Modelos Lineales Generalizados (GLM)

JUAN JOS FERNNDEZ DURN 1

1 Departmento

de Estadstica y Departamento de Administracin

ITAM

Seminario ITAM-CONAC
Mtodos Estadsticos en Actuara I

Auditorio Ral Baillres, ITAM

3 de Noviembre de 2011

JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

1. Conceptos Preliminares
Tipos de Variables
Modelo de Regresin Lineal

2. Modelos Lineales Generalizados (GLM)

Definicin
Anlisis de Devianza
Validacin
Casos Particulares
Modelo Binomial (Regresin Logstica)
Modelo Poisson
Sobredispersin: Modelo Poisson y Modelo Binomial
Negativo

Modelo Poisson-Gamma
Modelo Tweedie

3. Aplicacin en Tarificacin
JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

1. Conceptos Preliminares

Tipos de Variables:
1

Cualitativas: Indican la presencia de una cualidad o

atributo de las unidades experimentales.
1
2

Nominales: Ejemplo: Variable Gnero (Hombre, Mujer).

Ordinales: Ejemplo: Nivel Socioeconmico, NSE (Alto,
Medio, Bajo).

Cuantitativas: Surgen de un proceso de medicin o

conteo en las unidades experimentales.
1

Discretas: Ejemplos: Edad en aos cumplidos, nmero

de visitas al doctor en un mes.
Continuas: Ejemplos: Estatura, peso.

JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

Modelos de Regresin Lineal

Preguntas:
1

Cul es la relacin entre la variable Y (variable

dependiente, variable de respuesta) con el conjunto de
variables {X1 , X2 , . . . , Xk } (variables independientes,
variables explicativas) en cierta poblacin objeto de
estudio ?

Podemos describir el comportamiento de la variable Y

en trminos de las variables X ?

Es posible construir un modelo estadstico que relacione

Y con las X s de tal forma que dados los valores de las
X s podamos encontrar un intervalo de prediccin para la
variable Y ?
JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

Objetivos del Anlisis de Regresin:

Estimacin y descripcin: Resumir la informacin

contenida en los datos.

Predecir (pronosticar) Y en trminos de las X s.

Control: controlar (mantener) Y en un nivel deseado a

travs de la manipulacin de las variables (de control) X .

JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

Base de Datos para un Anlisis de Regresin

i-simo rengln: datos del i-simo individuo

j-sima columna: valores de la j-sima variable.

JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

Caractersticas del Modelo de Regresin Lineal:

Y es una variable univariada, del tipo cuantitativa discreta

o continua medida en escala de razn.

Las variabes X pueden ser de cualquier tipo y estar

medidas en cualquier escala de medicin.

Los modelos son lineales en sus parmetros. Varios

modelos no lineales se pueden transformar en modelos
lineales.

La linealidad se refiere a los parmetros no a las variables.

JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

Ejemplos:

Modelo 1: Y = 0 + 1 X + e

Modelo 2: ln(Y ) = 0 + 1 eX + 2 X 2 + e

Modelo 3: eY = 0 + 1 cos(X ) + 3 eX + e

Modelo 4: Y = e0 +cos(2 X ) + e

e: trmino de error
0 , 1 , 2 y 3 : parmetros.

Modelos 1, 2 y 3: modelos vlidos.

Modelo 4: modelo no vlido.
JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

Modelo de Regresin Lineal Simple

Yi = 0 + 1 Xi + ei
h(Yi ) = 0 + 1 g(Xi ) + ei

JUAN JOS FERNNDEZ DURN

i = 1, . . . , n
i = 1, . . . , n

Modelos Lineales Generalizados (GLM)

Supuestos del Modelo

1

VE1)
Es tal que cuando n , su varianza muestral
1 n
2
i=1 (Xi X ) Q donde Q es una constante fija finita.
n
VE2) El cuarto momento de X es finito.
E1) Tienen media cero (condicional en X ),
E (ei Xi ) = 0 Cov(ei , Xi ) = 0. La variable explicativa X
y el error e no estn correlacionados.
E2) Son homoscedsticos (Tienen varianza constante),
Var (ei Xi ) = 2 . Por lo tanto, el error tiene varianza
constante que no es funcin de la variable explicativa.
E3) No estn correlacionados, Cov(ei , ej Xi , Xj ) = 0 para
toda i = j.
E4) Tienen una distribucin normal, por tanto,
ei N(0, 2 )

Equivalentemente,
e N(0, 2 Inn )
JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

Ntese que dados estos supuestos,

E (Yi Xi ) = 0 + 1 Xi

Var (Yi Xi ) = 2

Yi Xi N(0 + 1 Xi , 2 ) independientes.

JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

Estimacin por Mnimos Cuadrados

Minimizar:
n

SC(0 , 1 ) =
(Yi 0 1 Xi )2
i=1

Bajo normalidad de los errores es equivalente a Mxima

Verosimilitud.

JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

8
6
hcuartos
4
2
0
2

10

12

hocupantes

Figure: Criterio de Mnimos Cuadrados.

JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

El valor ajustado de la E [Y Xi ] dado por el modelo (Y

i :
gorro) Y
i = 0 + 1 Xi
Y

Suma de Cuadrados Total SCT :

n

)2
SCT =
(Yi Y
i=1

Es la variacin de Y sin tomar en cuenta la informacin

dada por X .
Suma de Cuadrados del Modelo SCM:
n

i Y
)2
SCM =
(Y
i=1

Es la variacin de los valores predichos por el modelo

.
alrededor de su media Y
Suma de Cuadrados del Error SCE :
n

i )2
SCE =
(Yi Y
i=1

JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

A partir de la descomposicin en suma de cuadrados

SCT = SCM + SCE
se define el coeficiente de determinacin como
(
)
SCM
SCE
2
R =
= 1
100
SCT
SCT

JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

 Es significativa (importante) la variable explicativa X ?

1 1

t(n2) t-Student con n 2 g.l.

s SC1XX

I.C: al (1 )100% para 1 :

1 t(n2),1 2 s

1
SCXX

(
)
donde t(n2),1 2 es el percentil 1 2 100% de una
distribucin t-Student con n 2 grados de libertad (g.l.).
Prueba de Hiptesis:
H0 : 1 = 0 vs. Ha : 1 = 1

1
t(n2) es una cantidad pivotal bajo H0 .
1
s

SCXX

JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

Recurdese que E (Y X ), para X dada, es un parmetro

(cantidad fija desconocida).

x
E[Y
X = x] = Y
x 0 1 x
Y

t(n2)
)2
X
s n1 + (x
SCXX

I.C. al (1 )100% para E [Y X = x]

2
x t(n2),1 s 1 + (x X )
Y
2
n
SCXX

JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

8
6
hcuartos
4
2
0
2

10

12

hocupantes

Figure: Intervalos de Confianza al 95% para E(Y X ).

JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

Prediccin de Valores Futuros:

I.P. al (1 )100% para el valor futuro de Y en X = x

)2
1 (x X
0 + 1 x t(n2),1 2 s 1 + +
n
SCXX

JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

Anlisis de Residuales

i , definido como
e
i = observadoi esperadoi
i = Yi Y
e
Determinar la existencia de violaciones a los supuestos del
modelo.

Si el modelo ajustado es adecuado entonces los residuales

1 , e
2 , . . . , e
n } se deben comportar como una muestra de los
{e
errores {e1 , e2 , . . . , en }.

JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

Inclusin de Variables Cualitativas:

Para incluir una variable cualitativa como variable explicativa
con m niveles (m posibles valores) en un modelo de regresin
es necesario

construir m 1 variables indicadoras relacionadas

con m 1 de los m niveles de la variable cualitativa.

Una variable indicadora, como su nombre lo seala,

indica si el individuo tiene el valor de la variable

cualitativa especificado en la definicin de la variable
indicadora.
JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

Por ejemplo,
1
Para la variable Sexo con posibles valores Hombre (H) y
Mujer (M) es necesario construir una variable indicadora:
{
1 si el i-simo individuo es hombre
IH (i) =
0 en otro caso
2

Para la variable Carrera con posibles valores Actuara,

Matemticas, Administracin, Contabilidad y Otra es
necesario construir 4 variables indicadoras:
{
1 si el i-simo individuo estudia Actuara
IAct (i) =
0 en otro caso
{
1 si el i-simo individuo estudia Matemticas
IMat (i) =
0 en otro caso
{
1 si el i-simo individuo estudia Contabilidad
IConta (i) =
0 en otro caso
{
1 si el i-simo individuo estudia Otra
IOtra (i) =
0 en otro caso
JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

Trmino de Interaccin: producto de una variable cuantitativa

por una variable indicadora.
Ejemplo:
1

Y : Salario.

X1 : NSE (A, B y C).

X2 : Horas de Trabajo (HTrabajo).

