《表4 欺诈损失频率描述：城乡居民医疗保险欺诈损失实证研究》
提示：宽带有限、当前游客访问压缩模式
由表4可知，E[N]=28.5556，因此根据式（12)可得医保欺诈损失纯保费：E（SN）=412.052万元。
| 图表编号 | XD00222107900 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.08.28 |
| 作者 | 林源、谌立平、宋曙光 |
| 绘制单位 | 怀化学院商学院、怀化学院商学院、怀化学院商学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表1 数据集统计信息：基于TLSTM的医疗保险欺诈检测》2020.11.01
- 《表2 医院预测：基于TLSTM的医疗保险欺诈检测》2020.11.01
- 《表6 不同置信水平下的医保欺诈损失Va R值》2020.08.28
- 《表3 欺诈损失强度描述/万元》2020.08.28
- 《表5 欺诈损失强度分布拟合》2020.08.28
- 《表2 各年度欺诈损失数据》2020.08.28
- 《表2 样本描述性统计：视而不见证券分析师与上市公司欺诈关系研究——基于考虑部分可观测的Bivariate Probit估计》2020.04.22
- 《表4 变量描述性统计：河南省普惠金融发展对城乡居民收入差距影响的实证研究》2020.07.20
- 《表1《保险法》与《合同法》关于欺诈情形的规定对比》2020.03.15
- 《表3 变量描述性统计：城乡居民基本养老保险制度满意度影响因素实证研究——基于31个省市的调查》2020.02.01
- 《表4 模型检验结果：城乡居民基本养老保险制度满意度影响因素实证研究——基于31个省市的调查》2020.02.01
- 《表2 2017～2018年英国支票欺诈损失金额》2019.11.07
- 《表2 调查样本特征描述：统筹城乡居民大病保险制度效应研究》2019.10.20
- 《表1 医疗大数据类型：基于Spark机器学习实现医疗保险关联频繁模式的欺诈行为挖掘技术探讨》2019.05.15
- 《表2 频繁项集C1：基于Spark机器学习实现医疗保险关联频繁模式的欺诈行为挖掘技术探讨》2019.05.15
- 《表4 关联规则：基于Spark机器学习实现医疗保险关联频繁模式的欺诈行为挖掘技术探讨》2019.05.15
- 《表4 典型的信用卡欺诈检测原始特征描述》2019.08.01
- 《表1 食品欺诈类型的描述》2019.02.15
- 《表2 欺诈风险识别规则：保险公司分支机构合规监测及量化评价研究》2019.01.20
- 《表4 英国2016年支票欺诈损失情况》2018.12.01