📊 statistics

State-Space Representation of INGARCH Models and Their Application in Insurance

यह शोध पत्र मार्जिनलाइज्ड स्टेट-स्पेस मॉडल (M-SSM) ढांचे को पेश करता है जो INGARCH मॉडलों का एक सैद्धांतिक रूप से पुख्ता प्रतिनिधित्व प्रदान करता है जो स्वाभाविक रूप से सहचरों (covariates) और लुप्त डेटा को समाहित करता है, साथ ही यह भी प्रदर्शित करता है कि यह दृष्टिकोण बीमा अनुप्रयोगों में दुर्बल स्थिरता (weak stationarity) स्थापित करने के लिए अवलोकन-संचालित स्टेट-स्पेस निरूपणों के व्युत्पन्न को कैसे सुगम बनाता है।

मूल लेखक: Jae Youn Ahn, Hong Beng Lim, Mario V. Wüthrich

प्रकाशित 2026-05-12

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jae Youn Ahn, Hong Beng Lim, Mario V. Wüthrich

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक बीमा कंपनी हैं जो किसी विशिष्ट समूह के लोगों के लिए अगले वर्ष कितने कार दुर्घटनाओं या घर की आग लगने की घटनाओं की भविष्यवाणी करने की कोशिश कर रहे हैं। आपके पास पिछले दावों का इतिहास (दुर्घटनाओं की संख्या) है, लेकिन स्थिति पेचीदा है:

"कौन" बदल जाता है: अलग-अलग लोगों के जोखिम स्तर अलग-अलग होते हैं (विषमता/heterogeneity)।
"कब" बदल जाता है: जोखिम स्थिर नहीं है; यह हाल के इतिहास के आधार पर विकसित होता है (यदि पिछले महीने आपकी एक दुर्घटना हुई थी, तो इस महीने आपके दुर्घटना होने की संभावना अधिक हो सकती है)।
डेटा अव्यवस्थित है: कभी-कभी आपके पास कुछ वर्षों के लिए डेटा नहीं होता क्योंकि उस वर्ष पॉलिसीधारक के पास कवरेज नहीं था।

यह शोध पत्र इन समस्याओं को हल करने के लिए एक नया गणितीय उपकरण पेश करता है। यह एक मौजूदा, लोकप्रिय पद्धति जिसे INGARCH कहा जाता है (जो यह ट्रैक करने में अच्छा है कि पिछले काउंट भविष्य के काउंट को कैसे प्रभावित करते हैं), उसे एक स्टेट-स्पेस मॉडल (एक ढांचा जो "हम क्या देखते हैं" को "वास्तव में नीचे क्या हो रहा है" से अलग करता है) के भीतर लपेटकर अपग्रेड करता है।

यहाँ सरल उपमाओं का उपयोग करके इसका विवरण दिया गया है:

1. समस्या: "दो-टोपी" वाली दुविधा

पुराने तरीके में (मानक INGARCH मॉडल), "सशर्त माध्य" (predicted average number of claims) को एक साथ दो टोपियाँ पहननी पड़ती थीं:

टोपी A (ड्राइवर): इसे भविष्य को चलाना था, यानी पिछले अनुभवों के आधार पर जोखिम के स्तर को समय के साथ विकसित करने का निर्णय लेना था।
टोपी B (स्केल): इसे वर्तमान अवलोकन का आकार निर्धारित करना था, जैसे कि व्यक्ति के पास कितनी कारें हैं या उसकी उम्र क्या है।

रूपक (Metaphor): कल्पना कीजिए कि आप कार चलाने के साथ-साथ सड़क के मानचित्र (रोड मैप) के रूप में भी कार्य कर रहे हैं। यदि आपको रोड मैप बदलने की आवश्यकता है (क्योंकि ड्राइवर अब बड़ा हो गया है या अलग कार चला रहा है), तो आपको मैप को फिर से बनाने के लिए ड्राइविंग रोकनी पड़ती है। यह बदलती परिस्थितियों (covariates) को संभालना या समय के साथ ड्राइविंग को स्थिर रखना बहुत कठिन बना देता है।

