歡迎來到最大概似估計的世界！

哈囉，未來的精算師！今天我們要深入探討精算工具箱中最強大的工具之一：最大概似估計 (Maximum Likelihood Estimation, MLE)。具體來說，我們將探討如何將其應用於完整數據 (Complete Data) 和分組數據 (Grouped Data)。

為什麼我們需要關心這個？身為精算師，你經常會面對一大堆數據（例如保險理賠金額），並且對於哪種數學分佈（如指數分佈或帕累托分佈）最能擬合這些數據會有一個「直覺」。MLE 就是數學上的「引擎」，它能告訴你哪一組參數（如平均值或形狀參數）能讓你選擇的分佈與你觀察到的數據最吻合。你可以把它想像成是為你的模型尋找「最佳擬合 (Best fit)」。

如果現在覺得這些概念有點抽象，別擔心！我們會一步步為你拆解！

1. 核心概念：什麼是 MLE？

想像你有一個裝滿糖果的罐子。你不知道有多少顆是紅色的，但你隨手拿出了 5 顆，發現其中 4 顆是紅色的。你會猜測罐子裡只有 1% 的糖果是紅色的嗎？大概不會吧！你會猜測一個高得多的比例，因為那樣會讓你觀察到的結果變得「最有可能」發生。這正是 MLE 在做的事：它會挑選出那些能使觀察到該數據的概率達到最大的參數值。

操作策略

為了找到最大概似估計量，我們通常遵循這三個步驟（「L-D-S」法則）：

  1. L (Likelihood) 概似：寫出概似函數 \(L(\theta)\)。
  2. D (Derivative) 微分：對函數取自然對數，得到 \(\ell(\theta) = \ln L(\theta)\)，然後對 \(\theta\) 進行微分。
  3. S (Solve) 求解：將導數設為零並解出 \(\theta\)。

小貼士：我們使用對數概似 (Log-Likelihood) 是因為它能將複雜的乘法轉化為簡單的加法。微積分在處理加法時要友善得多！

2. 完整數據的 MLE

完整數據是「黃金標準」。這意味著我們知道每一個觀察值的精確數值。例如，如果我們有三筆理賠，我們清楚知道它們分別是 $120、$540 和 $1,000。

\n\n

完整數據的概似函數

\n

如果我們有獨立的觀察值 \(x_1, x_2, ..., x_n\)，那麼概似函數就是每個數據點的概率密度函數 (PDF) 的乘積：

\n

\(L(\theta) = f(x_1; \theta) \cdot f(x_2; \theta) \cdot ... \cdot f(x_n; \theta) = \prod_{i=1}^{n} f(x_i; \theta)\)

\n\n

逐步範例：指數分佈

\n

假設我們有一組來自指數分佈的數據 \(x_1, x_2, ..., x_n\)，參數為 \(\theta\)（其中平均值為 \(\theta\)）。其 PDF 為 \(f(x) = \frac{1}{\theta} e^{-x/\theta}\)。

\n

1. 概似函數： \(L(\theta) = \prod \frac{1}{\theta} e^{-x_i/\theta} = \theta^{-n} e^{-\sum x_i / \theta}\)

\n

2. 對數概似函數： \(\ell(\theta) = -n \ln(\theta) - \frac{\sum x_i}{\theta}\)

\n

3. 微分： \(\ell'(\theta) = -\frac{n}{\theta} + \frac{\sum x_i}{\theta^2}\)

\n

4. 求解： 令導數為零：\(\frac{n}{\theta} = \frac{\sum x_i}{\theta^2} \Rightarrow \hat{\theta} = \frac{\sum x_i}{n} = \bar{x}\)

\n\n

重點總結：對於完整數據，MLE 的結果通常非常直觀，例如樣本平均值 (\(\bar{x}\))。

\n\n
\n\n

3. 分組數據的 MLE

\n

有時候，我們無法獲得精確數值，取而代之的是「箱子」或區間。這就是分組數據。例如，一家公司可能會報告有 10 筆理賠介於 $0 到 $100 之間，而有 5 筆理賠超過 $100。

類比：把分組數據想像成一個「神秘盒子」。你不知道裡面確切是什麼，但你知道它落在哪個重量範圍內。

分組數據的概似函數

因為沒有精確的點數據，我們不能直接使用 PDF。相反，我們使用累積分配函數 (CDF)，記作 \(F(x)\)，來計算落入某個區間的概率。

如果一個組別在區間 \((c_{j-1}, c_j]\) 內有 \(n_j\) 個觀察值，那麼該組對概似函數的貢獻為：

\( [P(c_{j-1} < X \leq c_j)]^{n_j} = [F(c_j; \theta) - F(c_{j-1}; \theta)]^{n_j} \)

總概似函數就是所有這些組別概率的乘積。

等等！如果區間是「大於 X」呢？

如果你被告知有 \(n\) 個觀察值大於某個數值 \(k\)，那麼其貢獻就是生存函數：\([S(k)]^{n} = [1 - F(k)]^{n}\)。

你知道嗎？精算師在處理「設限數據 (censored data)」時經常使用分組數據——也就是我們知道理賠金額超過了保單限額，但不知道究竟超出了多少！

4. 常見陷阱避坑指南

即使是最優秀的學生也可能在這些地方跌倒。請注意以下幾點：

  • 混淆 PDF 與 CDF： 對於精確點數據使用 PDF \(f(x)\)；對於區間（分組數據）則使用 CDF \(F(x)\)。
  • 對數法則： 記得 \(\ln(a^b) = b \ln(a)\) 以及 \(\ln(ab) = \ln(a) + \ln(b)\)。忘記這些會讓微積分過程變得困難重重！
  • 參數定義： 檢查分佈定義中 \(\theta\) 是指平均值還是指速率 (rate，即 \(1/\theta\))。Exam FAM 的公式表是你最好的朋友，一定要再三核對符號定義！

5. 總結與快速複習

快速複習表：

- MLE： 尋找使觀察數據出現概率最大的參數。
- 完整數據： 使用PDFs 的乘積。\(L(\theta) = \prod f(x_i)\)。
- 分組數據： 使用概率的乘積（即 CDF 的差值）。\(L(\theta) = \prod [F(c_j) - F(c_{j-1})]^{n_j}\)。
- 工作流程： 概似函數 \(\rightarrow\) 取對數 \(\rightarrow\) 微分 \(\rightarrow\) 令為零。

如果剛開始覺得數學很沉重，別擔心！邏輯永遠是一樣的！先練習列出概似函數——這通常是 80% 的挑戰所在。一旦列式完成，剩下的就只是代數和微積分運算。你一定做得到的！