我曾经为一家主要的意外伤害保险公司专业地开发这些模型，并且可能参与了为您所引用的 Kaggle 比赛之一开发数据。所以我对这个问题的定位相对较好。

有人可以解释使用 Tweedie 或 poisson 而不是常规均方损失作为目标的用途/需要。

这些模型的目标是为保险合同定价。即，我们想知道，对于购买了保险合同的客户，我们公司将为客户支付的总索赔成本是多少。所以让我们$X$表示我们对已投保的单个客户的所有测量值。

在合同有效期内发生的事情有两种可能性：

1. 被保险人不提出索赔。在这种情况下，公司不支付任何费用。让我们打电话$F$计算被保险人在合同期内提出的索赔数量的随机变量。这通常被认为是泊松分布的，作为一个不错的近似值。用行业术语来说，这个随机变量称为频率。

2. 被保险人至少提出一项索赔。然后，对于每项索赔，我们公司都会支付随机金额。让我们表示支付的金额$i$'th 索赔$S_i$. 这是一个右尾重的连续随机变量。通常假设这些是伽马分布的，因为形状在直觉上是合理的。在行业术语中，这些被称为严重性。

综上所述，保险合同支付的金额是一个随机变量：

这是一个有趣的小方程，但基本上有一个随机数的和数，根据频率$F$, 和每个求和$S_i$是随机索赔金额（针对单个索赔）。

如果$P$是泊松，并且每个$S_i$是伽马分布，这是 Tweedie 分布。合理的假设导致参数假设$Y \mid X$是 Tweedie 分发的。

是因为响应变量的分布吗？

如上所述，有点。它实际上是响应变量的条件分布（所以$Y \mid X$，而不是边缘$Y$)，我们从未真正观察到。条件分布的某些特征体现在边缘，例如零处的大点质量。

如果响应变量为正且右偏，我们是否应该始终使用 Tweedie 或 poisson 而不是均方损失？

没有。这是条件分布$Y \mid X$这指导了损失函数的选择，这通常来自像上面这样的思考和想象。的（边际）分布$Y$即使条件分布也可能偏斜$Y \mid X$是对称的。例如：

将导致右偏边际分布$Y$，但使用最小二乘损失是完全正确的。

销售预测是否与索赔示例相同 - 每个销售是泊松的，销售金额是伽马分布的？

我没有在这方面做过任何项目，但这听起来是一种合理的方法。

您能否解释一下，索赔金额如何/为什么遵循伽马分布。

这里没有魔法，没有关于索赔分布的原则性理论。粗略地说，它具有正确的形状：它得到了积极的支持（即$P(G \leq 0) = 0$)，它是单峰的，并且具有正偏斜；它导致数学上易于处理的模型。仅此而已，这只是一个合理的选择，并且已经运行了很长时间。