2. समाधान: "शैडो ड्राइवर" (स्टेट-स्पेस)

लेखक एक नया मॉडल प्रस्तावित करते हैं जो इन दोनों कार्यों को विभाजित करता है। वे एक लेटेंट स्टेट (एक छिपा हुआ "शैडो ड्राइवर") पेश करते हैं जो ड्राइविंग करता है, जबकि एक अलग ए प्रायर रेट (रोड मैप) स्केल निर्धारित करता है।

शैडो ड्राइवर ( $\Theta_t$ ): यह छिपा हुआ जोखिम स्तर है। यह पिछले दुर्घटनाओं के आधार पर समय के साथ सुचारू रूप से विकसित होता है। लेखक सिद्ध करते हैं कि यह शैडो ड्राइवर "कमजोर रूप से स्थिर" (weakly stationary) हो सकता है, जिसका अर्थ है कि भले ही वास्तविक दुनिया का डेटा अराजक दिखे, इसका व्यवहार स्थिर और अनुमानित रहता है।
रोड मैप ( $\lambda_t$ ): यह "ए प्रायर रेट" है। यह सभी बाहरी कारकों को संभालता है: ड्राइवर की उम्र, कार का प्रकार, वे किस शहर में रहते हैं, या यहाँ तक कि यदि उनके पास इस वर्ष कोई कार ही नहीं थी (जीरो एक्सपोजर)।

रूपक: अब, शैडो ड्राइवर केवल कार चलाने (जोखिम विकसित करने) पर ध्यान केंद्रित करता है। रोड मैप ड्राइवर को बताता है, "आज, आप बर्फानी तूफान में ट्रक चला रहे हैं, इसलिए अपनी गति को तदनुसार समायोजित करें।" यदि आज उनके पास कोई कार नहीं है (मिसिंग डेटा), तो रोड मैप बस "0 स्पीड" कहता है, और शैडो ड्राइवर बिना भ्रमित हुए धैर्यपूर्वक प्रतीक्षा करता है।

3. "नेगेटिव बाइनोमियल" ट्विस्ट

बीमा दावे "काउंट डेटा" होते हैं (आप 2.5 दुर्घटनाएं नहीं रख सकते; यह 0, 1, 2 आदि होती हैं)। यह शोध पत्र विशेष रूप से नेगेटिव बाइनोमियल वितरण का उपयोग करता है।

क्यों? वास्तविक दुनिया का बीमा डेटा "ओवरडिस्पर्सड" (overdispersed) होता है। इसका मतलब है कि दुर्घटनाओं का विचरण (variance/spread) औसत से बहुत अधिक है। कुछ लोगों के वर्षों तक शून्य दुर्घटनाएं होती हैं; दूसरों के पास दुर्घटनाओं का एक समूह होता है। नेगेटिव बाइनोमियल एक "लचीले" पैमाने की तरह है जो मानक पॉइसन (Poisson) मॉडल की तुलना में इस जंगली परिवर्तनशीलता को बेहतर ढंग से संभाल सकता है।

4. लापता डेटा को संभालना ("जीरो एक्सपोजर" ट्रिक)

बीमा में सबसे बड़ी समस्याओं में से एक तब होती है जब कोई ग्राहक एक वर्ष के लिए पॉलिसी छोड़ देता है।

पुराना तरीका: आपको खाली जगहों को भरने या लुप्त संभावनाओं पर गणना करने के लिए जटिल गणित करना पड़ता है।
नया तरीका: क्योंकि मॉडल "स्केल" ( $\lambda_t$ ) को "ड्राइवर" से अलग करता है, यदि किसी ग्राहक के पास कोई पॉलिसी नहीं है, तो आप स्केल को शून्य पर सेट कर देते हैं।
परिणाम: गणित स्वचालित रूप से जान जाता है कि "जीरो एक्सपोजर = जीरो क्लेम"। मॉडल उस वर्ष के लिए जटिल गणना को छोड़ देता है और बस "शैडो ड्राइवर" को स्वाभाविक रूप से अगले वर्ष तक विकसित होने देता है। यह एक वीडियो गेम को बिना प्रगति खोए पॉज करने जैसा है।

