Severity estimation in dependent collective risk models

तकनीकी सारांश: आश्रित सामूहिक जोखिम मॉडलों (Dependent Collective Risk Models) में गंभीरता का अनुमान (Severity Estimation)

समस्या विवरण
सामूहिक जोखिम मॉडल (CRM) व्यक्तिगत दावे की गंभीरता (individual claim severities) के यादृच्छिक योग के रूप में कुल बीमा हानियों का प्रतिनिधित्व करता है। मानक अनुमान प्रक्रियाएं दावा आवृत्ति ($N$) और गंभीरता ($X$) के बीच स्वतंत्रता, तथा एक पॉलिसी के भीतर गारों (severities) के बीच स्वतंत्रता को मानती हैं। इन मान्यताओं के तहत, "मार्जिन-फर्स्ट" दृष्टिकोण—जो पोर्टफोलियो के संचित दावों (pooled claims) पर गंभीरता वितरण को फिट करता है—सुसंगत (consistent) होता है। हालांकि, वास्तविक दुनिया के पोर्टफोलफोलियो में आवृत्ति और गंभीरता के बीच, साथ ही एक पॉलिसी के भीतर गारियों के बीच निर्भरता देखी जा सकती है।

जब ऐसी निर्भरता मौजूद होती है, तो नीतियों के माध्यम से संचित किए गए दावे मार्जिनल गंभीरता वितरण ($F_X$) का नमूना नहीं होते हैं। इसके बजाय, उच्च दावा संख्या वाली नीतियां पूल में असमान रूप से अधिक दावे योगदान करती हैं। यह एक आकार-पक्षपाती नमूनाकरण तंत्र (size-biased sampling mechanism) बनाता है जहाँ संचित दावों का अनुभवजन्य वितरण एक मनमाने प्रेक्षित दावे ($Y$) के नियम की ओर अभिसरित होता है। फलस्वरूप, अन-करेक्टेड (uncorrected) संचित दावों पर सीधे गंभीरता मॉडल को फिट करने से वास्तविक गंभीरता मापदंडों (parameters) के अविसंगत अनुमान प्राप्त होते हैं, जिससे एक व्यवस्थित पूर्वाग्रह (systematic bias) उत्पन्न होता है जो नमूना आकार के साथ समाप्त नहीं होता है।

कार्यप्रणाली (Methodology)
यह शोध पत्र इस विसंगति को संबोधित करने के लिए एक कंपोजिट लाइकलीहुड अनुमान प्रक्रिया प्रस्तावित करता है। कार्यप्रणाली दो स्तंभों पर आधारित है:

1. डेटा-जनरेटिंग तंत्र की पहचान: लेखक सिद्ध करते हैं कि संचित दावों का अनुभवजन्य वितरण अनिवार्य रूप से एक मनमाने प्रेक्षित दावे, $F_Y$ के संचयी वितरण (CDF) की ओर अभिसरित होता है। यह वितरण मार्जिनल $F_X$ से भिन्न, कंडीशनल गंभीरता वितरणों का एक आकार-पक्षपाती मिश्रण (size-biased mixture) है:
   $$F_Y(x) = \sum_{n=1}^{\infty} \frac{n P(N=n)}{E[N]} F_{X|N=n}(x)$$
   यह परिणाम पहचानता है कि संचित दावे वास्तव में किस वितरण का नमूना लेते हैं।

2. कंपोजिट लाइकलीहुड निर्माण: पूर्ण जॉइंट लाइकलीहुड (जो अक्सर उच्च-आयामी कोपिला डेरिवेटिव्स के कारण जटिल होता है) को अधिकतम करने के बजाय, लेखक दो निम्न-आयामी घटकों पर आधारित एक कंपोजिट लाइकलीहुड का निर्माण करते हैं:

   • दावा गणनाओं ($N$) की मार्जिनल लाइकलीहुड।
   • प्रेक्षित-दावा घनत्व (observed-claim density) $f_Y$ पर आधारित संचित गारियों की लाइकलीहुड।

   कंपोजिट लॉग-लाइकलीहुड, काउंट लॉग-लाइकलीहुड और $f_Y$ से स्वतंत्र ड्रॉ के रूप में संचित गारियों के लॉग-लाइकलीहुड का योग है।

3. अनंतस्पर्शी सिद्धांत (Asymptotic Theory) और विचरण अनुमान: इस एस्टिमेटर को सुसंगत और अनंतस्पर्शी रूप से सामान्य (asymptotically normal) दिखाया गया है। महत्वपूर्ण रूप से, अनंतस्पर्शी विचरण (asymptotic variance) को गोडैम्बे सूचना मैट्रिक्स (Godambe information matrix - एक "सैंडविच" एस्टिमेटर) का उपयोग करके व्युत्पन्न किया गया है। शोध पत्र इस बात पर जोर देता है कि नमूनाकरण इकाई पॉलिसी होनी चाहिए, न कि व्यक्तिगत दावा। एक पॉलिसी के भीतर दावों के बीच निर्भरता और यादृच्छिक क्लस्टर आकार को ध्यान में रखने के लिए स्कोर को पॉलिसी स्तर पर एकत्रित करना आवश्यक है। दावों के स्तर पर एकत्रीकरण विचरण को कम आंकता है और कवरेज को कम (undercoverage) कर देता है।

