論文の概要: Model error and its estimation, with particular application to loss
reserving
- arxiv url: http://arxiv.org/abs/2210.01099v1
- Date: Fri, 30 Sep 2022 03:53:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-04 17:47:19.180217
- Title: Model error and its estimation, with particular application to loss
reserving
- Title（参考訳）: モデル誤差とその推定,特に損失保存への応用
- Authors: G Taylor, G McGuire
- Abstract要約: 本稿では,特に保険損失の保存に関して,予測誤差について考察する。
パラメータとモデル誤差の見積もりは絡み合っており、それらの解離は少なくとも困難であり、おそらく意味のあるものではない。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This paper is concerned with forecast error, particularly in relation to loss
reserving. This is generally regarded as consisting of three components, namely
parameter, process and model errors. The first two of these components, and
their estimation, are well understood, but less so model error. Model error
itself is considered in two parts: one part that is capable of estimation from
past data (internal model error), and another part that is not (external model
error). Attention is focused here on internal model error. Estimation of this
error component is approached by means of Bayesian model averaging, using the
Bayesian interpretation of the LASSO. This is used to generate a set of
admissible models, each with its prior probability and the likelihood of
observed data. A posterior on the model set, conditional on the data, results,
and an estimate of model error (contained in a loss reserve) is obtained as the
variance of the loss reserve according to this posterior. The population of
models entering materially into the support of the posterior may turn out to be
thinner than desired, and bootstrapping of the LASSO is used to gain bulk. This
provides the bonus of an estimate of parameter error also. It turns out that
the estimates of parameter and model errors are entangled, and dissociation of
them is at least difficult, and possibly not even meaningful. These matters are
discussed. The majority of the discussion applies to forecasting generally, but
numerical illustration of the concepts is given in relation to insurance data
and the problem of insurance loss reserving.
- Abstract（参考訳）: 本稿では,特に損失保存に関する予測誤差について考察する。
これは一般的にパラメータ、プロセス、モデルエラーという3つのコンポーネントで構成されています。
これらのコンポーネントの最初の2つとその推定はよく理解されているが、モデルエラーは少ない。
モデルエラーそのものは、過去のデータから推定できる部分(内部モデルエラー)と、(外部モデルエラー)ではない部分(外部モデルエラー)の2つに分けられる。
ここでは内部モデルエラーに注目します。
この誤差成分の推定は、ラッソのベイズ解釈を用いてベイズモデル平均化によってアプローチされる。
これは許容されるモデルのセットを生成するのに使われ、それぞれが事前の確率と観測データの可能性を持つ。
この後部に従って損失予備金の分散として、モデルセットの後方、データに対する条件付き、結果、(損失予備金に含まれる)モデル誤差の推定値を得る。
後方の支持部に物質的に入射するモデルの個体数は、所望よりも薄いことが判明し、ラッソのブートストラップはバルクを得るために使用される。
これはパラメータエラーの推定値のボーナスも提供する。
パラメータとモデル誤差の推定値が絡み合っており、それらの解離は少なくとも困難であり、おそらく意味のあるものではないことが判明した。
これらの事柄について論じる。
議論の大半は概ね予測に当てはまるが、保険データと保険損失の保存問題との関連で、概念の数値的な説明がなされている。
関連論文リスト
- Inference at the data's edge: Gaussian processes for modeling and inference under model-dependency, poor overlap, and extrapolation [0.0]
ガウス過程 (GP) はフレキシブルな非線形回帰法である。
これは、予測された(非現実的な)値に対する不確実性を扱うための原則化されたアプローチを提供する。
これは外挿または弱い重なり合いの条件下では特に有用である。
論文 参考訳（メタデータ） (2024-07-15T05:09:50Z) - Rejection via Learning Density Ratios [50.91522897152437]
拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。
そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。
私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
論文 参考訳（メタデータ） (2024-05-29T01:32:17Z) - Accelerating Ensemble Error Bar Prediction with Single Models Fits [0.5249805590164902]
Nモデルのアンサンブルは、推論に使用される場合の1つのモデルに比べて、およそN倍計算的に要求される。
本研究では,単一モデルを用いてアンサンブル誤りを予測し,完全アンサンブルを必要とせずに不確実性を推定する手法を提案する。
論文 参考訳（メタデータ） (2024-04-15T16:10:27Z) - Parameter uncertainties for imperfect surrogate models in the low-noise regime [0.3069335774032178]
我々は、不特定、ほぼ決定論的シュロゲートモデルの一般化誤差を解析する。
遅れた一般化誤差を避けるために、後続分布が全ての訓練点をカバーする必要があることを示す。
これは、原子論的機械学習における1000次元データセットに適用する前に、モデル問題で実証される。
論文 参考訳（メタデータ） (2024-02-02T11:41:21Z) - Towards Fine-Grained Information: Identifying the Type and Location of
Translation Errors [80.22825549235556]
既存のアプローチでは、エラーの位置と型を同期的に考慮することはできない。
我々はtextbf の追加と textbfomission エラーを予測するために FG-TED モデルを構築した。
実験により,本モデルではエラータイプと位置の同時同定が可能であり,最先端の結果が得られた。
論文 参考訳（メタデータ） (2023-02-17T16:20:33Z) - The Implicit Delta Method [61.36121543728134]
本稿では,不確実性のトレーニング損失を無限に正規化することで機能する,暗黙のデルタ法を提案する。
有限差分により無限小変化が近似された場合でも, 正則化による評価の変化は評価推定器の分散に一定であることを示す。
論文 参考訳（メタデータ） (2022-11-11T19:34:17Z) - Rethinking Missing Data: Aleatoric Uncertainty-Aware Recommendation [59.500347564280204]
本稿では, Aleatoric Uncertainty-aware Recommendation (AUR) フレームワークを提案する。
AURは、新しい不確実性推定器と通常のレコメンデータモデルで構成されている。
誤ラベルの可能性がペアの可能性を反映しているため、AURは不確実性に応じてレコメンデーションを行う。
論文 参考訳（メタデータ） (2022-09-22T04:32:51Z) - Prediction Errors for Penalized Regressions based on Generalized
Approximate Message Passing [0.0]
C_p$ criterion, Information criteria, and leave-one-out Cross Validation (LOOCV) error。
GAMPの枠組みでは,推定値の分散を利用して情報基準を表現できることが示されている。
論文 参考訳（メタデータ） (2022-06-26T09:42:39Z) - Why Calibration Error is Wrong Given Model Uncertainty: Using Posterior
Predictive Checks with Deep Learning [0.0]
キャリブレーション誤差とその変種が、モデルの不確実性によってほとんど常に正しくないことを示す。
このミスがいかにして悪いモデルへの信頼と良いモデルへの信頼につながるかを示します。
論文 参考訳（メタデータ） (2021-12-02T18:26:30Z) - Probabilistic Modeling for Human Mesh Recovery [73.11532990173441]
本稿では,2次元の証拠から3次元の人体復元の問題に焦点を当てた。
我々は,この問題を,入力から3Dポーズの分布へのマッピング学習として再考した。
論文 参考訳（メタデータ） (2021-08-26T17:55:11Z) - Performance metrics for intervention-triggering prediction models do not
reflect an expected reduction in outcomes from using the model [71.9860741092209]
臨床研究者はしばしばリスク予測モデルの中から選択し評価する。
振り返りデータから算出される標準メトリクスは、特定の仮定の下でのみモデルユーティリティに関係します。
予測が時間を通して繰り返し配信される場合、標準メトリクスとユーティリティの関係はさらに複雑になる。
論文 参考訳（メタデータ） (2020-06-02T16:26:49Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。