歡迎來到頻率分配選擇的世界！
各位準精算師，歡迎！在之前的學習中，你可能已經接觸過像 **Poisson（泊松）** 或 **Negative Binomial（負二項）** 這樣的個別分配。但在現實世界中（以及在 FAM 考試中），數據是不會貼上標籤告訴你該用哪種分配的。本章旨在帶領你成為一名「分配偵探」。我們將學習如何觀察數據特徵和數學規律，從而為保險索償次數（頻率）挑選出最合適的模型。如果剛開始覺得數學很複雜，別擔心——一旦你看出了當中的規律，這就像在玩配對遊戲一樣簡單！
1. 「三大巨頭」比較：平均數 vs. 變異數
縮小選擇範圍最簡單的方法，就是觀察 **平均數 (mean)** \( E[N] \) 與 **變異數 (variance)** \( Var(N) \) 之間的關係。在精算界，我們將這兩者之間的關係稱為「離散度 (dispersion)」。
你可以這樣思考：如果你預期一個月會有 10 次索償，那麼這個數字會有多大波動？是永遠維持在 9、10 或 11 次？還是會從 0 次到 50 次劇烈跳動？
- Poisson 分配（均衡模型）： 在這裡，平均數等於變異數。\( E[N] = Var(N) = \lambda \)。我們稱之為等離散 (equidispersion)。
- Binomial 分配（穩定模型）： 在這裡，變異數 **小於** 平均數。\( Var(N) < E[N] \)。這稱為低離散 (underdispersion)。當索償次數設有上限時（例如房間裡只有 10 個人，索償就不可能超過 10 次），就會出現這種情況。
- Negative Binomial 分配（波動模型）： 在這裡，變異數 **大於** 平均數。\( Var(N) > E[N] \)。這稱為過度離散 (overdispersion)。這在保險業中非常常見，因為索償往往會出現「群聚」現象。
快速複習箱：
若樣本平均數 \(\approx\) 樣本變異數 \(\rightarrow\) **Poisson**
若樣本平均數 \(>\) 樣本變異數 \(\rightarrow\) **Binomial**
若樣本平均數 \(<\) 樣本變異數 \(\rightarrow\) **Negative Binomial**
2. (a, b, 0) 類別：數學上的秘密武器
精算師會使用一個特殊的公式來識別 **(a, b, 0) 類別** 中的分配。這個類別包含了我們上述的「三大巨頭」。這條規則指出，相鄰機率的比率遵循一個線性規律：
\( \frac{p_k}{p_{k-1}} = a + \frac{b}{k} \) 對於 \( k = 1, 2, 3, \dots \)
透過觀察 **a** 的值，你可以立即辨識出該分配：
1. Poisson： \( a = 0 \)。 (比率只取決於 \( b/k \))
2. Binomial： \( a < 0 \)。
3. Negative Binomial： \( a > 0 \)。
類比時間！ 想像你在走樓梯。下一級台階相對於當前台階的高度遵循一條規則。如果規則是恆定的 (Poisson)，樓梯就是可預測的。如果台階越走越矮 (Binomial)，你最終會碰到天花板。如果台階越走越高 (Negative Binomial)，那你就是在向月球進發！
重點總結：
如果題目給你一串機率（如 \( p_0, p_1, p_2 \)），請計算比率 \( \frac{p_k}{p_{k-1}} \)。如果隨著 \( k \) 增加，比率遞減但保持為正，請檢查 **a**。若 \( a > 0 \)，那就是 Negative Binomial！
3. 處理零膨脹：(a, b, 1) 類別
有時，現實世界的數據有「太多」零，或者根本沒有零。例如，如果你在研究「住院次數」，你可能會排除住院次數為 0 的人（零截尾，Zero-Truncated），或者你會發現住院 0 次的人數遠多於標準 Poisson 分配所預測的數值（零修正，Zero-Modified）。
**(a, b, 1) 類別** 的規律從 \( k = 2 \) 開始，這意味著 \( p_1 \) 的計算方式與 \( p_0 \) 不同。
- 零截尾 (Zero-Truncated, ZT)： 分配從 \( k=1 \) 開始。\( k=0 \) 沒有機率。這就像一個掛著「必須有 1 次索償才能進入」告示的俱樂部。
- 零修正 (Zero-Modified, ZM)： 我們手動將零的機率 \( p_0^M \) 設定為一個特定數值，然後將其餘的分配「壓縮」以符合剩餘的機率。
別擔心，這看起來有點棘手！ 修正後機率 \( p_k^M \) 的公式其實只是原始 \( p_k \) 的縮放版本：
\( p_k^M = \frac{1 - p_0^M}{1 - p_0} p_k \)
其中 \( p_0^M \) 是你新的修正後零機率，而 \( p_0 \) 是原始「三大巨頭」分配中的零機率。
4. 分步指南：如何選擇分配
當你在考試中遇到要求根據頻率表選擇分配的題目時，請遵循以下步驟：
步驟 1： 計算樣本平均數 (\( \bar{x} \)) 和樣本變異數 (\( s^2 \))。
步驟 2： 進行比較。若 \( s^2 > \bar{x} \)，傾向於選擇 Negative Binomial；若 \( s^2 \approx \bar{x} \)，傾向於選擇 Poisson。
步驟 3： 檢查比率 \( k \cdot \frac{p_k}{p_{k-1}} \)。如果你將這些數值針對 \( k \) 作圖，直線的斜率有助於識別 **a** 和 **b**。
步驟 4： 查看 \( p_0 \)。如果數據中的實際 \( p_0 \) 比你選擇的模型所預測的要高得多，那麼你很可能需要使用 **零修正 (Zero-Modified)** 版本。
常見誤區： 許多學生會忘記 Negative Binomial 的變異數公式是 \( r \beta (1+\beta) \)。由於有 \( (1+\beta) \) 這項，變異數會永遠大於平均數 \( r \beta \)。如果你的數據顯示變異數較小，千萬不要選 Negative Binomial！
5. 圖形法（「直覺」檢測）
你知道嗎？ 精算師經常使用「比率圖 (Ratio Plot)」來查看哪種分配最吻合。如果你將 \( k \frac{p_k}{p_{k-1}} \) 針對 \( k \) 作圖，若點連成一條直線，即可確認你處理的是 (a, b, 0) 或 (a, b, 1) 分配。
- 水平線： Poisson (\( a=0 \))。
- 向上傾斜的線： Negative Binomial (\( a>0 \))。
- 向下傾斜的線： Binomial (\( a<0 \))。
重點回顧：
選擇頻率分配就是關於配對 **規律**。利用平均數-變異數關係進行快速猜測，利用 \( (a, b, 0) \) 遞迴關係進行數學驗證，如果「0」這個類別與數據的其他部分相比顯得異常，則使用零修正。掌握這三個工具，你就能成為頻率模型界的夏洛克·福爾摩斯！