DOI: https://doi.org/10.3329/jsr.v59i2.88067
تاريخ النشر: 2026-03-01
المؤلف: Mohamed T. Boukadoum وآخرون
الموضوع الرئيسي: تقدير التوزيع الإحصائي وتطبيقاته
نظرة عامة
تتناول هذه الورقة نموذج الانحدار غاما في سياق البيانات المقيدة من اليسار مع المتغيرات التفسيرية، مع التركيز على تطوير معادلات تقدير الاحتمالية القصوى المقيدة من اليسار. يوضح المؤلفون أن التقديرات المستمدة من هذه الطريقة تتبع التوزيع الطبيعي بشكل تقريبي، مما يوفر أساسًا نظريًا لهذا النهج. تم إجراء دراسة محاكاة لتقييم خصائص العينة المحدودة للمعلمات المقترحة، مع التركيز بشكل خاص على تقديرات خطأ الجذر التربيعي المتوسط.
بالإضافة إلى ذلك، تقدم الورقة تطبيقًا للنموذج باستخدام بيانات تأمين السيارات لتقدير معاملات المتغيرات التفسيرية ذات الصلة بحساب المخصصات للمطالبات. تشمل التحليل استكشاف كيفية تأثير المتغير المقيد على هذه المخصصات. لتوضيح تأثير المتغير المقيد بشكل أكبر، يستخدم المؤلفون خوارزمية تعلم الآلة Random Forest. تناقش الدراسة أيضًا الآثار المترتبة على إدارة المخاطر المالية، وخاصة فيما يتعلق بالقيمة المعرضة للخطر (VaR)، والخسارة المتوقعة (ES)، واختبار أساليب VaR.
مقدمة
تناقش مقدمة الورقة فائدة نماذج الانحدار غاما في تحليل البيانات الإيجابية المستمرة التي تظهر انحرافًا، لا سيما في مجالات مثل البيولوجيا والهندسة والاقتصاد. تستفيد هذه النماذج من توزيع غاما، حيث تربط متوسط المتغير المستجيب بالمتغيرات التفسيرية عبر دالة ارتباط، عادةً ما تكون لوغاريتمية. يبرز المؤلفون أهمية معالجة التقييد في البيانات، والذي يمكن أن يحدث في تطبيقات متنوعة، بما في ذلك الدراسات البيئية والطبية. يعتبر التقييد من اليمين، حيث لم يحدث الحدث المعني بحلول نهاية الدراسة، والتقييد من اليسار، حيث لا تُلاحظ القيم التي تقل عن عتبة معينة، من الاعتبارات الحرجة. تقترح الورقة نموذج انحدار غاما مقيد من اليسار يصحح التحيز الناتج عن التقييد، مما يسهل تقدير العلاقات بين المتغيرات التفسيرية والمتغير المستجيب المقيد.
تم تنظيم الأقسام اللاحقة من الورقة لتوفير استكشاف شامل للنموذج المقترح. يقوم القسم 2 بصياغة دالة الاحتمالية لنموذج الانحدار غاما المقيد من اليسار ويستخرج مقدرات الاحتمالية القصوى. يستكشف القسم 3 السلوك التقاربي لهذه المقدرات، مؤكدًا طبيعتها الطبيعية. تقيم دراسة المحاكاة في القسم 4 أداء النموذج في السيناريوهات العملية، بينما يطبق القسم 5 المنهجية على مجموعة بيانات تأمين حقيقية، مع التركيز على تقدير المعلمات وتحليل آثار التقييد باستخدام تقنيات Random Forest. أخيرًا، يتناول القسم 6 إدارة المخاطر المالية من خلال حساب القيمة المعرضة للخطر (VaR) والخسارة المتوقعة (ES)، بما في ذلك اختبار Kupiec للاختبار الخلفي، مع تقديم ملخص للنتائج في القسم 7.
نقاش
في هذا القسم، يناقش المؤلفون نموذج الانحدار غاما وامتداده المقيد من اليسار، مع التركيز على الخصائص الإحصائية وتطبيقات النموذج. يُفترض أن المتغير الناتج \( Y \) يتبع توزيع غاما، معبرًا عنه بمعامل شكل \( \nu \) ومتوسط \( \mu(X) \)، والذي يرتبط بالمتغيرات التفسيرية \( X \) من خلال دالة ارتباط لوغاريتمية. يأخذ النموذج في الاعتبار التقييد من اليسار، حيث لا تُلاحظ الملاحظات التي تقل عن عتبة \( C \). يتم اشتقاق دالة الاحتمالية، ويظهر المؤلفون أن مقدر الاحتمالية القصوى (MLE) للمعلمات \( \nu \) و \( \beta \) متسق وطبيعي تقريبي تحت ظروف معينة، مما يسمح باستنتاج موثوق مع زيادة أحجام العينات.
