歡迎來到貝葉斯可信度（Bayesian Credibility）的世界！

在本章中，我們將探討精算師工具箱中最實用的工具之一：可信度理論（Credibility Theory）。別被這個名字嚇倒了！其實它的核心概念非常簡單，就是決定我們應該在多大程度上「信任」特定的數據，以及在多大程度上信任我們的「過往經驗或先驗知識」。

想像一下，你正在為一個貨車車隊承保。你擁有該國所有貨車的一般數據（General Data），但同時也擁有這個特定車隊的特定數據（Specific Data）。你會如何設定保費？你應該完全依賴車隊自己的過往紀錄，還是應該堅持使用全國平均水平？貝葉斯可信度為我們提供了一種數學方法，讓我們能找到兩者之間的完美平衡點。

1. 核心概念：可信度公式

在深入探討數學細節之前，我們先看看本章的「黃金公式」。可信度保費（Credibility Premium）通常寫成加權平均數的形式：

\( P = Z\bar{x} + (1 - Z)\mu \)

其中：
• \( \bar{x} \) 是我們觀察到的數據平均值（即特定經驗/Specific Experience）。
• \( \mu \) 是我們先驗信念的平均值（即先驗知識/Prior Knowledge 或 費率手冊/Manual Rate）。
• \( Z \) 是可信度因子（Credibility Factor），其數值介於 0 到 1 之間。

小比喻：想像你正在擔任烹飪比賽的評審。有一位廚師是享譽國際的大師（先驗知識），但他們這次卻端出了一碗稍微偏鹹的湯（當前數據）。因為他是大師，你會給予他過去的聲譽很高的權重，而給這碗偏鹹的湯較低的權重。這個權重就是你的 Z 因子！

關鍵要點：

如果我們非常信任手中的數據，\( Z \) 就會接近 1。如果數據量很少或不可靠，\( Z \) 就會接近 0，這時我們會更依賴我們先前的經驗或信念。

2. 貝葉斯框架

在 CS1 中，我們使用貝葉斯統計（Bayesian Statistics）來計算這個保費。如果貝葉斯統計在之前的章節中讓你感到棘手，別擔心；這裡的處理過程非常有結構。我們通常遵循以下步驟：

第 1 步： 確定參數（通常稱為 \( \theta \)）的先驗分佈（Prior Distribution）。這代表我們在看到任何數據之前的信念。
第 2 步： 確定概似函數（Likelihood）（即在給定 \( \theta \) 的情況下，觀察到數據 \( x \) 的分佈）。
第 3 步： 使用我們觀察到的數據計算後驗分佈（Posterior Distribution）。
第 4 步： 找出後驗平均值（Posterior Mean）。在貝葉斯可信度中，後驗平均值就是我們的可信度保費。

你知道嗎？ 在許多常見案例中，後驗平均值會自動重新整理成 \( Z\bar{x} + (1-Z)\mu \) 的形式。這看起來像魔法，但其實這只是代數運算的巧妙應用！

3. 案例研究 1：泊松-伽瑪模型（Poisson-Gamma Model）

這是 CS1 考試中最常見的情境，通常用於分析索賠次數（Number of claims）。

• 情境： 索賠次數服從參數為 \( \lambda \) 的泊松分佈（Poisson distribution）。
• 先驗： 我們對 \( \lambda \) 的先驗信念服從參數為 \( \alpha \) 和 \( \beta \) 的伽瑪分佈（Gamma distribution）。
• 數據： 我們觀察了 \( n \) 年的數據，總索賠次數為 \( \sum x_i \)。

結果：
後驗分佈同樣為伽瑪分佈，其新參數為：
\( \alpha_{new} = \alpha + \sum x_i \)
\( \beta_{new} = \beta + n \)

可信度保費：
伽瑪分佈的平均值為 \( \alpha / \beta \)。因此，後驗平均值為：
\( \frac{\alpha + \sum x_i}{\beta + n} \)

等等！這怎麼會是可信度公式？
透過簡單的代數運算，我們可以將其改寫為：
\( P = (\frac{n}{\beta + n})\bar{x} + (\frac{\beta}{\beta + n})\frac{\alpha}{\beta} \)

仔細觀察：
• \( Z = \frac{n}{\beta + n} \)
• \( \bar{x} = \frac{\sum x_i}{n} \)（樣本平均值）
• \( \mu = \frac{\alpha}{\beta} \)（先驗平均值）

避免常見錯誤：

學生經常混淆 \( n \)（觀察次數）和 \( \sum x_i \)（數值總和）。請記住：\( n \) 影響我們信心的規模（Scale，即 \(\beta\)），而總和則影響我們對總量（即 \( \alpha \)）的估計。

4. 案例研究 2：正態-正態模型（Normal-Normal Model）

此模型常用於索賠金額（Claim amounts，即嚴重性/Severity）。

• 情境： 數據服從正態分佈（Normal distribution）** \( N(\theta, \sigma^2) \)。
• 先驗： 我們對 \( \theta \) 的信念服從正態分佈（Normal distribution）** \( N(\mu, \tau^2) \)。

後驗分佈同樣為正態分佈。後驗平均值（我們的保費）為：
\( E[\theta | \text{data}] = \frac{\frac{n}{\sigma^2}\bar{x} + \frac{1}{\tau^2}\mu}{\frac{n}{\sigma^2} + \frac{1}{\tau^2}} \)

簡化以找出 Z：
如果我們將分子和分母同時除以分母項，會得到：
\( Z = \frac{n}{n + \frac{\sigma^2}{\tau^2}} \)

記憶技巧：
將 \( \sigma^2 \) 視為數據中的「雜訊」，將 \( \tau^2 \) 視為先驗信念的「分散程度」。如果「雜訊」(\( \sigma^2 \)) 非常大，\( Z \) 就會變小，因為我們不太信任這些混亂的數據！

5. 總結與解題步驟

當你在 CS1 考試中看到貝葉斯可信度問題時，請遵循以下步驟：

1. 識別分佈： 是泊松-伽瑪？正態-正態？還是伯努利-貝塔（Bernoulli-Beta）？
2. 寫出先驗平均值： 這就是你的 \( \mu \)。
3. 計算後驗平均值： 使用更新參數的公式（例如 \( \alpha + \sum x \)）。
4. 提取 Z： 觀察樣本平均值 \( \bar{x} \) 前面的係數。
5. 合理性檢查（Sanity Check）： \( Z \) 是否隨著 \( n \) 的增加而增加？這應該是肯定的！數據越多，可信度就應該越高。

關鍵要點清單：

• 可信度保費 = 數據與先驗的加權平均。
• 共軛先驗（Conjugate Priors）使數學計算變得容易，因為後驗分佈與先驗分佈屬於同一族群。
• 當 \( n \to \infty \) 時，可信度因子 \( Z \to 1 \)（最終我們完全信任數據）。
• 當先驗變異數增加時，\( Z \to 1 \)（如果我們的先驗信念很模糊，我們就會更依賴數據）。

如果剛開始覺得代數運算很沉重，請別擔心。多練習幾次將後驗平均值整理成 \( Z\bar{x} + (1-Z)\mu \) 的形式，你很快就會看出當中的模式了！