신뢰도 이론

1. 신뢰도란 무엇이었고 무엇인가 What It Was and What It Is

계리 용어에서 신뢰도(credibility)는 원래, 개별 위험의 위험보험료를 추정할 때 개별 추정값과 집단(클래스) 추정값을 볼록결합(가중평균)한 경험요율 공식을 가리키는 말이었다. 따라서 신뢰도 이론은 그런 공식을 만들기 위한 모형 기반 원리를 탐구하는 보험수학의 한 분야였다. 이론이 발전하면서 원래 범위를 훨씬 넘어섰고, 오늘날에는 신뢰도가 더 넓게 잠재변수 모형에서의 선형 추정·예측을 포괄한다.

신뢰도 공식의 이론적 기초를 세우려는 시도는 두 흐름으로 갈라졌다. 하나는 제한변동(limited fluctuation) 신뢰도 이론이고 다른 하나는 최대정확성(greatest accuracy) 신뢰도 이론이다. 더 서술적인 통계 용어로는 각각 ‘고정효과(fixed effect)’ 이론과 ‘임의효과(random effect)’ 이론이라 부르는 것이 적절하다.

2. 제한변동 접근법 The Limited Fluctuation Approach

제한변동 접근의 계보는 1914년 모브레이(Mowbray)로 거슬러 올라간다. 그는 개별 위험의 평균 클레임 m이 ‘완전히 믿을 만한’ 추정이 되려면 얼마만큼의 개별 위험 노출이 필요한지를 물었다. 연간 클레임액 X₁, …, X_n이 밀도 f(x|θ), 평균 m(θ), 분산 s²(θ)인 분포에서 독립·동일분포(i.i.d.)로 뽑힌다고 보았다. 단 여기서 모수 θ는 비확률(고정값)로 간주된다. 표본평균 m̂ = (1/n)∑X_j을 쓸 때, 주어진 작은 k, ε에 대해 |m̂ − m(θ)| ≤ k·m(θ)일 확률이 1 − ε 이상이 되도록 하는 노출량을 찾았다.

정규근사 m̂ ~ N(m(θ), s²(θ)/n)을 쓰면 k·m(θ) ≥ z_1−ε/2·s(θ)/√n 조건을 얻고, 여기서 z_1−ε/2는 표준정규의 상위 ε/2 분위수다. 미지 모수에 표본추정값 m̂과 ŝ²을 대입하면 다음 완전신뢰도(full credibility) 기준을 얻는다.

한편 1918년 휘트니(Whitney)는 위험보험료 m(노출 단위당 기대 클레임비용)을 추정하는 문제를 다루며, 개별 위험 경험과 클래스 위험 경험을 함께 쓰자고 주장했다. 그는 보험료율을 다음 가중평균 형태로 제안했다.

여기서 m̂(원문 표기로는 m)은 개별 계약의 노출 단위당 관측 평균 클레임액이고 μ는 포트폴리오 전체의 대응 평균이다. 휘트니는 위험보험료를 확률변수로 보았다. 현대 신뢰도 이론의 언어로는, 그것은 개별 위험의 관측 불가능한 특성을 나타내는 임의요소 Θ의 함수 m(Θ)이다. Θ의 확률적 성격이 이질성(heterogeneity) 개념을 표현한다—개별 위험은 비슷하지만 동일하지 않은 위험들의 모집단에서 무작위로 뽑힌 하나이며, Θ의 분포가 위험 특성의 변동을 묘사한다.

가중치 z는 곧 신뢰도(계수)라 불리게 되었는데, 개별 경험에 부여하는 신뢰의 양을 측정하기 때문이다. 그리고 위 m^*는 신뢰도 보험료(credibility premium)라 불렸다.

휘트니와 모브레이의 직계 후계자들은 휘트니의 매력적인 공식을 받아들이되, 그의 임의효과 모형을 모브레이의 고정효과 모형으로 바꾸어, 모브레이의 결과를 m의 완전신뢰도 기준(즉 z = 1로 설정)으로 보았다. 그러면 자연히 부분신뢰도(partial credibility) 문제가 제기된다—n이 완전신뢰도 기준을 만족하지 못할 때 z를 어떻게 고를 것인가? 수많은 논문이 잠정적 답을 내놓았지만, 모든 특수경우를 포괄하고 일반화로 이어지는 통일 원리에는 끝내 이르지 못했다. 그래서 제한변동 접근은 그 규모에도 불구하고 통상적 의미의 ‘이론’을 이루지 못한다.

