欢迎来到 Delta Method（Delta 法）的世界！

你好呀，未来的精算师！在准备 Exam ASTAM 的过程中，你经常会遇到这种情况：你已经成功估算出损失分布的参数（例如 \(\theta\) 或 \(\alpha\)）。但问题来了：你的老板或考题根本不在意 \(\theta\) 本身，他们想知道的是 \(\theta\) 的某个函数，比如索赔超过 $10,000 的概率，或是有限损失的期望值。

Delta Method 就是你的数学“翻译官”。它能让你将参数的方差（variance）与分布，“翻译”成你真正感兴趣的那个函数的方差与分布。如果一开始觉得有点抽象，别担心——一旦你看出了其中的规律，它就会成为你精算工具箱中最可靠的利器之一！

1. 到底什么是 Delta Method？

在参数模型的构建与选择（Construction and Selection of Parametric Models）章节中，我们经常使用最大似然估计（MLE）来求取参数。我们知道 MLE 具有“渐近正态性”（asymptotically normal），意思是只要数据足够多，我们的估计值就会呈现正态分布。

Delta Method 的核心思想是：“如果你的参数估计值呈正态分布，那么该估计值的平滑函数也（近似地）呈正态分布。”

生活中的类比

想象你在测量一个圆形披萨的半径。因为你的尺不太稳，所以你测出的半径带有一些“方差”（不确定性）。现在，你想计算披萨的面积（\(\pi r^2\)）。由于半径测量有误差，你的面积计算结果也会有误差。Delta Method 就是一个公式，它能精确告诉你：当你在计算面积时，半径测量中的那些“摇晃”误差会被放大或缩小多少。

快速回顾： Delta Method 用于求取估计值函数的方差。

2. 单参数情况

我们先从简单的开始。假设我们只有一个参数 \(\theta\)，以及一个估计值 \(\hat{\theta}\)。我们从 MLE 的学习中知道 \(\hat{\theta}\) 有一个方差 \(Var(\hat{\theta})\)。

如果我们对函数 \(g(\theta)\) 感兴趣，则 Delta Method 的方差公式为：

\(Var[g(\hat{\theta})] \approx [g'(\theta)]^2 \cdot Var(\hat{\theta})\)

其中 \(g'(\theta)\) 是函数对 \(\theta\) 的一阶导数。

为什么要对导数平方？

回想一下基础统计学：\(Var(aX) = a^2 Var(X)\)。在 Delta Method 中，导数 \(g'(\theta)\) 的作用就像常数 \(a\)。它代表了“斜率”或变化率。我们之所以要平方，是因为我们处理的是方差！

逐步解题流程：
1. 找出你的估计值 \(\hat{\theta}\) 及其方差 \(Var(\hat{\theta})\)。
2. 定义你要计算方差的函数 \(g(\theta)\)。
3. 求出 \(g(\theta)\) 对 \(\theta\) 的导数。
4. 将所有数值代入公式：\([g'(\theta)]^2 \cdot Var(\hat{\theta})\)。
5. （选做）如果题目要求置信区间，将计算结果开根号即可得到标准差。

3. 多参数情况（矩阵版本）

在 ASTAM 中，你经常会处理包含两个或多个参数的分布（如 Gamma 或 Pareto 分布）。这往往是学生最感到畏惧的部分，但其实它只是上述观点的放大版。

如果你有一个参数向量 \(\vec{\theta} = (\theta_1, \theta_2, ..., \theta_k)\)，以及一个函数 \(g(\vec{\theta})\)，则方差估计公式为：

\(Var[g(\hat{\vec{\theta}})] \approx (\nabla g)^T \cdot \Sigma \cdot (\nabla g)\)

拆解这些“恐怖”的符号：
  • \(\nabla g\)（梯度向量）： 这只是一串偏导数列表。\(\begin{bmatrix} \frac{\partial g}{\partial \theta_1} \\ \frac{\partial g}{\partial \theta_2} \end{bmatrix}\)
  • \(\Sigma\)（协方差矩阵）： 这是一个矩阵，对角线放的是参数本身的方差，非对角线放的是参数间的协方差（covariance）。通常你可以从信息矩阵（Information Matrix）的逆矩阵中获得。

