欢迎来到“似然”的世界！

你好，未来的精算师！欢迎来到 ASTAM 学习旅程中最重要的章节之一：最大似然估计 (Maximum Likelihood Estimation, MLE)。如果你曾好奇保险公司是如何为其模型决定具体的“数字”（参数）——例如平均索赔额或意外发生的频率——那你现在找对地方了。

将 MLE 想象成一位侦探。你手头上有线索（数据），而你想找出造成这些线索出现的“头号嫌疑犯”（参数）。这是参数估计的“黄金标准”，因为它具备非常强大的数学特性，能确保我们模型的可靠性。如果起初觉得内容有点深奥，别担心，我们会一步步拆解！

1. 核心概念：什么是似然？

在日常用语中，“似然”(Likelihood) 和“概率”(Probability) 的意思差不多。但在精算学中，两者有细微的差别：
• 概率 (Probability)：当我们知道参数，想预测数据时使用。
• 似然 (Likelihood)：当我们拥有数据，想推测参数时使用。

似然函数 (Likelihood Function)，记作 \(L(\theta)\)，代表在给定特定参数 \(\theta\) 的情况下，观察到现有数据的概率。我们的目标是找到让观察数据成为最可能结果的 \(\theta\) 值。我们将此估计值称为 \(\hat{\theta}\)（读作 "theta-hat"）。

为什么要取自然对数？

在大多数问题中，似然函数是一连串概率的巨大乘积。将几十个小数相乘简直是场噩梦！为了让计算更轻松，我们取自然对数得到对数似然函数 (Log-likelihood)，记作 \(l(\theta)\) 或 \(\ln L(\theta)\)。
你知道吗？ 因为对数是一个“递增函数”，使对数似然函数最大化的 \(\theta\) 值，与使原始似然函数最大化的值完全相同。这将乘法转化为加法，让微积分计算变得友善多了！

2. 个别损失严重程度 (Severity) 的 MLE

我们先从严重程度 (Severity)（索赔金额的大小）开始。假设我们有一组独立的索赔观察值 \(x_1, x_2, ..., x_n\)。

基本情况：
如果我们有一组完整的数据，没有免赔额 (deductible) 或赔偿上限 (limit)，似然函数就是每个观察值的概率密度函数 (PDF) 的乘积：
\(L(\theta) = \prod_{i=1}^{n} f(x_i; \theta)\)

精算现实：截断 (Truncation) 与设限 (Censoring)
在 ASTAM 的现实世界中，我们很少见到“纯粹”的数据。我们需要处理免赔额 (d) 和保单限额 (u)。这会改变我们编写似然函数的方式！

• 左截断 (Left Truncation，即免赔额)： 如果索赔只有在超过免赔额 \(d\) 时才会被记录，我们处理的是条件概率。该观察值 \(x\) 对似然函数的贡献为：\(\frac{f(x)}{S(d)}\)。
• 右设限 (Right Censoring，即赔偿上限)： 如果索赔被限制在上限 \(u\)，我们不知道确切价值——只知道它“至少是 \(u\)”。对于被设限的索赔，其对似然函数的贡献为：\(S(u)\)。

严重程度 MLE 的步骤：

1. 构建似然函数：对于每个数据点，判断它是具体数值 \(f(x)\) 还是设限数值 \(S(u)\)，必要时除以免赔额的生存函数 \(/ S(d)\)。
2. 取对数：对整个表达式取 \(\ln\)。
3. 求导：对 \(\theta\) 进行求导。
4. 求解零点：令导数等于零并解出 \(\hat{\theta}\)。
5. 验证：(理论上) 检查二阶导数以确保其为最大值，但在考试中，第一次解出的答案通常就是你需要的。

重点提示： 对于严重程度，记住：“精确值用 PDF，设限值用生存函数 (Survival)，截断数据除以免赔额的生存函数。”

3. 频率数据 (Frequency Data) 的 MLE

频率是指发生了多少次索赔。在这里，我们的数据点 \(n_i\) 是计数（0, 1, 2...）。

如果我们观察到 \(k\) 次索赔 \(n_1, n_2, ..., n_k\)，似然函数就是概率质量函数 (PMF) 的乘积：
\(L(\theta) = \prod_{i=1}^{k} P(N = n_i; \theta)\)

