Contexte Métier
Une compagnie d'assurance souhaite estimer la charge totale des sinistres automobiles pour l'année à venir afin d'ajuster ses provisions techniques. Elle utilise un modèle de fréquence de Poisson (nombre d'accidents) et un modèle de coût moyen (sévérité) de type Lognormal basé sur l'historique des déclarations.
À propos du Set : cdm
Outils pour le modèle de données commun (Common Data Model).
Découvrir toutes les actions de cdm Préparation des Données
Création des tables de définition de la sévérité (Lognormale) et des paramètres de fréquence.
Copié !
| 1 | |
| 2 | DATA mycas.sev_def_auto; |
| 3 | LENGTH model $ 10; |
| 4 | INPUT model $ parm1 parm2; |
| 5 | DATALINES; |
| 6 | lognormal 7.5 1.2 ; |
| 7 | |
| 8 | RUN; |
| 9 | |
| 10 | DATA mycas.count_def_auto; |
| 11 | LENGTH _name_ $ 32; |
| 12 | INPUT _name_ $ estimate; |
| 13 | DATALINES; |
| 14 | _LAMBDA_ 150 ; |
| 15 | |
| 16 | RUN; |
| 17 |
Étapes de réalisation
1
Exécution de la simulation CDM avec 10 000 réplications et stockage des résultats détaillés.
Copié !
| 1 | |
| 2 | PROC CAS; |
| 3 | cdm.cdm / severityDefinitions={name='sev_def_auto', where="model='lognormal'"} countDistributions={{name='Poisson', parmValues={{value=150}}}} nReplicates=10000 seed=12345 OUTPUT={outSample={name='auto_claims_sim', replace=true}, sampleVariable='TotalLoss'}; |
| 4 | |
| 5 | RUN; |
| 6 | |
| 7 | QUIT; |
| 8 |
2
Vérification des statistiques sommaires générées automatiquement.
Copié !
| 1 | |
| 2 | PROC CAS; |
| 3 | SIMPLE.summary / TABLE={name='auto_claims_sim'}; |
| 4 | |
| 5 | RUN; |
| 6 | |
| 7 | QUIT; |
| 8 |
Résultat Attendu
La table 'auto_claims_sim' est générée contenant 10 000 simulations du coût total. La distribution reflète la combinaison de la fréquence Poisson(150) et de la sévérité Lognormale.