Advertisement

Blätter der DGVFM

, Volume 22, Issue 4, pp 787–816 | Cite as

Estimation of mortalities

  • Helmut Rieder
Article

Summary

If a linear regression if fit to log-transformed mortalities and the estimate is back-transformed according to the formula EeY = eΜ+Σ2/2 a systematic bias occurs unless the error distribution is normal and the scale estimate is gauged to normal variance. This result is a consequence of the uniqueness theorem for the Laplace transform.

We determine the systematic bias of minimum-L2 and minimum-L1 estimation with sample variance and interquartile range of the residuals as scale estimates under a uniform and four contaminated normal error distributions. Already under innocent looking contaminations the true mortalities may be underestimated by 50% in the long run.

Moreover, the logarithmic transformation introduces an instability into the model that results in a large discrepancy between rg_Huber estimates as the tuning constant regulating the degree of robustness varies.

Contrary to the logarithm the square root stabilizes variance, diminishes the influence of outliers, automatically copes with observed zeros, allows the “nonparametric” back-transformation formula EY2 = Μ22 and, in the homoskedastic case, avoids a systematic bias of minimum-L2 estimation with sample variance.

For the company-specific table 3 of [Loeb94], in the age range of 20–65 years, we fit a parabola to root mortalities by minimum-L2, minimum-L1, and robust rg_ Huber regression estimates, and a cubic and exponential by least squares. The fits thus obtained in the original model are excellent and practically indistinguishable by a X2 goodness-of-fit test.

Finally, dispensing with the transformation of observations, we employ a Poisson generalized linear model and fit an exponential and a cubic by maximum likelihood.

Keywords

Error Distribution Regression Function Systematic Bias Average Absolute Deviation Scale Estimate 
These keywords were added by machine and not by the authors. This process is experimental and the keywords may be updated as the learning algorithm improves.

SchÄtzung von sterblichkeiten

Zusammenfassung

Bei der SchÄtzung von Sterblichkeiten mittels log-linearer Regression und Rücktransformation gemÄ\ der Formel EeY = eΜ+Σ2/2 entsteht ein systematischer Bias, es sei denn, die Fehlerverteilung ist exakt normal und der SkalenschÄtzer schÄtzt die Varianz. Dies folgt aus dem Eindeutigkeitssatz für die Laplace-Transformierte.

Unter uniformer Fehlerverteilung und vier kontaminierten Normalverteilungen bestimmen wir den Bias für Minimum-L2 und -L1 SchÄtzungen mit Stichprobenvarianz und Quartilsabstand der Residuen als SkalenschÄtzer. Schon bei unscheinbarer Kontamination können die wahren Sterblichkeiten im statistischen Mittel systematisch um 50% unterschÄtzt werden. überdies führt die logarithmische Transformation zu einer InstabilitÄt des Modells, welche sich in einer gro\en Diskrepanz der SchÄtzer vom Typ rg-Huber bei sich Ändernder tuning-Konstante, die den Grad der Robustheit steuert, Äu\ert.

Im Unterschied zum Logarithmus stabilisiert die Wurzel-Transformation die Varianz, sie dÄmpft den Einflu\ von Ausrei\ern, beobachtete Null-HÄufigkeiten verursachen keine Probleme, sie führt auf die “nichtparametrische” Rücktransformationsformel EY2 = Μ2 + Σ2 und verhindert im homoskedastischen Fall einen systematischen Bias der Minimum-L2 SchÄtzung mit Stichprobenvarianz.

Für die unternehmensspezifische Tafel 3 in [Loeb94] passen wir im Altersbereich 20–65 Jahre eine Parabel an die Wurzeln der Sterblichkeiten an, und zwar mittels Minimum-L2, -L1 und robusten rg_Huber SchÄtzungen, sowie ein kubisches Polynom und eine Exponentialfunktion mittels Kleinste-Quadrate. Die damit im Originalmodell erzielten Anpassungen sind hervorragend und praktisch mit einem X-Anpassungstest nicht zu unterscheiden.

Schlie\lich verwenden wir ein Poissonsches generalisiertes lineares Modell und schÄtzen eine Exponentialfunktion und ein kubisches Polynom nach der Maximum-Likelihood Methode ohne jegliche Transformation von Beobachtungen.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

References

  1. [BaKo78]
    Basset, G. andKoencker, R. (1978): Asymptotic Theory of Least Absolute Error Regression. J. Amer. Statist. Assoc. 73, 618–622.CrossRefMathSciNetGoogle Scholar
  2. [BePo82]
    Benjamin, B. andPollard, J. H. (1982): The Analysis of Mortality and Other Actuarial Statistics, 2nd edition. Heinemann, London.Google Scholar
  3. [BlSt83]
    Bloomfield, P. andSteiger, W. L. (1983): Least Absolute Deviations — Theory, Applications, and Algorithms. BirkhÄuser, Boston.Google Scholar
  4. [FaTu94]
    Fahrmeir, L. andTutz, G. (1994): Multivariate Statistical Modelling Based on Generalized Linear Models. Springer Verlag, New York.MATHGoogle Scholar
  5. [Hoyl75]
    Hoyle, M. H. (1975): Estimating generating functions. Ann. Statist. 3, 1361–1363.MATHCrossRefMathSciNetGoogle Scholar
  6. [Hubr81]
    Huber, P. J. (1981): Robust Statistics. Wiley, New York.MATHGoogle Scholar
  7. [ISP95]
    PC-ISP (1995): Interactive Scientific Processor, Version 3.1. Datavision AG, Klosters, Switzerland.Google Scholar
  8. [Loeb94]
    Loebus, H. (1994): Bestimmung einer angemessenen Sterbetafel für Lebensversicherungen mit Todesfallcharakter. Bl. d. DGVM 21, 497–524.MATHGoogle Scholar
  9. [Millr84]
    Miller, D. (1984): Reducing Transformation Bias in Curve Fitting. The American Statistician 38, 124–126.CrossRefGoogle Scholar
  10. [OlMi96]
    Olbricht, W. undMiller, K. (1996): Entwicklung unternehmenseigener Sterbetafeln. Bl. d. DGVM 23, 501–514.CrossRefGoogle Scholar
  11. [OlKo96]
    Olbricht, W. (1996): Zur Entwicklung unternehmenseigener Sterbetafeln. Math. Kolloquium, Univ. Bayreuth, 8 February 1996.Google Scholar
  12. [Ridr94]
    Rieder, H. (1994): Robust Asymptotic Statistics. Springer, New York.MATHGoogle Scholar
  13. [Slatr94]
    Schlather, M. (1994): Glattheit von Generalisierten Linearen Modellen und statistische Folgerungen. Diplomarbeit, UniversitÄt Bayreuth.Google Scholar
  14. [SliSt95]
    Schlingen, R. andStreitberg, B. (1995): Zeitreihenanalyse, 6th ed. Oldenbourg Verlag, München.Google Scholar
  15. [Vera91]
    Verrall, R. J. (1991): On the estimation of reserves from log-linear models. Insurance: Mathematics and Economics 10, 75–80.MATHCrossRefGoogle Scholar
  16. [Wolff70]
    Wolff, K.-H. (1970): Versicherungsmathematik. Springer, Berlin.MATHGoogle Scholar

Copyright information

© DAV/DGVFM 1996

Authors and Affiliations

  • Helmut Rieder
    • 1
  1. 1.Bayreuth

Personalised recommendations