Severity estimation in dependent collective risk models

技術要約：依存型集団リスクモデルにおける深刻度推定

問題提起
集団リスクモデル（CRM）は、総保険損失を個々の請求の深刻度（severity）のランダムな和として表現する。標準的な推定手順では、請求頻度（$N$）と深刻度（$X$）の間の独立性、およびポリシー内における深刻度間の独立性を仮定している。これらの仮定の下では、「マージン・ファースト」アプローチ（ポートフォリオ全体のプールされた請求に対して深刻度の分布を適合させる手法）は一致性を持つ。しかし、現実世界のポートフォリオでは、頻度と深刻度の間の依存関係、およびポリシー内の深刻度間の依存関係が存在することが多い。

このような依存関係が存在する場合、ポリシー全体でプールされた請求は、もはや周辺的な深刻度分布（$F_X$）からのサンプルではなくなる。なぜなら、請求件数が多いポリシーほど、プールに対して不釣り合いに多くの請求を寄与するためである。これはサイズバイアス（大きさによる偏り）を伴うサンプリングメカニズムを生み出し、プールされた請求の経験的分布は、真の周辺的な深刻度の法則ではなく、任意の観測された請求（$Y$）の法則へと収束する。したがって、修正されていないプールされた請求に対して直接深刻度モデルを適合させると、真の深刻度パラメータに対して一貫性のない推定値が得られ、サンプルサイズが増大しても解消されない系統的なバイアスが生じることになる。

手法
本論文は、この不一致に対処するための合成尤度（composite likelihood）推定法を提案している。この手法は以下の2つの柱に基づいている。

1. データ生成メカニズムの特定： 著者らは、プールされた請求の経験的分布が、任意の観測された請求の累積分布関数（CDF）$F_Y$にほとんど確実に収束することを証明している。この分布は、条件付き深刻度分布のサイズバイアス混合である：
   $$F_Y(x) = \sum_{n=1}^{\infty} \frac{n P(N=n)}{E[N]} F_{X|N=n}(x)$$
   この結果は、プールされた請求が実際にサンプリングしている分布が、周辺的な $F_X$ とは異なるものであることを特定している。

2. 合成尤度の構築： 高次元のコップラ微分の計算が困難なフル・ジョイント尤度（政策ベクトル全体の尤度）を最大化しようとするのではなく、著者らは以下の2つの低次元コンポーネントに基づく合成尤度を構築する。

   • 請求件数（$N$）の周辺尤度。
   • 観測された請求の密度 $f_Y$ に基づく、プールされた深刻度の尤度。

   合成対数尤度は、カウントの対数尤度と、独立な $f_Y$ からの抽出として扱われるプールされた深刻度の対数尤度の和となる。

3. 漸近理論と分散推定： 推定量の性質として、一致性と漸近正規性が示されている。極めて重要な点は、漸近分散の導出において、サンプリング単位は個々の請求ではなく、**ポリシー（保険契約）**でなければならないという点である。ポリシー内の請求間の依存関係とランダムなクラスターサイズを考慮するためには、スコアをポリシーレベルで集計する必要がある。請求レベルで集計すると、分散を過小評価し、被覆率（coverage）の低下を招く。

4. 段階的な拡張： より高次の依存パラメータ（例：ポリシー内の深刻度依存関係）を必要とするモデルのために、論文では段階的な推定手順の概要を示している。これには、まず頻度パラメータを推定し、次に深刻度および頻度・深刻度の依存関係を、最後に条件付き周辺分布を用いてポリシー内の依存関係を推定するというプロセスが含まれる。スタックされたサンドイッチ推定器によって、初期のステップからの不確実性が伝播される。

主な貢献と結果

• 不一致性の理論的証明： 本論文は、プールされた請求に適用されたマージン・ファースト推定量（最尤法、IFM、ランクベースのコップラ法を含む）が、真のパラメータではなく、適合されたファミリーへの真の深刻度分布のカルバック・ライブラー投影に収束することを形式的に確立した。
• Sarmanov CRMに対する閉形式解： 本手法は、Sarmanov集団リスクモデルに特化している。潜在的なベルヌーイ混合表現を用いることで、著者らは観測された請求の密度 $f_Y$、条件付き深刻度法則、および集計平均の閉形式の表現を導出した。この計算の容易さにより、合成尤度の効率的な実装が可能となる。
• 許容制約： コップラが有効であることを保証するために、潜在的なベルヌーイ確率質量関数の非負性に由来する、依存パラメータ（例：$\theta_{01}, \theta_{12}, \theta_{012}$）に対する明示的な制約を提供している。
• シミュレーションによる証拠：
  • バイアス補正： シミュレーション研究により、素朴な（naive）プール適合が、サンプルサイズに関わらず持続する深刻度パラメータ（例：ガンマ分布の形状パラメータおよびレートパラメータ）の顕著なバイアスを生じさせることが示された。提案された合成尤度は、このバイアスを除去する。
  • 集計平均： 興味深いことに、素朴な推定量は真の深刻度周辺を回収できない一方で、集計平均（$E[S]$）は一貫して推定できる。これは $E[S] = E[N]E[Y]$ であり、素朴な適合が観測された請求の平均（$E[Y]$）を正しく捉えているためである。
  • 推論の妥当性： 研究は、ポリシーレベルのGodambe区間が公称被覆率（約95%）を達成することを確認した。対照的に、請求レベルのサンドイッチ推定器（ポリシー内の依存関係を無視したもの）は、深刻な被覆率の低下（高頻度シナリオにおいて84%まで低下）を招く。

意義
本論文の主要な貢献は、依存型CRMにおけるプールされた請求のサイズバイアス的な性質を特定し、このバイアスを補正する一貫した推定フレームワークを提供することにあると主張している。標準的な2ステップの手順は、頻度・深刻度の依存関係が存在する場合、根本的に欠陥があるとしている。観測された請求の法則（$F_Y$）を合成尤量の枠組み内で利用することで、本手法は真の深刻度パラメータおよび依存構造を回収する。本研究は、コップラに基づくリスクモデリングとサイズバイアスサンプリング理論の間の溝を埋めるものであり、フル・ジョイント尤度の計算が困難な実務的な保険数理的推定に対して実用的な解決策を提供する。著者らは、Sarmanovモデルは例示として用いられているが、サイズバイアスの議論は、計算可能な条件付き法則を持つあらゆるコップラ・ファミリーに一般的に適用可能であると述べている。