歡迎來到最大概似估計 (MLE) 的世界！

各位準精算師你們好！今天，我們將深入探討精算師工具箱中最強大的工具之一：最大概似估計 (Maximum Likelihood Estimation, MLE)。雖然這個名字聽起來有點嚇人，但它的概念其實非常直觀。在本章中，我們將聚焦於完整且獨立的數據 (complete, individual data)。這意味著我們擁有樣本中每一個數據點的清晰、準確列表——沒有缺失資訊、沒有「大於」某個數值的數據，也沒有分組區間。

你可以把 MLE 想像成一位偵探。你手頭上有「線索」（你的數據），而你正試圖找出哪一個「故事」（參數 \(\theta\)）能讓這些線索看起來最合理。讓我們開始吧！

1. 什麼是最大概似估計？

想像你有一個裝滿紅色和藍色彈珠的袋子，但你不知道紅色彈珠的比例（\(\theta\)）是多少。你隨機抽出了 10 顆彈珠，發現其中 9 顆是紅色的。你會猜袋子裡只有 10% 是紅色的嗎？大概不會吧！你應該會猜一個較高的比例，因為這樣才能使「抽到 9 顆紅彈珠」的結果變得最有可能發生。這正是 MLE 在數學上的運作方式。

核心概念：概似函數 (Likelihood Function)，記作 \(L(\theta)\)，表示在給定某個參數值的情況下，觀測到你手中特定數據的機率（或機率密度）。

為什麼要用它？精算師使用 MLE 來估計損失分佈的參數（例如平均索賠額），這樣我們才能準確地為保險單定價。

2. 個體數據的概似函數

當我們有完整、個體的數據時，我們擁有一組觀測值：\(x_1, x_2, ..., x_n\)。由於這些觀測值是獨立的，同時觀察到所有這些數據的機率就是它們各自機率的乘積。

如果分佈是連續型的，我們使用機率密度函數 (PDF)，即 \(f(x)\)：
\(L(\theta) = f(x_1; \theta) \cdot f(x_2; \theta) \cdot ... \cdot f(x_n; \theta) = \prod_{i=1}^{n} f(x_i; \theta)\)

如果分佈是離散型的，我們使用機率質量函數 (PMF)，即 \(p(x)\)：
\(L(\theta) = p(x_1; \theta) \cdot p(x_2; \theta) \cdot ... \cdot p(x_n; \theta) = \prod_{i=1}^{n} p(x_i; \theta)\)

快速回顧：目標

我們希望找到能使 \(L(\theta)\) 最大化的 \(\theta\) 值。在微積分中，這通常意味著對函數進行求導並將其設為零。

3. 「對數概似」的捷徑

處理乘積（乘法）很麻煩，特別是當你必須使用乘積法則 (product rule) 來進行微分時。為了讓生活更輕鬆，我們使用一個數學技巧：自然對數 (Natural Logarithm)。

由於對數函數是「單調遞增」的，使 \(L(\theta)\) 最大的 \(\theta\) 值，同樣也會使對數概似函數 (Log-Likelihood Function)（記作 \(l(\theta)\)）最大化。

該技巧：
\(l(\theta) = \ln[L(\theta)] = \ln[f(x_1) \cdot f(x_2) \cdot ... \cdot f(x_n)]\)
利用對數規則，乘積的對數會變成對數的和：
\(l(\theta) = \sum_{i=1}^{n} \ln f(x_i; \theta)\)

記憶小撇步：「對數將乘法變為加法。」對相加的項進行微分比對相乘的項容易得多！

4. 分步驟：如何計算 MLE

如果一開始覺得很棘手，別擔心！每次只要遵循這五個步驟即可：

第一步：寫出單個觀測值 \(x_i\) 的 PDF 或 PMF。
第二步：將所有的 PDF 相乘，建立概似函數 \(L(\theta)\)。
第三步：取自然對數得到對數概似函數 \(l(\theta)\)。利用對數規則盡可能簡化它！
第四步：對 \(l(\theta)\) 關於 \(\theta\) 進行微分。
第五步：將導數設為零並求解 \(\theta\)。所得結果就是你的最大概似估計量，通常記作 \(\hat{\theta}\)。

重點總結

如果你在 Exam FAM 考試中看到「估計 (Estimate)」和「MLE」這兩個詞，你的大腦應該立即反射：概似函數 \(\rightarrow\) 取對數 \(\rightarrow\) 微分 \(\rightarrow\) 設為零。

5. 範例：指數分佈

讓我們看看考試中的熱門考題。假設我們有來自指數分佈的索賠額 \(x_1, x_2, ..., x_n\)，其平均值為 \(\theta\)。其 PDF 為 \(f(x) = \frac{1}{\theta} e^{-x/\theta}\)。

1. 概似函數： \(L(\theta) = \prod \frac{1}{\theta} e^{-x_i/\theta} = \theta^{-n} e^{-\sum x_i / \theta}\)
2. 對數概似函數： \(l(\theta) = -n \ln(\theta) - \frac{\sum x_i}{\theta}\)
3. 微分： \(\frac{dl}{d\theta} = -\frac{n}{\theta} + \frac{\sum x_i}{\theta^2}\)
4. 設為零： \(0 = -\frac{n}{\theta} + \frac{\sum x_i}{\theta^2} \implies \frac{n}{\theta} = \frac{\sum x_i}{\theta^2}\)
5. 結果： \(\hat{\theta} = \frac{\sum x_i}{n} = \bar{x}\) (即樣本平均值！)

你知道嗎？對於許多基礎分佈（如指數分佈、卜瓦松分佈和常態分佈），平均值的 MLE 通常就是數據的算術平均數。

6. 常見的陷阱

即使是成績最好的學生也常犯這些錯誤，請務必留意！

1. 使用 CDF 而非 PDF： 對於完整、個體的數據，請務必使用密度函數 \(f(x)\)。只有在處理設限數據 (censored data，我們會在另一章討論) 時，才會使用 CDF \(F(x)\)。
2. 對數規則錯誤： 請記住 \(\ln(e^A) = A\) 以及 \(\ln(A^B) = B \ln(A)\)。弄錯指數位置是得到錯誤答案的最快途徑。
3. 忘記了 'n'： 當你將 \(n\) 個相同的項相乘時，常數部分會變成 \(n\) 次方。在對數概似函數中，這會變成乘以 \(n\)。
4. 多個參數： 如果一個分佈有兩個參數（例如 Gamma 分佈中的 \(\alpha\) 和 \(\theta\)），你必須分別對每個參數進行偏微分，並將它們作為方程組來求解。

7. 總結與快速回顧

為了總結這一章，讓我們重溫完整、個體數據的精髓：

  • 完整數據： 你知道每一個觀測值的精確數值。
  • 概似函數： \(L(\theta) = \prod f(x_i)\)。
  • 對數概似函數： \(l(\theta) = \sum \ln f(x_i)\)。
  • 「捷徑」： 對於指數分佈和卜瓦松分佈，平均值的 MLE 幾乎總是樣本平均值 (\(\bar{x}\))。

最後的小提示：多練習代數運算！大多數在 Exam FAM 的 MLE 題目上遇到困難的學生，其實都理解統計學原理，只是被自然對數和微分絆倒了。你可以做到的！