Penentu heterogenitas mortalitas dan implikasinya

anuitas harga
Menyoroti

Kami memodelkan driver heterogenitas mortalitas dan dampaknya terhadap harga anuitas.
Faktor underwriting menjelaskan sebagian besar heterogenitas mortalitas.
Namun, risiko kematian masih bervariasi di setiap kelas risiko karena kelemahan.
Heterogenitas karena kelemahan mempengaruhi harga anuitas standar dan tanggungan.
Kami mengembangkan metode untuk menyesuaikan harga anuitas agar bias.

Abstrak

Anuitas standar ditawarkan dengan harga satu untuk semua individu dengan usia dan jenis
kelamin yang sama. Individu kemanjuran mortalitas menghadapkan perusahaan asuransi ke
pilihan yang merugikan karena hanya hidup yang relatif sehat diharapkan bisa membeli
anuitas. Akibatnya anuitas standar dihargai dengan harga di atas rata-rata umur panjang,
membuat mereka mahal bagi banyak individu. Sebaliknya harga anuitas yang ditanggung
mencerminkan faktor risiko individu berdasarkan informasi yang ditaanggung, serta umur
dan jenis kelamin. Sementara yang ditanggung mengurangi heterogenitas, risiko kematian
masih bervariasi dalam setiap kelas risiko karena individu yang tidak dapat diamati faktor
risiko, disebut sebagai kelemahan. Makalah ini mengkuantifikasi dampak heterogenitas
akibat yang ditanggung faktor dan kelemahan pada nilai anuitas. Heterogenitas dihitung
dengan cara menyesuaikan Generalized Linear Mixed model untuk data longitudinal untuk
sampel besar pria AS. Hasilnya menunjukkan bahwa heterogenitas tetap ada setelah
underwriting dan kelemahan tersebut berdampak signifikan terhadap nilai wajar standar dan
yang ditanggung anuitas. Kami mengembangkan metode untuk menyesuaikan harga anuitas
agar bias.

Underwriting adalah fungsi asuransi yang bertanggung jawab

atas penilaian dan penggolongan tingkat risiko yang dimiliki oleh
seorang calon tertanggung, serta pengambilan keputusan yang
berhubungan dengan tertanggung atas risiko tersebut.

1. Pengantar

Risiko kematian bervariasi antar individu karena banyak faktor termasuk umur, jenis
kelamin, pendidikan dan status perkawinan (Brown dan McDaid, 2003). Heterogenitas ini
menarik dan penting masalah untuk anuitas harga. Masalah utamanya sangat terkenal.
Anuitas standar ditawarkan dengan harga yang sama untuk semua individu usia dan jenis
kelamin yang sama, tanpa underwriting. Jika perusahaan asuransi menawarkan harga yang
sama untuk kedua individu beresiko rendah dan berisiko tinggi, lalu masuk pasar asuransi
yang kompetitif dari perusahaan asuransi yang baik membuat kerugian (Jika harganya terlalu
rendah untuk menutupi pembayaran kepada pembeli berisiko tinggi) atau kehidupan berisiko
rendah tidak akan membeli asuransi (jika harganya terlalu tinggi penilaian mereka)
(Rothschild dan Stiglitz, 1976). Konsisten dengan teori Rothschild dan Stiglitz (1976), risiko
rendah (di bawah rata-rata umur) individu membeli anuitas lebih sedikit daripada risiko tinggi
(di atas rata-rata umur) saat satu harga ditawarkan. Dengan demikian, pembeli anuitas standar
memiliki tingkat kematian yang lebih rendah daripada populasi umum (Mitchell dan
McCarthy, 2002). Penanggung, oleh karena itu, anuitas harga dengan tabel kematian
diasumsikan umur di atas rata-rata dan harga tinggi yang dihasilkan akan membatasi anuitas
kelangsungan hidup pasar kelangsungan hidup (Su dan Sherris, 2012). Untuk mengatasi
masalah ini, peneliti dan praktisi telah memperpanjang risikonya klasifikasi annuitants Kwon
dan Jones, 2006) dan disana pertumbuhan yang signifikan di pasar untuk anuitas ditanggung
(Yang dijual di kisaran harga ke individu yang sama usia dan jenis kelamin tergantung pada
informasi underwriting), masing-masing menawarkan harga yang lebih rendah kepada
individu dengan perkiraan di bawah rata-rata umur (Steinorth, 2012).

