歡迎來到信度理論 (Credibility) 的世界！

在精算科學的領域裡，我們經常會問自己一個問題：「我應該多信任自己的數據？」想像一下，你是某小型汽車保險公司的精算師。這個月你們公司沒有發生任何事故，這代表你的客戶是全世界最安全的駕駛嗎？這很可能不是事實——這也許只是運氣好而已！反過來說，一家擁有數百萬名駕駛的大型保險公司，其數據的可信度自然遠高於小公司。

有限波動信度 (Limited Fluctuation Credibility)（通常稱為古典信度）為我們提供了一種數學方法，用來決定我們應該賦予「自身觀測數據」多少「權重」，以及給予「其他廣泛資訊」（如行業平均值）多少權重。讓我們深入探討吧！

1. 核心概念：完全信度 (Full Credibility)

完全信度是指當我們擁有的數據足夠多時，我們決定 100% 信任自己的經驗數據。在考試中，我們使用兩個參數來定義它：穩定性 (Stability) 和 信賴度 (Confidence)。

你可以這樣想：如果你投擲一枚硬幣 5 次，結果全都是正面，你未必會認為這枚硬幣有問題。但如果你投擲了 5,000 次，結果全都是正面，那你就會完全相信這枚硬幣肯定有問題。

若實際觀測值落在期望值的一個小範圍 (k) 內，且其發生機率極高 (p)，我們就稱該組數據具有完全信度。

我們開始時使用的標準公式為：
\( P( | \text{Estimate} - \text{True Mean} | \leq k \cdot \text{True Mean} ) \geq p \)

  • k： 「容許誤差」或「容忍度」（例如 5%）。
  • p： 「機率水平」或「信賴度」（例如 90%）。

魔法數字：\( n_0 \)

為了簡化計算，我們定義一個稱為 \( n_0 \) 的「基準」值。如果我們僅考慮簡單的卜瓦松分佈 (Poisson distribution)，這代表達到完全信度所需的理賠數量。

\( n_0 = ( \frac{y_p}{k} )^2 \)

其中 \( y_p \) 是與我們的機率 \( p \) 相關的標準常態分配百分位數。
注意：如果 \( p = 0.90 \)，你需要查閱 \( 0.95 \) 對應的值（即 1.645），因為誤差 \( k \) 存在於平均值的兩側。

重點速覽：常見的 \( y_p \) 值

- 90% 信賴度： \( y_p = 1.645 \)
- 95% 信賴度： \( y_p = 1.96 \)
- 99% 信賴度： \( y_p = 2.576 \)

2. 完全信度的標準

不同的情況需要不同的數據量。以下是你在 FAM 考試中會遇到的三種情境：

A. 頻率 (理賠次數)

如果我們只看理賠發生的次數，達到完全信度所需的理賠數量 \( N \) 為：
\( E[N] \geq n_0 \cdot \frac{Var(N)}{E[N]} \)

你知道嗎？ 如果理賠次數遵循卜瓦松分佈，其變異數等於平均值 (\( Var(N) = E[N] \))。在這種情況下，公式會完美簡化為：
所需理賠數量 \( = n_0 \)。

B. 嚴重程度 (理賠金額)

如果我們只看理賠金額的大小，我們需要根據理賠金額 (\( X \)) 的變異程度來決定所需的理賠次數 \( n \)：
\( n \geq n_0 \cdot ( \frac{\sigma_X}{\mu_X} )^2 \)

在這裡，\( \frac{\sigma_X}{\mu_X} \) 是變異係數 (Coefficient of Variation, CV)。理賠金額的「分散程度」越大，我們就需要更多的數據來信賴平均值！

C. 總損失 (合計理賠)

這是考試中最常見的情境。它結合了頻率和嚴重程度。要對總損失 (S) 達到完全信度，期望的理賠次數必須達到：
\( E[N] \geq n_0 \cdot ( \frac{\sigma_S^2}{E[S]^2} ) \)

如果頻率遵循卜瓦松分佈，此公式可簡化為：
\( E[N] \geq n_0 \cdot ( 1 + \frac{\sigma_X^2}{\mu_X^2} ) \)

記憶小撇步： 可以把 "(1 + CV²)" 這部分想像成對嚴重程度的「懲罰」。由於理賠金額各不相同，你需要比單純的 \( n_0 \) 更多的理賠案例，才能對總支出金額有把握。

3. 部分信度 (Partial Credibility)

如果你的數據不足以達到完全信度怎麼辦？別擔心！我們不需要拋棄這些數據。我們可以使用部分信度，將自己的數據與費率手冊或行業平均值進行加權混合。

信度公式為：
\( \text{New Premium} = Z \cdot \bar{X} + (1 - Z) \cdot M \)

  • Z： 信度因子（介於 0 到 1 之間）。
  • \( \bar{X} \)： 你自己的觀測數據（「當前」經驗）。
  • M： 「手冊費率」或行業平均值（「先驗」估計）。

計算 Z

在有限波動信度中，我們使用平方根法則 (Square Root Rule)：
\( Z = \sqrt{\frac{n}{n_{full}}} \) （如果條件是期望理賠次數，則使用 \( E[N] \)）

注意：如果計算出的 \( Z \) 大於 1，直接將其取值為 1.00 即可！

舉例類比：
想像一下你在觀察天氣。你的手機顯示降雨機率 100% (\( M \))，但你往窗外一看卻是晴空萬里 (\( \bar{X} \))。如果你只看了窗外 1 秒鐘 (\( n \))，你可能還是會帶把雨傘出門 (\( Z \) 值較低)。如果你觀察天空已經 3 小時了且全程都是晴天，你就會更信任自己的眼睛 (\( Z \) 值較高)！

4. 常見陷阱要避免

1. 使用錯誤的 \( n \)： 請留意題目詢問的是暴露單位 (exposures)（數據年份）還是理賠次數。上述公式通常是求解期望的理賠次數。

2. 忘記開根號： 這是考試中最常犯的錯誤！計算 \( Z \) 時，一定要記得將比率開根號。\( Z = \frac{n}{n_{full}} \) 是錯誤的；必須是 \( Z = \sqrt{\frac{n}{n_{full}}} \)。

3. 常態近似： 記住，有限波動信度是基於估計量服從常態分佈的假設。這就是為什麼我們從 Z 表中查閱 \( y_p \) 值的原因。

重點總結

1. 完全信度標準： 基礎要求為 \( n_0 = ( \frac{y_p}{k} )^2 \)。
2. 調整複雜度： 若理賠金額有變異，我們將 \( n_0 \) 乘以 \( (1 + CV_X^2) \)，以求出總損失所需的期望理賠次數。
3. 信度因子 Z： 若未達完全標準，計算 \( Z = \sqrt{\frac{\text{實際}}{\text{標準}}} \)。
4. 加權估計： 使用公式 \( Z(\text{數據}) + (1-Z)(\text{先驗}) \) 得到最終結果。

如果一開始覺得公式太多，別擔心。一旦你練習過如何識別 \( n_0 \)，並判斷題目是在問頻率、嚴重程度還是總損失，這些知識點自然就會融會貫通！