Si utilizamos indicadoras para los niveles A y B podemos

escribir el modelo de regresin lineal como
Salarioi = 0 + 1 HTrabajoi + 2 IA (i) + 3 IB (i)+
4 HTrabajoi IA (i) + 5 HTrabajoi IB (i) + ei
i = 0 + 1 HTrabajoi + 2 IA (i) + 3 IB (i)+
Salario
4 HTrabajoi IA (i) + 5 HTrabajoi IB (i)
JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

Criterios de Seleccin de Modelos

Escoger el modelo que maximice la R 2 (Ra2 ).
Cp =

SCEreducido
+ 2p n
2
scompleto

Escoger el modelo final como aquel que minimiza Cp o que

haga Cp p.
AIC = 2l + 2p = cte + 2p + n ln(SCE )
Escoger el modelo con el menor AIC.
BIC = 2l + p ln(n) = cte + p ln(n) + n ln(SCE )
Escoger el modelo con el menor BIC.
PRESS =

i(i))2
(Yi Y
i=1

Escoger el modelo con el menor PRESS (Validacin Cruzada).

JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

EJEMPLO 1.
REGRESIN LINEAL SIMPLE:
ESPERANZA DE VIDA VS. NMERO DE HABITANTES POR
CADA DOCTOR

JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

2. Modelos Lineales Generalizados

Los modelos de regresin lineal presentan dos grandes

problemas:

La variable dependiente, Y , debe tener una distribucin

Normal (los errores tienen una distribucin Normal).

La relacin debe de ser lineal en los parmetros.

JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

En la prctica es posible pensar en varias situaciones en las

cuales Y no tiene una distribucin normal:

Nmero de accidentes en un ao para cierta cartera de

asegurados, Y Poisson() = Po().

Nmero de partidos que ganar cierto equipo de un total

de n, Y Binomial(n, ) = Bi(n, ).

Monto de reclamaciones, Y Gamma(, ).

En estas situaciones se puede contar con variables explicativas

que pensamos puedan tener cierta relacin con los parmetros
de inters (, , , ).
JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

Generalmente consideramos la siguiente ecuacin de

regresin
E [Yi x i ] = gi (x i ) para i = 1, . . . , n
donde gi () son funciones montonas (con inversa) y
comnmente gi () = g() para i = 1, . . . , n.

Las distribuciones para las cuales los modelos lineales

generalizados estn definidos son aquellas que pertenecen a
la familia exponencial.

JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

Funciones de densidad:
f (y; , ) = c(y, )e

y a()

E [Y ] = = a()

() = V ()
Var (Y ) = a

Ejemplos:
1
Y Po()
2
Y Bi(n, p)
3
Y Normal(, 2 ) = N(, 2 )
JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

Liga cannica y funcin de varianza:

Modelo
Bernoulli
Poisson
Normal
Gamma
Normal Inversa

Liga Cannica
ln

i
1i

= x i

Funcin de
Varianza V ()

Parmetro de
Dispersin

i (1 i )

i
1
2i
3i

ln(i ) = x i
i = x i
1
= x i
i
2
i = x i
Table: Ligas Cannicas.

Pesos para cada observacin:

=

para i = 1, . . . , n
wi

JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

Un modelo lineal generalizado se compone de 3 elementos:

1

Vector de observaciones de la variable dependiente Y ,

suponiendo que Y tiene una distribucin en la familia
exponencial.

Matriz de diseo, tamao n p (p 1 covariables)

Vector de parmetros

Funcin liga g():

i = E (Yi )

i = X i = g(i ) i = g 1 (X i )

JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

Por lo tanto, la base de datos es

Y1 X11 X21 . . . Xp1,1

Y2 X12 X22 . . . Xp1,2

..
..
..
..
.
.
.
...
.
Yn X1n X2n . . . Xp1,n

donde Y familia exponencial.

Ejemplos:
1

Binomial
Yi nmero de reprobados en el saln i
Xi1 duracin del examen

Poisson
Yi nmero de accidentes de autos en el ao para el sujeto i
Xi1 ao lluvioso o no
Xi2 millas recorridas
Xi3 sexo
Xi4 edad
JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

Anlisis de Devianza: Seleccin de Modelos

Objetivo: Determinar si todas las variables explicativas son

importantes para explicar el comportamiento de la variable
dependiente. Probar hiptesis de la forma:

H0 : q+1 = q+2 = . . . = p1 = 0

Regla: A ms parmetros mejor ajuste

Modelo saturado, Modelo completo, Modelo reducido

JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

Al trabajar con mxima verosimilitud se hace uso de modelos

anidados

Ejemplo: Y , X1 , X2 , . . . , X10

Modelo completo: i = 0 + 10
i=1 i Xi
Modelo reducido: i = 0 + 1 X1 + 2 X10
Modelos anidados: Se dice que los modelos
M1 , M2 , . . . , Mk estn anidados si M1 M2 . . . Mk

