欢迎来到频率分配选择的世界！

各位准精算师，欢迎！在之前的学习中，你可能已经接触过像 **Poisson（泊松）** 或 **Negative Binomial（负二项）** 这样的个别分配。但在现实世界中（以及在 FAM 考试中），数据是不会贴上标签告诉你该用哪种分配的。本章旨在带领你成为一名“分配侦探”。我们将学习如何观察数据特征和数学规律，从而为保险索偿次数（频率）挑选出最合适的模型。如果刚开始觉得数学很复杂，别担心——一旦你看出了当中的规律，这就好比在玩配对游戏一样简单！

1. “三大巨头”比较：平均数 vs. 变异数

缩小选择范围最简单的方法，就是观察 **平均数 (mean)** \( E[N] \) 与 **变异数 (variance)** \( Var(N) \) 之间的关系。在精算界，我们将这两者之间的关系称为“离散度 (dispersion)”。

你可以这样思考：如果你预期一个月会有 10 次索偿，那么这个数字会有多大波动？是永远维持在 9、10 或 11 次？还是会从 0 次到 50 次剧烈跳动？

  • Poisson 分配（均衡模型）： 在这里，平均数等于变异数。\( E[N] = Var(N) = \lambda \)。我们称之为等离散 (equidispersion)。
  • Binomial 分配（稳定模型）： 在这里，变异数 **小于** 平均数。\( Var(N) < E[N] \)。这称为低离散 (underdispersion)。当索偿次数设有上限时（例如房间里只有 10 个人，索偿就不可能超过 10 次），就会出现这种情况。
  • Negative Binomial 分配（波动模型）： 在这里，变异数 **大于** 平均数。\( Var(N) > E[N] \)。这称为过度离散 (overdispersion)。这在保险业中非常常见，因为索偿往往会出现“群聚”现象。

快速复习箱：
若样本平均数 \(\approx\) 样本变异数 \(\rightarrow\) **Poisson**
若样本平均数 \(>\) 样本变异数 \(\rightarrow\) **Binomial**
若样本平均数 \(<\) 样本变异数 \(\rightarrow\) **Negative Binomial**

2. (a, b, 0) 类别：数学上的秘密武器

精算师会使用一个特殊的公式来识别 **(a, b, 0) 类别** 中的分配。这个类别包含了我们上述的“三大巨头”。这条规则指出，相邻机率的比率遵循一个线性规律：

\( \frac{p_k}{p_{k-1}} = a + \frac{b}{k} \) 对于 \( k = 1, 2, 3, \dots \)

透过观察 **a** 的值，你可以立即辨识出该分配：

1. Poisson： \( a = 0 \)。 (比率只取决于 \( b/k \))
2. Binomial： \( a < 0 \)。
3. Negative Binomial： \( a > 0 \)。

类比时间！ 想像你在走楼梯。下一级台阶相对于当前台阶的高度遵循一条规则。如果规则是恒定的 (Poisson)，楼梯就是可预测的。如果台阶越走越矮 (Binomial)，你最终会碰到天花板。如果台阶越走越高 (Negative Binomial)，那你就是在向月球进发！

重点总结：

如果题目给你一串机率（如 \( p_0, p_1, p_2 \)），请计算比率 \( \frac{p_k}{p_{k-1}} \)。如果随着 \( k \) 增加，比率递减但保持为正，请检查 **a**。若 \( a > 0 \)，那就是 Negative Binomial！

3. 处理零膨胀：(a, b, 1) 类别

有时，现实世界的数据有“太多”零，或者根本没有零。例如，如果你在研究“住院次数”，你可能会排除住院次数为 0 的人（零截尾，Zero-Truncated），或者你会发现住院 0 次的人数远多于标准 Poisson 分配所预测的数值（零修正，Zero-Modified）。

**(a, b, 1) 类别** 的规律从 \( k = 2 \) 开始，这意味着 \( p_1 \) 的计算方式与 \( p_0 \) 不同。

  • 零截尾 (Zero-Truncated, ZT)： 分配从 \( k=1 \) 开始。\( k=0 \) 没有机率。这就像一个挂着“必须有 1 次索偿才能进入”告示的俱乐部。
  • 零修正 (Zero-Modified, ZM)： 我们手动将零的机率 \( p_0^M \) 设定为一个特定数值，然后将其余的分配“压缩”以符合剩余的机率。

别担心，这看起来有点棘手！ 修正后机率 \( p_k^M \) 的公式其实只是原始 \( p_k \) 的缩放版本：
\( p_k^M = \frac{1 - p_0^M}{1 - p_0} p_k \)
其中 \( p_0^M \) 是你新的修正后零机率，而 \( p_0 \) 是原始“三大巨头”分配中的零机率。

4. 分步指南：如何选择分配

当你在考试中遇到要求根据频率表选择分配的题目时，请遵循以下步骤：

步骤 1： 计算样本平均数 (\( \bar{x} \)) 和样本变异数 (\( s^2 \))。
步骤 2： 进行比较。若 \( s^2 > \bar{x} \)，倾向于选择 Negative Binomial；若 \( s^2 \approx \bar{x} \)，倾向于选择 Poisson。
步骤 3： 检查比率 \( k \cdot \frac{p_k}{p_{k-1}} \)。如果你将这些数值针对 \( k \) 作图，直线的斜率有助于识别 **a** 和 **b**。
步骤 4： 查看 \( p_0 \)。如果数据中的实际 \( p_0 \) 比你选择的模型所预测的要高得多，那么你很可能需要使用 **零修正 (Zero-Modified)** 版本。

常见误区： 许多学生会忘记 Negative Binomial 的变异数公式是 \( r \beta (1+\beta) \)。由于有 \( (1+\beta) \) 这项，变异数会永远大于平均数 \( r \beta \)。如果你的数据显示变异数较小，千万不要选 Negative Binomial！

5. 图形法（“直觉”检测）

你知道吗？ 精算师经常使用“比率图 (Ratio Plot)”来查看哪种分配最吻合。如果你将 \( k \frac{p_k}{p_{k-1}} \) 针对 \( k \) 作图，若点连成一条直线，即可确认你处理的是 (a, b, 0) 或 (a, b, 1) 分配。

  • 水平线： Poisson (\( a=0 \))。
  • 向上倾斜的线： Negative Binomial (\( a>0 \))。
  • 向下倾斜的线： Binomial (\( a<0 \))。
重点回顾：

选择频率分配就是关于配对 **规律**。利用平均数-变异数关系进行快速猜测，利用 \( (a, b, 0) \) 递回关系进行数学验证，如果“0”这个类别与数据的其他部分相比显得异常，则使用零修正。掌握这三个工具，你就能成为频率模型界的夏洛克·福尔摩斯！