3. 최대정확성 관점 The Greatest Accuracy Point of View

제한변동 연구가 지배한 30년 뒤, 2차 대전 후 시대에 휘트니의 임의효과 아이디어가 부활했다. 그 사이 발전한 통계적 의사결정이론의 적절한 요소들과 결합해, 급속히 거대한 모형·방법 체계인 최대정확성 이론으로 발전했다. 이제 경험요율 문제는 임의변수 m(Θ)을 개별 자료 X의 어떤 함수 m̆(X)로 추정하는 문제로 보며, 목표는 평균제곱오차(MSE)를 최소화하는 것이다.

다음 분해 계산을 보면 최적 추정량이 무엇인지 드러난다.

이 분해에서 최적 추정량은 조건부 평균임을 알 수 있다.

그리고 그 MSE는 다음과 같다.

통계 용어로 m̃는 제곱손실 하의 베이즈 추정량(Bayes estimator)이고 ρ̃는 베이즈 위험(Bayes risk)이다(베이지안 통계 참조). 데이터가 벡터 X = (X₁, …, X_n)이고 Θ = θ 조건부 밀도가 f(x₁, …, x_n|θ), Θ의 분포가 G라면, 베이즈 추정량은 사후분포 G(·|x₁, …, x_n)에 대한 적분으로 주어진다.

여기서 f(·|θ)는 가능도(likelihood), G는 데이터 이전의 주관적 믿음을 표현하는 사전분포(prior), G(·|x)는 그에 따른 사후분포(posterior)다. 가능도와 곱했을 때 사후가 같은 족에 머무르면 그 사전족을 켤레(conjugate)라 한다. 그러나 보험 응용에서는 분포에 많은 구조를 강제하는 것이 대개 적절치 않으므로, 켤레 분석은 신뢰도 이론에 제한적인 영향만 미쳤다. 좋은 추정량을 얻으려면 분포가 아니라 허용 추정량의 부류(class)에 구조를 강제하고 그 제한된 부류 안에서 최적해를 찾는 편이 낫다. 이것이 보험수학자들이 택한 길이며, 최대정확성 신뢰도의 프로그램은 다음 선형 형태의 최적 추정량을 찾는 것이 되었다.

여기서 m̂은 개별 자료에 기반한 자연스러운 추정량이다. 이런 추정량의 MSE는 a, b에 대한 이차형식일 뿐이어서 손쉽게 최소화된다. 그 결과 선형 베이즈(linear Bayes, LB) 추정량을 얻는다.

그리고 LB 위험은 다음과 같다.

4. 최대정확성의 돌파구: 뷜만 모형 The Greatest Accuracy Break-through

이 이론의 프로그램은 1960년대 후반 뷜만(Bühlmann)에 의해 명확히 제시되었다. 그는 최적화 문제가 단순하며(초등 대수의 문제), 최적 추정량과 그 MSE가 통계자료에서 쉽게 추정되는 몇 개의 1차·2차 적률에만 의존한다고 강조했다. (사실 본질적으로 같은 해법은 20년 전 베일리(Bailey)가 이미 제시했으나, 시대를 앞선 많은 업적처럼 널리 인정받지 못했다—현대 통계적 의사결정이론 이전이라 그 메시지를 받아들일 청중이 준비되어 있지 않았다.)

뷜만은 비모수 모형을 고려했다. 즉 Θ 조건부로 연간 클레임액 X₁, …, X_n이 평균 m(Θ), 분산 s²(Θ)인 i.i.d.라는 것만 명시한다. 추정량으로 단순 표본평균을 택하면,

이는 조건부(고정효과) 모형에서 m(θ)의 최량선형불편추정량(BLUE)이며, 이를 대입하면 앞의 신뢰도 공식 (m^* = z·m̂ + (1−z)μ)을 다음 모수들과 함께 얻는다.

여기서 λ = Var[m(Θ)]는 가설평균의 분산(위험 간 변동)이고, φ = E[s²(Θ)]는 과정분산의 기댓값(순수히 우연적인 변동)이다. 신뢰도 계수 z는 마땅히 그래야 할 대로 행동한다—관측 수 n이 늘면 증가해 1에 가까워지고, λ가 크면(참 위험보험료에 대한 불확실성이 크면) 증가해 개별 경험에 큰 가중치를 주며, φ가 크면(관측의 순수 변동이 크면) 감소한다. LB 위험은 다음이 된다.

5. 뷜만–스트라우브 모형 The Bühlmann–Straub Model

최대정확성 패러다임은 정교한 모형 개념과 구성적 최적화 기준의 결합으로, 확장·일반화의 큰 잠재력을 지녔다. 이는 뷜만과 스트라우브(Bühlmann & Straub, 이하 B–S)의 많이 인용된 논문에서 입증되었다. 그들은 뷜만 모형의 i.i.d. 가정을 완화해, 조건부 분산이 다음 형태가 되도록 허용했다.

