Bayesian approach to credibility theory and its use for calculating credibility premiums in simple cases

ยินดีต้อนรับสู่ Bayesian Credibility!

ในบทนี้ เราจะมาสำรวจเครื่องมือที่มีประโยชน์ที่สุดอย่างหนึ่งในคลังอาวุธของนักคณิตศาสตร์ประกันภัย นั่นคือ ทฤษฎีความน่าเชื่อถือ (Credibility Theory) อย่าให้ชื่อทำให้คุณรู้สึกกลัวไปเลยครับ! หัวใจสำคัญของความน่าเชื่อถือก็คือ วิธีการตัดสินใจว่าเราควร "เชื่อมั่น" ข้อมูลที่เรามีอยู่มากน้อยเพียงใด เมื่อเทียบกับความรู้ทั่วไปที่เรามีอยู่เดิม

ลองจินตนาการว่าคุณกำลังรับประกันภัยให้กับกองรถตู้ขนส่งสินค้า คุณมี ข้อมูลทั่วไป (General data) ของรถตู้ขนส่งทั่วประเทศ แต่ในขณะเดียวกันคุณก็มี ข้อมูลเฉพาะ (Specific data) ของกองรถตู้ที่คุณกำลังพิจารณาอยู่ คุณจะกำหนดราคาเบี้ยประกันอย่างไร? คุณควรจะพึ่งพาประวัติการเคลมของกองรถตู้นี้ทั้งหมด หรือควรจะยึดตามค่าเฉลี่ยระดับประเทศดี? Bayesian Credibility จะให้วิธีทางคณิตศาสตร์แก่เราในการหาจุดสมดุลที่สมบูรณ์แบบระหว่างข้อมูลทั้งสองส่วนนี้ครับ

1. แนวคิดหลัก: สูตรความน่าเชื่อถือ (Credibility Formula)

ก่อนที่เราจะดำดิ่งสู่คณิตศาสตร์ ลองมาดู "สูตรทองคำ" ของบทนี้กันก่อน เบี้ยประกันความน่าเชื่อถือ (Credibility Premium) จะเขียนอยู่ในรูปของค่าเฉลี่ยถ่วงน้ำหนักเสมอ:

\( P = Z\bar{x} + (1 - Z)\mu \)

โดยที่:
• \( \bar{x} \) คือค่าเฉลี่ยของข้อมูลที่เราสังเกตได้ (ประสบการณ์เฉพาะ - Specific Experience)
• \( \mu \) คือค่าเฉลี่ยของความเชื่อเดิมของเรา (ความรู้พื้นฐาน - Prior Knowledge หรือ เบี้ยมาตรฐาน - Manual Rate)
• \( Z \) คือ ค่าความน่าเชื่อถือ (Credibility Factor) ซึ่งเป็นตัวเลขระหว่าง 0 ถึง 1

คำอุปมาสั้นๆ: ลองจินตนาการว่าคุณเป็นกรรมการตัดสินการแข่งขันทำอาหาร เชฟคนหนึ่งเป็นมืออาชีพที่มีชื่อเสียงระดับโลก (ความรู้พื้นฐาน) แต่เชฟกลับทำซุปที่เค็มไปนิดเสิร์ฟให้คุณ (ข้อมูลปัจจุบัน) เนื่องจากเขาเป็นมือโปร คุณจึงให้ "น้ำหนัก" กับชื่อเสียงเดิมของเขามาก และให้ "น้ำหนัก" กับซุปเค็มๆ นั้นน้อยหน่อย น้ำหนักที่คุณให้นั่นแหละคือ ค่า Z ของคุณ!

ประเด็นสำคัญ:

ถ้าเราเชื่อมั่นในข้อมูลที่เรามีมาก ค่า \( Z \) จะเข้าใกล้ 1 แต่ถ้าข้อมูลมีจำนวนน้อยหรือเชื่อถือไม่ค่อยได้ ค่า \( Z \) จะเข้าใกล้ 0 ทำให้เราต้องหันไปพึ่งพาความเชื่อเดิมของเรามากขึ้น

2. กรอบแนวคิดแบบเบย์ (The Bayesian Framework)

