簡介：選擇最佳的「估計」

在之前的學習中，你已經學過如何利用最大似然估計（MLE）或矩估計法（MoM）來建立估計量。但當你有了一個估計量後，你如何知道它是否真的好用？如果你有兩種不同的方法來估計同一個保險索償頻率，你應該信任哪一個？

在這一章，我們會探討估計量的四大「黃金準則」：偏差（Bias）、均方誤差（Mean Square Error, MSE）、有效性（Efficiency）和相容性（Consistency）。這些性質能幫助精算師決定哪些統計工具在進行現實預測時最為可靠。

1. 偏差 (Bias)：我們是否射中目標？

想像你在練習射箭。如果你的箭散佈各處，但中心點剛好落在靶心，那麼你在平均意義上是「準確」的。在統計學中，我們稱之為無偏（unbiased）。

估計量 \(\hat{\theta}\) 是我們用來猜測未知母體參數 \(\theta\) 的公式。偏差是指我們估計量的期望值與真實值之間的差異。

計算公式：
\(Bias(\hat{\theta}) = E(\hat{\theta}) - \theta\)

  • 如果 \(E(\hat{\theta}) = \theta\)，偏差為零。我們稱 \(\hat{\theta}\) 為無偏估計量 (unbiased estimator)。
  • 如果 \(E(\hat{\theta}) > \theta\)，估計量平均而言高估了參數（正偏差）。
  • 如果 \(E(\hat{\theta}) < \theta\)，估計量平均而言低估了參數（負偏差）。

溫馨提示：如果一個估計量有輕微偏差，也不必太擔心。有時候，如果偏差能換取估計量更高的穩定性，這也是值得付出的代價！

2. 均方誤差 (MSE)：總誤差

雖然偏差告訴我們是否「對準目標」，但它沒有告訴我們射出的箭有多「分散」。一個估計量可能是無偏的，但如果其方差極大，任何單次的估計都很可能遠離真相。

均方誤差 (MSE) 將偏差和方差結合為一個「總誤差」的單一指標。這是比較兩個估計量最常用的方法。

計算公式：
\(MSE(\hat{\theta}) = E[(\hat{\theta} - \theta)^2]\)

透過一些巧妙的代數運算（你不需要推導，但必須記住），公式可以簡化為：
\(MSE(\hat{\theta}) = Var(\hat{\theta}) + [Bias(\hat{\theta})]^2\)

為什麼 MSE 很有用？

如果你在比較估計量 A 和估計量 B，通常 MSE 較低的那一個會被認為更好，因為它更有機會接近真實值。

重點總結：對於無偏估計量，MSE 直接等於方差（Variance），因為偏差項為零。

3. 有效性 (Efficiency)：哪個估計量更「精準」？

有效性關乎如何充分利用你的數據。如果你有兩個無偏估計量，你會想要變異程度較小（即方差較小）的那一個。這就是估計量的「有效性」。

相對有效性 (Relative Efficiency)：
要比較兩個無偏估計量 \(\hat{\theta}_1\) 和 \(\hat{\theta}_2\)，我們會看它們方差的比率：
\(Relative\ Efficiency = \frac{Var(\hat{\theta}_2)}{Var(\hat{\theta}_1)}\)

  • 如果這個比率大於 1，則代表 \(\hat{\theta}_1\) 的方差較小，比 \(\hat{\theta}_2\) 更有效。
  • 在精算考試中，你可能會被要求找出哪個估計量「更有效」。請務必尋找方差最小的那一個（前提是兩者皆為無偏）。

你知道嗎？精算師通常偏好最大似然估計量（MLE），因為在大樣本量的情況下，它們往往是可能範圍內最有效的估計量！

4. 相容性 (Consistency)：更多數據有幫助嗎？

相容性是一個「大樣本」性質。它探討的是：「隨著樣本量 \(n\) 變得越來越大（趨向無限），我的估計量最終是否能準確命中真實值？」

如果估計量 \(\hat{\theta}\) 在 \(n \to \infty\) 時收斂至真實值 \(\theta\)，則稱該估計量是相容的（consistent）。

如何檢查相容性：

在 CS1 考試中，如果當 \(n \to \infty\) 時發生以下兩件事，該估計量就是相容的：
1. 偏差趨向於零：\(Bias(\hat{\theta}) \to 0\)
2. 方差趨向於零：\(Var(\hat{\theta}) \to 0\)

類比：想像你在看一張模糊的照片。隨著你提高解像度（即樣本量 \(n\)），圖像變得越來越清晰。如果圖像最終能完美呈現真實物體，且沒有任何模糊或扭曲，那麼你的「相機」（估計量）就是相容的。

總結表：性質清單

使用這個快速回顧來理清這些概念：

性質 衡量內容 目標
偏差 (Bias) 平均估計值與真實值之間的距離。 Bias = 0 (無偏)
均方誤差 (MSE) 總誤差（方差 + 偏差的平方）。 極小化 MSE
有效性 (Efficiency) 方差之間的比較。 方差愈小愈好
相容性 (Consistency) 當樣本量 \(n\) 增加時的表現。 當 \(n \to \infty\) 時誤差 \(\to 0\)

常見錯誤陷阱

  • 混淆偏差與 MSE：記住，即使一個估計量是無偏的，如果方差很高，它的 MSE 仍然可以很大。務必兩者皆檢查。
  • 忘記將偏差平方：在 MSE 公式中，\(MSE = Var + Bias^2\)。考試中常見的錯誤是忘記將偏差項平方！
  • 相容性 vs. 無偏性：一個估計量在小樣本時可能有偏差，但只要該偏差隨著 \(n\) 變大而消失，它仍然可以是相容的。（例如：方差的 MLE \(\hat{\sigma}^2 = \frac{\sum(X_i - \bar{X})^2}{n}\) 是有偏差的，但它是相容的）。

下一步：現在你已經了解如何評估估計量，接下來可以學習 MLE 的漸近分佈 (Asymptotic distribution of MLEs)，看看這些性質在大樣本中如何運作。