Balance and Fairness through Multicalibration in Nonlife Insurance Pricing

1. Planteamiento del Problema

El artículo aborda dos desafíos fundamentales en la tarificación de seguros no vida:

1. Equilibrio Financiero (Autocalibración): Las primas deben ser, en promedio, iguales a las reclamaciones generadas. Esto debe cumplirse no solo a nivel de cartera global, sino también dentro de subgrupos de asegurados que pagan la misma prima. Las herramientas de aprendizaje automático (como árboles de regresión o redes neuronales) a menudo generan primas que se desvían significativamente de los totales de reclamaciones observados, violando este principio.
2. Equidad (Fairness): Existe una preocupación creciente sobre la discriminación, especialmente en relación con atributos sensibles (como el género en la UE, o el estado de salud/discapacidad). La equidad individual (tratar igual a quienes difieren solo en un atributo prohibido) es a menudo insuficiente debido a la discriminación indirecta a través de variables proxy.

El problema central es cómo integrar la equidad de grupo (basada en la independencia condicional de la media) con la autocalibración financiera, sin sacrificar la precisión predictiva del modelo.

2. Metodología y Conceptos Clave

El paper propone y formaliza el concepto de Multicalibración como la solución unificada para estos problemas.

A. Definiciones Fundamentales

• Autocalibración: Una prima $\pi(X)$ es autocalibrada si $E[Y | \pi(X) = p] = p$ para todo monto de prima $p$. Esto asegura que los grupos que pagan lo mismo se autofinancien.
• Equidad (Suficiencia Débil): Se adopta la noción de independencia condicional de la media respecto a un atributo sensible $S$. Una prima es "justa" respecto a $S$ si $E[Y | \pi(X) = p, S = s] = E[Y | \pi(X) = p, S = s']$ para todo $p$ y $s, s'$. Esto significa que, dado el mismo pago de prima, el retorno esperado (reclamaciones) es igual independientemente del grupo sensible.
• Multicalibración: Combina ambos conceptos. Una prima es multicalibrada respecto a $S$ si:
  $$E[Y | \pi(X) = p, S = s] = p$$
  Esto implica que la prima es autocalibrada dentro de cada grupo definido por el atributo sensible $S$.

B. Propiedades Teóricas

• Mejora de Precisión: Se demuestra que la multicalibración no solo es un requisito ético, sino que mejora la precisión predictiva. Los predictores multicalibrados minimizan la pérdida de Bregman (como la desviación de Poisson) mejor que los predictores no calibrados.
• Orden Convexo: Los predictores multicalibrados no sufren de sobreajuste (overfitting) en el sentido del orden convexo; son menos dispersos que la prima pura teórica $\mu(X)$ y las reclamaciones $Y$.
• Relación con la Credibilidad: El proceso de corrección se interpreta algebraicamente como un mecanismo de contracción (shrinkage) basado en la exposición, similar a la teoría de credibilidad de Bühlmann-Straub, pero sin asumir un modelo jerárquico estético subyacente.

C. Implementación Práctica (Corrección Multibalance)

El artículo propone métodos para transformar una prima candidata $\pi(X)$ en una prima multicalibrada $\pi_{mbc}(X)$:

1. Corrección Directa (Multibalance Correction):

   • Se define como $\pi_{mbc}(X) = E[Y | \pi(X), S]$.
   • Caso Categórico: Se estima mediante regresión isotónica ponderada dentro de cada nivel del atributo sensible $S$.
   • Caso Continuo: Se estima mediante un Modelo Lineal Generalizado (GLM) local bivariado en el espacio conjunto $(\pi, S)$, seguido de un paso de centrado para preservar la autocalibración marginal.

2. Procedimiento Iterativo con Contracción (Bias Correction):

   • Un algoritmo que ajusta iterativamente la prima basándose en los residuos.
   • Utiliza contracción impulsada por la exposición (credibilidad): cuando la exposición en una celda $(\text{prima}, S)$ es baja, el ajuste se contrae hacia el promedio del grupo (bin) para evitar la inestabilidad.
   • Este método es más robusto en datos escasos y produce primas más suaves.

3. Resultados Empíricos

El estudio se valida utilizando un conjunto de datos de seguros de responsabilidad civil de vehículos (MTPL) en Francia (677,991 pólizas). Se compararon cinco enfoques:

1. Prima base (GAM Poisson).
2. Autocalibración (sin considerar $S$).
3. Corrección de Balance (autocalibración no iterativa).
4. Multicalibración (iterativa).
5. Corrección Multibalance (no iterativa, por grupos).

Hallazgos Clave:

• Precisión (Desviación): La prima base mostró la mayor desviación (peor ajuste). La autocalibración mejoró significativamente la precisión. La multicalibración logró la desviación más baja en ambos casos (atributo sensible categórico y continuo), superando incluso a la autocalibración simple. Esto demuestra que imponer equidad no degrada la precisión; de hecho, la mejora.
• Equidad (Residuos Condicionales):
  • Las primas base y autocalibradas mostraron sesgos sistemáticos significativos dentro de los grupos de edad del vehículo (el atributo sensible).
  • Tanto la multicalibración iterativa como la corrección multibalance eliminaron casi por completo estos sesgos condicionales, alineando los residuos en torno a cero para todos los subgrupos.
• Poder Discriminatorio (Coeficiente Gini): Todos los modelos calibrados mejoraron el poder discriminatorio respecto a la base. Las diferencias entre los modelos calibrados fueron menores, aunque la corrección de balance y la multicalibración mostraron valores de Gini competitivos.

4. Contribuciones Clave

1. Unificación de Equidad y Equilibrio Financiero: El paper establece formalmente que la multicalibración es el marco natural para combinar la sostenibilidad financiera (autocalibración) con la equidad de grupo (suficiencia débil) en seguros.
2. Métodos de Implementación Robustos: Propone y compara dos vías prácticas (corrección directa vs. iterativa con contracción) para manejar tanto atributos sensibles categóricos como continuos, abordando el problema de la escasez de datos en subgrupos.
3. Evidencia Empírica de Sinergia: Desafía la noción de que la equidad sacrifica la precisión. Los resultados demuestran que corregir la falta de calibración (que a menudo es la fuente de la discriminación indirecta) mejora simultáneamente la equidad y la precisión estadística del modelo.
4. Interpretación Actuarial: Proporciona una interpretación clara de la multicalibración a través de la teoría de credibilidad y el orden convexo, facilitando su adopción por parte de actuarios y reguladores.

5. Significado e Impacto

Este trabajo es altamente relevante para la industria de seguros y la regulación:

• Cumplimiento Normativo: Ofrece una metodología cuantitativa para demostrar que el uso de variables sensibles (permitidas por la ley, como el estado de salud) es justo y no discriminatorio, cumpliendo con el espíritu de las directivas de la UE y otras regulaciones.
• Gestión de Riesgos: Al asegurar que cada grupo de riesgo se autofinancia, se mitiga el riesgo de selección adversa y se estabiliza la cartera.
• Mejora de Modelos: Sugiere que la "calibración condicional" debería ser un paso estándar en el desarrollo de modelos de tarificación basados en aprendizaje automático, transformando la equidad de un obstáculo regulatorio en una herramienta de optimización del modelo.

En resumen, el artículo demuestra que la multicalibración es una herramienta poderosa que permite a las aseguradoras lograr un equilibrio financiero robusto y una distribución justa de primas, mejorando al mismo tiempo la calidad predictiva de sus modelos.