欢迎来到分布参数的世界！
在准备 Exam ASTAM 的过程中，你可能已经注意到精算模型并非一成不变的算式；它们是必须随世界变动而调整的动态工具。精算师最常面对的挑战之一就是变化——例如通货膨胀、汇率波动或保单条款的调整。
在本章中，我们将探讨改变分布的参数（parameters）如何影响我们所建立模型中索赔的“形状”与“大小”。这一点至关重要，因为它让我们能回答诸如：“如果通胀导致所有索赔额增加 5%，我们的总预期损失会有什么变化？”之类的问题。让我们深入探讨，让这些概念成为你的直觉吧。
1. “尺度”参数（Scale Parameter）：我们的变焦镜头
当我们谈论参数的影响时，最重要的概念就是尺度参数（Scale Parameter）。你可以把尺度参数想象成相机的变焦镜头。当你放大或缩小时，物体的形状本身并没有变——你的小狗看起来还是一只小狗——但画面中所有东西的大小却按比例改变了。
什么是尺度参数？
若对于随机变量 \( X \)，其转换后的新变量 \( Y = X / \theta \) 的分布与 \( \theta \) 无关，则参数 \( \theta \) 被称为尺度参数。简单来说，如果你能通过除法将该参数“提出”并消除，它就是尺度参数。
为什么这对损失模型（Severity Models）很重要：在保险领域中，我们使用的许多分布（如指数分布 Exponential、Gamma 分布及帕累托分布 Pareto）都有尺度参数。通常，这个参数记作 \( \theta \)。如果你改变 \( \theta \)，实际上就是在拉伸或压缩你的概率分布图的横轴。
尺度参数的关键属性：
- 若 \( X \) 拥有尺度参数 \( \theta \)，则随机变量 \( Y = cX \)（其中 \( c > 0 \)）将具有相同的分布形式，但尺度参数会变为 \( c\theta \)。
- 你知道吗？这正是我们建立通货膨胀模型的方式。如果 \( c = 1.05 \)，它就代表所有索赔金额出现了 5% 的通货膨胀。
快速总结：改变尺度参数会移动分布的“权重”，但会保持其基本形状不变。这就像把测量单位从美元换成欧元一样。
2. 对分布函数的数学影响
别担心，如果这些数学符号刚开始看起来很吓人也没关系！参数如何影响累积概率函数（CDF）和概率密度函数（PDF）是有其逻辑模式的。
转换法则
假设我们有一个随机变量 \( X \)，并创造了一个新变量 \( Y = cX \)。要找出新的函数，请遵循以下步骤：
1. 新的 CDF：
\( F_Y(y) = F_X(y/c) \)
可以这样想：为了在“通胀后”的变量 \( Y \) 中获得相同的概率水平，你必须查看原始值除以通胀系数后的数值。
2. 新的 PDF：
\( f_Y(y) = \frac{1}{c} f_X(y/c) \)
留意前方的前方的 \( 1/c \)！因为分布被“拉宽”了，高度必须降低，以确保曲线下的总面积仍等于 1。
现实生活中的类比：
想像一块披萨面团。如果你把面团拉成两倍宽（\( c = 2 \)），面团就会变薄（这就是 \( 1/c \) 系数）。面团的总量（总概率 1.0）始终保持不变！
3. 对动差（Mean, Variance, etc.）的影响
ASTAM 中最常见的任务之一就是计算当参数调整时，平均值（mean）与方差（variance）如何变化。这其实是当中最简单的部分！
动差的线性关系
如果我们我们将随机变量乘以常数 \( c \)（代表尺度变更）：
- 平均值： \( E[cX] = c \cdot E[X] \)。 (平均值随尺度直接变动)。
- 方差： \( Var(cX) = c^2 \cdot Var(X) \)。 (方差随尺度的平方变动)。
- 原始动差： \( E[(cX)^k] = c^k \cdot E[X^k] \)。
变异系数（Coefficient of Variation, CV）
CV 定义为 \( \frac{\sigma}{\mu} \)。关键点：如果你只改变尺度参数，CV 是不会变的。
\( CV(cX) = \frac{\sqrt{c^2 Var(X)}}{c E[X]} = \frac{c \sigma}{c \mu} = \frac{\sigma}{\mu} \)。
这非常合理：如果所有数字都增加了 10%，那么“相对”风险依然不变。
核心重点：尺度参数影响数值的大小，但不影响分布的相对波动性。
4. 在损失模型表中识别参数
在 Exam ASTAM 中，你将会查阅“分布表”。你不需要背下每一个 PDF，但你必须能够识别出哪个参数是尺度参数。
常见的尺度参数（\( \theta \)）：
- 指数分布（Exponential）： \( \theta \) 即是平均值，也是尺度参数。
- Gamma 分布： \( \theta \) 是尺度参数；\( \alpha \) 是形状参数。
- 帕累托分布（Pareto）： \( \theta \) 是尺度参数；\( \alpha \) 是形状参数。
- 威布尔分布（Weibull）： \( \theta \) 是尺度参数；\( \tau \) 是形状参数。
快速秘诀：在几乎所有 ASTAM 的分布公式中，如果你看到公式里有 \( x \)，它通常会被 \( \theta \) 除（即 \( x/\theta \)）。这是一个明显的讯号，代表 \( \theta \) 就是尺度参数！
5. 形状参数（Shape Parameters）：分布的“个性”
尺度参数决定了大小，而形状参数（通常为 \( \alpha \) 或 \( \tau \)）则决定了分布的“个性”。它决定了尾部（tails）有多厚。
与尺度参数不同的是：
- 改变形状参数会改变变异系数（CV）。
- 改变形状参数可以让分布变得“厚尾”（更有可能出现巨额索赔）或“薄尾”（更具可预测性）。
- 形状参数通常是 PDF 或 CDF 公式中的指数（exponents）。
要避免的常见错误：当题目说“通胀影响索赔”时，你只需调整尺度参数。在处理简单通胀时，几乎不需要改变形状参数。如果你改变了形状，你就是在改变风险的本质，而不仅仅是索赔的成本。
6. 总结与快速复习
让我们总结一下所学内容，帮你加深记忆：
快速复习框：
- 尺度参数 (\( \theta \))：调整大小或规模。在公式中表现为 \( x/\theta \)。
- 通货膨胀 (\( c \))：若要模拟 \( 10\% \) 的增加，将 \( \theta \) 替换为 \( 1.10\theta \)。
- CDF 影响： \( F_{new}(x) = F_{old}(x/c) \)。
- 平均值影响：增加 \( c \) 倍。
- CV 影响：无变化！
- 形状参数：改变尾部的“厚度”以及 CV。
最后的鼓励：理解参数之间的互动就像学习游戏规则。一旦你知道这些组件（参数）如何运作，你就能解决 SOA 抛出的任何通胀或转换问题。你可以做到的！