歡迎來到「似然」的世界！

你好，未來的精算師！歡迎來到 ASTAM 學習旅程中最重要的章節之一：最大似然估計 (Maximum Likelihood Estimation, MLE)。如果你曾好奇保險公司是如何為其模型決定具體的「數字」（參數）——例如平均索償額或意外發生的頻率——那你現在找對地方了。

將 MLE 想像成一位偵探。你手頭上有線索（數據），而你想找出造成這些線索出現的「頭號嫌疑犯」（參數）。這是參數估計的「黃金標準」，因為它具備非常強大的數學特性，能確保我們模型的可靠性。如果起初覺得內容有點深奧，別擔心，我們會一步步拆解！

1. 核心概念：什麼是似然？

在日常用語中，「似然」(Likelihood) 和「概率」(Probability) 的意思差不多。但在精算學中，兩者有細微的差別：
• 概率 (Probability)：當我們知道參數，想預測數據時使用。
• 似然 (Likelihood)：當我們擁有數據，想推測參數時使用。

似然函數 (Likelihood Function)，記作 \(L(\theta)\)，代表在給定特定參數 \(\theta\) 的情況下，觀察到現有數據的概率。我們的目標是找到讓觀察數據成為最可能結果的 \(\theta\) 值。我們將此估計值稱為 \(\hat{\theta}\)（讀作 "theta-hat"）。

為什麼要取自然對數？

在大多數問題中，似然函數是一連串概率的巨大乘積。將幾十個小數相乘簡直是場噩夢！為了讓計算更輕鬆，我們取自然對數得到對數似然函數 (Log-likelihood)，記作 \(l(\theta)\) 或 \(\ln L(\theta)\)。
你知道嗎？ 因為對數是一個「遞增函數」，使對數似然函數最大化的 \(\theta\) 值，與使原始似然函數最大化的值完全相同。這將乘法轉化為加法，讓微積分計算變得友善多了！

2. 個別損失嚴重程度 (Severity) 的 MLE

我們先從嚴重程度 (Severity)（索償金額的大小）開始。假設我們有一組獨立的索償觀察值 \(x_1, x_2, ..., x_n\)。

基本情況：
如果我們有一組完整的數據，沒有免賠額 (deductible) 或賠償上限 (limit)，似然函數就是每個觀察值的概率密度函數 (PDF) 的乘積：
\(L(\theta) = \prod_{i=1}^{n} f(x_i; \theta)\)

精算現實：截斷 (Truncation) 與設限 (Censoring)
在 ASTAM 的現實世界中，我們很少見到「純粹」的數據。我們需要處理免賠額 (d) 和保單限額 (u)。這會改變我們編寫似然函數的方式！

• 左截斷 (Left Truncation，即免賠額)： 如果索償只有在超過免賠額 \(d\) 時才會被記錄，我們處理的是條件概率。該觀察值 \(x\) 對似然函數的貢獻為：\(\frac{f(x)}{S(d)}\)。
• 右設限 (Right Censoring，即賠償上限)： 如果索償被限制在上限 \(u\)，我們不知道確切價值——只知道它「至少是 \(u\)」。對於被設限的索償，其對似然函數的貢獻為：\(S(u)\)。

嚴重程度 MLE 的步驟：

1. 構建似然函數：對於每個數據點，判斷它是具體數值 \(f(x)\) 還是設限數值 \(S(u)\)，必要時除以免賠額的生存函數 \(/ S(d)\)。
2. 取對數：對整個表達式取 \(\ln\)。
3. 求導：對 \(\theta\) 進行求導。
4. 求解零點：令導數等於零並解出 \(\hat{\theta}\)。
5. 驗證：(理論上) 檢查二階導數以確保其為最大值，但在考試中，第一次解出的答案通常就是你需要的。

重點提示： 對於嚴重程度，記住：「精確值用 PDF，設限值用生存函數 (Survival)，截斷數據除以免賠額的生存函數。」

3. 頻率數據 (Frequency Data) 的 MLE

頻率是指發生了多少次索償。在這裡，我們的數據點 \(n_i\) 是計數（0, 1, 2...）。

如果我們觀察到 \(k\) 次索償 \(n_1, n_2, ..., n_k\)，似然函數就是概率質量函數 (PMF) 的乘積：
\(L(\theta) = \prod_{i=1}^{k} P(N = n_i; \theta)\)

