歡迎來到經驗貝葉斯信度理論 (EBCT) 的世界！

你好！如果你一直在研讀貝葉斯統計 (Bayesian statistics)，你就會知道我們通常會從「先驗分佈 (Prior)」開始（在看到數據之前的想法），然後將其更新為「後驗分佈 (Posterior)」（在看到數據之後的想法）。但如果我們對「先驗分佈」毫無頭緒，該怎麼辦呢？

這正是經驗貝葉斯信度理論 (Empirical Bayes Credibility Theory, EBCT) 發揮作用的時候！我們不再盲目猜測先驗分佈，而是利用多個相似風險的實際數據來「估計」先驗分佈。這是一種非常實用且貼近現實的方法，用來決定我們應該多大程度上信任個人的索賠歷史，以及多大程度上信任群體平均值。

別擔心，如果現在覺得這些概念有點抽象也沒關係——我們會一步一步為你拆解！

1. 核心概念：個人經驗 vs. 群體表現

想像你是一位保險核保員，正在為「司機 A」計算汽車保險費。你有兩條資訊：
1. 司機 A 的個人歷史：他在過去 3 年內沒有發生過任何事故。
2. 群體平均值：該市的司機平均每年發生 0.5 次事故。

你應該多信任司機 A 的個人數據（經驗），又該多信任該市的平均數據（群體）呢？

信度保費 (Credibility Premium) 的計算公式如下：
\( P = Z\bar{X} + (1 - Z)\mu \)

其中：
• \(\bar{X}\) 是個人的平均值（經驗）。
• \(\mu\) 是整體人口的平均值。
• \(Z\) 是信度因子 (Credibility Factor)（介於 0 到 1 之間的數字）。

當我們沒有預先定義的先驗分佈時，EBCT 就是我們用來計算 \(Z\) 和 \(\mu\) 的方法。

2. EBCT 模型 1（Bühlmann 模型）

在 Bühlmann 模型中，我們假設有 \(N\) 個不同的投保人（或群體），且我們觀察了他們每人 \(n\) 年的數據。

為了求得信度因子 \(Z\)，我們需要觀察兩種「離散程度」或變異數：

A. 過程變異數的期望值 (Expected Value of Process Variance, EVPV)：這代表單一風險內部的「噪音」或隨機性。即使是「好」司機，也可能因為運氣不好而發生事故。我們將其記為 \(s^2\)。

B. 假設均值的變異數 (Variance of Hypothetical Means, VHM)：這代表不同人之間「真實」潛在風險的差異。如果每個人都一模一樣，VHM 就是零。我們將其記為 \(a\)。

Z 的公式：
\( Z = \frac{n}{n + \frac{s^2}{a}} \)

記憶小撇步：你可以把 \(s^2\)（噪音）視為讓我們懷疑數據的「壞」因子，而將 \(a\)（人與人之間的差異）視為讓個人數據更有參考價值的「好」因子。如果噪音 \(s^2\) 很高，\(Z\) 就會下降；如果人與人之間的變異 \(a\) 很高，\(Z\) 就會上升！

重點總結：

我們擁有的數據越多 (\(n\))，且個體之間的差異越明顯 (\(a\))，我們對個人自身經驗賦予的信度 (\(Z\)) 就越高。

3. 如何計算 EBCT 參數（逐步指南）

別被符號嚇到了！如果你拿到一份包含 \(N\) 個群體和 \(n\) 年的數據表，按照以下步驟操作即可：

第 1 步：求出每個群體的平均值 (\(\bar{X}_i\))
計算每一列（每個投保人）的平均值。

第 2 步：求出整體平均值 (\(\bar{X}\))
計算所有群體平均值的平均值。這就是我們對 \(\mu\) 的估計值。

第 3 步：估計過程變異數 (\(s^2\))
1. 計算每個個別群體的樣本變異數。
2. 將這些變異數取平均，這就是 \(\hat{s}^2\)。

第 4 步：估計假設均值的變異數 (\(a\))
這是最棘手的部分！請使用這個公式：
\( \hat{a} = \text{群體平均值的變異數} - \frac{\hat{s}^2}{n} \)

為什麼要減去？因為我們在群體平均值之間觀察到的變異，部分來自於「真實」差異 (\(a\))，部分來自於隨機噪音 (\(s^2\))。我們減去噪音，才能找出「純粹」的差異。

第 5 步：計算 Z 和保費
將結果代入 \( Z = \frac{n}{n + \hat{s}^2/\hat{a}} \)，然後計算保費 \( Z\bar{X}_i + (1-Z)\bar{X} \)。

快速複習框：

• \(N\) = 群體數量（行數）。
• \(n\) = 時間週期數量（列數）。
• \(\hat{s}^2\) = 內部變異數的平均值。
• \(\hat{a}\) = 平均值的變異數減去（噪音 / \(n\)）。

4. 常見陷阱與小技巧

1. 負變異數：有時在計算 \(\hat{a}\) 時，你可能會得到一個負數。由於變異數不可能是負的，在這些極少數情況下，我們設 \(\hat{a} = 0\)（這代表 \(Z = 0\)）。這意味著該個人數據充滿噪音，毫無參考價值。

2. 混淆 \(n\) 和 \(N\)：請記住，\(n\) 是每個群體的年份/觀察次數。\(N\) 是群體的總數。\(Z\) 的公式使用的是 \(n\)，而不是 \(N\)。

3. 「你知道嗎？」EBCT 方法通常被稱為「最精確信度 (Greatest Accuracy Credibility)」，因為它最小化了我們估計值的均方誤差！

5. 現實生活中的類比：咖啡店

假設你想知道「咖啡店 A」是否總是服務很慢，還是你只是那天運氣不好。
• 個人經驗 (\(\bar{X}\))：你今天等了 15 分鐘。
• 群體平均值 (\(\mu\))：全市所有咖啡店的平均等待時間為 5 分鐘。
• 過程變異數 (\(s^2\))：「店 A」的等待時間是否每天波動很大？（噪音高 = \(Z\) 低）。
• 假設均值的變異數 (\(a\))：全市是否有些店真的穩定地比其他店慢？（店與店差異大 = \(Z\) 高）。
如果所有店基本上都一樣（\(a\) 很小），你會認為自己只是運氣不好，「真實」等待時間很可能是 5 分鐘。如果店與店之間差異很大（\(a\) 很大），你就會相信你 15 分鐘的經驗，並給予「店 A」較高的信度，認為它確實服務很慢！

EBCT 模型 1 總結

EBCT 允許我們在先驗分佈參數未知時計算信度保費。我們直接從數據中估計過程變異數和假設均值的變異數。

需要背誦的關鍵公式：
1. \( Z = \frac{n}{n + E[Var(X|\theta)] / Var(E[X|\theta]) } \)
2. \( \text{保費} = Z(\text{個人平均值}) + (1-Z)(\text{總體平均值}) \)

你一定可以的！多練習幾道表格題，你很快就能掌握其中的規律。