5. प्रमाण: स्थिरता और भविष्यवाणी

लेखकों ने केवल मॉडल नहीं बनाया; उन्होंने गणितीय रूप से सिद्ध किया कि यह काम करता है।

स्टेशनैरिटी (Stationarity): उन्होंने दिखाया कि भले ही वास्तविक दुनिया का डेटा बदलता रहे (लोग बड़े हो रहे हैं, कारें बदल रही हैं), छिपा हुआ "शैडो ड्राइवर" स्थिर रहता है। यह बीमा के लिए महत्वपूर्ण है क्योंकि आपको यह जानने की आवश्यकता है कि आपका जोखिम मॉडल समय के साथ अनियंत्रित न हो जाए।
वास्तविक दुनिया का परीक्षण: उन्होंने इसे विस्कॉन्सिन लोकल गवर्नमेंट प्रॉपर्टी इंश्योरेंस फंड (1,234 स्थानीय सरकारें, 5 वर्षों तक) के वास्तविक डेटा पर परखा।
- परिणाम: उनका नया मॉडल भविष्य के दावों की भविष्यवाणी करने में मौजूदा मॉडलों के समान ही अच्छा या कभी-कभी उनसे बेहतर प्रदर्शन करता है।
- बोनस: यह गणना करने में तेज़ और आसान था क्योंकि इसमें छिपे हुए राज्यों (hidden states) को संभालने के लिए जटिल संख्यात्मक एकीकरण (numerical integration) की आवश्यकता नहीं थी।

सारांश

यह शोध पत्र एक गाँठ खोलने के बारे में है। यह एक जटिल बीमा भविष्यवाणी मॉडल लेता है, "विकसित होते जोखिम" को "बदलती परिस्थितियों" से अलग करता है, और इसे एक गणितीय रूप से स्थिर पैकेज में लपेटता है।

एक्टुअरी (Actuary) के लिए: इसका मतलब है कि आप मॉडल की स्थिरता को तोड़े बिना आसानी से नए चर (जैसे नया कानून या कार के प्रकार में बदलाव) जोड़ सकते हैं।
डेटा के लिए: यह लापता वर्षों (कोई पॉलिसी नहीं) को सहजता से संभालता है।
गणित के लिए: यह सिद्ध करता है कि छिपा हुआ "जोखिम इंजन" स्थिर है, जिससे बीमा कंपनियों को दीर्घकालिक मूल्य निर्धारण (pricing) के लिए विश्वास मिलता है।

निष्कर्ष यह है कि यह "हेटरोजीनियस NB-INGARCH" मॉडल बदलती दुनिया में उचित बीमा कीमतें निर्धारित करने के लिए एक व्यावहारिक और मजबूत उपकरण है।

तकनीकी सारांश: बीमा रेटिंग के लिए नेगेटिव-बाइनोमियल INGARCH मॉडल्स का स्टेट-स्पेस प्रतिनिधित्व

1. समस्या विवरण

यह शोध पत्र बीमा रेटिंग (विशेष रूप से संपत्ति और दुर्घटना - P&C बीमा) के अनुप्रयोगों में 'इंटीजर-वैल्यूड जनरलाइज्ड ऑटोरेग्रेसिव कंडिशनल हेटेरोस्केडास्टिक' (INGARCH) मॉडल्स की विशिष्ट सीमाओं को संबोधित करता है। यद्यपि अपनी सुलभ संभावना (tractable likelihood) और एफाइन रिकर्सन (affine recursion) के कारण काउंट टाइम सीरीज़ के मॉडलिंग के लिए INGARCH मॉडल्स लोकप्रिय हैं, फिर भी वे बीमा संदर्भों में दो प्राथमिक चुनौतियों का सामना करते हैं:

कोवेरिएट्स (Covariates) का समावेश: मानक INGARCH फॉर्मुलेशन में कंडीशनल मीन (conditional mean) को पिछले अवलोकनों और पिछले कंडीशनल मीन्स के रैखिक संयोजन के रूप में परिभाषित किया जाता है। बाहरी कोवेरिएट्स (पॉलिसीधारक विषमता को पकड़ने के लिए) को शामिल करना कठिन है क्योंकि कंडीशनल मीन का सख्ती से धनात्मक रहना आवश्यक है। रैखिक कोवेरिएट टर्म्स जोड़ने के लिए गुणांकों (coefficients) और रिग्रेसर्स पर प्रतिबंधात्मक गैर-ऋणात्मकता बाधाओं (non-negativity constraints) की आवश्यकता होती है, जबकि लॉग-लिंक विकल्प एफाइन संरचना और संबद्ध विश्वसनीयता व्याख्या (credibility interpretation) को बाधित करते हैं।
स्थिरता बनाम विषमता (Stationarity vs. Heterogeneity): बीमा पैनलों में आमतौर पर लघु समय श्रृंखला (जैसे $\le 10$ अवधि) और समय-परिवर्तनीय पॉलिसीधारक विशेषताएं होती हैं। जब कोवेरिएट्स के कारण अवलोकनों का पैमाना समय के साथ व्यवस्थित रूप से बदलता है, तो देखे गए काउंट प्रोसेस के लिए मानक स्थिरता (stationarity) धारणाएं अनुपयुक्त होती हैं। हालांकि, रेटिंग के लिए स्थिरता की एक उपयुक्त अवधारणा आवश्यक है। शास्त्रीय INGARCH में, कंडीशनल मीन दोहरी भूमिका निभाता है: यह अस्थायी विकास को नियंत्रित करता है और अवलोकन के पैमाने को भी निर्धारित करता है, जिससे इन गतिकी (dynamics) को अलग करना और स्थिरता को लेटेंट स्तर पर परिभाषित करना कठिन हो जाता है।

2. कार्यप्रणाली (Methodology)

लेखक बीमा रेटिंग के लिए एक विषम नेगेटिव-बाइनोमियल INGARCH(1,1) मॉडल प्रस्तावित करते हैं। मुख्य पद्धतिगत नवाचार प्रेडिक्टिव मीन को एक समय-परिवर्तनीय ए प्रायर रेट ( $\lambda_t$ ) और एक बेसलाइन कंडीशनल मीन ( $M_{t|t-1}$ ) में विघटित करना है।

मुख्य पद्धतिगत चरण:

मॉडल विघटन (Model Decomposition): अपेक्षित क्लेम काउंट को $E[Z_t | Z_{\le t-1}] = \lambda_t M_{t|t-1}$ $E [Z_{t} ∣ Z_{\leq t - 1}] = λ_{t} M_{t ∣ t - 1}$ के रूप में परिभाषित किया गया है।
- $\lambda_t$ : बाहरी कोवेरिएट्स (जैसे $\lambda_t = \exp(x_t^\top w)$ ) के माध्यम से समय-परिवर्तनीय विषमता को कैप्चर करता है।
- $M_{t|t-1}$ : एक एफाइन INGARCH(1,1) रिकर्सन ( $M_{t+1|t} = \beta^{[0]}_t + \beta^{[1]}_t Z_t + \beta^{[2]}_t M_{t|t-1}$ ) का पालन करता है, जो अंतर्निहित जोखिम अवस्था के डायनेमिक्स को सुरक्षित रखता है।
स्टेट-स्पेस तुल्यता (M-SSM): लेखक प्रदर्शित करते हैं कि प्रस्तावित हेट्रोजेनियस NB-INGARCH मॉडल एक मार्जिनलाइज्ड स्टेट-स्पेस मॉडल (M-SSM) के समकक्ष है, जिसके घटक हैं:
- ऑब्जर्वेशन इक्वेशन: $Z_t | \Theta_t \sim \text{Pois}(\lambda_t \Theta_t)$ ।
- मार्जनल इवोल्यूशन: $\Theta_{t+1} | Z_{\le t} \sim \text{Gamma}(a_{t+1|t}, b_{t+1|t})$ ।
  यहाँ, $\Theta_t$ एक लेटेंट रिस्क स्टेट (latent risk state) का प्रतिनिधित्व करता है। यह तुल्यता मॉडल को अवलोकन परत के माध्यम से समय-परिवर्तनीय विषमता को स्वाभाविक रूप से संभालने की अनुमति देती है, जबकि लेटेंट स्टेट डायनेमिक्स के माध्यम से सीरियल डिपेंडेंस को मॉडल करती है।
लिफ्टिंग के माध्यम से कमजोर स्थिरता (Weak Stationarity via Lifting): एक महत्वपूर्ण सैद्धांतिक योगदान यह है कि M-SSMs केवल कंडीशनल मार्जिनल डिस्ट्रीब्यूशन निर्दिष्ट करते हैं, जिससे लेटेंट प्रोसेस की कोवेरिएंस संरचना अपरिभाषित रह जाती है।
- लेखक दिखाते हैं कि विशिष्ट पैरामीटर प्रतिबंधों (विशेष रूप से इवोल्यूशन पैरामीटर्स $\Delta_t$ और $q_t$ के बीच संबंध) के तहत, M-SSM को एक पूर्ण लीनियर स्टेट-स्पेस मॉडल (LSSM) में "लिफ्ट" किया जा सकता है।
- इस LSSM लिफ्ट में, लेटेंट स्टेट $\Theta_t$ एक लीनियर कंडीशनल मीन इवोल्यूशन का पालन करता है: $E[\Theta_{t+1} | \Theta_t, Z_{\le t}] = \Delta_t \Theta_t + (1-\Delta_t)$ ।
- महत्वपूर्ण रूप से, लेखक सिद्ध करते हैं कि हालांकि पूर्ण संयुक्त विकास (लिफ्ट) अद्वितीय नहीं है, फिर भी लेटेंट प्रोसेस की कोवेरिएंस संरचना M-SSM स्पेसिफिकेशन द्वारा विशिष्ट रूप से निर्धारित होती है। फलस्वरूप, यदि $\Delta_t \equiv \Delta \in (0, 1]$ , तो अवलोकनों में समय-परिवर्तनीय विषमता की उपस्थिति में भी, लेटेंट स्टेट प्रोसेस कमजोर रूप से स्थिर (weakly stationary) होता है।

3. मुख्य योगदान

हेट्रोजेनियस NB-INGARCH फॉर्मुलेशन: यह पेपर एक ऐसा मॉडल पेश करता है जो विश्वसनीयता व्याख्याओं के लिए आवश्यक एफाइन संरचना का उल्लंघन किए बिना, सफलतापूर्वक कोवेरिएट्स (विषमता) को INGARCH फ्रेमवर्क में एकीकृत करता है।
M-SSM प्रतिनिधित्व: यह प्रस्तावित हेट्रोजेनियस NB-INGARCH मॉडल और एक पॉइसन-गामा M-SSM के बीच समानता स्थापित करता है, जिससे एक एकीकृत ढांचा मिलता है जहाँ कोवेरिएट्स अवलोकन के पैमाने को प्रभावित करते हैं और डायनेमिक्स लेटेंट स्टेट को प्रभावित करते हैं।
स्थिरता के मुद्दों का समाधान: यह पेपर कोवेरिएट-प्रेरित विषमता और स्थिरता के बीच के संघर्ष को हल करता है, यह सिद्ध करते हुए कि लेटेंट स्टेट प्रोसेस के स्तर पर कमजोर स्थिरता (weak stationarity) को परिभाषित किया जा सकता है।
मिसिंग डेटा को संभालना: स्टेट-स्पेस फॉर्मुलेशन मिसिंग डेटा (जैसे शून्य एक्सपोजर अवधि) के व्यवस्थित उपचार की अनुमति देता है, जिससे मॉडल $\lambda_t = 0$ सेट करके इसे कुशलतापूर्वक संभाल सकता है।

