歡迎來到 Delta Method（Delta 法）的世界！
你好呀，未來的精算師！在準備 Exam ASTAM 的過程中，你經常會遇到這種情況：你已經成功估算出損失分佈的參數（例如 \(\theta\) 或 \(\alpha\)）。但問題來了：你的老闆或考題根本不在意 \(\theta\) 本身，他們想知道的是 \(\theta\) 的某個函數，比如索賠超過 $10,000 的機率，或是有限損失的期望值。
Delta Method 就是你的數學「翻譯官」。它能讓你將參數的變異數（variance）與分佈，「翻譯」成你真正感興趣的那個函數的變異數與分佈。如果一開始覺得有點抽象，別擔心——一旦你看出了其中的規律，它就會成為你精算工具箱中最可靠的利器之一！
1. 到底什麼是 Delta Method？
在參數模型的構建與選擇（Construction and Selection of Parametric Models）章節中，我們經常使用最大概似估計（MLE）來求取參數。我們知道 MLE 具有「漸近常態性」（asymptotically normal），意思是只要數據足夠多，我們的估計值就會呈現常態分佈。
Delta Method 的核心思想是：「如果你的參數估計值呈常態分佈，那麼該估計值的平滑函數也（近似地）呈常態分佈。」
生活中的類比
想像你在測量一個圓形披薩的半徑。因為你的尺不太穩，所以你測出的半徑帶有一些「變異數」（不確定性）。現在，你想計算披薩的面積（\(\pi r^2\)）。由於半徑測量有誤差，你的面積計算結果也會有誤差。Delta Method 就是一個公式，它能精確告訴你：當你在計算面積時，半徑測量中的那些「搖晃」誤差會被放大或縮小多少。
快速回顧： Delta Method 用於求取估計值函數的變異數。
2. 單參數情況
我們先從簡單的開始。假設我們只有一個參數 \(\theta\)，以及一個估計值 \(\hat{\theta}\)。我們從 MLE 的學習中知道 \(\hat{\theta}\) 有一個變異數 \(Var(\hat{\theta})\)。
如果我們對函數 \(g(\theta)\) 感興趣，則 Delta Method 的變異數公式為：
\(Var[g(\hat{\theta})] \approx [g'(\theta)]^2 \cdot Var(\hat{\theta})\)
其中 \(g'(\theta)\) 是函數對 \(\theta\) 的一階導數。
為什麼要對導數平方？
回想一下基礎統計學：\(Var(aX) = a^2 Var(X)\)。在 Delta Method 中，導數 \(g'(\theta)\) 的作用就像常數 \(a\)。它代表了「斜率」或變化率。我們之所以要平方，是因為我們處理的是變異數！
逐步解題流程：
1. 找出你的估計值 \(\hat{\theta}\) 及其變異數 \(Var(\hat{\theta})\)。
2. 定義你要計算變異數的函數 \(g(\theta)\)。
3. 求出 \(g(\theta)\) 對 \(\theta\) 的導數。
4. 將所有數值代入公式：\([g'(\theta)]^2 \cdot Var(\hat{\theta})\)。
5. （選做）如果題目要求信賴區間，將計算結果開根號即可得到標準差。
3. 多參數情況（矩陣版本）
在 ASTAM 中，你經常會處理包含兩個或多個參數的分佈（如 Gamma 或 Pareto 分佈）。這往往是學生最感到畏懼的部分，但其實它只是上述觀念的放大版。
如果你有一個參數向量 \(\vec{\theta} = (\theta_1, \theta_2, ..., \theta_k)\)，以及一個函數 \(g(\vec{\theta})\)，則變異數估計公式為：
\(Var[g(\hat{\vec{\theta}})] \approx (\nabla g)^T \cdot \Sigma \cdot (\nabla g)\)
拆解這些「恐怖」的符號：
- \(\nabla g\)（梯度向量）： 這只是一串偏導數列表。\(\begin{bmatrix} \frac{\partial g}{\partial \theta_1} \\ \frac{\partial g}{\partial \theta_2} \end{bmatrix}\)
- \(\Sigma\)（共變異數矩陣）： 這是一個矩陣，對角線放的是參數本身的變異數，非對角線放的是參數間的共變異數（covariance）。通常你可以從資訊矩陣（Information Matrix）的逆矩陣中獲得。