تكشف دراسات المحاكاة عن أداء النموذج في كل من السيناريوهات غير المقيدة والمقيدة من اليسار. في الحالة غير المقيدة، تم تحديد معلمات هامة، حيث اقتربت MLE بشكل وثيق من القيم الحقيقية. في الحالة المقيدة من اليسار، ظل معامل الشكل \( \nu \) مهمًا عبر أحجام عينات مختلفة، مما يشير إلى قوة توزيع غاما للبيانات. يبرز المؤلفون أيضًا أهمية حجم العينة في اكتشاف آثار المتغيرات التفسيرية، لا سيما في وجود التقييد. تؤكد النتائج على فائدة النموذج في التطبيقات العملية، مثل تقدير المخصصات لمطالبات التأمين، حيث يكون التقييد من اليسار شائعًا. تشير النتائج إلى أن نموذج الانحدار غاما المقيد من اليسار يوفر إطارًا قيمًا لتحليل البيانات الملاحظة جزئيًا، مما يعزز دقة تقديرات المعلمات وتقييمات المخاطر في السياقات المالية.
DOI: https://doi.org/10.3329/jsr.v59i2.88067
Publication Date: 2026-03-01
Author(s): Mohamed T. Boukadoum et al.
Primary Topic: Statistical Distribution Estimation and Applications
Overview
This paper addresses the Gamma regression model in the context of left-censored data with covariates, focusing on the development of left-censored maximum likelihood estimating equations. The authors demonstrate that the estimates derived from this method are asymptotically normal, providing a theoretical foundation for the approach. A simulation study is conducted to evaluate the finite-sample properties of the proposed parameters, specifically examining root mean square error estimates.
Additionally, the paper presents an application of the model using car insurance data to estimate covariate coefficients relevant for calculating provisions for claims. The analysis includes an exploration of how the censoring variable influences these provisions. To further illustrate the impact of the censoring variable, the authors employ a Random Forest machine learning algorithm. The study also discusses implications for financial risk management, specifically in relation to Value at Risk (VaR), Expected Shortfall (ES), and the backtesting of VaR methodologies.
Introduction
The introduction of the paper discusses the utility of Gamma regression models in analyzing continuous positive data that exhibit skewness, particularly in fields such as biology, engineering, and economics. These models leverage the Gamma distribution, linking the mean of the response variable to covariates via a link function, typically logarithmic. The authors highlight the significance of addressing censoring in data, which can occur in various applications, including environmental and medical studies. Right-censoring, where the event of interest has not occurred by the study’s end, and left-censoring, where values below a certain threshold are unobserved, are both critical considerations. The paper proposes a left-censored Gamma regression model that corrects for bias introduced by censoring, facilitating robust estimation of relationships between covariates and the censored response variable.
The subsequent sections of the paper are structured to provide a comprehensive exploration of the proposed model. Section 2 formulates the likelihood function for the left-censored Gamma regression model and derives maximum likelihood estimators. Section 3 investigates the asymptotic behavior of these estimators, confirming their normality. A simulation study in Section 4 evaluates the model’s performance in practical scenarios, while Section 5 applies the methodology to a real insurance dataset, focusing on parameter estimation and the analysis of censoring effects using Random Forest techniques. Finally, Section 6 addresses financial risk management through the calculation of Value at Risk (VaR) and Expected Shortfall (ES), including a Kupiec test for backtesting, with a synthesis of findings presented in Section 7.
Discussion
In this section, the authors discuss the Gamma regression model and its left-censored extension, focusing on the statistical properties and applications of the model. The outcome variable \( Y \) is assumed to follow a Gamma distribution, parameterized by a shape parameter \( \nu \) and a mean \( \mu(X) \), which is linked to covariates \( X \) through a log-link function. The model accounts for left-censoring, where observations below a threshold \( C \) are not fully observed. The likelihood function is derived, and the authors demonstrate that the maximum likelihood estimator (MLE) for the parameters \( \nu \) and \( \beta \) is consistent and asymptotically normal under certain regularity conditions, allowing for reliable inference as sample sizes increase.
The simulation studies reveal the performance of the model under both uncensored and left-censored scenarios. In the uncensored case, significant parameters were identified, with the MLE closely approximating true values. In the left-censored case, the shape parameter \( \nu \) remained significant across varying sample sizes, indicating the robustness of the Gamma distribution for the data. The authors also highlight the importance of sample size in detecting the effects of covariates, particularly in the presence of censoring. The results underscore the model’s utility in practical applications, such as estimating provisions for insurance claims, where left-censoring is prevalent. The findings suggest that the left-censored Gamma regression model provides a valuable framework for analyzing partially observed data, enhancing the accuracy of parameter estimates and risk assessments in financial contexts.