新建
上传
首页
助手
最?/div>
资料?/div>
工具

中国保险行业保费收入影响因素的统计分?/p>

 

随着信息时代的发?/p>

,

高维数据的处理变成了数据分析中的热点问题

,

尤其

在建模的初级阶段会出现大量候选变量?/p>

如果模型中的无关变量较多或者重要变

量被遗漏

,

则会导致预测结果和真实值之间偏差增?/p>

,

模型可信度将大大降低

,

?/p>

此变量选择在建模过程中的重要性不言而喻?/p>

本文应用

Lasso

分位数回归?/p>

适应

?/p>

Lasso

分位数回归和偏最小二乘回归这三种变量选择方法来进行实证分析?/p>

?/p>

文的实证分两个部分对中国保险行业保费收入的影响因素进行研究?/p>

 

第一部分是基于中?/p>

31

个省?/p>

,

主要分析每个地区的保费收入与当地的经

济?/p>

财政?/p>

人口等多方面因素的关系?/p>

以带个体随机效应的面板数据模型为基础

,

?/p>

2007

?/p>

2016

年的省际面板数据分别进行

Lasso

分位数回归和适应?/p>

Lasso

?/p>

位数回归分析。此?/p>

,

选取

2007

年?/p>

2011

年和

2016

年的横截面数据进行偏最?/p>

二乘分析?/p>

第二部分是基于中国保险公司进行保费收入与公司内部影响因素的分

?/p>

,

由于保险公司在近十年有所增加

,

为了保证数据的一致?/p>

,

本文特意剔除了部

分保险公?/p>

,

只保留了?/p>

2007

?/p>

2016

年持续经营的人身保险公司

,

?/p>

46

家?/p>

 

采用

Lasso

分位数回归和适应?/p>

Lasso

分位数回归这两种方法对人身保险公

司的面板数据进行分析?/p>

宏观层面的省际面板数据的实证结果显示

:GDP

?/p>

社会?/p>

费品零售总额?/p>

财政收入?/p>

财政支出等因素不论在哪种方法下都是地区保费收?/p>

的重要影响因素。微观层面的人身保险公司的实证结果显?/p>

:

资产收益率、流?/p>

资产周转率、固定资产率等是公司内部对保费收入影响较大的因素?/p>

 

 

 

Ͼλ
新建
上传
首页
助手
最?/div>
资料?/div>
工具

中国保险行业保费收入影响因素的统计分?/p>

 

随着信息时代的发?/p>

,

高维数据的处理变成了数据分析中的热点问题

,

尤其

在建模的初级阶段会出现大量候选变量?/p>

如果模型中的无关变量较多或者重要变

量被遗漏

,

则会导致预测结果和真实值之间偏差增?/p>

,

模型可信度将大大降低

,

?/p>

此变量选择在建模过程中的重要性不言而喻?/p>

本文应用

Lasso

分位数回归?/p>

适应

?/p>

Lasso

分位数回归和偏最小二乘回归这三种变量选择方法来进行实证分析?/p>

?/p>

文的实证分两个部分对中国保险行业保费收入的影响因素进行研究?/p>

 

第一部分是基于中?/p>

31

个省?/p>

,

主要分析每个地区的保费收入与当地的经

济?/p>

财政?/p>

人口等多方面因素的关系?/p>

以带个体随机效应的面板数据模型为基础

,

?/p>

2007

?/p>

2016

年的省际面板数据分别进行

Lasso

分位数回归和适应?/p>

Lasso

?/p>

位数回归分析。此?/p>

,

选取

2007

年?/p>

2011

年和

2016

年的横截面数据进行偏最?/p>

二乘分析?/p>

第二部分是基于中国保险公司进行保费收入与公司内部影响因素的分

?/p>

,

由于保险公司在近十年有所增加

,

为了保证数据的一致?/p>

,

本文特意剔除了部

分保险公?/p>

,

只保留了?/p>

2007

?/p>

2016

年持续经营的人身保险公司

,

?/p>

46

家?/p>

 

采用

Lasso

分位数回归和适应?/p>

Lasso

分位数回归这两种方法对人身保险公

司的面板数据进行分析?/p>

宏观层面的省际面板数据的实证结果显示

:GDP

?/p>

社会?/p>

费品零售总额?/p>

财政收入?/p>

财政支出等因素不论在哪种方法下都是地区保费收?/p>

的重要影响因素。微观层面的人身保险公司的实证结果显?/p>

:

资产收益率、流?/p>

资产周转率、固定资产率等是公司内部对保费收入影响较大的因素?/p>

 

 

 

">
新建
上传
首页
助手
最?/div>
资料?/div>
工具

中国保险行业保费收入影响因素的统计分?/p>

 

