[谢远涛]对外经济贸易大学保险学院教授、博导谢远涛在线访谈

逐梦的太阳 发表于 2019-12-25 10:39
坛友jinlu310：
谢老师，您好，因果推断现在特别火，请问您对此如何评价，因果推断会成为未来计量研究方法 ...

这个问题很好，也是争论的焦点，我想从经济学和统计学两个角度来谈谈个人不成熟的思考：
1.经济学角度来看，对因果推断部分的分析，主要涉及DID、RD、倾向得分匹配、HCW及合成控制法等计量方法。通过处理效应来分解对应的因果效应
2.从统计角度来看，随机控制实验（random control trial），也就是近些年比较火的RCT方法是比较好的控制分析思路，还有，包括自然实验（natural experiment）或者准实验（quasi-experiment），发展到生物统计的大拿人物Rubin模型，(RCM; Rubin 1978)。通过随机实验设计来解析因果，是统计上比较容易接收的思路。
但是跳出来，什么是因，什么是果，谁在先谁在后，就像鸡与蛋的辩论哲学一样。个人不认为这是一个模型检验问题。如果理论上能证明这是因果关系，我们能从统计上找点证据来支撑，但绝不能因为我们找到统计证据，就能证明因果关系，从某种意义上说，后者是几乎不太可能实现的。就像我们计量模型一开始，老师说，经济中有均衡关系，我们能找到协整，但绝不能因为我们发现协整模型显著，就证明了均衡一样。

漠漠123 发表于 2019-12-25 11:31
老师您好，我现在在研究面板数据，需要用到PSM方法，请问您的匹配量是根据什么来确定呢？

这个问题很具体，具体匹配方案的确定我还说不好，只能谈谈实践中的经验：
无论是最邻近匹配、核匹配，还是半径匹配的方法选择，还是1：1，k:1的参数选择，或者不同核函数的选择，本质上只是为了使匹配效果更优。如何评价匹配效果，我的理解是，使处理组和实验组在控制变量维度上的先天性差异极小化。通过控制异质性，使得模型结果具有说服力，那么，判断的重点就是一个图，一个表，一个图，就是psm的匹配图，一张表，就是psm的匹配显著性检验表。我们当然希望看见，匹配前显著性差异，匹配后没有显著性差异，从匹配图上看，比较平衡即可。
当然，理论上是否有方法能比选不同模型，我还没有阅读相关文献，如果有合适文献，也烦请提醒我，一起研读讨论。

redflame 发表于 2019-12-26 00:11
支持支持

感谢！

小小马克思 发表于 2019-12-26 14:36
谢教授您好，问题1：在当前大众创业，万众创新的时代背景下，我深刻感受到了保险业投保方式从线下到线上的转 ...

，这两个问题我试试回复：
1.保险科技的应用让保险营销环节更精准有效。通过大数据分析和机器学习技术的应用，可以识别客户潜在需求，实现无人工干预的智能化保险推荐，同时也可帮助保险公司销售人员和代理人更了解客户，推进传统的线下营销向嵌入式、互动式、社交化营销转变，提升销售成功率、降低退保率。
所以，从存量来看，保险营销员收入有下降的压力。但是我国的保险需求尚未得到有效释放，保险市场的深度（保费与GDP之比）和密度（人均保费）仍有很大发展空间。与世界平均水平相比，中国保险市场的深度和密度存在较大差距。2018年，世界平均保险密度为4127元，我国保险密度为2724元，相差超50%；世界平均保险深度为6%，我国保险深度4.22%，相差超40%。
如果蛋糕做大了，对于营销人员而言，利润率下降，但是利润总额还是会上升。所以我们更希望全行业精诚合作，做大做强，做好口碑。
2.现在很多公司都在销售高管责任险，有类似的功效，至于公务员系统，讲个笑话，如果买了，会不会给大家误解，相当长的时期，还需要大家转变保险思路和观念。

