歡迎來到廣義線性模型 (GLM) 的解讀世界！

你好！很高興你能加入。如果你正在為 Exam PA 奮鬥，你一定知道建立模型只是成功了一半。真正的「精算魔法」在於你能否解釋清楚模型到底在說什麼。在這一章，我們將層層拆解廣義線性模型 (GLM)，了解係數 (coefficients) 和交互作用項 (interaction terms) 是如何訴說數據背後的故事。別擔心，如果起初看起來數學成分很重，我們將會把它拆解成小塊，直到它成為你的直覺為止！

在我們解釋係數之前，必須先知道模型使用的是哪種「語言」，這取決於連結函數 (link function)。在 GLM 中，連結函數將線性預測項 (數學部分) 與反應變數的平均值 (實際結果) 連接起來。

恆等連結 (Identity Link，加法世界)

在標準線性迴歸 (Identity link) 中，解釋方式非常直觀。
公式：\( \mu = \beta_0 + \beta_1 x_1 + ... \)
解釋：在所有其他變數保持不變的情況下，\( x_1 \) 每增加 1 個單位，預測值就會精確地增加 \( \beta_1 \) 個單位。
例子：如果 \( \beta_{age} = 50 \)，那麼年齡增加一歲，預測的保險費就會增加 $50。

對數連結 (Log Link，乘法世界)

你在 Exam PA 中最常見到的 GLM (如 Poisson 或 Gamma 模型) 通常使用對數連結 (Log Link)。這會改變整個遊戲規則！
公式：\( \ln(\mu) = \beta_0 + \beta_1 x_1 + ... \)，這等同於 \( \mu = e^{\beta_0 + \beta_1 x_1 + ...} \)
解釋：我們不再是加上一個固定的數額，而是乘以 \( e^{\beta_1} \)。
小技巧：若要計算百分比變動，請使用 \( (e^{\beta_1} - 1) \times 100\% \)。
例子：如果 \( \beta_{age} = 0.05 \)，那麼 \( e^{0.05} \approx 1.051 \)。這意味著年齡每增加一歲，預測成本就會增加 5.1%。

快速複習：
- 恆等連結：加法效應 (+\(\beta\))。
- 對數連結：乘法效應 (\( \times e^{\beta} \))。

2. 分類變數與「參考級別」(Reference Level)

當我們使用分類變數 (如「顏色」或「地區」) 時，模型會建立二元 (0/1) 虛擬變數 (dummy variables)。但在輸出結果中總會遺漏一個級別——這就是參考級別 (Reference Level)。

運作方式：
想像我們正在根據車輛顏色（紅色、藍色和白色）來為汽車保險索賠建模。如果以「白色」作為參考級別：
- 截距 (Intercept) (\( \beta_0 \)) 代表白色汽車的預測值。
- 紅色的係數 (\( \beta_{Red} \)) 代表紅色汽車與白色汽車之間的差異。

避免常見錯誤：永遠不要說「紅色汽車的成本是 \( \beta_{Red} \)」。請務必說「紅色汽車比白色汽車的成本高/低 \( \beta_{Red} \)」。

關鍵點：所有分類變數的係數都是相對於基準情況 (參考級別) 的比較。

3. 理解交互作用項 (Interaction Terms)

有時候，一個變數的影響取決於另一個變數，這稱為交互作用 (Interaction)。
類比：想想「咖啡」和「糖」。咖啡讓你清醒，糖給你能量。但「加了糖的咖啡」可能會給你一種遠高於兩者分開相加的巨大提神效果！這就是一種「協同作用」或交互作用。

交互作用的數學

包含交互作用的模型看起來如下：
\( \eta = \beta_0 + \beta_1 x_1 + \beta_2 x_2 + \beta_3 (x_1 \times x_2) \)
這裡，\( \beta_3 \) 就是交互作用係數。

如何解釋交互作用：

如果我們在年齡 (Age) 和性別 (男性 Male) 之間存在交互作用：
1. \( \beta_{Age} \)：年齡對於參考組 (女性) 的影響。
2. \( \beta_{Male} \)：在年齡為 0 時，男性與女性之間的差異。
3. \( \beta_{Age:Male} \)：相較於女性，男性在斜率上的額外變化。

你知道嗎？在 Exam PA 中，如果你包含了交互作用項 (\( x_1:x_2 \))，幾乎總是必須同時包含個別的「主效應」(main effects，即 \( x_1 \) 和 \( x_2 \))。這被稱為層級原則 (Hierarchy Principle)。

4. 偏移項 (Offset Term，即「隱藏的」係數)

在保險業中，我們經常對計數資料 (counts)（例如事故數量）進行建模。但是，開車 10,000 英里的司機發生碰撞的可能性肯定比開車 10 英里的司機要高。我們需要針對這種「風險暴露 (exposure)」進行調整。

偏移項 (Offset) 是一個係數被強制設定為 1 的變數。
公式：\( \ln(\mu) = \ln(Exposure) + \beta_0 + \beta_1 x_1 ... \)
透過使用 \( \ln(Exposure) \) 作為偏移項，我們本質上是在建模發生率 (rate)（每單位暴露的索賠數），而不是單純的原始計數。

關鍵點：如果你在模型摘要中看到「Offset」，請記住它的存在是為了考慮不同大小的風險暴露，而且它沒有估計的係數，因為它被固定為 1.0。

5. 考試總結清單

當你在考試中被要求解釋係數時，請按照以下步驟進行：
1. 確認連結函數：是恆等連結 (加法) 還是對數連結 (乘法)？
2. 檢查單位：你是在談論金額、計數還是機率？
3. 找出參考級別：分類變數是與什麼進行比較的？
4. 尋找交互作用：變數 A 的影響是否隨變數 B 的變化而改變？
5. 使用「其他條件不變」(Ceteris Paribus)：在解釋時，務必加上「在保持所有其他變數不變的情況下」這句話。這能向評分員證明你理解多元模型是如何運作的！

剛開始覺得棘手也沒關係！解讀模型是一種熟能生巧的技能。試著看著模型輸出，然後對朋友（甚至你的寵物）大聲解釋——如果你能把它解釋得通俗易懂，你就已經掌握它了！

需要記住的關鍵詞：

- 連結函數 (Link Function)：將線性預測項映射到均值。
- 參考級別 (Reference Level)：「基準」類別。
- 乘法效應 (Multiplicative Effect)：計算為 \( e^{\beta} \)。
- 交互作用 (Interaction)：當變數「聯手」改變結果時。
- 偏移項 (Offset)：係數固定為 1 的變數，用於調整風險暴露。