ในวิชา CS1 เราใช้ สถิติแบบเบย์ (Bayesian Statistics) เพื่อคำนวณเบี้ยประกันนี้ ไม่ต้องกังวลหากสถิติแบบเบย์จะรู้สึกซับซ้อนในบทก่อนๆ เพราะกระบวนการที่นี่เป็นระบบมาก เรามักจะทำตามขั้นตอนดังนี้ครับ:

ขั้นตอนที่ 1: ระบุ การแจกแจงก่อนหน้า (Prior Distribution) ของพารามิเตอร์ (มักเรียกว่า \( \theta \)) สิ่งนี้แทนความเชื่อของเราก่อนที่จะเห็นข้อมูลใดๆ
ขั้นตอนที่ 2: ระบุ ความเป็นไปได้ (Likelihood) (การแจกแจงของข้อมูล \( x \) เมื่อกำหนด \( \theta \))
ขั้นตอนที่ 3: คำนวณ การแจกแจงภายหลัง (Posterior Distribution) โดยใช้ข้อมูลที่เราสังเกตได้
ขั้นตอนที่ 4: หา ค่าเฉลี่ยภายหลัง (Posterior Mean) ในทาง Bayesian credibility ค่าเฉลี่ยภายหลังนี้ก็คือเบี้ยประกันความน่าเชื่อถือของเรานั่นเอง

คุณทราบหรือไม่? ในหลายกรณีที่เราพบบ่อย ค่าเฉลี่ยภายหลังจะปรับตัวเข้าสู่รูปแบบ \( Z\bar{x} + (1-Z)\mu \) โดยอัตโนมัติ ฟังดูเหมือนเวทมนตร์ แต่จริงๆ แล้วมันก็แค่พีชคณิตครับ!

3. กรณีศึกษาที่ 1: แบบจำลอง Poisson-Gamma

นี่คือสถานการณ์ที่พบบ่อยที่สุดในข้อสอบ CS1 ซึ่งมักใช้กับ จำนวนครั้งของการเคลม

• สถานการณ์: จำนวนการเคลมเป็นไปตาม การแจกแจงปัวซง (Poisson distribution) ด้วยพารามิเตอร์ \( \lambda \)
• ความเชื่อเดิม (Prior): ความเชื่อของเราเกี่ยวกับ \( \lambda \) เป็นไปตาม การแจกแจงแกมมา (Gamma distribution) ด้วยพารามิเตอร์ \( \alpha \) และ \( \beta \)
• ข้อมูล: เราสังเกตข้อมูลเป็นเวลา \( n \) ปี และจำนวนการเคลมรวมคือ \( \sum x_i \)

ผลลัพธ์:
การแจกแจงภายหลังก็ยังคงเป็น Gamma โดยมีพารามิเตอร์ใหม่คือ:
\( \alpha_{new} = \alpha + \sum x_i \)
\( \beta_{new} = \beta + n \)

เบี้ยประกันความน่าเชื่อถือ:
ค่าเฉลี่ยของการแจกแจง Gamma คือ \( \alpha / \beta \) ดังนั้นค่าเฉลี่ยภายหลังคือ:
\( \frac{\alpha + \sum x_i}{\beta + n} \)

เดี๋ยวนะ! มันกลายเป็นสูตรความน่าเชื่อถือได้อย่างไร?
ด้วยการจัดรูปพีชคณิตเพียงเล็กน้อย เราสามารถเขียนใหม่ได้เป็น:
\( P = (\frac{n}{\beta + n})\bar{x} + (\frac{\beta}{\beta + n})\frac{\alpha}{\beta} \)

ลองสังเกตดีๆ นะครับ:
• \( Z = \frac{n}{\beta + n} \)
• \( \bar{x} = \frac{\sum x_i}{n} \) (ค่าเฉลี่ยตัวอย่าง)
• \( \mu = \frac{\alpha}{\beta} \) (ค่าเฉลี่ยความเชื่อเดิม)

ข้อผิดพลาดที่พบบ่อย:

นักศึกษามักสับสนระหว่าง \( n \) (จำนวนครั้งที่สังเกต) กับ \( \sum x_i \) (ผลรวมของค่าที่สังเกตได้) จำไว้ว่า: \( n \) มีผลต่อ ขนาด (Scale) ของความมั่นใจของเรา (\( \beta \)) ในขณะที่ผลรวมมีผลต่อ การประเมิน (Estimate) ค่ารวมของเรา (\( \alpha \))

