产险精算GLM-GAM案例

继续使用北美产险精算学会CAS网站上的一个案例，对案例略作修改后进行验证。

Class	AOI	Terr	Exposure	Claims
1	Low	1	7	6
2	Medium	1	108	44
3	High	1	179	105
4	Low	2	130	62
5	Medium	2	126	82
6	High	2	129	120
7	Low	3	143	84
8	Medium	3	126	101
9	High	3	40	46

GLM 模型结果，见文章：产险精算GLM案例2_人附翠微J的博客-CSDN博客​​​​​​

下面我们来看 GAM 的结果。这里，我们对 Claims 做拟合，因为如果对Freq做拟合的话，由于因变量 AOI 和 Terr 都是分类变量，则无法使用 GAM 做拟合了。

此处，我们将 Exposure 作为自变量放入模型，因此不再需要在模型中使用 Weights=Exposure 了。

搭建 GAM 模型的关键是超参数样条函数的选择。

（1）我们从最低配置开始做模型，即样条基函数的个数取3，degree也就是样条基函数的幂次数取2，得到的结果如下：

 

 从模型结果可以看到，Claims拟合值已经很接近Claims实际值。

（2）如果我们对超参数样条函数的选择选取最高配置，即样条基函数的个数取4，degree也就是样条基函数的幂次数取3，得到的结果如下：

 从模型结果可以看出来，Claims拟合值已经非常接近Claims实际值。当然，AIC和BIC的指标值都有所上升，因此不排除 过拟合 的可能性。因此，从模型应用的角度，选择 低配版的GAM 可能就可以了。

（3）小结

普通线性模型OLM的升级是广义线性模型GLM，OLM 只是 GLM 的一个特例。

广义线性模型GLM的升级是广义加法模型GAM，而 GLM 只是 GAM 的一个特例。

但是，实践中要慎用 GAM，因为从上面的例子可以看到，GAM由于样条函数的存在，使其可解释性不如GLM好，而且 配置高 的 GAM 也很容易出现 过拟合 的现象，对 数据训练集 拟合程度很好，但未必适用于 数据测试集。

（Respects to 精算部落）