歡迎來到經驗貝葉斯估計 (Empirical Bayesian Estimation)！
在我們之前學習可信度理論時，通常會假設我們已知數據的潛在分佈（例如泊松分佈或常態分佈）。但在現實世界中，我們很少有這種運氣。這就是經驗貝葉斯估計派上用場的時候。它就像是一名偵探——我們不去預設罪犯長什麼樣子，而是透過觀察證據（數據）來找出規律。
在本章中，我們將專注於無母數 (nonparametric) 和半母數 (semiparametric) 的情況。別被這些大詞嚇到了！「無母數」只是指我們不假設特定的分佈類型；而「半母數」則是指我們對結構有一點了解，但並非全盤掌握。我們將學習如何估計這「三大」參數：\(\mu\)（整體均值）、\(v\)（過程方差）以及 \(a\)（假設均值的方差）。
1. 核心概念：為什麼要用經驗貝葉斯？
可信度理論的目標是找到這條公式：\(Z \bar{X} + (1-Z)\mu\)。為了計算可信度因子 \(Z\)，我們需要兩樣東西：過程方差的期望值 (v) 以及 假設均值的方差 (a)。
當我們擁有不同投保人（或稱「風險」）多年份的數據，卻完全不知道潛在的機率分佈時，我們就會使用無母數估計。我們直接利用數據本身來估計 \(v\) 和 \(a\)。
比喻： 想像你是田徑隊的教練。你不知道所有人類確切的「天賦分佈」（參數模型），但你手頭有 10 位運動員過去 5 場比賽的成績。你會利用這些具體的成績來估計運動員比賽間的表現波動（\(v\)），以及他們之間天賦的差異（\(a\)）。
2. 無母數情況（Bühlmann 模型）
在此情境下，我們假設每個風險（投保人）的風險敞口 (exposure) 相同（例如，每個人都是一個「單位」）。我們有 \(k\) 個風險，且每個風險都有 \(n\) 年的數據。
逐步估計參數
步驟 1：計算每個風險的平均值
首先，找出每個投保人 (\(i\)) 的均值：
\(\bar{X}_i = \frac{1}{n} \sum_{j=1}^{n} X_{ij}\)
步驟 2：計算總體均值 (\(\hat{\mu}\))
這就是所有個別平均值的平均值：
\(\hat{\mu} = \bar{X} = \frac{1}{k} \sum_{i=1}^{k} \bar{X}_i\)
步驟 3：估計過程方差 (\(\hat{v}\))
這衡量的是個人理賠額偏離其自身平均值的程度。我們取所有風險樣本方差的平均值：
\(\hat{v} = \frac{1}{k(n-1)} \sum_{i=1}^{k} \sum_{j=1}^{n} (X_{ij} - \bar{X}_i)^2\)
步驟 4：估計假設均值的方差 (\(\hat{a}\))
這衡量的是不同風險的「真實均值」之間的差異。這稍微棘手一點，因為群體均值之間的原始方差也包含了一些來自過程方差的「雜訊」：
\(\hat{a} = \frac{1}{k-1} \sum_{i=1}^{k} (\bar{X}_i - \bar{X})^2 - \frac{\hat{v}}{n}\)
快速回顧： 為什麼我們要減去 \(\frac{\hat{v}}{n}\)？因為我們觀察到的投保人樣本均值之間的變異，會因為每個樣本均值只是個估計值而顯得「被誇大」了。我們減去這些雜訊，才能找到個人之間的「真實」方差。
重點總結： 如果 \(\hat{a}\) 很大，代表投保人之間差異很大，因此個別數據非常有用（\(Z\) 值高）。如果 \(\hat{a}\) 很小，代表大家其實都差不多，那我們就會更依賴群體平均值（\(Z\) 值低）。
3. 半母數情況（Bühlmann-Straub 模型）
如果風險規模不同怎麼辦？例如，一個「風險」可能是一家只有 5 名員工的小企業，而另一個是擁有 500 名員工的企業。這就是 Bühlmann-Straub 模型。我們現在有了權重（風險敞口），表示為 \(m_{ij}\)。
不同風險敞口下的估計
均值 (\(\hat{\mu}\))：
我們使用所有理賠額的加權平均：
\(\hat{\mu} = \frac{1}{m} \sum_{i=1}^{k} \sum_{j=1}^{n} m_{ij} X_{ij}\)，其中 \(m\) 是總風險敞口。
過程方差 (\(\hat{v}\))：
\(\hat{v} = \frac{1}{\sum_{i=1}^{k} (n_i - 1)} \sum_{i=1}^{k} \sum_{j=1}^{n} m_{ij} (X_{ij} - \bar{X}_i)^2\)
假設均值的方差 (\(\hat{a}\))：
這個公式是本章的「終極大魔王」。它看起來很嚇人，但邏輯與無母數情況相同：
\(\hat{a} = \frac{\sum_{i=1}^k m_i (\bar{X}_i - \bar{X})^2 - (k-1)\hat{v}}{m - \frac{1}{m} \sum_{i=1}^k m_i^2}\)
其中 \(m_i\) 是風險 \(i\) 的總風險敞口。
你知道嗎？ 在某些題目中，計算結果可能會出現負數的 \(\hat{a}\)。由於方差不可能是負數，如果考試時遇到這種情況，我們就直接設 \(\hat{a} = 0\)。這意味著個別數據並沒比群體平均值更有用，因此 \(Z = 0\)。
4. 常見陷阱與記憶技巧
別搞混你的分母！
- 在無母數情況下計算 \(\hat{v}\) 時，分母是 \(k(n-1)\)。記住：「組數乘以每組的自由度」。
- 在計算 \(\hat{a}\) 的樣本方差時，分母是 \(k-1\)。記住：「比較這 \(k\) 組之間的差異」。
「零方差」陷阱：
如果計算出的 \(\hat{a}\) 是負數，永遠記得將其設為 \(\hat{a} = 0\)。如果你忘了這點，你的 \(Z\) 值會變成負數，這在可信度理論中是完全講不通的！你不可能對你的數據有「負面」的信任度。
記憶小技巧：
對於 Bühlmann-Straub 的 \(\hat{a}\) 公式，注意分母部分：\(m - \frac{\sum m_i^2}{m}\)。這看起來很像方差公式 \((E[X^2] - (E[X])^2)\)。這是因為 \(\hat{a}\) 正試圖分離出群組間的方差。
總結與要點
1. 無母數： 用於所有風險的風險敞口相等且我們不知道分佈時。我們使用平均值和樣本方差來找出 \(v\) 和 \(a\)。
2. 半母數： 用於風險具有不同風險敞口時（Bühlmann-Straub）。公式因為加入了權重 (\(m_{ij}\)) 而變複雜，但邏輯不變：群組間方差減去雜訊。
3. 不偏估計量 (Unbiased Estimators)： 所有這些估計量（\(\hat{\mu}, \hat{v}, \hat{a}\)）設計上都是「不偏的」，代表它們平均來說能擊中真實數值。
4. 「負數 a」規則： 如果你算出的 \(\hat{a} \leq 0\)，則 \(\hat{a} = 0\) 且 \(Z = 0\)。
如果這些公式看起來很長，不用擔心！ 大多數考試題目都會直接給你這些加總數值（例如 \(\sum \sum (X_{ij} - \bar{X}_i)^2\)）。你的任務是知道將它們代入哪個公式。多練習幾題，你就會開始看出當中的規律了！