Faktor underwriting adalah karakteristik yang dapat diamati, seperti status merokok,
yang menjelaskan heterogenitas mortalitas. Sebagai tambahannya faktor yang dapat diamati,
heterogenitas dapat disebabkan oleh tidak teramati faktor spesifik individu, disebut sebagai
kelemahan. Tubuh besar penelitian menunjukkan bahwa kelemahan memiliki dampak
signifikan pada perkiraan harapan hidup (Manton et al., 1986; Congdon, 1994; Su dan
Sherris, 2012). Untuk harga anuitas ditanggung, oleh karena itu penting untuk
memungkinkan kedua faktor yang dapat diamati dan tidak dapat diamati.

Anuitas terbawah adalah produk yang relatif baru, jadi di saat ini tidak ada
metodologi yang ditetapkan untuk anuitas harga berdasarkan informasi underwriting. Cox
(1972) proporsional model bahaya (model PH) banyak digunakan dalam studi medis
memperkirakan hubungan antara karakteristik individu dan waktu bertahan hidup sangat
cocok untuk kebanyakan studi medis karena itu menyesuaikan untuk menyensor data survival
dan karena asumsi modelnya (Yaitu, bahwa rasio fungsi bahaya berbeda individu adalah
konstan sehubungan dengan waktu) adalah wajar (Therneau dan Grambsch, 2000). Namun,
sulit untuk digabungkan kovariat bervariasi waktu dalam model PH (Fisher dan Lin, 1999).
Ini berarti model PH bukan pilihan yang tepat pemodelan tingkat kelangsungan hidup yang
bersyarat pada informasi underwriting, Karena faktor underwriting (seperti riwayat medis)
bisa berubah lembur. Selanjutnya penggabungan faktor yang tidak teramati, seperti
kelemahan, menjadi model PH menimbulkan kesulitan teoritis yang cukup besar dalam
pengembangan estimasi dan prosedur inferensi (Therneau dan Grambsch, 2000).

Di sisi lain, model kelemahan meliputi faktor yang tidak teramati tapi biasanya tidak
termasuk faktor yang dapat diamati. Frailty model memungkinkan heterogenitas melalui
risiko tingkat individu yang tidak dapat diobservasi faktor. Vaupel dkk. (1979) mengenalkan
konsep kelemahan sebagai hal yang tidak teramati faktor risiko yang mewakili kerentanan
individu terhadap kematian yang diperbaiki sepanjang hidupnya. Kelemahan tradisional
model bersama-sama memperkirakan parameter untuk kekuatan standar distribusi kematian
dan distribusi kelemahan dari populasi data (Su dan Sherris, 2012). Cara di mana kelemahan
dimodelkan memiliki dampak signifikan terhadap perkiraan harapan hidup. Manton at al.
(1986) mengadopsi Gamma dan distribusi Gaussian terbalik untuk kelemahan dan Gompertz,
Makeham, Weibull dan Weibull diperpanjang distribusi untuk kekuatan standar kematian.
Mereka menemukan perkiraan itu harapan hidup lebih sensitif terhadap distribusi kekuatan
standar mortalitas dibandingkan dengan distribusi kelemahan. Perubahan harapan hidup
setelah lemah diperkenalkan tergantung pada bentuk analitik dari fungsi yang selamat, cara
yang tidak teramati kerugian dimodelkan, jumlah heterogenitas hadir dan luas dan arah
perubahan dalam perkiraan kematian tarif (Congdon, 1994). Secara umum, harapan hidup
meningkat saat kelemahan yang didistribusikan gamma diperkenalkan (Congdon, 1994). Jadi
mengabaikan kelemahan dapat menyebabkan meremehkan harapan hidup dan, oleh karena
itu, untuk underpricing anuitas.

