Severity estimation in dependent collective risk models

기술 요약: 종속적 집합 위험 모델에서의 심도(Severity) 추정

문제 정의
집합 위험 모델(Collective Risk Model, CRM)은 총 보험 손실을 개별 청구 심도($X$)의 무작위 합으로 나타낸다. 표준적인 추정 절차는 청구 빈도($N$)와 심도($X$) 사이의 독립성, 그리고 하나의 보험 계약 내 심도 간의 독립성을 가정한다. 이러한 가정하에서는 포트폴리오 전체의 통합된 청구 데이터를 사용하여 심도 분포를 적합시키는 "마진 우선(margin-first)" 접근 방식이 일관성(consistent)을 갖는다. 그러나 실제 포트폴리오에서는 빈도와 심도 사이의 의존성, 그리고 하나의 계약 내 심도 간의 의존성이 존재할 수 있다.

이러한 의존성이 존재할 때, 여러 계약으로부터 통합된 청구 데이터는 더 이상 주변 심도 분포($F_X$)로부터 추출된 표본이 아니다. 대신, 청구 횟수가 많은 계약이 통합된 풀(pool)에 불균형적으로 더 많은 청구를 기여하게 된다. 이는 크기 편향된 샘플링(size-biased sampling) 메커니즘을 생성하며, 이로 인해 통합된 청구 데이터의 경험적 분포는 실제 주변 심도 법칙이 아닌, 임의의 관측된 청구($Y$)의 법칙으로 수렴하게 된다. 결과적으로, 보정되지 않은 통합 청구 데이터에 직접 심도 모델을 적합시키면 실제 심도 파라미터에 대해 일관되지 않은 추정치를 얻게 되며, 이는 표본 크기가 커지더라도 사라지지 않는 체계적인 편향(systematic bias)을 초래한다.

방법론
본 논문은 이러한 불일치를 해결하기 위해 복합 가능도(composite likelihood) 추정 절차를 제안한다. 이 방법론은 두 가지 핵심 축에 기반한다:

1. 데이터 생성 메커니즘의 식별: 저자들은 통합된 청구 데이터의 경험적 분포가 임의의 관측된 청구의 누적분포함수(CDF)인 $F_Y$로 거의 확실하게(almost surely) 수렴함을 증명한다. 이 분포는 다음과 같은 조건부 심도의 크기 편향된 혼합(size-biased mixture)이다:
   $$F_Y(x) = \sum_{n=1}^{\infty} \frac{n P(N=n)}{E[N]} F_{X|N=n}(x)$$
   이 결과는 통합된 청구가 실제 주변 심도 법칙과는 구별되는 특정 분포를 샘플링하고 있음을 식별해 준다.

2. 복합 가능도 구성: 고차원 코퓰라 미분값으로 인해 전체 합동 가능도(full joint likelihood)를 최대화하는 것이 어려운 경우가 많으므로, 저자들은 두 가지 저차원 구성 요소를 기반으로 복합 가능도를 구축한다:

   • 청구 횟수($N$)의 주변 가능도(marginal likelihood).
   • 관측된 청구 밀도 $f_Y$를 기반으로 한 심도의 가능도.

   복합 로그 가능도는 청구 횟수의 로그 가능도와, 독립적인 $f_Y$로부터 추출된 것으로 취급된 통합 심도의 로그 가능도의 합으로 구성된다.

3. 점근 이론 및 분산 추정: 제안된 추정량은 일관성을 가지며 점근적으로 정규 분포를 따른다. 결정적으로, 점근 분산은 Godambe 정보 행렬(소위 "샌드위치" 추정량)을 사용하여 도출된다. 본 논문은 샘플링 단위가 개별 청구가 아닌 **보험 계약(policy)**이어야 함을 강조한다. 계약 내 청구 간의 의존성과 무작위 클러스터 크기를 고려하기 위해서는 스코어(score)를 계약 단위로 집계해야 한다. 청구 단위로 집계할 경우 분산이 과소 추정되어 신뢰 구간의 피복(coverage)이 부족해지는 문제가 발생한다.

4. 단계적 확장: 고차 의존 파라미터(예: 계약 내 심도 의존성)가 필요한 모델을 위해, 논문은 단계적 추정 절차를 설명한다. 이는 먼저 빈도 파라미터를 추정하고, 그 다음 심도 및 빈도-심도 의존성을, 마지막으로 조건부 마진을 이용한 계약 내 의존성을 추정하는 과정을 포함한다. 스택형(stacked) 샌드위치 추정량이 이전 단계로부터 전달된 불확실성을 전파한다.

주요 기여 및 결과

• 불일성에 대한 이론적 증명: 본 논문은 통합된 청구 데이터에 적용된 마진 우선 추정량(최대 가능도법, IFM, 순위 기반 코퓰라 방법 포함)이 실제 파라미터 자체가 아니라, 실제 심도 분포를 적합된 가계(family) 위로 투영한 쿨백-라이블러(Kullback–Leibler) 투영체로 수렴함을 공식적으로 입증한다.
• Sarmanov CRM에 대한 폐쇄형 해(Closed-Form Solutions): 본 방법론은 Sarmanov 집합 위험 모델에 특화되어 있다. 잠재적 베르누이 혼합(latent Bernoulli-mixture) 표현을 사용하여, 저자들은 관측된 청구 밀도 $f_Y$, 조건부 심도 법칙, 그리고 총합 평균에 대한 폐쇄형 표현을 유도한다. 이러한 트랙터빌리티(tractability)는 효율적인 복합 가능도 구현을 가능하게 한다.
• 적합성 제약 조건: 잠재적 베르누이 확률 질량 함수의 비음성(non-negativity)으로부터 유도된, 결과적인 코퓰라가 유효하도록 하는 의존성 파라미터(예: $\theta_{01}, \theta_{12}, \theta_{012}$)에 대한 명시적 제약 조건을 제공한다.
• 시뮬레이션 증거:
  • 편향 수정: 시뮬레이션 연구는 나이브한(naive) 통합 적합 방식이 심도 파라미터(예: Gamma shape 및 rate) 추정에서 표본 크기와 관계없이 지속되는 상당한 편향을 생성함을 보여준다. 제안된 복합 가능도는 이러한 편향을 제거한다.
  • 총합 평균: 흥미롭게도, 나이브한 추정량은 실제 심도 마진을 회복하는 데는 실패하지만, $E[S] = E[N]E[Y]$이므로 총합 평균($E[S]$)은 일관되게 추정한다. 이는 나이브한 적합 방식이 관측된 청구의 평균($E[Y]$)을 올바르게 포착하기 때문이다.
  • 추론의 타당성: 연구는 계약 단위의 Godambe 구간이 명목 피복률(약 95%)을 달encing함을 확인한다. 반면, 계약 내 의존성을 무시하는 청구 단위 샌드위치 추정량은 심각한 피복 부족(고빈도 시나리오에서 84%까지 하락)을 초래한다.

의의
본 논문은 주요 기여가 의존적 CRM에서 발생하는 크기 편향의 성격을 규명하고, 이를 교정하는 일관된 추정 프레임워크를 제공하는 데 있다고 주장한다. 저자들은 의존성이 존재하는 상황에서 표준적인 2단계 절차가 근본적으로 결함이 있다고 논한다. 관측된 청구 법칙($F_Y$)을 복합 가능도 프레임워크 내에서 활용함으로써, 이 방법은 실제 주변 심도 파라미터와 의존 구조를 회복한다. 이 연구는 코퓰라 기반 리스크 모델링과 크기 편향 샘플링 이론 사이의 간극을 메우며, 전체 합동 가능도 계산이 어려운 보험 계리적 추정 분야에 실질적인 해결책을 제시한다. 저자들은 Sarmanov 모델이 예시로 사용되었으나, 크기 편향 논리는 계산 가능한 조건부 법칙을 가진 모든 코퓰라 가계에 일반적으로 적용될 수 있음을 언급한다.