4. चरणबद्ध विस्तार (Stepwise Extension): उन मॉडलों के लिए जिनमें उच्च-क्रम के निर्भरता मापदंडों (जैसे, पॉलिसी-के-भीतर गंभीरता निर्भरता) की आवश्यकता होती है, यह शोध पत्र एक चरणबद्ध अनुमान प्रक्रिया की रूपरेखा तैयार करता है। इसमें पहले आवृत्ति मापदंडों का अनुमान लगाया जाता है, फिर गंभीरता और आवृत्ति-गंभीरता निर्भरता का, और अंत में कंडीशनल मार्जिन्स का उपयोग करके पॉलिसी-के-भीतर निर्भरता का। एक स्टैक्ड सैंडविच एस्टिमेटर प्रारंभिक चरणों से अनिश्चितता को प्रसारित करता है।

प्रमुख योगदान और परिणाम

• असंगति का सैद्धांतिक प्रमाण: यह शोध पत्र औपचारिक रूप से स्थापित करता है कि मार्जिन-फर्स्ट एस्टिमेटर्स (जिसमें ML, IFM और रैंक-आधारित कोपिला विधियां शामिल हैं) संचित दावों पर लागू होने पर, वास्तविक गंभीरता वितरण के बजाय उसके कुलबैक-लीब्लर प्रोजेक्शन की ओर अभिसरित होते हैं।
• सरमानोव CRM के लिए क्लोज-फॉर्म समाधान: कार्यप्रणाली को सरमानोव सामूहिक जोखिम मॉडल (Sarmanov CRM) के लिए विशिष्ट बनाया गया है। एक लेटेंट बर्नौली-मिश्रण प्रतिनिधित्व का उपयोग करते हुए, लेखक प्रेक्षित-दावा घनत्व $f_Y$, कंडीशनल गंभीरता कानूनों और कुल औसत के लिए क्लोज-फॉर्म अभिव्यक्तियाँ व्युत्पन्न करते हैं। यह सुग्राह्यता (tractability) कुशल कार्यान्वयन की अनुमति देती है।
• स्वीकार्यता बाधाएं (Admissibility Constraints): यह शोध पत्र निर्भरता मापदंडों (जैसे, $\theta_{01}, \theta_{12}, \theta_{012}$) के लिए स्पष्ट बाधाएं प्रदान करता है ताकि परिणामी कोपिला वैध रहे, जो लेटेंट बर्नौली प्रायिकता द्रव्यमान फलन की गैर-नकारात्मकता से व्युत्पन्न है।
• सिमुलेशन साक्ष्य:
  • पूर्वाग्रह सुधार (Bias Correction): एक सिमुलेशन अध्ययन दर्शाता है कि नैव (naive) संचित फिटिंग गंभीरता मापदंडों (जैसे, गामा शेप और रेट) के अनुमानों में महत्वपूर्ण पूर्वाग्रह पैदा करती है जो नमूना आकार के बावजूद बना रहता है। प्रस्तावित कंपोजिट लाइकलीहुड इस पूर्वाग्रह को हटा देता है।
  • कुल औसत (Aggregate Mean): दिलचस्प बात यह है कि जबकि नैव एस्टिमेटर वास्तविक गंभीरता मार्जिन को पुनः प्राप्त करने में विफल रहता है, यह कुल औसत ($E[S]$) का सुसंगत अनुमान लगाता है क्योंकि $E[S] = E[N]E[Y]$, और नैव फिट प्रेक्षित दावों के माध्य ($E[Y]$) को सही ढंग से पकड़ लेता है।
  • अनुमान की वैधता (Inference Validity): अध्ययन पुष्टि करता है कि पॉलिसी-स्तरीय गोडैम्बे अंतराल नाममात्र कवरेज (लगभग 95%) प्राप्त करते हैं। इसके विपरीत, दावा-स्तरीय सैंडविच एस्टिमेटर (जो पॉलिसी-के-भीतर निर्भरता को अनदेखा करते हैं) गंभीर अंडरकवरेज (जैसे, उच्च-आवृत्ति परिदृश्यों में 84% तक गिरना) का कारण बनते हैं।

महत्व
शोध पत्र का दावा है कि इसका प्राथमिक योगदान आश्रित CRM में संचित दावों की आकार-पक्षपाती प्रकृति की पहचान करना और एक सुसंगत अनुमान ढांचे को प्रदान करना है जो इस पूर्वाग्रह को ठीक करता है। यह तर्क देता है कि उपस्थिति में आवृत्ति-गंभीरता निर्भरता के मामले में मानक दो-चरणीय प्रक्रियाएं मौलिक रूप से त्रुटिपूर्ण हैं। प्रेक्षित-दावा कानून ($F_Y$) का उपयोग करके, यह विधि वास्तविक मार्जिनल गंभीरता मापदंडों और निर्भरता संरचनाओं को पुनः प्राप्त करती है। यह कार्य कोपिला-आधारित जोखिम मॉडलिंग और आकार-पक्षपाती नमूनाकरण सिद्धांत के बीच के अंतर को पाटता है, जो उन बीमा गणनाओं (actuarial estimation) के लिए एक व्यावहारिक समाधान प्रदान करता है जहाँ पूर्ण जॉइंट लाइकलीहुड गणना करना कठिन होता है। लेखक उल्लेख करते हैं कि यद्यपि चित्रण के लिए सरमानोव मॉडल का उपयोग किया गया है, आकार-पक्ष-बायस (size-bias) तर्क किसी भी कोपिला परिवार पर लागू होता है जिसकी कंडीशनल लॉ (conditional laws) गणना योग्य हों।