Markov aging models (MAMs) dan model generalised linear mixed (GLMMs) juga
bisa digunakan untuk memodelkan kelemahan. Seperti model kelemahan, namun, MAM
tidak dapat mencakup tingkat individu yang dapat diamati faktor karena mereka sesuai
dengan data tingkat populasi. MAM adalah model multi-negara kontinyu dengan negara-
negara yang didefinisikan secara fisiologis umur (yang merupakan ukuran derajat penuaan,
atau tingkat fungsionalitas, tubuh manusia) dan kematian. Probabilitasnya distribusi usia
fisiologis pada umur kalem t dapat digunakan untuk menggambarkan heterogenitas status
kesehatan di antara kohort individu pada usia t (Lin dan Liu, 2007). Su dan Sherris (2012)
menunjukkan bahwa model kelemahan menyiratkan pengurangan heterogenitas pada usia
yang lebih tua, sementara MAM menyiratkan heterogenitas yang lebih tinggi pada usia yang
lebih tua. Perbedaan ini mempengaruhi harga anuitas standar, dengan MAM menyiratkan
harga anuitas lebih tinggi dari model kelemahan (Su dan Sherris, 2012).

GLMM dipasang pada data tingkat individu dan bisa bersama-sama dimodelkan, efek
dari karakteristik tingkat individu yang diamati dan kelemahan pada risiko kematian GLMMs
memperluas model linier umum (GLMs) . Untuk memasukkan efek acak yang mencirikan
heterogenitas di antara subjek. Antonio dan Beirlant (2007) menunjukkan pentingny GLMMs
sebagai alat dalam aplikasi aktuaria non-life. GLMM sebelumnya tidak pernah diterapkan
pada masalah asuransi jiwa, namun setelah digunakan untuk model bertahan hidup dalam
konteks lain.Sebagai contoh, McGilchrist dan Aisbett (1991) dan Yau dan McGilchrist
(1998) menerapkan metode estimasi GLMM untuk memperkirakan parameter dalam model
PH termasuk kelemahan. Karya McGilchrist, bagaimanapun, berfokus pada metode estimasi,
model pas dan inferensi pada koefisien regresi efek tetap. Kedua, McGilchrist berlaku
GLMM untuk mengulang acara studi dalam lingkungan medis (Misalnya jumlah infeksi
ginjal setelah pengobatan tertentu) bukan untuk studi risiko kematian.

Sangat sedikit studi kematian memungkinkan tingkat individu yang dapat diamati
karakteristik di samping kelemahan. ketidak jelasan dari penelitian yang ada, oleh karena itu,
apakah heterogenitas signifikan setelah membiarkan untuk faktor underwriting yang umum
digunakan, atau bagaimana kelemahan mempengaruhi nilai anuitas setelah membiarkan
faktor underwriting. Ini pertanyaan sangat penting untuk harga yang cukup dan memadai
untuk pemesanan anuitas ditanggung Sumbangan asli dari makalah ini adalah untuk
mengukur heterogenitas dalam risiko kematian karena tingkat individu karakteristik dan
kelemahan yang dapat diamati dan dampaknya terhadap nilai anuitas.

Pertama, heterogenitas tersirat faktor underwriting dan kelemahan diukur dengan memasang
GLMM. Kedua kita menilai keuangan implikasi kelemahan untuk anuitas standar dan
underwritten harga. Hasilnya mengkonfirmasi bahwa sementara underwriting menjelaskan
hal yang signifikan tingkat heterogenitas, kelemahan masih signifikan bahkan setelahnya
memungkinkan untuk sejumlah besar faktor underwriting umum. Frailty memiliki dampak
signifikan pada harga anuitas standar dan underwrite, terutama untuk kehidupan dengan
kesehatan di bawah rata-rata.

