Modélisation de la réserve avec modèles linéaires généralisés pondérés par la réciproque de la probabilité de censure
Notice bibliographique
Résumé
Le provisionnement est une des fonctions principales d’un assureur et la réserve qui en résulte constitue une dette importante pour celui-ci. Afin d’assurer la solvabilité de la compagnie, l’assureur emploie des actuaires pour calculer cette réserve. Selon la granularité des données, les méthodes de calcul de la réserve se divisent en deux approches : les modèles collectifs et les modèles individuels. Les modèles individuels sont rarement utilisés et de manière générale ne tiennent pas compte du mécanisme de censure observé parmi les réclamations ouvertes au moment du calcul de la réserve. Dans une série d’articles (Lopez et al., 2016), (Lopez et al., 2019) et (Lopez et Milhaud, 2021), des modèles individuels qui utilisent des arbres de régression sont proposés afin de prédire la réserve individuelle pour chaque réclamation ouverte. Des modèles linéaires généralisés pondérés qui prennent en compte le mécanisme de censure sont proposés dans ce mémoire. Les fonctions de vraisemblance sont calculées afin d’assurer des propriétés asymptotiques désirables. Les modèles collectifs et les modèles individuels proposés sont analysés avec des données réelles fournies par un grand assureur canadien. _____________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : Réserves individuelles, Réserve RBNS, Modèles linéaires généralisés, Modèles linéaires généralisés pondérés, Arbres de régression, Arbres de régression pondérés, IPCW, Kaplan-Meier, Modèles individuels, Assurance IARD
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,001 |
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 ».