التحليل الإحصائي للتوزيعات غير الطبيعية في البيانات عالية الأبعاد
الشريط الجانبي للمقالة
محتوى المقالة الرئيسي
الملخص
تتناول هذه الدراسة تحديات تحليل بيانات التأمين عالية الأبعاد التي تتميز بتوزيعات غير طبيعية. من خلال استخدام تقنيات إحصائية متقدمة، بما في ذلك طرق التحويل واستراتيجيات تقليل الأبعاد مثل تحليل المكونات الرئيسية (PCA)، نقوم بتطبيع المتغيرات المنحرفة وتبسيط مجموعات البيانات المعقدة بشكل فعال. تُستخدم النماذج الخطية المعممة (GLMs) لتحديد المتنبئين المهمين لرسوم السياسة، وكشف كيفية تأثير العوامل الديموغرافية مثل العمر والجنس ومؤشر كتلة الجسم واختيارات نمط الحياة على تكاليف أقساط التأمين. تدعم النتائج استراتيجيات التسعير الشخصية التي تعكس ملفات تعريف المخاطر الفردية بدقة أكبر. يساهم هذا البحث في تطوير نماذج إحصائية متطورة قادرة على إدارة مجموعات البيانات المعقدة في قطاع التأمين، وتعزيز الكفاءة التشغيلية ورضا العملاء.
تفاصيل المقالة
هذا العمل مرخص بموجب Creative Commons Attribution-ShareAlike 4.0 International License.
المراجع
Akram, M., Cerin, E., Lamb, K. E., & White, S. R. (2023). Modelling count, bounded and skewed continuous outcomes in physical activity research: Beyond linear regression models. International Journal of Behavioral Nutrition and Physical Activity, 20(1), 57. https://doi.org/10.1186/s12966-023-01460-y
-Ashraf, A., Nawi, N. M., Shahzad, T., Aamir, M., Khan, M. A., & Ouahada, K. (2024). Dimension Reduction Using Dual-Featured Auto-Encoder for the Histological Classification of Human Lungs Tissues. IEEE Access, 12, 104165–104176. https://doi.org/10.1109/ACCESS.2024.3434592
-Elattar, M., Younes, A., Gad, I., & Elkabani, I. (2024). Explainable AI model for PDFMal detection based on gradient boosting model. Neural Computing and Applications, 36(34), 21607–21622. https://doi.org/10.1007/s00521-024-10314-y
-Lei, L., Bickel, P. J., & Karoui, N. E. (2016). Asymptotics For High Dimensional Regression M-Estimates: Fixed Design Results (arXiv:1612.06358). arXiv. https://doi.org/10.48550/arXiv.1612.06358
-Wang, Z., Akande, O., Poulos, J., & Li, F. (2022). Are deep learning models superior for missing data imputation in large surveys? Evidence from an empirical comparison (arXiv:2103.09316). arXiv. https://doi.org/10.48550/arXiv.2103.09316
-Wentzell, P. D., Giglio, C., & Kompany-Zareh, M. (2021). Beyond principal components: A critical comparison of factor analysis methods for subspace modelling in chemistry. Analytical Methods, 13(37), 4188–4219. https://doi.org/10.1039/D1AY01124C
-Woodman, R. J., & Mangoni, A. A. (2023). A comprehensive review of machine learning algorithms and their application in geriatric medicine: Present and future. Aging Clinical and Experimental Research, 35(11), 2363–2397. https://doi.org/10.1007/s40520-023-02552-2
-Woods, A. D., Davis-Kean, P., Halvorson, M. A., King, K. M., Logan, J. A. R., Xu, M., Bainter, S., Brown, D. M. Y., Clay, J. M., Cruz, R. A., Elsherif, M. M., Gerasimova, D., Joyal-Desmarais, K., Moreau, D., Nissen, J., Schmidt, K., Uzdavines, A., Van Dusen, B., & Vasilev, M. R. (2021). Missing Data and Multiple Imputation Decision Tree. https://doi.org/10.31234/osf.io/mdw5r