Sesi 2 memperkenalkan GLMM untuk pemodelan mortalitas yang memungkinkan

dilakukannya underwriting faktor dan kelemahan. Bagian 3 menjelaskan data dari studi
Kesehatan dan Pensiun Amerika Serikat (AS), sebuah longitudinal mempelajari bahwa survei
mewakili sampel populasi AS berusia di atas 50 setiap dua tahun. Bagian 4 menyajikan
modelnya dan hasil estimasi dari penilaian kontrak anuitas, dengan dan tanpa underwriting
atau kelemahan. Bagian 5 menyimpulkan makalah ini.

2. GLMM untuk data kematian

Bagian ini mengulas konsep dasar GLM dan ekstensi mereka untuk GLMMs. Rincian
lengkap tentang GLM dan GLMM disajikan di McCullagh dan Nelder (1989) dan McCulloch
dan Searle (2001).

2.1. Ikhtisar GLM dan GLMM

2.1.1. Model linier umum (GLMs)

GLM memperluas regresi linier biasa ke kelas distribusi dari kelompok
eksponensial sehingga ukuran hasil seperti hitungan, data biner dan miring
dapat dimodelkan dalam regresi. Biarkan Y1,. . . , Yn menjadi variabel acak,
Diasumsikan memiliki distribusi dari kelompok eksponensial tersebut maka

Dimana (.) Dan c (.) Adalah fungsi yang diketahui, adalah natural dan
adalah parameter skala, hubungan berikut ini berlaku untuk mean dan varians
dari Yi

i = E[Yi] = (i) dan Var[Yi] = (i) = V(i)

Dimana derivatif menghubungkan antara dan V(.) (mean dan varians Y).
GLM menyediakan jalan untuk mengubah respons sehingga biasanya
terdistribusi. Alih-alih ditransformasikan vektor data, model GLM
merupakan transformasi mean sebagai linear fungsi variabel penjelas, yaitu
i = E [Yi | Xi] dimodelkan sebagai

g(i) = Xi
 Dimana Xi adalah matriks (ni p) dari nilai kovariat dan 'adalah a (p 1)
vektor parameter.Standar GLM mengharuskan Yi adalah sampel dari
variabel acak bebas ini berarti GLM sangat sesuai untuk pemodelan hasil dari
data cross-sectional, dimana responnya adalah diukur hanya sekali per
subjek. Namun dalam banyak hal, ini asumsi kemerdekaan tidak terpenuhi.
Secara khusus, kapan data diukur berulang kali dari waktu ke waktu per
subjek, seperti pada data longitudinal, perlu untuk memungkinkan
ketergantungan antara pengukuran berulang pada individu yang sama. Model
campuran, seperti GLMMs, adalah perpanjangan GLM yang banyak
digunakan yang memungkinkan untuk ketergantungan antara pengukuran
berulang (Antonio dan Beirlant, 2007).

2.1.2. Model gabungan linier linier (GLMMs)

Asumsikan data longitudinal terdiri dari subyek N, masing-masing diamati

selama beberapa periode waktu. Biarkan ni menunjukkan jumlahnya dari
pengamatan untuk subjek yang kita amati Yi = [Yi1,. . . , Yini] '. Seperti di
atas, sering terjadi ketergantungan antara pengukuran berulang dari waktu ke
waktu di Yi. GLMMs memperpanjang mean berfungsi di GLM dengan
menambahkan efek acak untuk memungkinkan ini terjadi
ketergantungan. Dalam GLMM fungsi rata-rata menjadi,

g(i) = Xi + Zibi

Dimana Zi (ni k) adalah matriks desain untuk efek acak k dan bi (k 1)

adalah vektor efek acak yang spesifik untuk individu i. Korelasi antara
observasi pada subjek yang sama muncul karena mereka berbagi efek acak
yang sama bi. Mengingat vektor bi dengan efek acak untuk subjek (atau
Cluster) i, pengukuran berulang Yi1,. . . , Yini diasumsikan sendiri dengan
kerapatan dari kelompok eksponensial

