Carregant...
Tipus de document
TesiVersió
Versió publicadaData de publicació
Tots els drets reservats
Si us plau utilitzeu sempre aquest identificador per citar o enllaçar aquest document: https://hdl.handle.net/2445/65123
Optimal personalized treatment learning models with insurance applications
Títol de la revista
Autors
Director/Tutor
ISSN de la revista
Títol del volum
Recurs relacionat
Resum
[spa] En muchas situaciones importantes, los individuos pueden mostrar una heterogeneidad significativa en respuesta a un estímulo o “tratamiento”. Por ejemplo, un tratamiento que funciona para una población en general, podría ser altamente ineficiente o incluso perjudicial para un subgrupo de individuos con características específicas. Del mismo modo, un tratamiento nuevo puede no ser mejor que uno existente en relación a la población general, pero es probable que un subgrupo de individuos se beneficie con el mismo. La idea de aplicar tratamientos personalizados es cada vez más reconocida en una amplia variedad de campos, que van desde la medicina hasta la economía. Esto ha puesto el foco de atención en la medición de la eficacia que un determinado tratamiento tiene sobre un individuo, de modo de seleccionar el tratamiento personalizado óptimo para el mismo. Un tratamiento personalizado óptimo es aquel que maximiza la probabilidad de un resultado deseable. Llamamos a los modelos estadísticos que tienen como objetivo modelar el tratamiento personalizado óptimo “personalizad treatment learning (PTL) models”. Desde la perspectiva de modelización estadística, la construcción de modelos PTL impone importantes retos, principalmente debido a que el tratamiento óptimo es desconocido en un conjunto de datos de entrenamiento dado. En esta tesis, formalizamos el problema de PTL desde una perspectiva de inferencia causal y proporcionamos una descripción completa de los métodos existentes para resolver este problema. Contribuimos a la literatura de modelos PTL proponiendo dos nuevos métodos: “uplift random forests” y “causal conditional inference forests”. Nuestra propuesta supera a los métodos existentes de acuerdo a los resultados obtenidos de una extensa simulación numérica y datos reales. Luego introducimos el concepto de modelos PTL a marketing y a la fijación del precio en el mercado de seguros. En particular, contribuimos a la literatura de seguros en estas áreas, proponiendo métodos de PTL para optimizar la retención de clientes y la venta cruzada de seguros a partir de datos experimentales. También ilustramos una aplicación de estos métodos a la estimación de la elasticidad-‐precio y a la optimización económica de precios en el contexto de datos observacionales. En el campo de los seguros, la selección del tratamiento personalizado óptimo también requiere considerar las pérdidas esperadas de cada asegurado dentro de una cartera. Contribuimos a la literatura de fijación de precios de seguros, proponiendo una nueva aplicación de modelos “gradient boosting trees” para estimar el costo relacionado con la pérdida esperada del seguro. Este método tiene ventajas claves sobre el enfoque convencional, que se basa en “generalized linear models”. Un problema clave que enfrenta la investigación en este campo ha sido la falta de software estadístico a disposición del público para estimar modelos PTL. Ponemos a disposición pública la mayoría de los métodos existentes para la estimación de estos modelos, incluyendo los de desarrollo propio, en un paquete llamado “uplift” bajo el software estadístico R.
Descripció
Matèries
Matèries (anglès)
Citació
Citació
GUELMAN, Leo. Optimal personalized treatment learning models with insurance applications. [consulta: 12 de desembre de 2025]. [Disponible a: https://hdl.handle.net/2445/65123]