Regresión cuantílica como punto de partida en los modelos predictivos para el riesgo

Albert Pitarque; Ana María Pérez-Marín; Montserrat Guillen

doi:10.26360/2019_5

Autores/as

Albert Pitarque Universidad de Barcelona (España)
Ana María Pérez-Marín Universidad de Barcelona (España)
Montserrat Guillen Universidad de Barcelona (España)

DOI:

https://doi.org/10.26360/2019_5

Palabras clave:

modelización predictiva, valor en riesgo, valor en riesgo de la cola, optimización, remuestreo

Resumen

Dado un nivel o tolerancia de riesgo, la regresión cuantílica es un modelo predictivo que ajusta el correspondiente percentil de la variable respuesta continua. Fijado un determinado valor porcentual, se identifica el efecto de cada variable predictora en la distribución acumulada hasta ese nivel de la variable dependiente. En este artículo mostramos cómo puede utilizarse esta metodología en el análisis de datos en el seguro de automóvil y proponemos una extensión de la regresión cuantílica inspirada en la necesidad de predecir la esperanza de la cola condicional. Para ello se han desarrollado rutinas específicas en R y se ha implementado un procedimiento de remuestreo para la aproximación de los errores estándar. La principal conclusión es que este tipo de modelos permite analizar qué factores inciden en el riesgo de accidente y pueden ser utilizados para mitigarlo o para valorarlo en el ámbito asegurador.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Acerbi, C., y Szekely, B. (2014). Back-testing expected shortfall. Risk, 27(11), 76-81.

Ayuso, M., Guillen, M., y Pérez-Marín, A. M. (2016a). Using GPS data to analyse the distance travelled to the first accident at fault in pay-as-you-drive insurance. Transportation Research Part C: Emerging Technologies, 68, 160-167.

Ayuso, M., Guillen, M., y Pérez-Marín, A. M. (2016b).Telematics and gender discrimination: some usage-based evidence on whether men’s risk of accidents differs from women’s. Risks, 4(2), 1-10.

Boucher, J-P., Côté, S., y Guillen, M. (2017). Exposure as duration and distance in telematics motor insurance using generalized additive models. Risks, 5(4), 54. https://doi.org/10.3390/risks5040054

Fissler, T., y Ziegel, J. F. (2016). Higher order elicitability and Osband's principle. The Annals of Statistics, 44(4), 1680-1707.

Guillen, M., Nielsen, J. P., Ayuso, M., y Pérez-Marín, A. M. (2019). The use of telematics devices to improve automobile insurance rates. Risk Analysis, 39(3), 662-672.

Hardy, M. R. (2006). An introduction to risk measures for actuarial applications. SOA Syllabus Study Note. Koenker, R., y Bassett, G. (1978). Regression quantiles. Econometrica, 46(1), 33-50.

Koenker, R., y Machado, A. F. (1999). Goodness of fit and related inference processes for quantile regression. Journal of the American Statistical Association, 94(448), 1296-1310.

Koenker, R., Portnoy, S., Ng, P. T., Zeileis, A., Grosjean, P., y Ripley, B. D. (2018). Package 'quantreg'. Cran R-project.

Pitarque, A. (2019). Regresió quantílica en la gestió de riscos. Trabajo de final de máster Universitat Politècnica de Catalunya y Universitat de Barcelona.

Pitt, D. G. W. (2006). Regression quantile analysis of claim termination rates for income protection insurance. Annals of Actuarial Science, 1(2), 345- 357.