Balance and Fairness through Multicalibration in Nonlife Insurance Pricing

Resumo Técnico: Equilíbrio Financeiro e Justiça através da Multicalibração no Precificação de Seguros Não-Vida

1. Problema e Motivação

O artigo aborda dois desafios fundamentais na precificação de seguros não-vida:

1. Equilíbrio Financeiro (Autocalibração): Assegurar que, em média, os prémios cobrados correspondam aos sinistros gerados. Embora a calibração global seja comum, modelos de machine learning (como árvores de regressão ou redes neurais) frequentemente produzem prémios que se desviam dos totais de sinistros observados dentro de subgrupos específicos que pagam valores semelhantes. Isso pode levar a subsidiação cruzada e seleção adversa.
2. Justiça (Fairness): A necessidade de evitar discriminação injusta, especialmente em relação a características sensíveis (como saúde, deficiência ou, em contextos específicos, variáveis correlacionadas a género ou raça). A legislação (ex.: diretivas da UE sobre género) proíbe a discriminação direta, mas a discriminação indireta (via proxies) permanece um risco.

O problema central é como integrar a exigência de equilíbrio financeiro (autocalibração) com a exigência de justiça de grupo (fairness) sem sacrificar a precisão preditiva do modelo.

2. Metodologia e Conceitos Chave

O artigo propõe e formaliza o conceito de Multicalibração no contexto atuarial.

• Definição de Autocalibração: Um prémio $\pi(X)$ é autocalibrado se $E[Y | \pi(X) = p] = p$. Isso garante que, para qualquer valor de prémio $p$, o custo esperado dos sinistros ($Y$) é igual ao prémio cobrado.
• Definição de Justiça (Suficiência Fraca): O artigo adota a noção de "suficiência" baseada na independência condicional da média. Um prémio é justo em relação a uma característica sensível $S$ se $E[Y | \pi(X) = p, S = s] = E[Y | \pi(X) = p, S = s']$. Ou seja, para um mesmo prémio pago, o retorno esperado (sinistros) deve ser igual, independentemente do grupo sensível.
• Multicalibração: A união dos dois conceitos anteriores. Um prémio é multicalibrado em relação a $S$ se:
  $$E[Y | \pi(X) = p, S = s] = p$$
  Isso implica que o prémio é autocalibrado dentro de cada grupo definido pela característica sensível $S$, além de ser autocalibrado globalmente.

Abordagens de Implementação:
Os autores propõem métodos práticos para transformar um prémio candidato $\pi(X)$ em um prémio multicalibrado, utilizando correções de equilíbrio (balance correction):

1. Correção Multibalanceada (Multibalance Correction):

   • Define-se o prémio corrigido como a esperança condicional: $\pi_{mbc}(X) = E[Y | \pi(X), S]$.
   • Para $S$ Categórico: Utiliza-se regressão isotónica ponderada separadamente para cada nível de $S$, estimando a função de correção $m_\ell(p) = E[Y | \pi(X)=p, S=\ell]$.
   • Para $S$ Contínuo: Utiliza-se um Modelo Linear Generalizado (GLM) local bivariado no espaço conjunto $(\pi, S)$ para estimar a superfície de correção, seguido de um passo de centralização para preservar a autocalibração marginal.

2. Correção Iterativa com Encolhimento (Iterative Bias Correction):

   • Um procedimento algorítmico que ajusta iterativamente o prémio para eliminar resíduos médios dentro de "células" definidas por faixas de prémio e níveis de $S$.
   • Ponderação de Credibilidade: Para estabilizar as correções em grupos com pouca exposição (dados esparsos), aplica-se um mecanismo de encolhimento (shrinkage) inspirado na teoria de credibilidade de Bühlmann-Straub. O ajuste local é ponderado em direção à média global do bin, dependendo da exposição do grupo.

3. Contribuições Principais

• Integração Teórica: O artigo demonstra formalmente que a multicalibração é uma condição mais forte que a autocalibração e que a justiça de grupo (suficiência). Mostra-se que qualquer prémio multicalibrado é automaticamente autocalibrado e que o prémio de "melhor estimativa" (preço puro) é inerentemente multicalibrado.
• Propriedades de Desempenho: É provado que os preditores multicalibrados não sofrem de overfitting em relação à ordem convexa ($\pi(X) \preceq_{cx} \mu(X)$). Além disso, a correção multibalanceada melhora o desempenho do prémio original em relação a qualquer função de perda de Bregman (incluindo a deviance).
• Solução Prática para Dados Esparsos: A introdução de pesos de credibilidade no processo de correção iterativa permite aplicar multicalibração mesmo quando a exposição dentro de subgrupos sensíveis é limitada, evitando instabilidade estatística.
• Distinção entre Prémios Técnicos e Comerciais: O artigo esclarece que a justiça é uma propriedade do prémio comercial (decisão de negócio), enquanto o prémio técnico deve focar na máxima precisão. A multicalibração serve como uma ferramenta de pós-processamento para alinhar o prémio comercial com a equidade e o equilíbrio financeiro.

4. Resultados Empíricos

O estudo de caso utiliza dados de seguros de responsabilidade civil automóvel (MTPL) franceses (conjunto freMTPL2freq). A variável sensível $S$ foi testada como:

1. Categorizada: Faixas de idade do veículo (VehAge).
2. Contínua: Idade do veículo (VehAge) como variável contínua.

Principais achados:

• Redução de Viés: Os prémios base (GAM Poisson) apresentavam distorções monótonas e viés residual significativo entre grupos de idade do veículo. A autocalibração corrigiu o viés global, mas deixou viés condicional (diferenças entre grupos). A multicalibração eliminou quase totalmente esse viés condicional.
• Desempenho Preditivo (Deviance): Contrariando a intuição comum de que "justiça reduz precisão", a multicalibração melhorou a precisão preditiva. O prémio multicalibrado apresentou a menor deviance (erro de previsão) no conjunto de teste, superando tanto o modelo base quanto o modelo apenas autocalibrado.
• Poder Discriminatório (Gini): Todos os modelos calibrados melhoraram significativamente o coeficiente de Gini em relação ao modelo base. Embora houvesse pequenas variações entre os métodos (alguns métodos não iterativos tiveram Gini ligeiramente superior), a diferença foi mínima, indicando que a multicalibração não compromete a capacidade de discriminação de risco.
• Métodos Iterativos vs. Diretos: Os procedimentos iterativos tenderam a produzir perfis de resíduos mais suaves e estáveis, especialmente em cenários com dados esparsos, devido ao mecanismo de encolhimento.

5. Significância e Conclusão

O artigo estabelece que a multicalibração é uma ferramenta poderosa para a indústria de seguros, resolvendo a aparente tensão entre equidade e eficiência.

• Para Reguladores e Consumidores: Garante que grupos protegidos ou sensíveis não sejam sistematicamente prejudicados ou beneficiados dentro de faixas de prémio, atendendo a requisitos éticos e legais.
• Para Seguradoras: Demonstra que a imposição de justiça (multicalibração) não é um custo, mas sim um mecanismo que refina a precisão do modelo, eliminando erros de calibração que afetam a rentabilidade e a estabilidade financeira do portfólio.
• Inovação Metodológica: Oferece um roteiro prático (correção isotónica e algoritmos iterativos com credibilidade) para implementar esses conceitos em sistemas de precificação existentes, sem a necessidade de reestruturar completamente os modelos preditivos subjacentes.

Em suma, a multicalibração permite que as seguradoras ofereçam prémios que são simultaneamente financeiramente equilibrados (autocalibrados) e socialmente justos (multicalibrados), resultando em modelos estatisticamente superiores.