歡迎來到實驗室：創造新分配！

在你的精算旅程中，你已經認識了這些「明星級」分配：指數分配（Exponential）、伽瑪分配（Gamma）和帕雷托分配（Pareto）。但在現實世界的保險數據中，情況往往沒那麼簡單。有時候，標準分配並不能完美地擬合索賠數據。

把這一章想像成一個DIY 工作坊。我們不需要「購買」新的分配，而是將現有的分配進行修改——拉伸它們、提升其冪次，甚至像拼布被一樣將它們縫合在一起。讀完這些筆記後，你將學會如何「構建」一個分配，以適應幾乎任何嚴重程度（Severity）模型的場景。

快速回顧：請記住，嚴重程度模型（Severity Model）是用來描述索賠金額的大小。在本章中，我們正在尋找創造新的累積分配函數 (CDF, \(F(x)\)) 和機率密度函數 (PDF, \(f(x)\)) 的方法，以更精確地呈現這些索賠金額。


1. 乘法（分配的縮放 Scaling）

這是創造新分配最簡單的方法。如果你有一個隨機變數 \(X\)（代表一次索賠），將其乘以一個常數 \(c > 0\)，你就會得到一個新的隨機變數 \(Y = cX\)。

為什麼要這樣做？
想像一下，你手頭上有以美元為單位的索賠分配，但你需要換成歐元；或者，想像由於通貨膨脹，每筆索賠額都增加了 5%。這就是在對分配進行縮放（Scaling）。

數學原理：
如果 \(Y = cX\)，那麼新的累積分配函數 (CDF) 為：
\(F_Y(y) = F_X(y/c)\)

新的機率密度函數 (PDF) 為：
\(f_Y(y) = \frac{1}{c} f_X(y/c)\)

關鍵概念：尺度參數（Scale Parameter, \(\theta\)）
在許多 SOA 的分配中，參數 \(\theta\) 是一個尺度參數。如果你將整個分配乘以 \(c\)，通常只需將舊的 \(\theta\) 乘以 \(c\) 即可得到新的參數。例如，如果 \(X \sim \text{Exponential}(\theta)\)，那麼 \(cX \sim \text{Exponential}(c\theta)\)。

避免常見錯誤：
計算 PDF 時，千萬別忘了函數內部要除以 \(c\)，而外部還要再乘以 \(1/c\)！

重點總結：將分配乘以常數 \(c\) 會「拉伸」該分配。它的形狀保持不變，但尺度（Scale）改變了。


2. 冪次變換（Power Transformations）

如果我們取一個分配並將其進行冪次變換會怎樣？如果 \(X\) 是我們原始的變數，我們可以創建 \(Y = X^{1/\tau}\)（或 \(Y = X^\tau\)）。

數學原理：
如果 \(Y = X^{1/\tau}\)，則 \(X = Y^\tau\)。CDF 變為：
\(F_Y(y) = F_X(y^\tau)\)

「變換後」家族：
這就是我們如何從 ASTAM 表中得到一些著名分配的方法：
1. 變換伽瑪分配（Transformed Gamma）： 通過對伽瑪分配進行冪次變換而創建。
2. 伯爾分配（Burr Distribution）： 通過對帕雷托分配進行冪次變換而創建。

記憶小撇步：
把冪次 \(\tau\) (tau) 想像成「韌性」（Toughness）。對索賠額進行冪次變換會改變分配尾部的「厚重程度」。較高的冪次會使發生大額索賠的機率顯著增加或減少。

重點總結：冪次變換會改變分配的形狀和尾部權重，從而影響出現極端值的可能性。


3. 指數化（Exponentiation）

在這個變換中，我們取一個隨機變數 \(X\)，將其轉變為 \(Y = e^X\)。

著名的例子：對數常態分配（Lognormal）
如果 \(X\) 服從常態分配，那麼 \(Y = e^X\) 就服從對數常態分配。這是嚴重程度模型中最重要的一種分配，因為它永遠為正且具有右偏尾部（非常適合保險索賠！）。