小小浩二 发表于 2019-12-27 10:12
谢老师您好，您在数据挖掘有很精深的研究，想请问您对中国人养老有什么看法？普通人如何实现有质量的养老？

谢谢抬举。关于养老，特别是有质量的养老，界定比较麻烦，一般来说，我们可以通过构造指标体系来评估，例如，参考中保协做的养老保障指数体系：
1.充足度：该指标用来测度养老的实际情况。包括基本养老保险、企业年金、商业养老保险、不动产、金融资产充足率。
2.稳定度：测度收入、支出和资产保值增值的不确定性。
3.认知度：该指标用来测度职工对经济、社会和养老观念的认识程度和忧患意识。
养老是三支柱的，要想实现有质量的养老，还需要考虑企业年金和其他商业养老保险。
我们以前参与到中保协的一份养老金调研报告中，企业职工组收到有效问卷3650份，公务员组收到有效问卷5917份，事业单位职工组收到有效问卷6403份。发现：
1.已经购买个人商业养老保险的人主要集中在高学历、高财富的中年人群。
从年龄角度来看，个人商业养老保险在年轻人中的覆盖率较低，随着年龄的增加购买个人商业养老保险的比率稳步上升，到40-44岁这一年龄段达到峰值。
2.从学历的角度来说，随着学历的增加，购买商业养老保险的持有率呈现递增的趋势，尤其是本科及以上学历的人更倾向于购买商业养老保险。这可以解释为，学历高的人收入相对高，而且更容易理解保险的重要性，因此购买商业养老保险的比率高。
3.从个人财富（包括税前收入、金融资产、房产）的角度来说，个人财富越多的人购买个人商业养老保险的机率越高。比如，从房产拥有量来说，没有房产的受访者购买个人商业养老保险的比率偏低，随着房产的增加，购买的比率呈上升趋势。
我们进一步发现，促使人们购买个人商业养老保险的因素主要包括较强的储蓄意识、保险意识和养老意识，同时抚养父母、子女的负担较重，对子女的指望程度低，促使人们对退休后养老问题进行规划。除此之外，期望养老金替代率和预期社保替代率处于中等水平的人也是购买商业养老保险的主要人群之一。

老师好，请教一下
生存分析在互联网数据分析领域有什么应用案例吗？

谢老师，有什么适合小白的保险学相关的书籍能推荐几本么？

谢老师好，据说精算考试要改革，想问一下老师可能在哪方面变动较大？

xieyuantao 发表于 2019-12-27 14:04
这个问题很好，也是争论的焦点，我想从经济学和统计学两个角度来谈谈个人不成熟的思考：
1.经济学角度来 ...

特别感谢 谢老师的解答！受教！

Studio-R 发表于 2019-12-27 18:46
老师好，请教一下
生存分析在互联网数据分析领域有什么应用案例吗？

别客气。生存分析是寿险精算的基础课程，也是非寿险精算的基础课程，可以说联通了寿险精算与非寿险精算。但是具体案例，可能还是要看看一些业界的具体报告，更有实战风格。一些SCI杂志也放了部分案例，还有一块是R语言里面，自带了部分package和案例分析，包括数据集。但无论案例分析如何，建模基本思想是可以预测出来的：
生存（时间）变量的概念很广，凡是具有累加性质（经常表现为正偏态，skew to the right）的数据都是生存时间变量。举个例子，赔款，年末的总赔款总比半年的赔款大（至少不少于）。
关于互联网数据分析，我根据我的理解来选择变量，例如交易额、费用相关数据可以看成生存变量问题。对于频次数据，数据较大时也可以看成生存变量，例如页面浏览量，IP数，活跃用户数，留存数，广告业务量。
结合互联网数据，主要是应用维度扩展到购物分析（普购，团购，折扣，优选，二手，比价平台，推荐），阅读分析（新闻点击率，书籍销售码洋数），影音分析（直播、点播率分析），工具分析（系统、音像、生活、查询），社交分析（论坛分析，社交网络分析，通讯分析），金融分析（金融产品推荐，理财分析，支付分析，保单分拆，资产配置，保险配置），还有游戏分析（单机，网游分析）。
具体模型，分为参数类（参数分布及回归，例如gamma回归，对数正态回归，weibull回归等），非参类（例如生命表分析法，KM估计等），半参分析（cox比例危险模型，RH风险变换）。
结合I型、II型、III型删失、截尾分析，生存分析特色就体现出来了。中国统计出版社的那套蓝皮译著《生存数据分析的统计方法》讲的很好，但是涉及到互联网案例，我刚才搜了一下，确实不多啊。