通常，頻率數據會以表格形式給出（例如：「有 50 張保單索償 0 次，30 張保單索償 1 次...」）。在這種情況下，請將計數作為指數：
\(L(\theta) = [P(N=0)]^{50} \times [P(N=1)]^{30} ...\)

常用的頻率捷徑：

對於某些分佈，你甚至不需要微積分！MLE 的結果非常直觀：
• 泊松分佈 (Poisson)： \(\hat{\lambda}\) 就是樣本均值 (\(\bar{x}\))。
• 二項分佈 (Binomial)： \(\hat{q}\) 是樣本均值除以 \(m\)。
• 負二項分佈 (Negative Binomial)： 如果 \(r\) 是固定的，則 \(\hat{\beta} = \bar{x} / r\)。

快速回顧框：
• 嚴重程度 = 連續型（使用 \(f(x)\) 和 \(S(x)\)）
• 頻率 = 離散型（使用 \(p_k\)）
• 對數是你的好朋友！

4. 最大似然估計量的特性

為什麼精算師這麼愛用 MLE？因為當樣本量 \(n\) 變得足夠大時，MLE 就會成為「完美的估計量」。以下是你必須知道的三個「A」特性：

1. 漸近無偏性 (Asymptotic Unbiasedness)： 當你獲得更多數據時，估計量 \(\hat{\theta}\) 的平均值會精確地命中真實值。
2. 漸近正態性 (Asymptotic Normality)： 對於大樣本，\(\hat{\theta}\) 的分佈看起來像鐘形曲線（正態分佈）。這對於建立置信區間非常有用！
3. 漸近有效性 (Asymptotic Efficiency)： 在所有「良好」的估計量中，MLE 具有最小的方差。它是我們工具箱中最「精確」的工具。

計算 MLE 的方差

為了了解我們的估計值可能會有多大的「波動」，我們使用信息矩陣 (Information Matrix)（或費雪信息 Fisher Information）。
\(\hat{\theta}\) 的方差大約為：
\(Var(\hat{\theta}) \approx \frac{1}{-E[l''(\theta)]}\) 或在考試中更常見的形式：\(\frac{1}{-l''(\hat{\theta})}\)

記憶輔助： 將二階導數 (\(l''\)) 想像成「曲率」。如果對數似然曲線非常尖銳（曲率高），我們對估計值就非常有信心，因此方差很小！

5. 分組數據 (「桶」問題)

有時，我們不知道確切的索償金額，只知道有多少索償落入某些「桶」中（例如，10 筆索償金額在 $0 到 $1,000 之間）。
對於邊界 \(c_{j-1}\) 和 \(c_j\) 之間有 \(n_j\) 個觀察值的組，其對似然函數的貢獻為：
\([F(c_j) - F(c_{j-1})]^{n_j}\)

常見錯誤： 對於分組數據，千萬不要用 PDF \(f(x)\)！因為你沒有具體的 \(x\)。你必須使用累積分佈函數 (CDF) 的差值。

6. 總結與最後的建議

• 保持條理： MLE 問題可能很冗長。在進行對數轉換前，請先清晰地寫出你的 PDF 或 PMF。
• 留意免賠額： 如果數據是「按賠付金額 (per payment)」計算的，你通常需要除以 \(S(d)\)。如果是「按損失金額 (per loss)」且只知道超過 \(d\) 的損失，邏輯亦同。
• 練習求導： 許多 ASTAM 學生失分不是因為精算概念，而是基本的微積分錯誤。溫習一下 \(\frac{d}{dx} \ln(u) = \frac{1}{u} u'\) 這個公式。
• 檢查分佈類型： 是 Gamma 分佈？Pareto 分佈？還是指數分佈？每一種都有自己的捷徑或特定的 PDF。隨時準備好你的 ASTAM 表格！

考試重點： MLE 的本質是找到一個參數，使得觀察到的現實成為最可能的結果。無論是頻率還是嚴重程度，模式永遠是：似然 \(\rightarrow\) 對數 \(\rightarrow\) 求導 \(\rightarrow\) 零。 你做得到的！