Measuring information loss when modeling sick leave with weight mixture models - Archive ouverte HAL Accéder directement au contenu
Pré-Publication, Document De Travail (Preprint/Prepublication) Année : 2022

Measuring information loss when modeling sick leave with weight mixture models

Mesure de la perte d'information lors de la modélisation des arrêts de travail avec des modèles de mélange de poids

Margaux Thorez

Résumé

We consider a problem in actuarial sciences, in which we have M insurance companies (samples) and K groups of insured persons. We want to model sick leave for each group. However, the group label of each observation is not defined with certainty for confidential reasons. We assume that each insurance company can provide the proportion of each group in its database. In this case, we are going to compare two different Kaplan-Meier estimators for mixture models. We measure the information loss when modeling sick leaves with variable weight mixture models in censored duration models, comparing Ryzhov's and Maiboroda's methods, both using simulations and empirical data. The choice of the weights seems to have an impact on the quality of the estimation. We found that Ryzhov's estimator gives usually best results, especially in the case where the weights are quite close. But when the weights are further apart, it is the Maiboroda estimator that becomes the best, especially in the case of strong censorship. Using empirical data, the Maiboroda estimator also seems to give better results.
Nous considérons un problème en sciences actuarielles, dans lequel nous avons M compagnies d'assurance (échantillons) et K groupes d'assurés. Nous voulons modéliser les arrêts de travail pour chaque groupe. Cependant, le label du groupe de chaque observation n'est pas définie avec certitude pour des raisons de confidentialité. Nous supposons que chaque compagnie d'assurance peut fournir la proportion de chaque groupe dans sa base de données. Dans ce cas, nous allons comparer deux estimateurs de Kaplan-Meier différents pour les modèles de mélange. Nous mesurons la perte d'information lors de la modélisation des arrêts de travail avec des modèles de mélange à poids variable dans des modèles de durée censurés, en comparant les méthodes de Ryzhov et de Maiboroda, en utilisant à la fois des simulations et des données empiriques. Le choix des poids semble avoir un impact sur la qualité de l'estimation. Nous avons constaté que l'estimateur de Ryzhov donne généralement de meilleurs résultats, surtout dans le cas où les poids sont assez proches. Mais lorsque les poids sont plus éloignés, c'est l'estimateur de Maiboroda qui devient le meilleur, surtout dans le cas d'une forte censure. En utilisant des données empiriques, l'estimateur de Maiboroda semble également donner de meilleurs résultats.
Fichier principal
Vignette du fichier
Article 1 - Thorez Margaux - HAL.pdf (5.72 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-03894573 , version 1 (12-12-2022)

Licence

Copyright (Tous droits réservés)

Identifiants

  • HAL Id : hal-03894573 , version 1

Citer

Margaux Thorez. Measuring information loss when modeling sick leave with weight mixture models. 2022. ⟨hal-03894573⟩
83 Consultations
16 Téléchargements

Partager

Gmail Facebook X LinkedIn More