歡迎來到貝氏估計（Bayesian Estimation）的世界！

你好！如果你已經準備到 ASTAM 考試的階段，代表你已經克服了不少艱深的數學難題。今天，我們要深入探討貝氏估計。如果剛開始覺得這聽起來有點「哲學」，別擔心——這其實是一種非常直觀的觀察世界方式。

在古典統計學（例如 MLE）中，我們將參數 \(\theta\) 視為一個固定（但未知）的數值。但在貝氏估計中，我們將 \(\theta\) 視為一個隨機變數。你可以這樣想：與其努力找出參數的「唯一真實值」，我們不如用機率分佈來描述我們對該數值的不確定性。這就像是你隨著看到越來越多證據，而不斷修正自己觀點的過程！

你知道嗎？貝氏統計是以 18 世紀的牧師湯瑪斯·貝氏（Thomas Bayes）命名的。他生前其實從未發表過他那著名的定理；在他去世後，他的朋友理查·普萊斯（Richard Price）才替他發表了這項研究！

1. 三大支柱：先驗分佈、模型與後驗分佈

要進行貝氏估計，你需要三個主要組件。把它們想像成烹飪食譜所需的材料。

A. 先驗分佈 (Prior Distribution)： \(\pi(\theta)\)

這代表你在看到任何數據之前，對 \(\theta\) 的看法。 例子：如果你要估計索賠發生的機率，你可能會查看去年的行業平均數據，以形成最初的觀點。

B. 模型 (Likelihood)： \(f(x|\theta)\)

這是給定某個 \(\theta\) 值時，數據的分佈情況。如果我們有一組數據 \(x_1, x_2, ..., x_n\)，聯合概似函數就是 \(L(\theta) = \prod f(x_i|\theta)\)。這代表了數據所提供的「證據」。

C. 後驗分佈 (Posterior Distribution)： \(\pi(\theta|x)\)

這是「更新後」的信念，也就是你在看到數據之後對 \(\theta\) 的看法。這正是我們計算的目標！

貝氏黃金法則：

後驗分佈正比於概似函數乘以先驗分佈： $$\pi(\theta|x) \propto L(\theta) \times \pi(\theta)$$ 符號 \(\propto\) 的意思是「正比於」。在大多數 ASTAM 題目中，我們不需要計算複雜的分母，只需要找出分佈的「形狀」即可。

快速總結：先驗（舊信念）+ 數據（新證據）= 後驗（更新後的信念）。

2. 計算後驗分佈：分步指南

當你在考試中遇到貝氏題目時，別慌張。請按照以下步驟進行：

第一步：寫下先驗分佈。 找出 \(\pi(\theta)\)。忽略任何不包含 \(\theta\) 的常數。
第二步：寫下概似函數。 找出 \(L(\theta) = f(x_1, ..., x_n | \theta)\)。同樣地，只保留包含 \(\theta\) 的部分。
第三步：將兩者相乘。 將項合併。通常你需要將指數相加或合併冪次。
第四步：辨識分佈。 看看你的結果，它看起來像 Gamma 分佈嗎？還是 Beta 或常態分佈？這個「配對」步驟就是你找到答案的關鍵。

避免犯錯：千萬別忘記概似函數是基於整個樣本的。如果你有 \(n\) 個觀測值，請務必將概似項進行 \(n\) 次方運算，或者在適當的情況下使用觀測值的總和！

3. 貝氏估計量 (The Bayesian Estimator)

得到後驗分佈後，我們通常需要一個單一數值作為估計結果，這稱為貝氏估計量。

ASTAM 課程通常集中於平方誤差損失函數 (Squared Error Loss)。在這種損失函數下，\(\theta\) 的「最佳」估計量就是後驗分佈的平均值 (Mean of the Posterior Distribution)： $$\hat{\theta} = E[\theta | x]$$

類比：想像你在猜一罐果凍豆的重量。有些人猜 500，有些人猜 600。貝氏估計就像是將所有意見取平均值，但會給予專家（數據）的意見更高的權重。

快速複習： - 如果後驗分佈是 \(Gamma(\alpha, \theta)\)，估計量為 \(\alpha \theta\)。 - 如果後驗分佈是 \(Beta(a, b)\)，估計量為 \(\frac{a}{a+b}\)。 - 隨身攜帶你的考試公式表，以便快速查找這些分佈的平均值！

4. 預測分佈 (Predictive Distributions)：展望未來

有時考試不會要求求出 \(\theta\)。相反，它會問：「基於我們看到的數據，下一次索賠 (\(x_{n+1}\)) 為特定值的機率是多少？」

這就是預測分佈。我們透過將概似函數與後驗分佈進行「加權平均」來計算： $$f(x_{n+1} | x) = \int f(x_{n+1} | \theta) \pi(\theta | x) d\theta$$

換個方式思考：因為我們不知道 \(\theta\) 確切是多少，所以我們觀察每一個可能的 \(\theta\)，查看它的可能性（後驗分佈），並用它來預測未來，最後將所有情況加總（積分）起來。

記憶小撇步：「後驗看參數，預測看未來（下一個數據點）。」

5. 共軛先驗 (Conjugate Priors)：考試的「作弊碼」

在許多情況下，後驗分佈最終會與先驗分佈屬於同一個族群。這類成對的分佈稱為共軛先驗。掌握這些可以為你節省大量時間！

必背組合： 1. Poisson (數據) + Gamma (先驗) \(\to\) Gamma (後驗) 2. Binomial (數據) + Beta (先驗) \(\to\) Beta (後驗) 3. Exponential (數據) + Inverse Gamma (先驗) \(\to\) Inverse Gamma (後驗) 4. Normal (數據) + Normal (先驗) \(\to\) Normal (後驗)

例子：如果你從 Gamma 先驗開始，而數據是 Poisson 分佈，你馬上就知道後驗分佈會是 Gamma。你只需要根據學習手冊中的加法規則，更新 \(\alpha\) 和 \(\theta\) 參數即可。

考試當日的關鍵提示

1. 貝氏 = 更新。 永遠從先驗分佈開始，並用概似函數進行更新。
2. 專注於核心項 (Kernels)。 不要浪費時間在 \(2\pi\) 或 \(\sqrt{\dots}\) 等常數上，專注於包含 \(\theta\) 的項。
3. 後驗平均值。 除非另有說明，否則貝氏估計量就是後驗分佈的平均值。
4. 利用公式表。 SOA 提供的考試手冊中有分佈表，請善用它們來快速查找平均值和變異數，避免手動推導。
5. 不要被嚇倒。 貝氏題目往往只是包裝在微積分外衣下的代數運算。只要你能辨識出分佈，你就已經成功了一半！

繼續練習吧！貝氏估計是「參數模型的建立與選擇 (Construction and Selection of Parametric Models)」課程中佔分最重的部分之一。精通它，你就離及格分數不遠了！