欢迎来到实验室：创造新分配！

在你的精算旅程中，你已经认识了这些“明星级”分配：指数分配（Exponential）、伽马分配（Gamma）和帕雷托分配（Pareto）。但在现实世界的保险数据中，情况往往没那么简单。有时候，标准分配并不能完美地拟合索赔数据。

把这一章想象成一个DIY 工作坊。我们不需要“购买”新的分配，而是将现有的分配进行修改——拉伸它们、提升其幂次，甚至像拼布被一样将它们缝合在一起。读完这些笔记后，你将学会如何“构建”一个分配，以适应几乎任何严重程度（Severity）模型的场景。

快速回顾：请记住，严重程度模型（Severity Model）是用来描述索赔金额的大小。在本章中，我们正在寻找创造新的累积分配函数 (CDF, \(F(x)\)) 和概率密度函数 (PDF, \(f(x)\)) 的方法，以更精确地呈现这些索赔金额。


1. 乘法（分配的缩放 Scaling）

这是创造新分配最简单的方法。如果你有一个随机变量 \(X\)（代表一次索赔），将其乘以一个常数 \(c > 0\)，你就会得到一个新的随机变量 \(Y = cX\)。

为什么要这样做？
想象一下，你手头上有以美元为单位的索赔分配，但你需要换成欧元；或者，想象由于通货膨胀，每笔索赔额都增加了 5%。这就是在对分配进行缩放（Scaling）。

数学原理：
如果 \(Y = cX\)，那么新的累积分配函数 (CDF) 为：
\(F_Y(y) = F_X(y/c)\)

新的概率密度函数 (PDF) 为：
\(f_Y(y) = \frac{1}{c} f_X(y/c)\)

关键概念：尺度参数（Scale Parameter, \(\theta\)）
在许多 SOA 的分配中，参数 \(\theta\) 是一个尺度参数。如果你将整个分配乘以 \(c\)，通常只需将旧的 \(\theta\) 乘以 \(c\) 即可得到新的参数。例如，如果 \(X \sim \text{Exponential}(\theta)\)，那么 \(cX \sim \text{Exponential}(c\theta)\)。

避免常见错误：
计算 PDF 时，千万别忘了函数内部要除以 \(c\)，而外部还要再乘以 \(1/c\)！

重点总结：将分配乘以常数 \(c\) 会“拉伸”该分配。它的形状保持不变，但尺度（Scale）改变了。


2. 幂次变换（Power Transformations）

如果我们取一个分配并将其进行幂次变换会怎样？如果 \(X\) 是我们原始的变量，我们可以创建 \(Y = X^{1/\tau}\)（或 \(Y = X^\tau\)）。

数学原理：
如果 \(Y = X^{1/\tau}\)，则 \(X = Y^\tau\)。CDF 变为：
\(F_Y(y) = F_X(y^\tau)\)

“变换后”家族：
这就是我们如何从 ASTAM 表中得到一些著名分配的方法：
1. 变换伽马分配（Transformed Gamma）： 通过对伽马分配进行幂次变换而创建。
2. 伯尔分配（Burr Distribution）： 通过对帕雷托分配进行幂次变换而创建。

记忆小贴士：
把幂次 \(\tau\) (tau) 想象成“韧性”（Toughness）。对索赔额进行幂次变换会改变分配尾部的“厚重程度”。较高的幂次会使发生大额索赔的概率显著增加或减少。

重点总结：幂次变换会改变分配的形状和尾部权重，从而影响出现极端值的可能性。


3. 指数化（Exponentiation）

在这个变换中，我们取一个随机变量 \(X\)，将其转变为 \(Y = e^X\)。

著名的例子：对数常态分配（Lognormal）
如果 \(X\) 服从常态分配，那么 \(Y = e^X\) 就服从对数常态分配。这是严重程度模型中最重要的分配之一，因为它永远为正且具有右偏尾部（非常适合保险索赔！）。

