歡迎來到分佈參數的世界！

在準備 Exam ASTAM 的過程中，你可能已經注意到精算模型並非一成不變的算式；它們是必須隨世界變動而調整的動態工具。精算師最常面對的挑戰之一就是變化——例如通貨膨脹、匯率波動或保單條款的調整。

在本章中，我們將探討改變分佈的參數（parameters）如何影響我們所建立模型中索賠的「形狀」與「大小」。這一點至關重要，因為它讓我們能回答諸如：「如果通脹導致所有索賠額增加 5%，我們的總預期損失會有什麼變化？」之類的問題。讓我們深入探討，讓這些概念成為你的直覺吧。


1. 「尺度」參數（Scale Parameter）：我們的變焦鏡頭

當我們談論參數的影響時，最重要的概念就是尺度參數（Scale Parameter）。你可以把尺度參數想像成相機的變焦鏡頭。當你放大或縮小時，物體的形狀本身並沒有變——你的小狗看起來還是一隻小狗——但畫面中所有東西的大小卻按比例改變了。

什麼是尺度參數？

若對於隨機變數 \( X \)，其轉換後的新變數 \( Y = X / \theta \) 的分佈與 \( \theta \) 無關，則參數 \( \theta \) 被稱為尺度參數。簡單來說，如果你能透過除法將該參數「提出」並消除，它就是尺度參數。

為什麼這對損失模型（Severity Models）很重要：

在保險領域中，我們使用的許多分佈（如指數分佈 Exponential、Gamma 分佈及帕累托分佈 Pareto）都有尺度參數。通常，這個參數記作 \( \theta \)。如果你改變 \( \theta \)，實際上就是在拉伸或壓縮你的機率分佈圖的橫軸。

尺度參數的關鍵屬性：
  • 若 \( X \) 擁有尺度參數 \( \theta \)，則隨機變數 \( Y = cX \)（其中 \( c > 0 \)）將具有相同的分佈形式，但尺度參數會變為 \( c\theta \)。
  • 你知道嗎？這正是我們建立通貨膨脹模型的方式。如果 \( c = 1.05 \)，它就代表所有索賠金額出現了 5% 的通貨膨脹。

快速總結：改變尺度參數會移動分佈的「權重」，但會保持其基本形狀不變。這就像把測量單位從美元換成歐元一樣。


2. 對分佈函數的數學影響

別擔心，如果這些數學符號剛開始看起來很嚇人也沒關係！參數如何影響累積機率函數（CDF）和機率密度函數（PDF）是有其邏輯模式的。

轉換法則

假設我們有一個隨機變數 \( X \)，並創造了一個新變數 \( Y = cX \)。要找出新的函數，請遵循以下步驟：

1. 新的 CDF：
\( F_Y(y) = F_X(y/c) \)
可以這樣想：為了在「通脹後」的變數 \( Y \) 中獲得相同的機率水平，你必須查看原始值除以通脹係數後的數值。

2. 新的 PDF：
\( f_Y(y) = \frac{1}{c} f_X(y/c) \)
留意前方的 \( 1/c \)！因為分佈被「拉寬」了，高度必須降低，以確保曲線下的總面積仍等於 1。

現實生活中的類比：

想像一塊披薩麵團。如果你把麵團拉成兩倍寬（\( c = 2 \)），麵團就會變薄（這就是 \( 1/c \) 係數）。麵團的總量（總機率 1.0）始終保持不變！


3. 對動差（Mean, Variance, etc.）的影響

ASTAM 中最常見的任務之一就是計算當參數調整時，平均值（mean）與變異數（variance）如何變化。這其實是當中最簡單的部分！

動差的線性關係

如果我們將隨機變數乘以常數 \( c \)（代表尺度變更）：

  • 平均值： \( E[cX] = c \cdot E[X] \)。 (平均值隨尺度直接變動)。
  • 變異數： \( Var(cX) = c^2 \cdot Var(X) \)。 (變異數隨尺度的平方變動)。
  • 原始動差： \( E[(cX)^k] = c^k \cdot E[X^k] \)。

變異係數（Coefficient of Variation, CV）

CV 定義為 \( \frac{\sigma}{\mu} \)。關鍵點：如果你只改變尺度參數，CV 是不會變的。
\( CV(cX) = \frac{\sqrt{c^2 Var(X)}}{c E[X]} = \frac{c \sigma}{c \mu} = \frac{\sigma}{\mu} \)。
這非常合理：如果所有數字都增加了 10%，那麼「相對」風險依然不變。

核心重點：尺度參數影響數值的大小，但不影響分佈的相對波動性。


4. 在損失模型表中識別參數

在 Exam ASTAM 中，你將會查閱「分佈表」。你不需要背下每一個 PDF，但你必須能夠識別出哪個參數是尺度參數。

常見的尺度參數（\( \theta \)）：
  • 指數分佈（Exponential）： \( \theta \) 即是平均值，也是尺度參數。
  • Gamma 分佈： \( \theta \) 是尺度參數；\( \alpha \) 是形狀參數。
  • 帕累托分佈（Pareto）： \( \theta \) 是尺度參數；\( \alpha \) 是形狀參數。
  • 威布爾分佈（Weibull）： \( \theta \) 是尺度參數；\( \tau \) 是形狀參數。

快速秘訣：在幾乎所有 ASTAM 的分佈公式中，如果你看到公式裡有 \( x \)，它通常會被 \( \theta \) 除（即 \( x/\theta \)）。這是一個明顯的訊號，代表 \( \theta \) 就是尺度參數！


5. 形狀參數（Shape Parameters）：分佈的「個性」

尺度參數決定了大小，而形狀參數（通常為 \( \alpha \) 或 \( \tau \)）則決定了分佈的「個性」。它決定了尾部（tails）有多厚。

與尺度參數不同的是：

  • 改變形狀參數會改變變異係數（CV）。
  • 改變形狀參數可以讓分佈變得「厚尾」（更有可能出現巨額索賠）或「薄尾」（更具可預測性）。
  • 形狀參數通常是 PDF 或 CDF 公式中的指數（exponents）。

要避免的常見錯誤：當題目說「通脹影響索賠」時，你只需調整尺度參數。在處理簡單通脹時，幾乎不需要改變形狀參數。如果你改變了形狀，你就是在改變風險的本質，而不僅僅是索賠的成本。


6. 總結與快速複習

讓我們總結一下所學內容，幫你加深記憶：

快速複習框：

  • 尺度參數 (\( \theta \))：調整大小或規模。在公式中表現為 \( x/\theta \)。
  • 通貨膨脹 (\( c \))：若要模擬 \( 10\% \) 的增加，將 \( \theta \) 替換為 \( 1.10\theta \)。
  • CDF 影響： \( F_{new}(x) = F_{old}(x/c) \)。
  • 平均值影響：增加 \( c \) 倍。
  • CV 影響：無變化！
  • 形狀參數：改變尾部的「厚度」以及 CV。

最後的鼓勵：理解參數之間的互動就像學習遊戲規則。一旦你知道這些組件（參數）如何運作，你就能解決 SOA 拋出的任何通脹或轉換問題。你可以做到的！