通常，频率数据会以表格形式给出（例如：“有 50 张保单索赔 0 次，30 张保单索赔 1 次...”）。在这种情况下，请将计数作为指数：
\(L(\theta) = [P(N=0)]^{50} \times [P(N=1)]^{30} ...\)

常用的频率捷径：

对于某些分布，你甚至不需要微积分！MLE 的结果非常直观：
• 泊松分布 (Poisson)： \(\hat{\lambda}\) 就是样本均值 (\(\bar{x}\))。
• 二项分布 (Binomial)： \(\hat{q}\) 是样本均值除以 \(m\)。
• 负二项分布 (Negative Binomial)： 如果 \(r\) 是固定的，则 \(\hat{\beta} = \bar{x} / r\)。

快速回顾框：
• 严重程度 = 连续型（使用 \(f(x)\) 和 \(S(x)\)）
• 频率 = 离散型（使用 \(p_k\)）
• 对数是你的好朋友！

4. 最大似然估计量的特性

为什么精算师这么爱用 MLE？因为当样本量 \(n\) 变得足够大时，MLE 就会成为“完美的估计量”。以下是你必须知道的三个“A”特性：

1. 渐近无偏性 (Asymptotic Unbiasedness)： 当你获得更多数据时，估计量 \(\hat{\theta}\) 的平均值会精确地命中真实值。
2. 渐近正态性 (Asymptotic Normality)： 对于大样本，\(\hat{\theta}\) 的分布看起来像钟形曲线（正态分布）。这对于建立置信区间非常有用！
3. 渐近有效性 (Asymptotic Efficiency)： 在所有“良好”的估计量中，MLE 具有最小的方差。它是我们工具箱中最“精确”的工具。

计算 MLE 的方差

为了了解我们的估计值可能会有多大的“波动”，我们使用信息矩阵 (Information Matrix)（或费雪信息 Fisher Information）。
\(\hat{\theta}\) 的方差大约为：
\(Var(\hat{\theta}) \approx \frac{1}{-E[l''(\theta)]}\) 或在考试中更常见的形式：\(\frac{1}{-l''(\hat{\theta})}\)

记忆辅助： 将二阶导数 (\(l''\)) 想象成“曲率”。如果对数似然曲线非常尖锐（曲率高），我们对估计值就非常有信心，因此方差很小！

5. 分组数据 (「桶」问题)

有时，我们不知道确切的索赔金额，只知道有多少索赔落入某些“桶”中（例如，10 笔索赔金额在 $0 到 $1,000 之间）。
对于边界 \(c_{j-1}\) 和 \(c_j\) 之间有 \(n_j\) 个观察值的组，其对似然函数的贡献为：
\([F(c_j) - F(c_{j-1})]^{n_j}\)

常见错误： 对于分组数据，千万不要用 PDF \(f(x)\)！因为你没有具体的 \(x\)。你必须使用累积分布函数 (CDF) 的差值。

6. 总结与最后的建议

• 保持条理： MLE 问题可能很冗长。在进行对数转换前，请先清晰地写出你的 PDF 或 PMF。
• 留意免赔额： 如果数据是“按赔付金额 (per payment)”计算的，你通常需要除以 \(S(d)\)。如果是“按损失金额 (per loss)”且只知道超过 \(d\) 的损失，逻辑亦同。
• 练习求导： 许多 ASTAM 学生失分不是因为精算概念，而是基本的微积分错误。温习一下 \(\frac{d}{dx} \ln(u) = \frac{1}{u} u'\) 这个公式。
• 检查分布类型： 是 Gamma 分布？Pareto 分布？还是指数分布？每一种都有自己的捷径或特定的 PDF。随时准备好你的 ASTAM 表格！

考试重点： MLE 的本质是找到一个参数，使得观察到的现实成为最可能的结果。无论是频率还是严重程度，模式永远是：似然 \(\rightarrow\) 对数 \(\rightarrow\) 求导 \(\rightarrow\) 零。 你做得到的！