4. परिणाम

लेखक विस्कॉन्सिन लोकल गवर्नमेंट प्रॉपर्टी इंश्योरेंस फंड (LGPIF) के वास्तविक P&C बीमा डेटा का उपयोग करके मॉडल को मान्य करते हैं।

तुलनात्मक प्रदर्शन: प्रस्तावित हेट्रोजेनियस NB-INGARCH मॉडल की तुलना एक स्टेशनरी पॉइसन-AR(1) स्टेट-स्पेस मॉडल और एक पॉइसन-गामा रैंडम-इफेक्ट्स मॉडल से की गई।
- लॉग-लाइक्लीहुड: प्रस्तावित मॉडल ने उच्चतम आउट-ऑफ-सैंपल लॉग-लाइक्लीहुड (-176.94) प्राप्त की, जो पॉइसन-AR(1) (-177.90) और रैंडम-इफेक्ट्स मॉडल (-179.02) से बेहतर थी।
- MSE: पॉइसन-AR(1) मॉडल का मीन स्क्वेर्ड एरर (MSE) सबसे कम (0.184 बनाम प्रस्तावित मॉडल के लिए 0.193) था, हालांकि अंतर मामूली थे।
पैरामीटर अनुमान: अनुमानित पर्सिस्टेंस पैरामीटर $\hat{\Delta} \approx 0.925$ (1 से कम) इंगित करता है कि डेटा शुद्ध रैंडम-इफेक्ट्स संरचना ( $\Delta=1$ ) से परे डायनेमिक अपडेटिंग का समर्थन करता है।
कंप्यूटेशनल दक्षता: पॉइसन-AR(1) मॉडल के विपरीत, जिसे लाइक्लीहुड मूल्यांकन के लिए न्यूमेरिकल इंटीग्रेशन की आवश्यकता होती है, प्रस्तावित NB-INGARCH मॉडल एक क्लोज्ड-फॉर्म नेगेटिव-बाइनोमियल प्रेडिक्टिव डिस्ट्रीब्यूशन प्रदान करता है।

5. महत्व और दावे

यह पेपर दावा करता है कि इसका प्राथमिक महत्व बीमा अनुप्रयोगों के लिए INGARCH मॉडल्स और स्टेट-स्पेस मॉडल्स (SSMs) के बीच की खाई को पाटने में निहित है।

व्याख्यात्मकता (Interpretability): अवलोकन के पैमाने (विषमता) को लेटेंट डायनेमिक्स से अलग करके, मॉडल जोखिम विकास की स्पष्ट व्याख्या प्रदान करता है, जो एक्चुरियल क्रेडिटिबिलिटी थ्योरी के अनुरूप है।
व्यावहारिक प्रयोज्यता: यह ढांचा विशेष रूप से बीमा डेटा की बाधाओं के लिए डिज़ाइन किया गया है: लघु समय श्रृंखला, कोवेरिएट्स की आवश्यकता, और एक ऐसी स्थिरता अवधारणा की आवश्यकता जो समय-परिवर्तनीय पॉलिसीधारक विशेषताओं को समायोजित कर सके।
सैद्धांतिक औचित्य: पेपर LSSM लिफ्ट के माध्यम से आवश्यक सैद्धांतिक आधार प्रदान करता है, जो विषम परिवेश में लेटेंट स्टेट्स के लिए कमजोर स्थिरता (weak stationarity) धारणाओं के उपयोग को न्यायसंगत बनाता है।

लेखक निष्कर्ष निकालते हैं कि भविष्य के कार्य इन परिणामों को व्यापक INGARCH वर्गों तक विस्तारित कर सकते हैं, लेकिन प्रस्तावित ढांचा P&C रेटिंग के लिए एक मजबूत, गणनात्मक रूप से कुशल और सैद्धांतिक रूप से सुदृढ़ उपकरण प्रदान करता है।