Ejemplo:

M1
M2
M3
M4

: utiliza X1 , X2 , . . . , X10
: utiliza X1 , X3 , X5
: utiliza X1 , X3
: utiliza X1

JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

Prueba de Cociente de Verosimilitudes

La prueba del cociente de verosimilitudes: Modelo completo

vs. Modelo reducido:

RC =

JUAN JOS FERNNDEZ DURN

LR

LC

Modelos Lineales Generalizados (GLM)

La idea principal es que si la hiptesis nula es cierta entonces

LR y
LC deben ser muy cercanos en valor.
Si H0 es verdadera (bajo H0 ) entonces
2 ln(RC ) 2pk

grados de libertad: parmetros de ms en el modelo completo,

los que fueron fijados en la hiptesis nula.
Ahora, denotando por
LS el valor mximo de la verosimilitud
bajo el modelo saturado, podemos escribir
RC =

( (

2 ln(RC ) = 2 ln

LR

LS

ln

JUAN JOS FERNNDEZ DURN

LR

LS

LC

LS

LC

LS

))

= 2 ln(RS )2 ln(CS )

Modelos Lineales Generalizados (GLM)

Cuando el parmetro de escala del modelo lineal

generalizado (e.g. Binomial, Poisson) entonces
D = 2 ln(0 )
es la devianza. Si el parmetro de escala es desconocido (e.g.
Normal) entonces
D

se conoce como la devianza escalada.

JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

Para el caso de parmetro de escala conocido se hacen las

pruebas mediante la 2 .

Para el caso de parmetro de escala desconocido se toman

cocientes de devianzas escaladas para eliminar el parmetro
de escala y se utilizan pruebas F (cociente de 2 s).

Devianzas pequeas indican un buen ajuste de los datos.

Devianzas grandes denotan un mal ajuste.

JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

Tabla de anlisis de devianza

S C M1 . . . Mk
Modelo
Mk
Mk 1
..
.
M1
C
S

Devianza
( )

LM
2 ln k
( LS )
LMk 1
2 ln

gl

DMk 1 DMk

LS

2 ln

..
.
(

2 ln

LM1

LS

LC

LS

..
.

( )

JUAN JOS FERNNDEZ DURN

Decremento en devianza

DM1 DM2
DC DM1
0

DS DC

Modelos Lineales Generalizados (GLM)

AIC

Anlisis de Residuales
Distintos tipos de residuales se pueden definir para un modelo
lineal generalizado
1

Pearson

rp =
)
Var(

Residual de devianza Cada observacin tiene una

contribucin a la devianza
D=

D=

i=1
n

di
di2

i=1

rD = signo(Y
) di
rD = signo(Y
)di

JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

Regresin Logstica: Respuesta Binaria

Variable aleatoria de Bernoulli: slo puede tomar dos posibles
valores.

Ejemplos: pliza de seguro de vida. Portafolios de plizas de

automviles.

Z =1=xito y Z =0=fracaso Z Ber (p), f (z), est dada por

f (z) = z (1 )1z para z = 0, 1
donde (0, 1) es la probabilidad de xito.

E (Z ) = y Var (Z ) = (1 ).
JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

Funcin liga logit:

(
)
i
ln
= x i = 0 + xi1 1 + . . . + xi,p1 p1
1 i

i =

ex i

1 + ex i

e0 +xi1 1 +...+xi,p1 p1
1 + e0 +xi1 1 +...+xi,p1 p1

JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

Momio:

i
1i

Si denotamos por m al momio, es decir, m =

entonces =

m
1+m .

Funcin de verosimilitud:

L( z) =

izi (1 i )1zi .

i=1

JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

Interpretacin de los coeficientes del modelo de regresin

logstica:
m(xi1 , . . . , xik , . . . , xi,p1 ) =

i
= ex i = e0 +xi1 1 +...+xi,p1 p1
1 i

De xk a xk + 1
m(xi1 , . . . , xik + 1, . . . , xi,p1 ) =

i
=
1 i

e0 +xi1 1 +...+(xik +1)k +...+xi,p1 p1

y, el cociente de momios resulta ser
m(xi1 , . . . , xik + 1, . . . , xi,p1 )
= e k
m(xi1 , . . . , xik , . . . , xi,p1 )
o equivalentemente

JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

m(xi1 , . . . , xik + 1, . . . , xi,p1 ) = m(xi1 , . . . , xik , . . . , xi,p1 )ek

JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

Un modelo alternativo al modelo de regresin logstica es el

modelo probit que satisface
i = (0 + xi1 1 + . . . + xi,p1 p1 ))
donde (x) es la funcin de distribucin acumulada de una
variable normal estndar.

JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

EJEMPLO 2.
REGRESIN LOGSTICA.
HUNDIMIENTO DEL TITANIC.

JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

Modelo Poisson : Regresin Poisson

Una variable aleatoria Y sigue una funcin de densidad
Poisson (Y Po()) si
f (y) =

y
e para y = 0, 1, 2, . . .
y!

donde el parmetro > 0.

La variable aleatoria Poisson es til para modelar el nmero de

ocurrencias de cierto evento en el tiempo (medio continuo).

Ntese que E (Y ) = y Var (Y ) = . El objetivo consiste en

modelar como funcin de ciertas covariables.

JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

Liga cannica: logaritmo,

ln(i (xi1 , . . . , xi,p1 )) = x i = 0 + xi1 1 + . . . + xi,p1 p1
y

i (xi1 , . . . , xi,p1 ) = ex i = e0 +xi1 1 +...+xi,p1 p1 .

De xk a xk + 1
i (xi1 , . . . , xik + 1, . . . , xi,p1 ) = e0 +xi1 1 +...+(xik +1)k +...+xi,p1 p1
y entonces
i (xi1 , . . . , xik + 1, . . . , xi,p1 ) =
e0 +xi1 1 +...+xik k +...+xi,p1 p1 ek = i (xi1 , . . . , xik , . . . , xi,p1 )ek .

JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

Funcin de verosimilitud:
L( y) =

i (xi1 , . . . , xi,p1 )yi

i=1

JUAN JOS FERNNDEZ DURN

yi !

ei (xi1 ,...,xi,p1 ) .

Modelos Lineales Generalizados (GLM)

Modelo Poisson:
Varianza = Media
Sobredispersin (Cuasipoisson):
Varianza > Media

Las estimaciones de los parmetros para el modelo Poisson

y cuasiPoisson son idnticos pero los errores estndar son
diferentes.

En el caso del modelo Poisson, otra posibilidad para modelar

sobredispersin es anidar el modelo Poisson en un modelo
Binominal Negativo.
JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

Modelo Binomial Negativo

Y E Poisson(E ) y E Gamma()

E (Y ) =

Var (Y ) = +

fY (y , ) =

(+y ) y
()y ! (+)+y

JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

EJEMPLO 3.
REGRESIN POISSON.
ACCIDENTES DE BARCOS.

JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

Modelos para Variables Continuas Positivas

Los modelos GLM para respuestas continuas positivas son

muy tiles para el anlisis de los montos de las reclamaciones
en Actuara.

Gamma,
Normal Inversa y
Modelo Tweedie (para frecuencia y severidad).

JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

Modelo Gamma

T Gamma(, r )

fT (t) =

rt
rr
r 1
t
e
para t, r , > 0
(r )r

La liga cannica corresponde a la inversa pero se acostumbra

utilizar una liga logaritmo.

JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

Modelo Normal Inverso

Y IG(, )

f (y) =

2y 3

)1
2

La media es y la varianza es

(y )2
22 y

3
.
3 .

para y, , > 0

La liga cannica es

1
2

y la

funcin de varianza es V () =
Nuevamente, en la prctica
se prefiere utilizar la liga logaritmo.

JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

Modelo Tweedie
Sea Y una variable aleatoria tal que
Y =

Zk

k =1

donde
N sigue una distribucin Poisson (Po())
las Z s son independientes e idnticamente distribuidas
como Gamma entonces,
Y sigue una distribucin Tweedie la cual asigna una
probabilidad positiva al caso Y = 0 siendo una mezcla de
una distribucin discreta y una distribucin continua.

JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

3. Aplicacin en Tarificacin
Ideas Fundamentales:
1

Descomponer la tarificacin en componentes de

frecuencia y severidad.

Utilizar factores de tarificacin aprovechando la naturaleza

multiplicativa de las ligas logaritmo en el modelo de
frecuencia (p. ej. Poisson o binomial negativa) y el modelo
de severidad (p.ej. gamma o normal inversa).

Generalmente, es mejor en la prctica modelar por

separado la frecuencia y severidad que utilizar el modelo
Tweedie.

Necesidad de utilizar offsets para definir la exposicin.

Regresin Logstica para modelar la renovacin.

La varianza de la prima se puede obtener mediante el

mtodo delta.
JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)

EJEMPLO 4. TARIFICACIN.
MODELO DE FRECUENCIA: POISSON-BINOMIAL
NEGATIVO
MODELO DE SEVERIDAD: GAMMA-LOGNORMAL

JUAN JOS FERNNDEZ DURN

Modelos Lineales Generalizados (GLM)