Dapat ditulis sebagai {𝐶𝑖,𝑗 ∶ 𝑖 = 1, … , 𝑛; 𝑗 = 1, … , 𝑛 − 𝑖 + 1}, dimana n adalah angka pada origin years.
𝐶𝑖,𝑗 : Besar Klaim Incremental
𝐷𝑖,𝑗 : Besar Klaim Kumulatif
Dengan
𝑗
𝐷𝑖,𝑗 = ∑ 𝐶𝑖𝑘
𝑘=1
Faktor development
𝐷𝑖,𝑗
𝐹(𝑖, 𝑗) = 𝐹𝑗 =
𝐷𝑖,𝑗−1
Asumsi bahwa pada setiap tahun kejadian (accident year) tiap data memiliki faktor development yang
sama untuk = 1, 2, 3, … , 𝑛 :
∑𝑛−𝑗+1
𝑖=1 𝐷𝑖,𝑗
𝐹̂𝑗 =
∑𝑛−𝑗+1
𝑖=1 𝐷𝑖,𝑗−1
Taksiran nilai klaim ultimate untuk 𝑖 = 1, 2, … , 𝑛
𝑛
̂𝑖,𝑛 = 𝐷𝑖,𝑗 ∏
𝐷 𝐹̂𝑢
𝑢=𝑗+1
Model stokastik untuk menghitung cadangan klaim melalui nilai rataan dari suatu keluarga distribusi pada
generalized linear model (McCullagh dan Nelder (1989) pada pengenalan GLM).
Struktur pada GLM yaitu:
(1) 𝑌𝑖𝑗 ~𝑓(𝑦; 𝜇𝑖𝑗 , ∅) dengan 𝑌𝑖𝑗 saling bebas, 𝜇𝑖𝑗 = 𝐸(𝑌𝑖𝑗 ), dan 𝑓(. ) fungsi density (peluang) dari 𝑌𝑖𝑗
yang termasuk ke dalam distribusi keluarga eksponensial. ∅ adalah scale parameter.
(2) 𝜂𝑖𝑗 = 𝑔(𝜇𝑖𝑗 ); 𝑔(. ) disebut fungsi link.
(3) 𝜂𝑖𝑗 = 𝑐 + 𝛼𝑖 + 𝛽𝑗 dengan 𝛼1 = 𝛽1 = 0 untuk menghindari adanya over-parameterization.
Asumsi distribusi pada variable respons (𝑌𝑖𝑗 ) dengan 𝑣𝑎𝑟 (𝑌𝑖𝑗 ) =∅ 𝑉(𝜇𝑖𝑗 ), dimana 𝑉(. ) adalah fungsi
variansi.
Normal dist. 𝑉(𝜇𝑖𝑗 )=1
Poisson dist. 𝑉(𝜇𝑖𝑗 ) = 𝜇𝑖𝑗
Gamma dist. 𝑉(𝜇𝑖𝑗 ) = 𝜇𝑖𝑗 2
Diketahui bahwa model GLM dengan struktur pada (3) dengan nilai 𝑉(𝜇𝑖𝑗 ) = 𝜇𝑖𝑗 , adalah distribusi quasi
over-dispersed Poisson yang memberikan nilai prediksi yang sama dengan teknik Chain Ladder (Renshaw
and Verral (1994)).
Saat menggunakan distribusi quasi over-dispersed Poisson, diperlukan adanya konstrain (kendala) dimana
penjumlahan klaim incremental pada setiap kolom lebih besar dari nol.
Pada prediksi cadangan klaim, the figures of interest will be the aggregate value
𝑛 𝑛
𝑌∗ = ∑ ∑ 𝑌𝑖𝑗
𝑖=2 𝑗=𝑛−𝑖+2
dan total pada baris
𝑛
𝑌𝑖∗ = ∑ 𝑌𝑖𝑗
𝑗=𝑛−𝑖+2
log(𝑚𝑖𝑗 ) = 𝑐 + 𝛼𝑖 + 𝛽𝑗 ,
dimana 𝑖 = 1,2, … , 𝑛, 𝑗 = 1,2, … , 𝑛 dan 𝛼1 = 𝛽1 = 0.
Fungsi link yang digunakan yaitu fungsi log. Dengan 𝛼 menyatakan parameter pada tahun kejadian
(accident year), 𝛽 parameter terhadap tahun development, dan 𝑐 level parameter. Parameter ∅
merupakan scale parameter.
#Metode Bootstrap
Metode Bootstrap adalah metode untuk menghasilkan distribusi sampling untuk Ini adalah metode untuk
mendapatkan distribusi sampling untuk sejumlah statistic dengan membuat sampel semu (pseudo-
sample) yang diperoleh secara acak dengan penggantian, dari data pengamatan.
Contoh sederhana*
Akan dilakukan proses resampling data residual dari model ODP. Asumsi yang harus dipenuhi yaitu
variabel respon berdistribusi saling bebas dan identik (iid)
Berikut langkah-langkah:
1. Fit model ODP ke data klaim dan hitung nilai besar klaim inkremental.
2. Hitung nilai adjusted residual dan scaled residual
3. Lakukan bootstrap resampling residuals
4. Diperoleh pseudo data dari resampled residual dan lakukan fit untuk menentukan nilai klaim
inkremental
5. Dengan metode chain ladder, dilakukan estimasi nilai klaim inkremental di masa yang akan
datang
6. Lakukan simulasi sebanyak N kali
7.