Contexto empresarial
Una aseguradora multinacional desea modelar la dependencia de cola (eventos extremos simultáneos) entre tres líneas de negocio: Automóvil, Hogar y Salud. El conjunto de datos es voluminoso (100k registros). Se requiere una Cópula T (Student) porque permite mayor dependencia en las colas que la Normal, ajustando también los grados de libertad.
Preparación de datos
Generación de 100,000 registros simulando siniestros con dependencias complejas.
¡Copiado!
| 1 | DATA mycas.claims_huge; |
| 2 | call streaminit(999); |
| 3 | DO i = 1 to 100000; |
| 4 | factor_comun = rand('T', 4); /* Distribución T con colas pesadas */ |
| 5 | loss_auto = exp(0.5 * factor_comun + rand('NORMAL')); |
| 6 | loss_home = exp(0.4 * factor_comun + rand('NORMAL')); |
| 7 | loss_health = exp(0.2 * factor_comun + rand('NORMAL')); |
| 8 | OUTPUT; |
| 9 | END; |
| 10 | RUN; |
Étapes de réalisation
1
Ajuste de Cópula T con inicialización de grados de libertad (df=4) usando MLE.
¡Copiado!
| 1 | PROC CAS; |
| 2 | copula.copulaFit / |
| 3 | TABLE={name='claims_huge'}, |
| 4 | var={'loss_auto', 'loss_home', 'loss_health'}, |
| 5 | copulaType='T', |
| 6 | method='MLE', |
| 7 | df=4, |
| 8 | outpseudo={name='claims_pseudo', replace=true}; |
| 9 | RUN; |
Resultado esperado
La acción debe manejar el volumen de 100k registros sin errores de memoria. La salida debe mostrar la estimación de los grados de libertad (cercanos a 4) y la matriz de correlación. Se debe generar la tabla 'claims_pseudo' con los datos transformados al espacio uniforme.