Estimateurs à noyau et théorie des valeurs extrêmes : comparaison de leur pouvoir prédictif dans l'analyse du coût des réclamations en assurance automobile
Bibliographic record
Abstract
Ce mémoire étudie la distribution du montant des réclamations en assurance automobile à l'aide d'une base de données provenant d'un assureur de l'Ontario. Cette base de données contient différents types de réclamations : blessures corporelles, dommages aux véhicules, vol et risques divers. Les différents types de réclamations sont décrits au premier chapitre. Une attention particulière est portée à la modélisation des réclamations dites extrêmes. Une approche paramétrique est d'abord présentée et les distributions Pareto, gamma, bêta prime et Champernowne sont tour à tour étudiées. On montre que cette approche n'est pas idéale pour modéliser les coûts des réclamations pour blessures corporelles. Deux estimateurs à noyaux sont ensuite introduits. L'estimateur à noyau gamma est utilisé directement sur les données, tandis que l'estimateur à noyau bêta est utilisé pour modéliser une transformation des données. Cette transformation utilise la fonction de répartition d'une distribution Champernowne. Finalement, la théorie des valeurs extrêmes est utilisée. Une méthode de sélection automatique du seuil utilisant le produit maximum des espacements est proposée. Au dernier chapitre, on compare le pouvoir de prédiction des différents modèles à l'aide de la base de données. \n______________________________________________________________________________ \nMOTS-CLÉS DE L’AUTEUR : Estimation paramétrique, estimation non paramétrique, estimation semi-paramétrique, distribution Champernowne, distribution bêta prime, distribution Pareto généralisée, noyau gamma, noyau bêta, théorie des valeurs extrêmes, produit maximum des espacements.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.005 | 0.021 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".