4. กรณีศึกษาที่ 2: แบบจำลอง Normal-Normal

แบบจำลองนี้มักใช้สำหรับ จำนวนเงินที่เคลม (Severity)

• สถานการณ์: ข้อมูลเป็นไปตาม การแจกแจงปกติ (Normal distribution) \( N(\theta, \sigma^2) \)
• ความเชื่อเดิม (Prior): ความเชื่อของเราเกี่ยวกับ \( \theta \) เป็นไปตาม การแจกแจงปกติ (Normal distribution) \( N(\mu, \tau^2) \)

การแจกแจงภายหลังยังคงเป็น Normal และค่าเฉลี่ยภายหลัง (เบี้ยประกันของเรา) คือ:
\( E[\theta | \text{data}] = \frac{\frac{n}{\sigma^2}\bar{x} + \frac{1}{\tau^2}\mu}{\frac{n}{\sigma^2} + \frac{1}{\tau^2}} \)

การจัดรูปเพื่อหา Z:
ถ้าเราหารทั้งเศษและส่วนด้วยตัวหาร เราจะได้:
\( Z = \frac{n}{n + \frac{\sigma^2}{\tau^2}} \)

เทคนิคการจำ:
ลองคิดว่า \( \sigma^2 \) คือ "สัญญาณรบกวน (Noise)" ในข้อมูล และ \( \tau^2 \) คือ "ความกระจาย (Spread)" ของความเชื่อเดิมเรา ถ้า "สัญญาณรบกวน" (\( \sigma^2 \)) มีค่าสูงมาก ค่า \( Z \) จะน้อยลง เพราะเราเชื่อมั่นในข้อมูลที่ "ปั่นป่วน" เหล่านั้นน้อยลงนั่นเอง!

5. สรุปและขั้นตอนการแก้โจทย์

เมื่อคุณเห็นโจทย์ Bayesian credibility ในข้อสอบ CS1 ให้ทำตามขั้นตอนเหล่านี้ครับ:

1. ระบุการแจกแจง: เป็นแบบ Poisson-Gamma? Normal-Normal? หรือ Bernoulli-Beta?
2. เขียนค่าเฉลี่ยความเชื่อเดิม (Prior Mean): นี่คือค่า \( \mu \) ของคุณ
3. คำนวณค่าเฉลี่ยภายหลัง (Posterior Mean): ใช้สูตรของพารามิเตอร์ที่อัปเดตแล้ว (เช่น \( \alpha + \sum x \))
4. สกัดค่า Z: ดูสัมประสิทธิ์ที่อยู่หน้าค่าเฉลี่ยตัวอย่าง \( \bar{x} \)
5. ตรวจสอบความสมเหตุสมผล: ค่า \( Z \) เพิ่มขึ้นเมื่อ \( n \) เพิ่มขึ้นหรือไม่? มันควรจะเป็นแบบนั้น! เพราะยิ่งมีข้อมูลมาก ค่าความน่าเชื่อถือก็ควรยิ่งสูงขึ้น

รายการตรวจสอบประเด็นสำคัญ:

• เบี้ยประกันความน่าเชื่อถือ (Credibility Premium) = ค่าเฉลี่ยถ่วงน้ำหนักของข้อมูลและสิ่งที่เชื่อเดิม
• Conjugate Priors ช่วยให้คณิตศาสตร์ง่ายขึ้น เพราะการแจกแจงภายหลังจะอยู่ในตระกูลเดียวกับ Prior
• เมื่อ \( n \to \infty \) ค่าความน่าเชื่อถือ \( Z \to 1 \) (ในที่สุดเราจะเชื่อมั่นในข้อมูลที่ได้มาอย่างเต็มที่)
• เมื่อความแปรปรวนของ Prior เพิ่มขึ้น ค่า \( Z \to 1 \) (ถ้าความเชื่อเดิมเราไม่ชัดเจน เราก็จะหันไปพึ่งพาข้อมูลมากขึ้น)

ไม่ต้องกังวลหากในช่วงแรกจะรู้สึกว่าพีชคณิตมันหนักไปนิด ลองฝึกจัดรูปค่าเฉลี่ยภายหลังให้อยู่ในรูป \( Z\bar{x} + (1-Z)\mu \) สักสองสามครั้ง แล้วคุณจะเริ่มเห็นรูปแบบเองครับ!