Modélisation de l'espérance de vie des clients en assurance

• Main Author: Cyr, Pierre Luc
• Other Authors: Angers, Jean-François
• Language: fr
• Published: 2013
• Subjects: Espérance de vie; Modèles par chaînes de Markov; Régression logistique multinomiale; Assurance; Lifetime expectancy; Markov chain model; multinomial logistic regression; insurance; Mathematics / Mathématiques (UMI : 0405)
• Online Access: http://hdl.handle.net/1866/9920

Dans ce mémoire, nous proposons une méthodologie statistique permettant d’obtenir un estimateur de l’espérance de vie des clients en assurance. Les prédictions effectuées tiennent compte des caractéristiques individuelles des clients, notamment du fait qu’ils peuvent détenir différents types de produits d’assurance (automobile, résidentielle ou les deux). Trois approches sont comparées. La première approche est le modèle de Markov simple, qui suppose à la fois l’homogénéité et la stationnarité des probabilités de transition. L’autre modèle – qui a été implémenté par deux approches, soit une approche directe et une approche par simulations – tient compte de l’hétérogénéité des probabilités de transition, ce qui permet d’effectuer des prédictions qui évoluent avec les caractéristiques des individus dans le temps. Les probabilités de transition de ce modèle sont estimées par des régressions logistiques multinomiales. === In this master’s thesis, we develop a statistical method to estimate the lifetime expectancy of clients in the insurance domain. The forecasts are personnalized according to the clients’ own features, the most notable being the fact that they can have any combination of automobile and residential insurance products. Three approaches are compared. The first approach is the simple Markov model which assume homogeneity and stationnarity of the transition probabilities. The other model suggested – which is implemented both by direct computation and by simulation – allows for heterogeneity of the transition probabilities, thus providing forecasts which evolve in time along with the characteristics of the clients. The transitions probabilities are estimated using multinomial logistic regressions.