Analyse et évaluation de la méthode de tarification a posteriori avec les données de panel
Notice bibliographique
Résumé
La tarification d'assurance Incendie, Accidents et Risques Divers (IARD) est une importante tâche des actuaires depuis très longtemps. Le calcul a toujours été divisée entre « a priori » et « a posteriori ». Récemment, les actuaires essayent différentes façons d'utiliser ces approches ensemble. Boucher et Inoussa (2014) ont proposé une façon de les combiner grâce à un nouveau modèle qui estime tous les paramètres en même temps en utilisant les données d'un assureur de la province de l'Ontario pour l'illustrer. En conséquence, leur modèle a dû être modifié afin d'inclure une contrainte légale de cette région. Ce mémoire a pour objectif, parmi d'autres, d'analyser et d'évaluer l'efficacité de leur modèle. Pour ce faire, nous avons passé en revue les fondements et nous avons utilisé la même base de données qu'ils ont utilisée. La reproduction du modèle a été mise en place avec tous les détails de chaque composante du calcul. Ensuite, un modèle de contrôle a été fait pour comprendre en détail la perte de l'efficience à cause d'une telle imposition légale. Nous avons utilisé des outils d'évaluation proposés par Lemaire (1995) pour comparer le modèle principal avec d'autres modèles déjà connus. De plus, nous avons utilisé un nouvel outil pour vérifier la différence de comportement entre les modèles dans un environnement de compétition de marché. Les résultats obtenus vont dans la direction attendue depuis le début de cette recherche : la nouvelle méthode est plus efficace que les modèles traditionnels et l'inclusion de la contrainte légale dans le modèle principal a réduit sa performance. \n______________________________________________________________________________ \nMOTS-CLÉS DE L’AUTEUR : Tarification « a priori », tarification « a posteriori », assurance IARD, assurance auto, données transversalles, données horizontales, données de panel, modèles linéaires généralisés, système de bonus-malus, Poisson, crédibilité, compétition, assurances, actuariat.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,014 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».