Dan (mirip dengan kasus GLM) berikut (bersyarat) mrmiliki hubungan,

ij = E[Yij|bi] = (ij) dan Var[Yij|bi] = (ij) = V(ij).\

Seperti sebelumnya, (.) Dan c (.) Adalah fungsi yang diketahui, adalah
natural dan parameter skala, dan V (.) Menangkap hubungan antara mean
dan varians dari Y. Spesifikasi GLMM dilengkapi dengan asumsi itu efek
acak, bi (i = 1, ..., N), saling bebas dan didistribusikan secara identik dengan
fungsi densitas f (bi | ). Dengan ini menunjukkan parameter yang tidak
diketahui dalam densitas. Secara tradisional, satu bekerja dengan asumsi
(multivariat) yang terdistribusi secara normal efek acak dengan mean nol dan
matriks kovarians ditentukan oleh .

2.2. Pemodelan mortalitas (kematian) menggunakan GLMMs

Kami memodelkan dan memproyeksikan probabilitas kematian bagi individu i pada
waktu t, qit, seluruh. Kerangka kerja GLMM dipilih seperti itu karena sangat mudah
untuk memasukkan faktor tingkat individu yang berbeda-beda dan kelemahannya,
 berbeda dengan kerangka pemodelan lainnya (seperti model PH) dimana sulit untuk
memasukkan waktu yang berbeda-beda serta faktor dan kelemahannya (Fisher dan
Lin, 1999). Dasar umum untuk perbandingan seluruh model dibuat dengan
menggunakan fungsi log-log komplementer, untuk menghubungkan qit dengan
prediktor linier (Xi).
Data longitudinal (yaitu pengukuran berulang dari waktu ke waktu) muncul sering
dalam analisis asuransi jiwa dan kesehatan (Antonio dan Beirlant, 2007). Respon
longitudinal untuk individu i (Yi) adalah satu set indikator biner kematian di setiap
periode. Tentukan waktu diskrit tingkat bahaya, yang setara dengan probabilitas
bersyarat individu saya meninggal pada periode t mengingat individu tersebut hidup
sejak awal dari periode dengan karakteristik Xit, seperti:

qit = Pr[ Ti = t| Ti t, Xit ]

Dimana Ti adalah variabel acak diskrit yang diberikan tanpa sensor waktu kematian
individu i dan Xit adalah vektor kovariat pengamatan (atau faktor underwriting) untuk
individu i pada waktu t. Allison (1982) menunjukkan bahwa jika Yi = [Yi1,. . . , Yini]
Diasumsikan ditarik dari model PH, tingkat bahaya bergantung pada waktu dan waktu
kovariat Xit sebagai berikut :

qit = 1 exp[ exp(Xit)]

Karena itu jika kita menganggap bahaya proporsional, waktu diskrit fungsi bahaya
diberikan oleh fungsi log-log komplementer prediktor linier.
Spesifikasi GLMM dilengkapi dengan asumsi itu efek acak, b = [bi,. . . , BN] (k oleh
N), saling independen dan didistribusikan secara identik (i.i.d.) dengan fungsi
kepadatan F (bi | ), di mana adalah himpunan parameter kelemahan yang tidak
diketahui dan itu

qit = E(Yit |Xit ) = 1 exp[ exp(Xit + Zibi)]

Sebagai data respon adalah biner diasumsikan bahwa fungsi varians diberikan oleh
Var [Yit | bi] = i (1 - i). Vaupel dkk. (1979) mengenalkan konsep kelemahan
sebagai faktor risiko yang tidak dapat diamati mewakili kerentanan individu sampai
mati. Asumsi utama Vaupel dkk. (1979) ada disana adalah nilai unik dari kelemahan
yang terkait dengan masing-masing individu, yaitu tetap sepanjang hidupnya. Dalam
kerangka kerja GLMM, Representasi kelemahan yang sesuai adalah melalui invarian
waktu efek individual acak, bi, dalam ungkapan

qit = E(Yit |Xit ) = 1 exp [exp(Xit + bi)]

Dimana faktor kelemahan b = [b1,. . . , bN] diasumsikan sebagai i.i.d. dengan bi ~ N

(0, 2b). Menggunakan efek acak tunggal untuk kelemahan model , artinya modelnya
lebih simple, lebih mudah diinterpretasikan dan tidak rentan terhadap overfitting
(Dion, 2011).

