Robust Poisson GLM and Applications in Property and Casualty Insurance
The Poisson generalized linear model (GLM) is frequently used in the property and casualty insurance industry to model claims frequency. However, maximum likelihood estimation of this model is not robust to the presence of outliers. There is limited knowledge about the presence and characteristics of outliers in property and casualty insurance data sets. The combination of this lack of robustness and the potential presence of outliers may lead to biased inference and erroneous insurance pricing decisions. Robust alternatives to the classical estimation method exist, for instance the frequentist approach of Cantoni and Ronchetti (2001) and the Bayesian approach of Hamura et al. (2025). Using real-world data from the property and casualty insurance industry, we compare these robust methods to the classical one. These robust methods also allow for effective outlier detection. We are therefore able to determine if outliers are present in the data sets, and to characterize them.
GLM de Poisson robuste et applications en assurance de dommages
Le modèle linéaire généralisé (GLM) de Poisson est fréquemment utilisé dans le secteur de l'assurance de dommages pour modéliser la fréquence des sinistres. Cependant, l'estimation par maximum de vraisemblance de ce modèle n'est pas robuste face à la présence de valeurs aberrantes. Les connaissances sur la présence et les caractéristiques des valeurs aberrantes dans les jeux de données d'assurance de dommages sont limitées. La combinaison de ce manque de robustesse et de la présence potentielle de valeurs aberrantes peut conduire à de l'inférence biaisée et à des décisions erronées en matière de tarification. Il existe d'autres options robustes pour remplacer la méthode d'estimation classique, par exemple l'approche fréquentiste de Cantoni et Ronchetti (2001) et l'approche bayésienne de Hamura et coll. (2025). À l'aide de données réelles provenant du secteur de l'assurance de dommages, nous comparons ces méthodes robustes à la méthode classique. Ces méthodes robustes permettent également une détection efficace des valeurs aberrantes. Nous sommes donc en mesure de déterminer si des valeurs aberrantes sont présentes dans les ensembles de données et de les caractériser.
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais