6.2 ResultsThe mean of the number o

6.2 Results
The mean of the number of claims declared by one insured and in 1 year is about 5.16 and the variance is 102.29. It is clear that the mean is very small compared to the variance. This indicates the overdispersion of the data. Generally, a Poisson regression model is not an appropriate model to fit to the data in such a case. Our objective is to fit Poisson regression and Zero-inflated Poisson regression to our data. Note that in ZIP regression model, we use the same covariate matrix for estimating k and h. The models specifications are indicated in Table 2. First we fit the Poisson regression to the number of claims. Table 3 indicates the estimates of parameter. We remark that all explanatory variables are significant because the associated p value to each factor is less than 5 %. The goodness test shows that the residual deviance for the model without covariates is very high (around 978967); and it fall down to 862317 when add the factor size of family. The minimum is obtained when all variables are added (see Table 4). The size_family, Industrial_city, Services_activity, status_married and Industry_activity have a positive sign. A positive change in these factors induces then an increase in the number of claims. The percentage change of the factor status_married is 27 %; this means that the number of claims filed by the married persons is 27 % more than the others. Whereas the percentages change of the factor status_single is around -43 %. Hence, single persons are more profitable for the insurance and should be of a prime interest of the underwriting strategies. For industrial cities, the percentage change is around 42 %. Thus, persons in great cities are more exposed to sickness that the small cities where the industrial activities are less preponderant. The percentages change of Industry_activity and Services_activity are 72 and 110 %, respectively. Persons in industrial and services activities are very exposed to sickness; they should be a bad target for the underwriters. Second, we compute the test introduced by [4] for detecting overdispersion in the data (Table 5). The t-statistc of the parameter a of this test is z = 83.510 with p value2.2e-16. This indicates that the dependent count variable is overdispersed. A second measure allowing the dispersion test is the Probability integral transforms (PIT). The histogram of the PIT is bump shaped (Fig. 1). This indicates also an overdispersion of the response variable. Since the histogram (Fig. 2) is highly peaked at zero, we can state that the overdispersion is due to excess of zeroes.

ผลลัพธ์ (ไทย) 1:

6.2 ผลหมายถึงจำนวนของข้อเรียกร้องที่ประกาศ โดยคุ้มครอง และ ใน 1 ปีคือ ประมาณ 5.16 และผลต่างคือ 102.29 เป็นที่ชัดเจนว่า หมายถึงมีขนาดเล็กมากเมื่อเทียบกับผลต่าง Overdispersion ของข้อมูลบ่งชี้ โดยทั่วไป แบบจำลองถดถอย Poisson ไม่ได้แบบที่เหมาะสมให้พอกับข้อมูลในกรณีดังกล่าว วัตถุประสงค์ของเราคือการถดถอยของ Poisson พอและถดถอย Poisson inflated ศูนย์ข้อมูลของเรา หมายเหตุว่า ในแบบจำลองถดถอย ZIP เราใช้เมตริกซ์ covariate เดียวกันสำหรับการประเมิน k และ h ข้อมูลรุ่นจะระบุไว้ในตารางที่ 2 แรกเราพอถดถอย Poisson ไปในตัว ตารางที่ 3 แสดงค่าประมาณของพารามิเตอร์ เราหมายเหตุว่า ตัวแปรทั้งหมดอธิบายมีงมากเนื่องจากค่า p ที่เกี่ยวข้องในแต่ละปัจจัยไม่น้อยกว่า 5% การทดสอบความดีแสดงว่า deviance เหลือสำหรับรุ่นโดย covariates สูงมาก (ประมาณ 978967); และจะถอยลงไป 862317 เมื่อเพิ่มปัจจัยขนาดของครอบครัว ขั้นต่ำที่ได้รับเมื่อเพิ่มตัวแปรทั้งหมด (ดูตารางที่ 4) Size_family, Industrial_city, Services_activity, status_married และ Industry_activity มีเครื่องหมายบวก เปลี่ยนแปลงในปัจจัยเหล่านี้ก่อให้เกิดแล้วการเพิ่มจำนวนของการเรียกร้อง อัตราการเปลี่ยนแปลงของ status_married ปัจจัยเป็น 27% นี้หมายความ ว่า จำนวนพนักงานเรียกร้องโดยคนแต่งงานแล้ว 27% มากกว่าที่อื่น ในขณะที่เปอร์เซ็นต์การเปลี่ยนแปลงของ status_single ปัจจัยคือ ประมาณ-43% ดังนั้น คนเดียวมี profitable เพิ่มเติมสำหรับการประกันภัย และควรสนใจสำคัญของกลยุทธ์ที่พิจารณา เมืองอุตสาหกรรม อัตราการเปลี่ยนแปลงได้ประมาณ 42% ดังนั้น คนในเมืองมากขึ้นกำลังเผชิญกับโรคที่เป็นเมืองเล็ก preponderant น้อยกิจกรรมอุตสาหกรรม การเปลี่ยนแปลงเปอร์เซ็นต์ของ Industry_activity และ Services_activity คือ 72 และ 110% ตามลำดับ คนในกิจกรรมอุตสาหกรรมและบริการจะเปิดเผยมากไปเจ็บป่วย พวกเขาควรจะติดต่อเป้าหมายไม่ถูกต้อง ที่สอง เราคำนวณการทดสอบที่นำมาใช้ โดย [4] สำหรับการตรวจจับ overdispersion ในข้อมูล (ตาราง 5) Statistc t ของพารามิเตอร์การทดสอบนี้คือ z = 83.510 กับ p value2.2e-16 บ่งชี้ว่า เป็น overdispersed ตัวแปรขึ้นอยู่กับจำนวน ช่วยให้การทดสอบการกระจายเป็นสำคัญน่าเป็นวัดสองแปลง (PIT) ฮิสโตแกรมของหลุมเป็นชนรูป (1 รูป) บ่งชี้ยังมี overdispersion ของตัวแปรตอบสนอง ตั้งแต่ฮิสโตแกรม (รูป 2) สูง peaked ที่ศูนย์ เราสามารถระบุว่า overdispersion ที่เป็นส่วนเกินของศูนย์เนื่องจาก

