Contexte Métier
Une compagnie d'assurance doit auditer son modèle de tarification basé sur la fréquence des sinistres automobiles (Loi de Poisson). L'audit nécessite de vérifier les estimations finales des paramètres sans ré-entraîner le modèle sur les données de production, afin de garantir que la tarification appliquée correspond au modèle validé.
Préparation des Données
Simulation d'un portefeuille de 5000 assurés avec âge, zone géographique et nombre de sinistres suivant une distribution de Poisson.
Copié !
| 1 | |
| 2 | DATA mycas.assures_auto; |
| 3 | call streaminit(12345); |
| 4 | DO i=1 to 5000; |
| 5 | age_conducteur = rand('Integer', 18, 90); |
| 6 | zone_risque = rand('Integer', 1, 5); |
| 7 | log_risk = -3 + 0.03 * age_conducteur + 0.1 * zone_risque; |
| 8 | nb_sinistres = rand('POISSON', exp(log_risk)); |
| 9 | OUTPUT; |
| 10 | END; |
| 11 | |
| 12 | RUN; |
| 13 |
Étapes de réalisation
1
Pré-requis : Entraînement et sauvegarde du modèle de référence (Poisson) dans un item store.
Copié !
| 1 | |
| 2 | PROC CAS; |
| 3 | countreg.countregFitModel / TABLE={name='assures_auto'}, model={depVars={{name='nb_sinistres'}}, effects={{vars={'age_conducteur', 'zone_risque'}}}, dist='POISSON'}, store={name='modele_tarification_v1', replace=true}; |
| 4 | |
| 5 | RUN; |
| 6 |
2
Visualisation ciblée des estimations finales pour l'audit.
Copié !
| 1 | |
| 2 | PROC CAS; |
| 3 | countreg.countregViewStore / TABLE={name='assures_auto'}, instore={name='modele_tarification_v1'}, viewOptions={finalEstimates=true, minimal=true}; |
| 4 | |
| 5 | RUN; |
| 6 |
Résultat Attendu
L'action doit retourner uniquement les tables synthétiques et les estimations des paramètres (Intercept, Age, Zone) stockés dans 'modele_tarification_v1', permettant à l'auditeur de valider les coefficients.