Bias.

Sie testeten auch, wie sicher sie sich bei ihren Zahlen sein können. In der Statistik gilt: Wenn Sie Gruppen von Daten haben (wie 100 Becher von einem Kunden), können Sie diese nicht als völlig unabhängige Fakten behandeln. Die Autoren zeigten, dass man, wenn man sie als unabhängig behandelt, eine falsche Zuversicht (false confidence) gewinnt (Ihre Fehlergrenzen sehen zu klein aus). Ihre neue Methode verwendet etwas, das sie „Godambe-Information“ nennen (ein schicker mathematischer Sandwich), um sicherzustellen, dass die Fehlergrenzen ehrlich genug breit sind.

Das „Sarmanov“-Geheimrezept

Um all diese Mathematik in der realen Welt anwendbar zu machen, verwendeten sie einen speziellen Typ mathematischen Modells, die sogenannte Sarmanov-Copula. Denken Sie an diesen speziellen Kleber, der es ihnen ermöglicht, die „Anzahl der Becher“ und den „Zuckergehalt“ so zusammenzufügen, dass es flexibel bleibt, aber die Mathematik lösbar bleibt.

Da dieser Kleber eine spezielle Struktur besitzt, konnten sie die exakte Formel für den „verzerrten Eimer-Geschmack“ aufschreiben. Dies ermöglichte es ihnen, ihr Korrekturwerkzeug zu bauen, ohne jedes einzelne winzige Detail des Universums kennen zu müssen.

Das Fazit

Wenn Sie ein Versicherungsunternehmen oder ein Risikomanager sind:

Tun Sie nicht, einfach alle Ihre Ansprüche zusammenzuführen und eine Kurve anzupassen. Sie werden falsch liegen.
Erkennen Sie, dass Kunden mit vielen Ansprüchen Ihre Daten verzerren.
Nutzen Sie die neue Methode, die diese Verzerrung korrigiert.

Das Paper zeigt, dass wir das Rezept korrigieren können, indem wir verstehen, wie die Daten erhoben wurden (die Größenverzerrung). Es ist keine Magie; es ist lediglich die Erkenntnis, dass der Eimer nicht wie das Rezept schmeckt, und das Wissen, wie man den Geschmack des Eimers exakt zurück in die Wahrheit übersetzt.

Technisches Resümee: Schätzung der Schweregradverteilung in abhängigen kollektiven Risikomodellen

Problemstellung
Das kollektive Risikomodell (Collective Risk Model, CRM) stellt die aggregierten Versicherungsverluste als eine Zufallssumme individueller Schadensschweregrade dar. Standardmäßige Schätzverfahren setzen die Unabhängigkeit zwischen der Schadenshäufigkeit ( $N$ ) und dem Schweregrad ( $X$ ) sowie die Unabhängigkeit der Schweregrade innerhalb einer Police voraus. Unter diesen Annahmen ist der „Margin-First“-Ansatz – also das Anpassen der Schweregradverteilung an die gepoolten Schäden eines Portfolios – konsistent. In der realen Welt weisen Portfolios jedoch häufig Abhängigkeiten zwischen Häufigkeit und Schweregrad sowie Abhängigkeiten zwischen den Schweregraden innerhalb einer Police auf.

Wenn eine solche Abhängigkeit besteht, sind die über die Policen hinweg gepoolten Schäden kein Stichprobenmodell der marginalen Schweregradverteilung ( $F_X$ ) mehr. Politiken mit einer höheren Anzahl an Schadensfällen tragen überproportional viele Schäden zum Pool bei. Dies erzeugt einen größenverzerrten Stichprobenmechanismus (size-biased sampling), bei dem die empirische Verteilung der gepoolten Schäden gegen das Gesetz eines beliebigen beobachteten Schadens ( $Y$ ) konvergiert, anstatt gegen das marginale Schweregradgesetz. Folglich führt das direkte Anpassen eines Schweregradmodells an unkorrigierte gepoolte Schäden zu inkonsistenten Schätzungen der wahren Schweregradparameter, was zu einem systematischen Bias führt, der auch mit zunehmender Stichprobengröße nicht verschwindet.

Methodik
Die Arbeit schlägt ein Verfahren der zusammengesetzten Likelihood-Schätzung (Composite Likelihood Estimation) vor, um diese Inkonsistenz zu adressieren. Die Methodik stützt sich auf zwei Säulen:

