主成分分析 (PCA) 簡介

歡迎來到這一章！我們將一起探索精算師數據工具箱中最強大的工具之一：主成分分析 (Principal Component Analysis，簡稱 PCA)。如果你曾面對擁有數十個欄位的數據集而感到不知所措，PCA 正好可以幫到你。這是一種用來「簡化」複雜數據的技術，同時能確保不會丟失數據背後的重要故事。

想像一下，PCA 就像是為一個複雜的物體進行高解像度的 3D 掃描，然後找一個完美的 2D 角度來拍攝它，讓你依然能一眼認出它的絕大部分特徵。在精算學術語中，我們稱之為降維 (dimensionality reduction)——將眾多變量轉化為少數幾個核心變量。

什麼是降維？

在許多精算問題中，我們需要處理大量的解釋變量 (explanatory variables)。例如，在為保險定價時，你可能擁有司機的年齡、駕照年資、引擎容量、當地犯罪率，甚至是汽車顏色等數據。這就是所謂的「高維」數據。

降維是指透過獲取一組「主成分」變量，來減少所考慮的變量數量的過程。其目標是：

  • 簡化數據集。
  • 去除雜訊和冗餘（具有相關性的變量）。
  • 使數據更易於視覺化和建模。

核心要點：PCA 透過專注於提供最多「資訊」的變量來幫助我們壓縮數據（在統計學中，我們用方差 (variance) 來衡量資訊量）。

PCA 如何運作：概念步驟

如果底層的線性代數讓你感到畏縮，請不用擔心；在 CS1 考試中，重點在於該方法的目的和應用。以下是 PCA 轉換數據的邏輯流程：

1. 數據標準化 (Standardizing the Data)

由於變量通常以不同的單位衡量（例如：以「年」為單位的年齡 vs 以「千元」為單位的收入），我們通常會先進行標準化。這能確保數值較大的變量不會不公平地主導整個分析結果。

2. 識別主成分 (Principal Components, PCs)

PCA 會為數據尋找一組新的坐標軸。
第一主成分 (\(PC_1\)) 是數據中捕捉到最大方差的方向。
第二主成分 (\(PC_2\)) 是捕捉到次高方差的方向，但有一個重要規則：它必須與 \(PC_1\) 不相關（正交）。

3. 轉換變量

每個主成分都是原始變量的線性組合 (linear combination)。如果你的原始變量是 \(X_1, X_2, \dots, X_p\)，那麼主成分 \(Z_i\) 看起來會像這樣：
\(Z_i = a_{i1}X_1 + a_{i2}X_2 + \dots + a_{ip}X_p\)

這些系數 (\(a_{i1}, a_{i2}, \dots\)) 被稱為載荷 (loadings)。它們告訴我們每個原始變量在該特定主成分中所佔的權重。

主成分的關鍵特性

關於主成分，有幾條在考試題目中非常常見的「黃金法則」：

  • 最大方差：\(PC_1\) 總是解釋了數據中總方差的最大部分。
  • 不相關：每個主成分之間完全不相關。這對於之後進行回歸建模是一個巨大的優勢！
  • 重要性遞減：主成分是有順序的。\(PC_1\) 的「資訊量」比 \(PC_2\) 多，\(PC_2\) 又比 \(PC_3\) 多，依此類推。
  • 總方差不變：所有主成分的方差總和等於原始變量的方差總和。我們並沒有「創造」新資訊，只是重新排列了它。

你知道嗎？在許多精算數據集中，首兩個或三個主成分通常就能解釋超過 80% 的總方差，這讓你可以在幾乎不損失資訊的情況下，捨棄其餘數十個變量！

解讀結果

在 Paper B 考試中，你可能會使用 R 等軟件來執行 PCA。你需要解讀兩個主要部分：

1. 解釋方差比例 (Proportion of Variance Explained, PVE)

這告訴你每個成分承載了總「資訊量」的百分比。
如果 \(PC_1\) 的 PVE 為 \(0.60\)，這意味著它解釋了整個數據集中 60% 的方差。

2. 累積比例 (Cumulative Proportion)

這是 PVE 的累計總額。如果你決定保留前三個成分，你會查看 \(PC_3\) 的累積比例，看看你保留了原始數據中多少的故事內容。

常見錯誤：學生有時會認為必須保留所有成分。PCA 的核心意義在於降低維度。如果你有 10 個原始變量並保留了 10 個主成分，那你根本沒有簡化任何東西！

選擇主成分的數量

我們該如何決定何時停止？多少個主成分才算「足夠」？在數據分析中，有兩種常用的方法：

  • 碎石圖 (Scree Plot)：一個顯示每個主成分所解釋方差的折線圖。我們會尋找「肘部 (elbow)」——即圖形趨於平緩的點。通常我們會保留肘部之前的所有成分。
  • 閾值法 (Threshold Method)：我們先設定一個目標，例如「解釋 80% 或 90% 的總方差」，然後保留達到該目標所需的最少主成分數量。

快速回顧：為什麼在精算工作中使用 PCA？

1. 簡化：處理 3 個變量比處理 50 個變量要容易得多。

2. 視覺化：我們無法想像 10 維數據，但我們可以輕鬆地在 2D 散點圖上繪製 \(PC_1\) 與 \(PC_2\) 的關係，從而觀察保單持有人數據中是否存在任何天然的群聚或模式。

3. 避免多重共線性 (Multicollinearity)：在回歸分析（你將在第 4 單元學習）中，高度相關的解釋變量會導致問題。由於主成分之間是不相關的，將它們作為回歸模型的輸入可以完美解決這個問題。

總結：PCA 是一種降維工具，它將一組大量且具相關性的變量，轉換為一組較小且不相關的變量，稱為「主成分」，並按其解釋方差的多寡進行排序。