ผลลัพธ์ (ไทย) 2:

6.2 ผลการค้นหา
ค่าเฉลี่ยของจำนวนของการเรียกร้องประกาศโดยหนึ่งในผู้ประกันตนและใน 1 ปีอยู่ที่ประมาณ 5.16 และความแปรปรวนเป็น 102.29 เป็นที่ชัดเจนว่าค่าเฉลี่ยที่มีขนาดเล็กมากเมื่อเทียบกับความแปรปรวน นี้บ่งชี้ overdispersion ของข้อมูล โดยทั่วไปรูปแบบการถดถอยปัวซองไม่ได้เป็นรูปแบบที่เหมาะสมไปยัง FI T กับข้อมูลในกรณีดังกล่าว วัตถุประสงค์ของเราคือ Fi T Poisson ถดถอยและศูนย์ในฟลอริด้า ated Poisson ถดถอยข้อมูลของเรา โปรดสังเกตว่าในรูปแบบการถดถอยไปรษณีย์เราจะใช้เมทริกซ์ตัวแปรร่วมเดียวกันสำหรับการประเมินและ K H รุ่น speci ไพเพอร์ Fi จะมีการแสดงในตารางที่ 2 ครั้งแรกที่เรา fi T ถดถอยปัวซองไปยังหมายเลขของการเรียกร้อง ตารางที่ 3 แสดงให้เห็นการประมาณการของพารามิเตอร์ เราสังเกตว่าการอธิบายตัวแปรทั้งหมดที่มีนัยสำคัญลาดเท Fi เพราะค่า P ที่เกี่ยวข้องกับแต่ละปัจจัยมีค่าน้อยกว่า 5% การทดสอบความดีแสดงให้เห็นว่าอันซ์ที่เหลือสำหรับรูปแบบโดยไม่ต้องตัวแปรสูงมาก (ประมาณ 978,967); และมันก็ล้มลงไป 862,317 เมื่อเพิ่มขนาดปัจจัยของครอบครัว ขั้นต่ำที่จะได้รับเมื่อตัวแปรทั้งหมดที่มีการเพิ่ม (ดูตารางที่ 4) size_family, Industrial_city, Services_activity, status_married และ Industry_activity มีสัญญาณบวก การเปลี่ยนแปลงในเชิงบวกในปัจจัยเหล่านี้ก่อให้เกิดการแล้วการเพิ่มจำนวนของการเรียกร้อง เปอร์เซ็นต์การเปลี่ยนแปลงของปัจจัย status_married เป็น 27%; นี้หมายความว่าจำนวนของการเรียกร้อง Fi นำโดยคนที่แต่งงานแล้วคือ 27% มากกว่าคนอื่น ๆ ในขณะที่ร้อยละของการเปลี่ยนแปลง status_single ปัจจัยอยู่ที่ประมาณ -43% ดังนั้นคนเดียวตาราง Fi Pro มากขึ้นสำหรับการประกันและควรจะมีความสนใจที่สำคัญของกลยุทธ์การจัดจำหน่าย สำหรับเมืองอุตสาหกรรมอัตราการเปลี่ยนแปลงอยู่ที่ประมาณ 42% ดังนั้นคนที่อยู่ในเมืองใหญ่มีการเปิดรับมากขึ้นในการเจ็บป่วยที่เมืองเล็ก ๆ ที่กิจกรรมอุตสาหกรรมเหนือกว่าน้อย การเปลี่ยนแปลงร้อยละของ Industry_activity และ Services_activity 72 และ 110% ตามลำดับ บุคคลในกิจกรรมอุตสาหกรรมและบริการมีการสัมผัสมากที่จะเจ็บป่วย; พวกเขาควรจะเป็นเป้าหมายที่ไม่ดีสำหรับการจัดจำหน่ายหุ้นกู้ ประการที่สองเราคำนวณการทดสอบที่นำโดย [4] สำหรับการตรวจสอบ overdispersion ในข้อมูล (ตารางที่ 5) T-statistc ของพารามิเตอร์ของการทดสอบนี้คือ Z = 83.510 ที่มีค่า P 2.2e-16 นี้บ่งชี้ว่าตัวแปรขึ้นอยู่นับเป็น overdispersed วัดที่สองช่วยให้การกระจายตัวของการทดสอบคือความน่าจะเป็นแปลงหนึ่ง (PIT) ค่าแสงของหลุมเป็นชนรูป (รูปที่ 1). นี้บ่งชี้ยังมี overdispersion ของตัวแปรการตอบสนอง ตั้งแต่ histogram (รูป. 2) ซึ่งเป็นยอดเขาสูงที่ศูนย์เราสามารถระบุว่า overdispersion เป็นเพราะส่วนที่เกินจากศูนย์

