Contexte Métier
Une compagnie d'assurance souhaite modéliser la fréquence des sinistres annuels de ses assurés pour ajuster les primes. Le nombre de sinistres est une donnée de comptage souvent sur-dispersée (variance supérieure à la moyenne), justifiant l'usage d'une loi Binomiale Négative plutôt qu'une loi de Poisson simple. Le modèle doit être sauvegardé pour un déploiement futur.
Préparation des Données
Génération de 5000 polices d'assurance avec âge conducteur, type de véhicule et nombre de sinistres simulé (loi de Poisson avec paramètre lambda variable).
Copié !
| 1 | |
| 2 | DATA mycas.polices_assurance; |
| 3 | call streaminit(12345); |
| 4 | DO id_police = 1 to 5000; |
| 5 | age_conducteur = rand('Integer', 18, 90); |
| 6 | type_vehicule = rand('Choice', 'Berline', 'SUV', 'Sport'); |
| 7 | IF type_vehicule = 'Sport' THEN lambda = 0.8; |
| 8 | ELSE lambda = 0.2; |
| 9 | IF age_conducteur < 25 THEN lambda = lambda * 1.5; |
| 10 | nb_sinistres = rand('Poisson', lambda); |
| 11 | OUTPUT; |
| 12 | END; |
| 13 | |
| 14 | RUN; |
| 15 |
Étapes de réalisation
1
Exécution du modèle Binomial Négatif (NEGBIN2) en sauvegardant le modèle dans un item store.
Copié !
| 1 | |
| 2 | PROC CAS; |
| 3 | countreg.countregFitModel / TABLE={name='polices_assurance'}, class={{vars={'type_vehicule'}}}, model={depVars={{name='nb_sinistres'}}, effects={{vars={'age_conducteur', 'type_vehicule'}}}}, modelOptions={modelType='NEGBIN2'}, store={name='modele_sinistre_store'}; |
| 4 | |
| 5 | RUN; |
| 6 |
Résultat Attendu
L'action doit converger et produire les estimations des paramètres (intercept, coefficients pour âge et véhicule). La table 'modele_sinistre_store' doit être créée dans la librairie CAS, confirmant que le modèle est prêt pour le scoring.