简单的思考方式：
对于两个参数（\(\alpha\) 和 \(\theta\)），公式会展开为：
\(Var[g(\hat{\alpha}, \hat{\theta})] \approx \left(\frac{\partial g}{\partial \alpha}\right)^2 Var(\hat{\alpha}) + \left(\frac{\partial g}{\partial \theta}\right)^2 Var(\hat{\theta}) + 2 \left(\frac{\partial g}{\partial \alpha}\right) \left(\frac{\partial g}{\partial \theta}\right) Cov(\hat{\alpha}, \hat{\theta})\)

你知道吗？ Delta Method 中的 "Delta" 指的是微积分中代表“微小变化”的符号 \(\Delta\)。我们研究的正是参数的微小变化如何引起函数值的变化。

4. ASTAM 中的常见函数

你不需要盲目猜想要用什么函数，考试通常集中在这三种：

  1. 生存函数 (Survival Function)： \(g(\theta) = S(x; \theta)\)。你想求索赔超过 \(x\) 的概率之方差。
  2. 期望值 (Mean)： \(g(\theta) = E[X]\)。例如在指数分布中，\(E[X] = \theta\)。在 Pareto 分布中，则为 \(\frac{\theta}{\alpha-1}\)。
  3. 对数变换 (Log-Transform)： 常用于确保置信区间的界限保持为正数。
范例演示：

假设你估算出指数分布的参数 \(\hat{\theta} = 100\)，且 \(Var(\hat{\theta}) = 25\)。你想求索赔大于 120 的概率之方差。

步骤 1： 函数为 \(g(\theta) = S(120) = e^{-120/\theta}\)。
步骤 2： 导数为 \(g'(\theta) = e^{-120/\theta} \cdot (\frac{120}{\theta^2})\)。
步骤 3： 代入 \(\hat{\theta} = 100\)：\(g'(100) = e^{-1.2} \cdot (\frac{120}{10000}) \approx 0.30119 \cdot 0.012 = 0.003614\)。
步骤 4： Delta Method：\(Var \approx (0.003614)^2 \cdot 25 = 0.000326\)。

重点提示： 务必将你的导数计算过程整理清楚。因为小小的微积分计算错误而丢分，在这一块是非常常见的！

5. 避开常见陷阱

即使是程度很好的学生也常在这些“坑”里跌倒：

  • 忘记平方： 在单参数情况下，记得是 \([g'(\theta)]^2\)。如果忘了平方，单位和最终答案都会错。
  • 协方差的符号错误： 在多参数公式中，\(Cov(\hat{\alpha}, \hat{\theta})\) 项可能是负数。请务必仔细检查协方差矩阵提供的正负号！
  • 弧度 vs. 角度： 虽然在 ASTAM 不常见，但如果有三角函数出现，请确保你的计算器设定在正确的模式（尽管此章节很少用到）。
  • 太早代入数值： 请先求出导数的“公式”，再代入估计值。

6. 总结与快速回顾

Delta Method 小抄：

  • 目的： 求 \(g(\hat{\theta})\) 的方差。
  • 单变量公式： \(Var(g) \approx (g')^2 Var(\hat{\theta})\)。
  • 双变量公式： \(Var(g) \approx (g'_\alpha)^2 Var(\alpha) + (g'_\theta)^2 Var(\theta) + 2(g'_\alpha)(g'_\theta) Cov(\alpha, \theta)\)。
  • 置信区间： 得到方差后，95% 的置信区间通常为 \(g(\hat{\theta}) \pm 1.96 \sqrt{Var(g)}\)。

加油鼓励： 你一定做得到的！Delta Method 其实就是一个固定的食谱。只要多练习几次偏导数和矩阵乘法，它就会变成你的反射动作。持续练习那些偏导数计算，无论 SOA 考出什么参数模型，你都能从容应对！