ผลลัพธ์ (ไทย) 3:

6.2 ผลค่าเฉลี่ยของจำนวนของการเรียกร้องของผู้ประกันตนและประกาศโดยหนึ่งใน 1 ปีประมาณ 5.16 และความแปรปรวนเป็น 102.29 . มันเป็นที่ชัดเจนว่ามีขนาดเล็กมากเมื่อเทียบกับความแปรปรวน นี้บ่งชี้ว่า overdispersion ของข้อมูล โดยทั่วไป , แบบจำลองการถดถอยปัวซอไม่ใช่รูปแบบที่เหมาะสมที่จะถ่ายทอด t ข้อมูลในกรณีดังกล่าว วัตถุประสงค์ของเราคือการถ่ายทอดการถดถอยปัวซงและศูนย์ในflจากการถดถอยปัวชงข้อมูลของเรา ทราบว่าในการถดถอยแบบซิป เราใช้ชุดเดียวกัน เพื่อประเมินและเมทริกซ์ K . โมเดลกาจึงไอออนบวกจะแสดงในตารางที่ 2 แรกเราจึงไม่ใช่การถดถอยปัวชงกับจำนวนของการเรียกร้อง ตารางที่ 3 แสดงการประมาณพารามิเตอร์ เราสังเกตว่าตัวแปรอธิบายทั้งหมด signi จึงไม่สามารถเพราะเกี่ยวข้อง P ค่าแต่ละด้านไม่น้อยกว่า 5% ความดีงาม การทดสอบแสดงให้เห็นว่าที่เหลือเบี่ยงเบนสำหรับรูปแบบโดยไม่มีความรู้สูงมาก ( ประมาณ 978967 ) ; และมันก็ล้มลง 862317 เมื่อเพิ่มปัจจัย ขนาดของครอบครัว ขั้นต่ำที่ได้รับเมื่อตัวแปรทั้งหมดจะถูกเพิ่ม ( ตารางที่ 4 ) การ size_family industrial_city services_activity , , , และ status_married industry_activity มีเครื่องหมายบวก บวกการเปลี่ยนแปลงปัจจัยเหล่านี้ก่อให้เกิดแล้วเพิ่มจำนวนของการเรียกร้อง ร้อยละของการเปลี่ยนแปลงของปัจจัย status_married เป็น 27% ; นี้หมายความว่าจำนวนของการเรียกร้องจึงนำโดยบุคคลที่แต่งงาน 27 % มากขึ้นกว่าคนอื่น ๆ ในขณะที่ร้อยละการเปลี่ยนแปลงของปัจจัย status_single ประมาณ 43 % ดังนั้น คนเดียวจะตาราง Pro จึงมากขึ้นสำหรับการประกันและควรมีความสนใจเฉพาะของลูกค้า กลยุทธ์ สำหรับเมืองอุตสาหกรรม , การเปลี่ยนแปลงร้อยละประมาณ 42 % ดังนั้น คนในเมืองใหญ่จะสัมผัสกับความเจ็บป่วยที่ขนาดเล็กเมืองที่กิจกรรมอุตสาหกรรม จะมากกว่าน้อยกว่า เปอร์เซ็นต์การเปลี่ยนแปลงของ industry_activity และ services_activity เป็น 72 และ 110 เปอร์เซ็นต์ ตามลำดับ บุคคลในกิจกรรมอุตสาหกรรมและบริการมากสัมผัสกับโรค พวกเขาควรจะมีเป้าหมายที่ไม่ดีสำหรับราคา . ประการที่สอง เราคำนวณทดสอบแนะนำด้วย [ 4 ] สำหรับการตรวจหา overdispersion ในข้อมูล ( ตารางที่ 5 ) การ t-statistc ของพารามิเตอร์ของการทดสอบนี้คือ Z = 83.510 p value2.2e-16 . พบว่า ตัวแปรนับขึ้นเป็น overdispersed . เดี๋ยววัดให้แบบทดสอบความน่าจะเป็นการแปลงเชิงปริพันธ์ ( หลุม ) กราฟแสดงความถี่ของหลุมเป็นรูปชน ( รูปที่ 1 ) นี้บ่งชี้ว่า ยังมี overdispersion ของการตอบสนองตัวแปร ตั้งแต่ภาพ ( รูปที่ 2 ) เป็นอย่างสูงที่แหลมที่ศูนย์ เราสามารถระบุว่า overdispersion เกิดจากส่วนเกินของศูนย์ .