Identifikation des datengenerierenden Mechanismus: Die Autoren beweisen, dass die empirische Verteilung der gepoolten Schäden fast sicher gegen die kumulative Verteilungsfunktion (CDF) eines beliebigen beobachteten Schadens, $F_Y$ , konvergiert. Diese Verteilung ist eine größenverzerrte Mischung der bedingten Schweregradverteilungen:
$F_Y(x) = \sum_{n=1}^{\infty} \frac{n P(N=n)}{E[N]} F_{X|N=n}(x)$
Dieses Ergebnis identifiziert die spezifische Verteilung, die die gepoolten Schäden tatsächlich sampeln, welche sich von der marginalen $F_X$ unterscheidet.
Konstruktion der zusammengesetzten Likelihood (Composite Likelihood): Anstatt zu versuchen, die volle gemeinsame Likelihood der Polivektoren zu maximieren (was aufgrund hochdimensionaler Copula-Ableitungen oft unpraktikabel ist), konstruieren die Autoren eine zusammengesetzte Likelihood basierend auf zwei niedrigdimensionalen Komponenten:
- Der marginalen Likelihood der Schadensanzahlen ( $N$ ).
- Der Likelihood der gepoolten Schweregrade basierend auf der beobachteten Schadendichte $f_Y$ .
Die zusammengesetzte Log-Likelihood ist die Summe der Zählungs-Log-Likelihood und der Log-Likelihood der gepoolten Schweregrade, die als unabhängige Ziehungen aus $f_Y$ behandelt werden.
Asymptotische Theorie und Varianzschätzung: Der Schätzer wird als konsistent und asymptotisch normal ausgewiesen. Entscheidend ist, dass die asymptotische Varianz unter Verwendung der Godambe-Informationsmatrix (einem „Sandwich“-Schätzer) abgeleitet wird. Die Arbeit betont, dass die Stichprobeneinheit die Police sein muss, nicht der einzelne Schaden. Die Aggregation der Scores auf der Ebene der Police ist notwendig, um die Abhängigkeit zwischen den Schäden innerhalb einer Police und die zufällige Clustergröße zu berücksichtigen. Eine Aggregation auf der Ebene der Schäden unterschätzt die Varianz und führt zu einer mangelhaften Abdeckung (Undercoverage).
Schrittweise Erweiterung: Für Modelle, die höhere Abhängigkeitsparameter erfordern (z. B. Abhängigkeit der Schweregrade innerhalb der Police), skizziert die Arbeit ein schrittweises Schätzverfahren. Dabei werden zuerst die Häufigkeitsparameter geschätzt, dann der Schweregrad und die Häufigkeit-Schweregrad-Abhängigkeit und schließlich die Abhängigkeit innerhalb der Police mittels bedingter Marginale. Ein gestapelter Sandwich-Schätzer überträgt dabei die Unsicherheit aus den vorangegangenen Schritten.

Wesentliche Beiträge und Ergebnisse

Theoretischer Beweis der Inkonsistenz: Die Arbeit stellt formal fest, dass „Margin-First“-Schätzer (einschließlich Maximum Likelihood, IFM und rangbasierte Copula-Methoden), die auf gepoolte Schäden angewendet werden, gegen die Kullback–Leibler-Projektion der wahren Schweregradverteilung auf die gefittete Familie konvergieren, anstatt gegen die wahren Parameter selbst.
Geschlossene Lösungen für das Sarmanov-CRM: Die Methodik wird speziell auf das Sarmanov-kollektive Risikomodell angewendet. Unter Verwendung einer latenten Bernoulli-Mischungsrepräsentation leiten die Autoren geschlossene Ausdrücke für die beobachtete Schadendichte $f_Y$ , die bedingten Schweregradgesetze und den aggregierten Erwartungswert ab. Diese Handhabbarkeit ermöglicht eine effiziente Implementierung der zusammengesetzten Likelihood.
Admissibilitätsbeschränkungen: Das Papier liefert explizite Beschränkungen für die Abhängigkeitsparameter (z. B. $\theta_{01}, \theta_{12}, \theta_{012}$ ), um eine gültige Copula zu gewährleisten, abgeleitet aus der Nicht-Negativität der latenten Bernoulli-Wahrscheinlichkeitsmassefunktion.
Simulationsergebnisse:
- Bias-Korrektur: Eine Simulationsstudie zeigt, dass das naive Pooling-Fitting signifikante Verzerrungen in den Schätzungen der Schweregradparameter (z. B. Gamma-Form- und Rate-Parameter) erzeugt, die unabhängig von der Stichprobengröße bestehen bleiben. Die vorgeschlagene zusammengesetzte Likelihood eliminiert diesen Bias.
- Aggregierter Erwartungswert: Interessanterweise liefert der naive Schätzer zwar nicht den wahren Schweregrad-Margin wiederher, schätzt aber den aggregierten Erwartungswert ( $E[S]$ ) dennoch konsistent, da $E[S] = E[N]E[Y]$ gilt und das naive Fitting den Erwartungswert der beobachteten Schäden ( $E[Y]$ ) korrekt erfasst.
- Validität der Inferenz: Die Studie bestätigt, dass die Godambe-Intervalle auf Policen-Ebene die nominelle Abdeckung (ca. 95 %) erreichen. Im Gegensatz dazu führen Sandwich-Schätzer auf Schadensebene (die die Abhängigkeit innerhalb der Police ignorieren) zu einer schweren Unterschätzung der Abdeckung (z. B. Abfall auf 84 % in Szenarien mit hoher Frequenz).

Bedeutung
Die Arbeit behauptet, dass ihr primärer Beitrag in der Identifikation der größenverzerrten Natur gepoolter Schäden in abhängigen CRMs und der Bereitstellung eines konsistenten Schätzrahmens besteht, der diesen Bias korrigiert. Sie argumenttiert, dass Standard-Zweistufenverfahren in der Präsenz von Häufigkeit-Schweregrad-Abhängigkeiten fundamental fehlerhaft sind. Durch die Nutzung des Gesetzes der beobachteten Schäden ( $F_Y$ ) innerhalb eines Composite-Likelihood-Rahmens stellt die Methode die wahren marginalen Schweregradparameter und Abhängigkeitsstrukturen wieder her. Die Arbeit schließt die Lücke zwischen Copula-basierten Risikomodellen und der Theorie der größenverzerrten Stichproben und bietet eine praktische Lösung für die versicherungsmathematische Schätzung, wenn vollständige gemeinsame Likelihoods unpraktikabel sind. Die Autoren merken an, dass das Sarmanov-Modell zur Illustration verwendet wird, das Argument der Größenverzerrung jedoch allgemein für jede Copula-Familie mit berechenbaren bedingten Gesetzen gilt.