동기는 X_j가 j년의 손해율(loss ratio), 즉 총클레임액을 노출된 위험량 p_j로 나눈 값이라는 데 있다. 노출량(volume) (p₁, …, p_n)은 관측설계(observational design)를 이룬다. 허용 추정량을 상수계수 g_j를 가진 선형 형태 m̆ = g₀ + g₁X₁ + ⋯ + g_nX_n으로 두고 MSE를 최소화하면, LB 추정량은 다시 신뢰도 형태 m^* = z·m̂ + (1−z)μ가 되며, 이때 자연 추정량은 노출량 가중평균이다.

그리고 신뢰도 계수는 노출량 합으로 표현된다.

LB 위험은 ρ = (1 − z)λ이다. 돌이켜보면 이는 i.i.d. 경우의 결과를 소박하게 확장한 것이지만, 당시로서는 최대정확성 구성의 폭넓은 적용 가능성을 분명히 보여 준 중요한 진전이었다. 이로써 더 정교한 모형으로 가는 길이 열렸고(예: 하케마이스터(Hachemeister)의 회귀 확장 모형, 주얼(Jewell)의 다차원 신뢰도 모형) 새 결과들이 빠르게 뒤따랐다.

6. 이질성 모형과 경험적 베이즈 Heterogeneity Models and Empirical Bayes

휘트니의 이질성 개념은 베일리와 뷜만의 업적에서 정밀하게 정식화되었다. 포트폴리오는 N개의 독립 위험으로 이루어지고, 위험 i의 관측 불가능한 위험특성은 Θ_i로 표기되며, Θ_i들은 어떤 분포 G(이를 구조분포(structural distribution)라 한다)에서 i.i.d.로 뽑힌다. 이 장치는 ‘위험들이 서로 다르지만, 하나의 위험 클래스로 묶을 만한 공통점을 가진다’는 생각을 명확히 한다.

실제로는 (1)·(25)에 등장하는 모수 μ, λ, φ가 미지이므로 포트폴리오 통계로부터 추정해야 한다. 바로 이 지점에서 다른 위험들(부수 위험, collateral risks)의 자료가 개별 위험보험료 평가에 유용해진다. 이 아이디어는 로빈스(Robbins)가 창시한 경험적 베이즈(empirical Bayes) 이론의 틀에 정확히 들어맞는다. 경험적 선형 베이즈 절차는 모수에 점추정값 μ^*, λ^*, φ^*를 대입해 추정된 LB 추정량을 얻는 것이다.

(여기서 z, m̂, μ는 추정값 z^* 등으로 대체된다.) 추정된 베이즈 추정량이 부수 자료가 늘어남에 따라 베이즈 추정량으로 확률수렴하면 경험적 베이즈 추정량이라 하고, 그 MSE가 베이즈 위험으로 수렴하면 점근최적(a.o.)이라 한다.

7. 베이즈 관점과 계층모형 The Bayes Point of View; Hierarchical Models

부수 자료가 없을 때는 빈도주의적 경험적 베이즈 모형이 적용되지 않는다. 이것이 모브레이가 염두에 둔 상황으로 보인다—그의 문제는 단 하나의 유일한 위험(또는 위험 클래스)에 보험료를 매기는 것이었다. 이 문제에 대한 베이즈 접근은 가능한 θ 값들에 사전 G를 두는 것이다. 이때 확률은 위험 경험 이전의 주관적 믿음의 정도를 나타낸다. 이렇게 하면 고정효과 θ가 빈도이론 설정에서처럼 확률변수 Θ로 바뀌고(해석만 다를 뿐), 베이즈·선형 베이즈 분석은 앞과 동일해진다.

계층(hierarchy) 개념은 게르버–존스, 테일러, 주얼에 의해 신뢰도 이론에 도입되었다. 분산분석에서 흔히 쓰듯 ‘좌표 형태’로 관측값을 두면 B–S 모형은 다음처럼 표현된다.

여기서 ϑ_i = m(Θ_i) − μ는 위험 i의 전체 평균으로부터의 편차, ε_ij는 j년 결과의 개별 평균으로부터의 우연적 편차다. 계층 확장에서는 여러 단계의 위험 클래스(가장 거친 분류부터 가장 세밀한 개별 위험까지)가 있고, 각 단계 클래스 평균 m_i1…ir을 추정한다. LB 해는 재귀적 신뢰도 공식의 체계로 주어진다.