2.3.Model estimasi
Misalkan sesuai (yit | bi) menunjukkan fungsi kepadatan Yit yang diberikan bi. Itu
distribusi marginal dari Yi kemudian diberikan oleh
 Dan fungsi joint likelihood untuk model dengan kelemahan dan parameter yang tidak
diketahui dan adalah

Dimana integralnya berhubungan dengan vektor bi. Untuk model campuran linier,
pernyataan bentuk tertutup ada kemungkinan maksimum estimator parameter model
untuk GLMM, bagaimanapun, perkiraan kemungkinan atau teknik integrasi numerik
diharuskan memaksimalkan fungsi kemungkinan berkenaan dengan parameter yang
tidak diketahui perangkat lunak statistik (seperti SAS) berisi fungsi built-in yang
memperkirakan GLMMs via teknik maximum likelihood.

Sebagai alternatif, GLMM dapat diestimasi dengan menggunakan metode Bayesian

seperti simulasi Markov Chain Monte Carlo (MCMC). Pelaksanaa Bayesian GLMM
memungkinkan spesifikasi lebih rumit di struktur untuk prediktor linier (misalnya,
banyak, crossed dan nested random effects) dan untuk distribusi non-normal untuk
digunakan efek acak. Kelemahan dari pendekatan Bayesian adalah bahwa ia
memperlakukan semua parameter yang tidak diketahui di GLMM variabel acak yang
pastinya harus ditentukan. Ini berarti pendekatan Bayesian membutuhkan lebih
banyak asumsi dan asumsi lebih bersifat komputasi intensif daripada estimasi
likelihood maksimum (Sargent, 1998). Dalam aplikasi tanpa struktur yang kompleks
Efek acak, atau distribusi efek acak non-normal, teknik kemungkinan maksimum
memerlukan lebih sedikit asumsi dan lebih mudah untuk diimplementasikan Karena
itu hanya ada satu efek dalam penggunan estimasi likelihood maksimum. (Lihat
Antonio Dan Beirlant (2007) untuk rincian lebih lanjut tentang teknik estimasi untuk
GLMMs.)

2.4.Pilihan variabel penjelas

Untuk menguji apakah kelemahan memiliki dampak signifikan terhadap
kematian suku bunga dan nilai anuitas setelah underwriting, perlu mendefinisikan
model dasar yang tidak memiliki underwriting dan untuk menetapkan dampak
kelemahan pada tingkat kematian dan nilai anuitas di Indonesia model dasar. Model
dasar (tidak ada underwriting) Model baseline meniru jenis penilaian dilakukan untuk
kebijakan yang dihargai hanya pada usia dan gender. Model ini hanya mencakup
tahun dan usia sebagai kovariat,dan disesuaikan dengan data untuk laki-laki saja
(yaitu angka kematian spesifik gender tarif).
Model bertahan dengan underwriting. Brown dan McDaid (2003)
mengidentifikasi 10 faktor risiko potensial yang mempengaruhi angka kematian
termasuk pendidikan, Status perkawinan, penghasilan, pekerjaan, ras, perilaku
kesehatan dan agama. Pertama, faktor risiko hanya bisa digunakan untuk underwriting
Jika mereka objektif dan mudah terukur. Dari hal tersebut faktor dari perilaku
kesehatan sulit dipantau dan diukur betapapun beratnya (atau Body Mass Index
(BMI)),status perokok dan riwayat kesehatan masa lalu biasanya digunakan untuk
 underwriting karena faktor-faktor ini dapat diukur dengan andal. Kedua, ras dan
agama tidak dapat digunakan sebagai faktor underwriting di AS (Brown dan Mc-
Daid, 2003). Akhirnya, pendidikan, pekerjaan dan pendapatan sangat tinggi