随着信息时代的发?/p>

,

高维数据的处理变成了数据分析中的热点问题

,

尤其

在建模的初级阶段会出现大量候选变量?/p>

如果模型中的无关变量较多或者重要变

量被遗漏

,

则会导致预测结果和真实值之间偏差增?/p>

,

模型可信度将大大降低

,

?/p>

此变量选择在建模过程中的重要性不言而喻?/p>

本文应用

Lasso

分位数回归?/p>

适应

?/p>

Lasso

分位数回归和偏最小二乘回归这三种变量选择方法来进行实证分析?/p>

?/p>

文的实证分两个部分对中国保险行业保费收入的影响因素进行研究?/p>

 

第一部分是基于中?/p>

31

个省?/p>

,

主要分析每个地区的保费收入与当地的经

济?/p>

财政?/p>

人口等多方面因素的关系?/p>

以带个体随机效应的面板数据模型为基础

,

?/p>

2007

?/p>

2016

年的省际面板数据分别进行

Lasso

分位数回归和适应?/p>

Lasso

?/p>

位数回归分析。此?/p>

,

选取

2007

年?/p>

2011

年和

2016

年的横截面数据进行偏最?/p>

二乘分析?/p>

第二部分是基于中国保险公司进行保费收入与公司内部影响因素的分

?/p>

,

由于保险公司在近十年有所增加

,

为了保证数据的一致?/p>

,

本文特意剔除了部

分保险公?/p>

,

只保留了?/p>

2007

?/p>

2016

年持续经营的人身保险公司

,

?/p>

46

家?/p>

 

采用

Lasso

分位数回归和适应?/p>

Lasso

分位数回归这两种方法对人身保险公

司的面板数据进行分析?/p>

宏观层面的省际面板数据的实证结果显示

:GDP

?/p>

社会?/p>

费品零售总额?/p>

财政收入?/p>

财政支出等因素不论在哪种方法下都是地区保费收?/p>

的重要影响因素。微观层面的人身保险公司的实证结果显?/p>

:

资产收益率、流?/p>

资产周转率、固定资产率等是公司内部对保费收入影响较大的因素?/p>

 

 

 

Ͼλ">
Ͼλ
Ŀ

中国保险行业保费收入影响因素的统计分?- 百度文库
新建
上传
首页
助手
最?/div>
资料?/div>
工具

中国保险行业保费收入影响因素的统计分?/p>

 

随着信息时代的发?/p>

,

高维数据的处理变成了数据分析中的热点问题

,

尤其

在建模的初级阶段会出现大量候选变量?/p>

如果模型中的无关变量较多或者重要变

量被遗漏

,

则会导致预测结果和真实值之间偏差增?/p>

,

模型可信度将大大降低

,

?/p>

此变量选择在建模过程中的重要性不言而喻?/p>

本文应用

Lasso

分位数回归?/p>

适应

?/p>

Lasso

分位数回归和偏最小二乘回归这三种变量选择方法来进行实证分析?/p>

?/p>

文的实证分两个部分对中国保险行业保费收入的影响因素进行研究?/p>

 

第一部分是基于中?/p>

31

个省?/p>

,

主要分析每个地区的保费收入与当地的经

济?/p>

财政?/p>

人口等多方面因素的关系?/p>

以带个体随机效应的面板数据模型为基础

,

?/p>

2007

?/p>

2016

年的省际面板数据分别进行

Lasso

分位数回归和适应?/p>

Lasso

?/p>

位数回归分析。此?/p>

,

选取

2007

年?/p>

2011

年和

2016

年的横截面数据进行偏最?/p>

二乘分析?/p>

第二部分是基于中国保险公司进行保费收入与公司内部影响因素的分

?/p>

,

由于保险公司在近十年有所增加

,

为了保证数据的一致?/p>

,

本文特意剔除了部

分保险公?/p>

,

只保留了?/p>

2007

?/p>

2016

年持续经营的人身保险公司

,

?/p>

46

家?/p>

 

采用

Lasso

分位数回归和适应?/p>

Lasso

分位数回归这两种方法对人身保险公

司的面板数据进行分析?/p>

宏观层面的省际面板数据的实证结果显示

:GDP

?/p>

社会?/p>

费品零售总额?/p>

财政收入?/p>

财政支出等因素不论在哪种方法下都是地区保费收?/p>

的重要影响因素。微观层面的人身保险公司的实证结果显?/p>

:

资产收益率、流?/p>

资产周转率、固定资产率等是公司内部对保费收入影响较大的因素?/p>

 

 

 



ļ׺.doc޸Ϊ.docĶ

  • ߵȴҵ ڶʽ
  • ѧרҵڱɢĴ
  • ѧϰ
  • 꼶² 12.1 ܸѧ1(޴)(°)˽̰
  • ƽϰ
  • ۺ֪ʶϰ(һ)ο
  • ӿƼѧ-UMLʵ鱨
  • רӢ⣨𰸽ȫ
  • ֽṹװ()
  • ()ʩ

վ

԰ Ͼλ
ϵͷ779662525#qq.com(#滻Ϊ@)