Dans le domaine de l'assurance, les entreprises utilisent souvent des techniques de modélisation prédictive pour anticiper le moment où un client est susceptible de résilier sa police. Cependant, un client peut subir une succession d'événements sur l'évolution de ses polices d'assurance avec, par exemple, l'acquisition d'une police automobile, suivie d'une police habitation, ou quitter l'entreprise, c'est-à-dire annuler ses contrats de polices d'assurance. Ainsi, au lieu de l'apparition d'un seul événement, la progression du client pourrait être définie comme un processus multi-états en mettant l'accent sur les transitions entre les états et la modélisation du nombre d'interactions entre le client et la compagnie sur celles-ci. Dans ce contexte, nous présentons un modèle conjoint pour une variable longitudinale et un processus multi-états qui est divisé en deux sous-modèles : un sous-modèle linéaire généralisé mixte pour une variable longitudinale de comptage et un sous-modèle multi-états avec des risques proportionnels pour les temps de transition, tous deux liés par des effets aléatoires partagés. Les paramètres de ce modèle conjoint multi-états sont estimés avec une approche bayésienne. Elle est mise en œuvre sous R à l'aide des packages msm, survival et JMbayes2. Des outils graphiques de diagnostic ont été proposés pour évaluer la convergence des estimations obtenues. Grâce aux covariables classiques disponibles dans les données d'une compagnie d'assurance, nous sommes en mesure d'étudier l'évolution du nombre d'interactions trimestriel, de définir les risques de transition entre les états de police d'assurance et de quantifier l'impact de la dynamique du nombre d'interactions sur chaque intensité de transition. / In the insurance industry, companies often use predictive modeling techniques to anticipate when a customer is likely to cancel their policy. However, a customer may experience a succession of events on the evolution of their insurance policies, with, for example, the acquisition of a car policy, followed by a home policy, or leaving the company, i.e. canceling their insurance policies. Thus, instead of the occurrence of a single event, the customer's progression could be defined as a multi-state process, focusing on the transitions between states and the impact of the dynamics of the number of interactions between the customer and the company on these. In this context, we present a joint model for a longitudinal variable and a multi-state process that is divided into two sub-models: a mixed generalized linear sub-model for a longitudinal counting variable and a multi-state sub-model with proportional risks for transition times, both linked by shared random effects. The parameters of this joint multi-state model are estimated using a Bayesian approach. It is implemented in R using the msm, survival and JMbayes2 packages. Graphical diagnostic tools have been proposed to assess the convergence of the estimates obtained. Thanks to the classical covariates available in the data of an insurance company, we are able to study the evolution of the quarterly number of interactions, to define the transition risks between insurance policy states and to quantify the impact of the dynamics of the number of interactions on each transition intensity.
| Identifer | oai:union.ndltd.org:LAVAL/oai:corpus.ulaval.ca:20.500.11794/152644 |
| Date | 24 October 2024 |
| Creators | Sylla, Magatte |
| Contributors | Duchesne, Thierry, Rivest, Louis-Paul |
| Source Sets | Université Laval |
| Language | French |
| Detected Language | French |
| Type | COAR1_1::Texte::Thèse::Mémoire de maîtrise |
| Format | 1 ressource en ligne (viii, 60 pages), application/pdf |
| Rights | http://purl.org/coar/access_right/c_abf2 |
Page generated in 0.0016 seconds