Seguro de saúde: custos de ambulatório - modelização linear generalizada

Abstract

A actual forma de cálculo de preço dos seguros de saúde em Portugal distingue, para além do nível de coberturas que integram cada apólice, os riscos consoante se se trata de seguros individuais ou seguros de grupo e consoante as idades das pessoas seguras. Tem-se assistido, nos últimos anos, a uma grande pressão sobre os prémios praticados, o que tem exigido das Seguradoras um conhecimento cada vez maior do risco que contratam. Assim é emergente a necessidade de conhecer cada vez melhor o risco a priori. Este estudo incidiu sobre a cobertura de Ambulatório. Para isso, dado que as nossas variáveis eram muitas e o detalhe muito grande, recorreu-se à análise de clusters para a redução do número de variáveis a incluír no modelo. A metodologia aqui utilizada foram os Modelos de Regressão, em que se experimentou em simultâneo os GLM’s: Gamma, Logit, Probit e Normal com variável endógena transformada. Com o objectivo de conhecer o custo do risco achou-se apropriado combinar os modelos Logit/Probit para a ocorrência de sinistros (utilização do seguro) e os restantes (Gamma e Gaussiano com variável endógena transformada) para a severidade. Chegou-se a um conjunto de variáveis com melhor poder explicativo, o que alargou o leque de variáveis habitualmente utilizadas na tarifação desta cobertura, apesar de a variabilidade explicada ter sido apenas de 18%

Nowadays,the health insurance pricing in Portugal distinguishes, beyond the level of coverage within each policy, the risks depending on whether it is individual insurance or group insurance and depending on the ages of the insured persons. There has been, in recent years, a lot of pressure on premiums charged, which has required a better knowledge of the Insurers on the risk they sell. Therefore, there’s an emerging need to know, even better, the a priori risk. This study approached the outpatients coverage. For this, since our variables were many and thoroughly detail, we used the cluster analysis to reduce the number of variables to be included in the model. The methodology used was the Regression Models, in which we tried simultaneously the GLM's :Gamma, Logit, Probit and Normal with transformed endogenous variable. In order to meet the cost of risk it was found to be appropriate to combine the Logit / Probit models for the occurrence of events (insurance usage), and the remaining models (Gamma and Gaussian transformed with endogenous variable) for severity. A set of significant explanatory variables was reached, which extended the range of variables usually used in the pricing of this cover, though it explained only 18% of the variability.