Collinear, karena pendapatan dan kekayaan saat ini terkait dengan pekerjaan yang
sangat dipengaruhi oleh pendidikan dan kesehatan (Fong, 2011).
Oleh karena itu pendapatan, pekerjaan, ras dan agama dikecualikan dari prediktor
yang ada, putus seolah, status perkawinan, BMI, status merokok dan riwayat
kesehatan untuk meniru sebuah penjaminan pengaturan yang realistis.

3. Data
Data mortalitas longitudinal diperoleh dari HRS. HRS berisi data tingkat individu yang
dikumpulkan setiap dua tahun, dalam survei dua tahunan 'gelombang' mulai tahun 1992.
Setiap subjekmemberikan kontribusi satu set pengamatan terhadap variabel terukur.
Per gelombang, asalkan mereka tidak meninggalkan penelitian (karena kematian atau alasan
keluar lainnya). Semua model dilengkapi dengan data untuk subjek lahir dari tahun 1931
sampai 1941, yang masuk dalam studi pada tahun 1992, sejak kohort ini mewakili populasi
pensiunan dengan yang terbesar permintaan potensial untuk kontrak anuitas dan juga
berjangka panjang time series data yang tersedia Karena data kematian mungkin tertunda,
Tahun lalu kematian tidak dapat diandalkan karena mungkin terjadi tapi tidak melaporkan
kematian, Oleh karena itu hanya data sampai dengan tahun 2006 yang digunakan secara
berurutan. Dataset akhir panel tidak seimbang yang terdiri dari 4592 laki-laki, masing-masing
8 pengamatan dua tahunan.
Statistik yang merangkum kumpulan data ditunjukkan pada Tabel 1. Faktor risiko kematian
yang tersedia dalam data HRS meliputi ras, pendidikan, status merokok, status perkawinan,
riwayat kesehatan , BMI dan pendapatan. Usia rata-rata di dalam panel adalah 62 tahun, dan
tahun kelahiran rata-rata individu adalah 1936. Sebagian besar individu berada dalam sampel
populasi yang representatif. Laki-laki AS memiliki beberapa jenjang pendidikan antara lai
sekolah menengah atau perguruan tinggi dan mrnikah, kelebihan berat badan dan telah
merokok di masa lalu tidak di atas periode sampel (1992-2006). Kondisi medis yang paling
umum di antara sampel tersebut terdapat tekanan darah tinggi dan artritis.

4. Hasil
Untuk mengukur dampak kelemahan sebelum dan sesudah penjaminan emisi. Model yang
dipasang hanya berdasarkan jenis kelamin, usia dan waktu dibandingkan model yang
memungkinkan untuk jenis kelamin, usia, waktu dan faktor underwriting. Semua model
dilengkapi dengan dan tanpa membiarkan kelemahan yang tidak teramati. Akhirnya, kita
menghitung tingkat anuitas berdasarkan perkiraan dari setiap rangkaian model, untuk
keseluruhan kehidupan anuitas dan anuitas tangguhan dibayarkan dari usia 65 tahun.

Anuitas dalam teori keuangan adalah suatu rangkaian penerimaan atau

pembayaran tetap yang dilakukan secara berkala pada jangka waktu
tertentu. Contohnya adalah bunga yang diterima dari obligasi atau dividen
tunai dari suatu saham preferen.

4.1. Diagnostik model

Untuk memeriksa apakah bentuk fungsional prediktor pada baseline model ada disekitar
linier, model aditif umum (GAM) dipasang pada log log komplementer
Data laki-laki HRS
log[ log(1 Yit )] = c + f1(ait ) + f2(t)
Referensi metode asuransi
http://wartaekonomi.co.id/read132815/mengenal-aneka-metode-penghitungan-
asuransi-jiwa.html
Metode Bayesian