Contexte Métier
L'actuaire soupçonne que les paramètres de sévérité estimés sont instables dû à un manque de données historiques. Il souhaite tester la robustesse du modèle en introduisant des perturbations aléatoires dans les paramètres d'entrée pour voir si cela modifie drastiquement la provision requise.
À propos du Set : cdm
Outils pour le modèle de données commun (Common Data Model).
Découvrir toutes les actions de cdm Préparation des Données
Utilisation des mêmes définitions que le standard, mais préparation pour une analyse d'incertitude.
Copié !
| 1 | |
| 2 | DATA mycas.sev_uncertainty; |
| 3 | LENGTH model $ 10; |
| 4 | INPUT model $ parm1 parm2; |
| 5 | DATALINES; |
| 6 | lognormal 6.0 0.5 ; |
| 7 | |
| 8 | RUN; |
| 9 |
Étapes de réalisation
1
Exécution avec activation du mode perturbation (nPerturbedSamples) et troncature des sinistres faibles (ignorance des petits sinistres < 100).
Copié !
| 1 | |
| 2 | PROC CAS; |
| 3 | cdm.cdm / severityDefinitions={name='sev_uncertainty'} countDistributions={{name='Poisson', parmValues={{value=20}}}} nReplicates=1000 nPerturbedSamples=50 seed=777 severityTruncationLeft=100 outsum={outSummary={name='sensibility_analysis', replace=true}}; |
| 4 | |
| 5 | RUN; |
| 6 | |
| 7 | QUIT; |
| 8 |
2
Vérification que les échantillons perturbés ont bien été générés et stockés.
Copié !
| 1 | |
| 2 | PROC CAS; |
| 3 | TABLE.tableInfo / TABLE='sensibility_analysis'; |
| 4 | |
| 5 | RUN; |
| 6 | |
| 7 | QUIT; |
| 8 |
Résultat Attendu
L'action génère 50 échantillons perturbés en plus de l'échantillon nominal. La troncature à gauche (severityTruncationLeft) est appliquée, excluant les petits montants simulés. La table de sortie contient les variations statistiques.