数学原理：
如果 \(Y = e^X\)，则 \(X = \ln(Y)\)。CDF 为：
\(F_Y(y) = F_X(\ln y)\)

你知道吗？
我们使用“Log-”作为新分配的前缀（例如：Loglogistic, Lognormal）。这意味着，如果你对索赔金额取对数（Logarithm），它就会服从原始的分配。

重点总结：指数化用于创造严格为正且通常具有极长、极“厚”尾部的分配。


4. 混合分配（Mixing Distributions）

混合就像制作果昔（Smoothie）。你不是将索赔金额加在一起，而是表示一笔索赔有特定的概率来自“分配 A”，也有特定的概率来自“分配 B”。

离散混合（Discrete Mixtures）：
假设你有两类驾驶员：“安全型”（分配 \(F_1\)）和“风险型”（分配 \(F_2\)）。如果 70% 的驾驶员是安全型，30% 是风险型，那么总分配为：
\(F(x) = 0.70 F_1(x) + 0.30 F_2(x)\)

一般公式：
\(F(x) = \sum_{i=1}^{n} a_i F_i(x)\)，其中权重 \(a_i\) 的总和必须为 1 (\(\sum a_i = 1\))。

混合的步骤：
1. 识别各个单独的分配 (\(F_1, F_2, ...\))。
2. 识别权重（进入每个群组的概率）。
3. 将每个 CDF 或 PDF 乘以其对应的权重。
4. 将它们加总！

常见错误：
学生常将“混合”与“随机变量相加”混淆。
- 混合：“这笔索赔要么来自类型 A，要么来自类型 B。”
- 相加：“总索赔额是索赔 A 和索赔 B 的总和。”
这在数学上是非常不同的！混合使用权重；而相加涉及卷积（Convolutions，计算难度高得多）。

重点总结：混合允许你为具有不同行为特征的群组人口进行建模。


5. 拼接分配（Splicing Distributions）

拼接是“科学怪人”式的方法。你对小额索赔使用一种分配，对大额索赔使用另一种分配。这在保险业中非常常见，因为小型“轻微碰撞”索赔的行为与“全损”巨灾索赔的行为完全不同。

比喻：
想象一家商店，1 到 10 美元的商品使用一套定价表，而超过 10 美元的商品则使用完全不同的另一套定价表。规则改变的那个点（10 美元）称为门槛值（Threshold）或连接点（Join point）。

数学原理：
拼接后的 PDF 看起来像这样：
\(f(x) = \begin{cases} a_1 f_1(x) & 0 < x < k \\ a_2 f_2(x) & x > k \end{cases}\)

关键规则：总面积必须等于 1！
最重要的一点是，拼接后的 PDF 下方总面积必须为 1。你通常需要使用权重 (\(a_i\)) 对各个部分进行“缩放”，以确保它们能正确衔接。

拼接示例：
你可能会对 0 到 5,000 美元之间的索赔（“主体”）使用指数分配，而对超过 5,000 美元的索赔（“尾部”）使用帕雷托分配。

快速回顾：如何处理拼接
- 检查门槛值 (\(k\))。
- 确保所有区间内的概率总和等于 1。
- 如果题目要求 CDF，请谨慎地对每个部分进行积分，并继承前一个部分的累积概率。

重点总结：拼接让你能够“缝合”不同的模型，以捕捉不同索赔规模下的不同行为。


最后总结：工具箱

如果这些变换让你感到抽象，别担心。只需记住每个工具对数据“形状”的影响：

- 乘法：改变尺度（货币/通货膨胀）。
- 幂次：改变尾部权重（Burr, Transformed Gamma）。
- 指数化：创造严格为正的分配（Lognormal）。
- 混合：结合不同人群（安全型 vs. 风险型）。
- 拼接：结合不同索赔规模（小型 vs. 大型）。

你能做到的！这些工具是你在此后的 ASTAM 考试中构建复杂模型所需的底座。