Regresión cuantílica como punto de partida en los modelos predictivos para el riesgo

<?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.loc.gov/MARC21/slim http://www.loc.gov/standards/marcxml/schema/MARC21slim.xsd">
  <record>
    <leader>00000cab a2200000   4500</leader>
    <controlfield tag="001">MAP20200000426</controlfield>
    <controlfield tag="003">MAP</controlfield>
    <controlfield tag="005">20200116105515.0</controlfield>
    <controlfield tag="008">200114e20191111esp|||p      |0|||b|spa d</controlfield>
    <datafield tag="040" ind1=" " ind2=" ">
      <subfield code="a">MAP</subfield>
      <subfield code="b">spa</subfield>
      <subfield code="d">MAP</subfield>
    </datafield>
    <datafield tag="084" ind1=" " ind2=" ">
      <subfield code="a">6</subfield>
    </datafield>
    <datafield tag="100" ind1="1" ind2=" ">
      <subfield code="0">MAPA20200000297</subfield>
      <subfield code="a">Pitarque, Albert</subfield>
    </datafield>
    <datafield tag="245" ind1="1" ind2="0">
      <subfield code="a">Regresión cuantílica como punto de partida en los modelos predictivos para el riesgo</subfield>
      <subfield code="c">Albert Pitarque, Ana María Pérez-Marín, Montserrat Guillen</subfield>
    </datafield>
    <datafield tag="520" ind1=" " ind2=" ">
      <subfield code="a">Dado un nivel o tolerancia de riesgo, la regresión cuantílica es un modelo predictivo que ajusta el correspondiente percentil de la variable respuesta continua. Fijado un determinado valor porcentual, se identifica el efecto de cada variable predictora en la distribución acumulada hasta ese nivel de la variable dependiente. En este artículo mostramos cómo puede utilizarse esta metodología en el análisis de datos en el seguro de automóvil y proponemos una extensión de la regresión cuantílica inspirada en la necesidad de predecir la esperanza de la cola condicional. Para ello se han desarrollado rutinas específicas en R y se ha implementado un procedimiento de remuestreo para la aproximación de los errores estándar. La principal conclusión es que este tipo de modelos permite analizar qué factores inciden en el riesgo de accidente y pueden ser utilizados para mitigarlo o para valorarlo en el ámbito asegurador.</subfield>
    </datafield>
    <datafield tag="650" ind1=" " ind2="4">
      <subfield code="0">MAPA20080602437</subfield>
      <subfield code="a">Matemática del seguro</subfield>
    </datafield>
    <datafield tag="650" ind1=" " ind2="4">
      <subfield code="0">MAPA20080579258</subfield>
      <subfield code="a">Cálculo actuarial</subfield>
    </datafield>
    <datafield tag="650" ind1=" " ind2="4">
      <subfield code="0">MAPA20080592059</subfield>
      <subfield code="a">Modelos predictivos</subfield>
    </datafield>
    <datafield tag="650" ind1=" " ind2="4">
      <subfield code="0">MAPA20080604394</subfield>
      <subfield code="a">Valoración de riesgos</subfield>
    </datafield>
    <datafield tag="773" ind1="0" ind2=" ">
      <subfield code="w">MAP20070000012</subfield>
      <subfield code="t">Anales del Instituto de Actuarios Españoles : Colegio Profesional</subfield>
      <subfield code="d">Madrid : Instituto de Actuarios Españoles, 1943-</subfield>
      <subfield code="g">11/11/2019 Número 25 -  Epoca 4ª, Año 2019 , p. 101-117</subfield>
    </datafield>
    <datafield tag="856" ind1=" " ind2=" ">
      <subfield code="q">application/pdf</subfield>
      <subfield code="w">1104308</subfield>
      <subfield code="y">Recurso electrónico / Electronic resource</subfield>
    </datafield>
  </record>
</collection>