簡單的思考方式：
對於兩個參數（\(\alpha\) 和 \(\theta\)），公式會展開為：
\(Var[g(\hat{\alpha}, \hat{\theta})] \approx \left(\frac{\partial g}{\partial \alpha}\right)^2 Var(\hat{\alpha}) + \left(\frac{\partial g}{\partial \theta}\right)^2 Var(\hat{\theta}) + 2 \left(\frac{\partial g}{\partial \alpha}\right) \left(\frac{\partial g}{\partial \theta}\right) Cov(\hat{\alpha}, \hat{\theta})\)
你知道嗎？ Delta Method 中的 "Delta" 指的是微積分中代表「微小變化」的符號 \(\Delta\)。我們研究的正是參數的微小變化如何引起函數值的變化。
4. ASTAM 中的常見函數
你不需要盲目猜測要用什麼函數，考試通常集中在這三種：
- 生存函數 (Survival Function)： \(g(\theta) = S(x; \theta)\)。你想求索賠超過 \(x\) 的機率之變異數。
- 期望值 (Mean)： \(g(\theta) = E[X]\)。例如在指數分佈中，\(E[X] = \theta\)。在 Pareto 分佈中，則為 \(\frac{\theta}{\alpha-1}\)。
- 對數變換 (Log-Transform)： 常用於確保信賴區間的界限保持為正數。
範例演示：
假設你估算出指數分佈的參數 \(\hat{\theta} = 100\)，且 \(Var(\hat{\theta}) = 25\)。你想求索賠大於 120 的機率之變異數。
步驟 1： 函數為 \(g(\theta) = S(120) = e^{-120/\theta}\)。
步驟 2： 導數為 \(g'(\theta) = e^{-120/\theta} \cdot (\frac{120}{\theta^2})\)。
步驟 3： 代入 \(\hat{\theta} = 100\)：\(g'(100) = e^{-1.2} \cdot (\frac{120}{10000}) \approx 0.30119 \cdot 0.012 = 0.003614\)。
步驟 4： Delta Method：\(Var \approx (0.003614)^2 \cdot 25 = 0.000326\)。
重點提示： 務必將你的導數計算過程整理清楚。因為小小的微積分計算錯誤而丟分，在這一塊是非常常見的！
5. 避開常見陷阱
即使是程度很好的學生也常在這些「坑」裡跌倒：
- 忘記平方： 在單參數情況下，記得是 \([g'(\theta)]^2\)。如果忘了平方，單位和最終答案都會錯。
- 共變異數的符號錯誤： 在多參數公式中，\(Cov(\hat{\alpha}, \hat{\theta})\) 項可能是負數。請務必仔細檢查共變異數矩陣提供的正負號！
- 弧度 vs. 角度： 雖然在 ASTAM 不常見，但如果有三角函數出現，請確保你的計算機設定在正確的模式（儘管此章節很少用到）。
- 太早代入數值： 請先求出導數的「公式」，再代入估計值。
6. 總結與快速回顧
Delta Method 小抄：
- 目的： 求 \(g(\hat{\theta})\) 的變異數。
- 單變數公式： \(Var(g) \approx (g')^2 Var(\hat{\theta})\)。
- 雙變數公式： \(Var(g) \approx (g'_\alpha)^2 Var(\alpha) + (g'_\theta)^2 Var(\theta) + 2(g'_\alpha)(g'_\theta) Cov(\alpha, \theta)\)。
- 信賴區間： 得到變異數後，95% 的信賴區間通常為 \(g(\hat{\theta}) \pm 1.96 \sqrt{Var(g)}\)。
加油鼓勵： 你一定做得到的！Delta Method 其實就是一個固定的食譜。只要多練習幾次偏導數和矩陣乘法，它就會變成你的反射動作。持續練習那些偏導數計算，無論 SOA 考出什麼參數模型，你都能從容應對！