數學原理：
如果 \(Y = e^X\)，則 \(X = \ln(Y)\)。CDF 為：
\(F_Y(y) = F_X(\ln y)\)

你知道嗎？
我們使用「Log-」作為新分配的前綴（例如：Loglogistic, Lognormal）。這意味著，如果你對索賠金額取對數（Logarithm），它就會服從原始的分配。

重點總結：指數化用於創造嚴格為正且通常具有極長、極「厚」尾部的分配。


4. 混合分配（Mixing Distributions）

混合就像製作果昔（Smoothie）。你不是將索賠金額加在一起，而是表示一筆索賠有特定的機率來自「分配 A」，也有特定的機率來自「分配 B」。

離散混合（Discrete Mixtures）：
假設你有兩類駕駛：「安全型」（分配 \(F_1\)）和「風險型」（分配 \(F_2\)）。如果 70% 的駕駛是安全型，30% 是風險型，那麼總分配為：
\(F(x) = 0.70 F_1(x) + 0.30 F_2(x)\)

一般公式：
\(F(x) = \sum_{i=1}^{n} a_i F_i(x)\)，其中權重 \(a_i\) 的總和必須為 1 (\(\sum a_i = 1\))。

混合的步驟：
1. 識別各個單獨的分配 (\(F_1, F_2, ...\))。
2. 識別權重（進入每個群組的機率）。
3. 將每個 CDF 或 PDF 乘以其對應的權重。
4. 將它們加總！

常見錯誤：
學生常將「混合」與「隨機變數相加」混淆。
- 混合：「這筆索賠要麼來自類型 A，要麼來自類型 B。」
- 相加：「總索賠額是索賠 A 和索賠 B 的總和。」
這在數學上是非常不同的！混合使用權重；而相加涉及卷積（Convolutions，計算難度高得多）。

重點總結：混合允許你為具有不同行為特徵的群組人口進行建模。


5. 拼接分配（Splicing Distributions）

拼接是「科學怪人」式的方法。你對小額索賠使用一種分配，對大額索賠使用另一種分配。這在保險業中非常常見，因為小型「輕微碰撞」索賠的行為與「全損」巨災索賠的行為完全不同。

比喻：
想像一家商店，1 到 10 美元的商品使用一套定價表，而超過 10 美元的商品則使用完全不同的另一套定價表。規則改變的那個點（10 美元）稱為門檻值（Threshold）或連接點（Join point）。

數學原理：
拼接後的 PDF 看起來像這樣：
\(f(x) = \begin{cases} a_1 f_1(x) & 0 < x < k \\ a_2 f_2(x) & x > k \end{cases}\)

關鍵規則：總面積必須等於 1！
最重要的一點是，拼接後的 PDF 下方總面積必須為 1。你通常需要使用權重 (\(a_i\)) 對各個部分進行「縮放」，以確保它們能正確銜接。

拼接示例：
你可能會對 0 到 5,000 美元之間的索賠（「主體」）使用指數分配，而對超過 5,000 美元的索賠（「尾部」）使用帕雷托分配。

快速回顧：如何處理拼接
- 檢查門檻值 (\(k\))。
- 確保所有區間內的機率總和等於 1。
- 如果題目要求 CDF，請謹慎地對每個部分進行積分，並繼承前一個部分的累積機率。

重點總結：拼接讓你能夠「縫合」不同的模型，以捕捉不同索賠規模下的不同行為。


最後總結：工具箱

如果這些變換讓你感到抽象，別擔心。只需記住每個工具對數據「形狀」的影響：

- 乘法：改變尺度（貨幣/通貨膨脹）。
- 冪次：改變尾部權重（Burr, Transformed Gamma）。
- 指數化：創造嚴格為正的分配（Lognormal）。
- 混合：結合不同人群（安全型 vs. 風險型）。
- 拼接：結合不同索賠規模（小型 vs. 大型）。

你能做到的！這些工具是你在之後的 ASTAM 考試中構建複雜模型所需的基礎。