이 공식은 어떤 클래스 평균의 추정량이 모수와, 계층상 멀거나 가까운 자료에 어떻게 의존하는지를 보여 준다. 각 단계는 ‘그 단계의 자기 경험’과 ‘한 단계 위(더 거친 클래스)의 신뢰도 추정값’을 다시 신뢰도 가중평균으로 결합한다.

8. 정확신뢰도와 관련 분야 Exact Credibility; Related Work

정확신뢰도(exact credibility)가 다루는 문제는 ‘선형 베이즈 추정량이 언제 진짜 베이즈 추정량과 같아지는가’이다. 주얼은 가능도가 (X를 정준 충분통계량으로 하는) 지수형이고 사전이 켤레이면 m̃ = m̆가 성립함을 보였고, 디아코니스와 일비사커(Diaconis & Ylvisaker)는 이 조건이 충분조건이기도 함을 증명해 그림을 완성했다.

이 결과들은 관측이 조건부 i.i.d.일 것을 요구하므로 B–S 모형은 그 범위 밖이다. 비모수 분포와 불균형 설계가 흔한 보험 응용에서, LB 접근은 이론적 최적성보다는 실용성으로 정당화된다. 다만 LB 추정량이 약한 조건 하에서 일종의 제한 미니맥스(restricted minimax)임은 보일 수 있다.

신뢰도 이론(계리학)과 선형 베이즈(통계학)는 ‘닮지 않은 쌍둥이’다—두 학계의 불완전한 소통으로 병행 연구·발견과 일부 재발견이 일어났다. 더 넓게 보면 선형 추정·예측은 공학·제어이론·OR에서도 핵심 과제이며, 칼만(Kalman)의 선형필터 이론(칼만 필터 참조)은 신뢰도·선형 베이즈의 많은 초기 결과를 포괄하고, 잠재변수를 동적 객체로 본다는 점에서 한 걸음 더 나아간다. 이 큰 맥락에서 보더라도 신뢰도 이론은 다수의 중요한 발견과 풍부한 실무 응용 모형을 갖춘 두드러진 학문 분야로 꼽힌다.

참고 및 관련 표제어

부록. 이 글에 나온 용어 (배경지식 보충)

• 신뢰도 보험료 (credibility premium) — 개별 경험과 집단 평균의 가중평균 z·m̂ + (1−z)μ.
• 신뢰도 계수 (credibility factor) z — 개별 경험에 부여하는 가중치. 자료가 많을수록 1에 가깝다.
• 제한변동 신뢰도 (limited fluctuation) — θ를 고정값으로 보고 완전신뢰도 기준으로 z를 정하는 ‘고정효과’ 접근.
• 최대정확성 신뢰도 (greatest accuracy) — m(Θ)를 임의변수로 보고 MSE를 최소화하는 ‘임의효과’ 접근.
• 가설평균의 분산 λ — Var[m(Θ)]. 위험들 사이의 진짜 차이(이질성)를 측정.
• 과정분산 φ — E[s²(Θ)]. 한 위험 안에서의 순수히 우연적인 연도 간 변동.
• 뷜만 k — k = φ/λ. z = n/(n + k)에서 ‘얼마나 자기 경험을 믿을지’를 결정.
• 뷜만–스트라우브 모형 — 노출량 p_j가 해마다 다른 경우를 다루는 가중 신뢰도 모형.
• 경험적 베이즈 (empirical Bayes) — 미지 모수를 포트폴리오 자료로 추정해 신뢰도 공식에 대입하는 방법.
• 정확신뢰도 (exact credibility) — 지수형 가능도 + 켤레사전일 때 선형 베이즈가 베이즈와 정확히 일치하는 경우.

한국보험시장 현황 Korea Market Practice

신뢰도이론은 국내 손해보험 요율산정의 핵심 도구다. 본문의 Z·X+(1-Z)·μ 구조, 즉 개별 계약(또는 집단)의 경험손해율 X와 전체 평균 μ를 신뢰도 Z로 가중평균하는 방식은 자동차보험 할인·할증(보너스–맬러스), 단체보험 경험요율, 우량물건 경험료율에서 일상적으로 사용된다. 경험자료가 많을수록(계약 규모·관측기간이 클수록) Z가 1에 가까워져 자사 경험을 더 신뢰하는 점도 본문의 결론과 같다.

제도 측면에서는 보험개발원이 산출하는 참조순보험요율이 업계 평균(μ)의 역할을 하고, 각 사가 자사 경험으로 이를 보정(Z 적용)해 회사요율을 만든다. Bühlmann·Bühlmann–Straub 모형의 신뢰도 가중은 이 보정의 이론적 근거를 제공하며, IBNR·경험요율 검증에도 활용된다.