Abstract Modeling event counts is i

Abstract Modeling event counts is important in many fields. For this purpose, the Poisson regression model is often used. However, this model assumes the equidi- spersion of the data. Unfortunately, this assumption is often violated in the observed data. The source of overdispersion depends on many situations. When the source of overdispersion is the excess of zeroes, the Zero-inflated Poisson regression model fits better counts data. In this paper, we first review the theoretical framework of Poisson regression and Zero-inflated Poisson regression. The probability integral transform test and the Vuong’s test are used to compare between the two models. Second, we fit these models to the number of claims in a private health insurance scheme. In our case, the number of claims is overdispersed because of the pre- ponderance of zeroes in the data set. The results prove that Zero-inflated Poisson regression performs better the number of claims of the customers affiliated in the health insurance scheme in the Moroccan case.

ผลลัพธ์ (ไทย) 1:

บทคัดย่อการสร้างแบบจำลองเหตุการณ์นับเป็นสิ่งสำคัญในหลายสาขา สำหรับวัตถุประสงค์นี้ มักใช้แบบจำลองการถดถอยของ Poisson อย่างไรก็ตาม รุ่นนี้อนุมาน spersion equidi ของข้อมูล อับ สมมติฐานนี้มักละเมิดในข้อมูลสังเกตได้ แหล่งที่มาของ overdispersion ขึ้นอยู่กับหลายสถานการณ์ เมื่อแหล่งที่มาของ overdispersion ส่วนเกินของเลขศูนย์ แบบถดถอยลมศูนย์ Poisson เหมาะกับข้อมูลจำนวนดีกว่า ในกระดาษนี้ เราครั้งแรกตรวจกรอบทฤษฎีของ Poisson ถดถอยและการถดถอยลมศูนย์ Poisson การทดสอบความน่าเป็นการแปลงเชิงปริพันธ์และววงการทดสอบจะใช้การเปรียบเทียบระหว่างสองรุ่น ที่สอง เราใส่รุ่นเหล่านี้ไปในตัวในแผนประกันสุขภาพส่วนตัว ในกรณีของเรา ในตัวเป็น overdispersed จาก ponderance ก่อนของเลขศูนย์ในชุดข้อมูล ผลการพิสูจน์ลมศูนย์ Poisson ถดถอยทำได้ดีกว่าจำนวนของข้อเรียกร้องของลูกค้าที่เกี่ยวข้องในแผนงานการประกันสุขภาพในกรณีโมร็อกโก

ผลลัพธ์ (ไทย) 2:

บทคัดย่อจำนวนเหตุการณ์การสร้างแบบจำลองเป็นสิ่งสำคัญในหลายสาขา เพื่อจุดประสงค์นี้รูปแบบการถดถอยปัวซองมักจะใช้ แต่รุ่นนี้ถือว่า spersion equidi- ของข้อมูล แต่น่าเสียดายที่สมมติฐานนี้มักจะถูกละเมิดในข้อมูลที่สังเกต แหล่งที่มาของ overdispersion ขึ้นอยู่กับหลาย ๆ สถานการณ์ เมื่อแหล่งที่มาของ overdispersion คือส่วนที่เกินจากเลขที่รุ่น Poisson ถดถอยศูนย์ข้อมูลที่สูงขึ้นเหมาะกับข้อหาที่ดีกว่า ในบทความนี้เราแรกทบทวนกรอบทฤษฎีของ Poisson ถดถอยและศูนย์พองถดถอยปัวซอง ความน่าจะเป็นหนึ่งแปลงทดสอบและการทดสอบ Vuong ถูกนำมาใช้เพื่อเปรียบเทียบระหว่างสองรุ่น ประการที่สองเราให้พอดีกับรูปแบบเหล่านี้ไปยังหมายเลขของการเรียกร้องในโครงการประกันสุขภาพภาคเอกชน ในกรณีของเราจำนวนของการเรียกร้องที่มี overdispersed เพราะ ponderance ก่อนของศูนย์อยู่ในชุดข้อมูล ผลการพิสูจน์ว่าเป็นศูนย์ที่สูงขึ้น Poisson ถดถอยมีประสิทธิภาพดีกว่าจำนวนของการเรียกร้องของลูกค้าในเครือในโครงการประกันสุขภาพในกรณีโมร็อกโก

ผลลัพธ์ (ไทย) 3:

นามธรรมแบบเหตุการณ์นับมีความสำคัญในด้านต่างๆ สำหรับวัตถุประสงค์นี้ แบบจำลองการถดถอยปัวซง มักใช้ อย่างไรก็ตาม รุ่นนี้ถือว่า equidi - spersion ของข้อมูล แต่สมมติฐานนี้มักจะถูกละเมิดในการตรวจสอบข้อมูล แหล่งที่มาของ overdispersion ขึ้นอยู่กับสถานการณ์มาก เมื่อแหล่งที่มาของ overdispersion เป็นส่วนเกินของศูนย์ , ศูนย์พองการถดถอยปัวชงแบบพอดีดีกว่านับข้อมูล ในกระดาษนี้เราแรกทบทวนกรอบทฤษฎีของการถดถอยปัวซงและศูนย์พองปัวซงสมการถดถอย ความน่าจะเป็นเป็นแปลงทดสอบและเวื ทดสอบใช้เปรียบเทียบระหว่างสองรุ่น ประการที่สอง เราเหมาะสมกับรูปแบบเหล่านี้จำนวนของการเรียกร้องในแผนประกันสุขภาพส่วนบุคคล ในกรณีของเรา , จำนวนของการเรียกร้อง overdispersed เพราะ pre - ponderance ของศูนย์ ในชุดข้อมูล ผลพิสูจน์ที่ศูนย์พองการถดถอยปัวชงมีประสิทธิภาพดีกว่าจำนวนของการเรียกร้องของลูกค้า บริษัท ในเครือในโครงการประกันสุขภาพในกรณีโมร็อกโก