導言：從數據中挖掘故事

歡迎！在精算科學的世界裡，我們經常會面對龐大的數據集，它們看起來就像一堆毫無意義的數字。在深入進行複雜的模型構建之前，我們需要先進行探索性數據分析 (Exploratory Data Analysis, EDA)。在這個階段，我們會利用「探索性圖表」來將數據視覺化，並透過「相關係數」來觀察變量之間的關係。

在你的卷 B (CS1B) 考試中，題目不只要求你生成這些圖表，還會要求你進行解釋。請把自己想像成一名正在尋找線索的偵探——數據是否偏斜？有沒有奇特的離群值？兩個變量是否共同變動？讓我們一起學習如何利用 R 來找出這些答案。


1. 單變量數據視覺化：觀察單一變量

在研究變量間的關係之前，我們需要先了解個別變量。課程大綱強調使用探索性視覺化工具來理解數據的分佈情況。

直方圖 (Histogram)：hist()

直方圖能幫助我們觀察數據的「形狀」。它將數據分成不同的「組距」(bins)，並顯示落入每個組距的觀測值數量。這對於檢查數據是對稱還是偏斜非常有用。

R 語法：
hist(data_vector, main = "標題", xlab = "標籤", col = "blue")

精算類比：想像你正在整理索償金額。如果大部分的索償金額都很小，但有少數幾宗金額巨大，你的直方圖就會向右延伸出一條「長尾巴」。這被稱為正偏態 (positive skew)，在保險領域中非常常見！

箱形圖 (Boxplot)：boxplot()

箱形圖（又稱盒鬚圖）能直觀地呈現五數概括法 (five-number summary)：最小值、第一四分位數 (\(Q1\))、中位數、第三四分位數 (\(Q3\)) 以及最大值。

解讀重點：
- 「箱子」部分：代表四分位距 (IQR)，包含了中間 50% 的數據。
- 粗線：這代表中位數。
- 「鬚線」：延伸至不被視為離群值的最極端數據點。
- 點點/圓圈：鬚線之外的點就是離群值 (outliers)。對精算師來說，這些點至關重要，因為它們可能代表「災難性」的索償個案。

R 語法：
boxplot(data_vector, horizontal = TRUE)


2. 雙變量數據視覺化：散點圖

當我們想觀察兩個變量之間是否存在關係時（例如「投保人年齡」與「索償次數」），我們會使用散點圖 (scatter plot)。

繪圖函數：plot()

在 R 中，plot(x, y) 會創建一個散點圖，其中 \(x\) 是解釋變量（通常在水平軸），而 \(y\) 是反應變量（通常在垂直軸）。

觀察重點：
- 方向：點的分佈是從左下往右上（正相關）還是從左上往右下（負相關）？
- 形態：點的分佈看起來像直線（線性）還是曲線？
- 強度：點與點之間靠得有多近？分佈越密集代表關係越強。

小貼士：在卷 B 考試中，記得一定要為坐標軸標註標籤！使用 xlab = "..." 和 ylab = "..."，確保不會在這些簡單的地方丟分。


3. 相關性：衡量變量間的聯繫

雖然圖表給了我們視覺上的「感覺」，但相關係數則為關係的強度和方向提供了一個數值。CS1 課程要求你掌握三種特定的衡量指標。

相關性三劍客

1. 皮爾森積差相關係數 (Pearson’s Product-Moment Correlation, \(r\))
衡量兩個變量之間線性關係的強度。它假設數據大致呈正態分佈。
- 數值為 \(+1\)：完美的正線性關係。
- 數值為 \(-1\)：完美的負線性關係。
- 數值為 \(0\)：無線性關係。

2. 斯皮爾曼等級相關係數 (Spearman’s Rank Correlation, \(\rho\))
這是一種「非參數」衡量指標。它不使用原始數值，而是使用數據的排名 (ranks)。它非常適合檢測單調 (monotonic) 關係（即變量朝相同方向移動，但不一定是直線）。相比皮爾森係數，它對離群值的敏感度較低。

3. 肯德爾等級相關係數 (Kendall’s Tau, \(\tau\))
與斯皮爾曼類似，這也是基於排名的指標。它觀察的是「一致對」(concordant) 與「不一致對」(discordant)。通常用於樣本量較小或存在大量相同排名（平秩）的情況。

相關性的 R 代碼

cor() 函數是你的好幫手，你只需要指定「方法」(method)：

cor(x, y, method = "pearson")
cor(x, y, method = "spearman")
cor(x, y, method = "kendall")

快速複習：該用哪一個？
- 如果關係看起來像一條直線：Pearson。
- 如果關係是曲線但始終遞增/遞減：Spearman。
- 如果數據中有極端離群值，可能會「拉偏」直線：Spearman 或 Kendall。


4. 常見陷阱與解讀建議

如果起初覺得這有點難，請不要擔心；解讀輸出結果是一項隨著練習而增長的技能。以下是你在考試作答時需要留意的事項：

相關不代表因果 (Correlation \(\neq\) Causation)
僅僅因為兩個變量具有很高的相關係數（例如 \(0.95\)），並不代表其中一個變量導致了另一個。在考試評論中，請使用像「……之間存在強烈的正線性關聯」之類的字眼，而不要說「變量 X 導致變量 Y」。

離群值的影響
單一離群值就可能顯著地降低（或增加！）Pearson 相關係數。如果你在散點圖中看到離群值，但 Spearman 相關係數很高，這表示潛在關係其實很強，只是 Pearson 數值被扭曲了。

檢查非線性關係
如果 cor(x, y) 接近 \(0\)，並不代表變量之間完全沒有關係。兩者可能存在二次函數（U 型）關係。這就是為什麼我們在計算數值之前，務必要先繪製圖表！


卷 B 核心重點回顧

  • hist()：觀察單一變量的分佈和偏斜度。
  • boxplot()：識別中位數、四分位數和離群值。
  • plot(x, y)：將兩個變量之間的關係視覺化。
  • cor(..., method = "...")：量化關係。
    • Pearson：線性關係。
    • Spearman/Kendall：單調關係（基於排名）。
  • 解讀：在信任相關係數之前，一定要先看圖表！

註：關於如何將這些結果應用於正式檢定的詳情，請參閱「利用軟件輸出進行檢定與置信區間」章節。若要在模型中使用這些變量，請參閱「線性回歸輸出的擬合與解讀」。