שכבת העומק. זה לא דף נוסחאות ולא כרטיסיות — זה פרק לימוד שבונה את הנושא מההתחלה. כל מושג מקצועי מופיע באנגלית (כך הוא במבחן ובספרות) עם הסבר בעברית. עבוד אותו לאט, עם עיפרון ביד; נסה לגזור בעצמך לפני שאתה קורא את הגזירה.
נוטציה: לפי IFoA Core Reading. בנוי 15.6.2026. משקל בסילבוס: Credibility נכלל ב-Bayesian + Credibility = 15%, אבל הוא הפער היחיד שלא נלמד בתואר — ולכן שווה השקעה לא פרופורציונלית.
איך להשתמש עם הכרטיסיות: הפרק הזה מלמד; הכרטיסיות (
flashcards-credibility-theory.md) משמרות. קרא פרק → ענה על הכרטיסים של אותו חלק → חזור על מה שנתקעת בו.
דמיין שאתה אקטואר שצריך לתמחר פוליסת ביטוח לנהג מסוים. עומדים בפניך שני מקורות מידע שמושכים לכיוונים מנוגדים:
הדילמה ברורה: מקור אחד רלוונטי אך רועש, והשני יציב אך כללי. מכאן השאלה המרכזית של credibility theory.
השאלה המרכזית של credibility theory: כמה משקל (weight) לתת לניסיון הפרטי לעומת הממוצע הכללי?
מסתבר שהתשובה תמיד מקבלת את אותה צורה — וזו הנוסחה שאתה חייב לראות בשינה:
$$ \text{Credibility premium} = Z \cdot \bar{X} + (1 - Z)\cdot \mu $$
האינטואיציה: $Z$ מכמת "כמה אני מאמין לדאטה הפרטי". אם $Z=1$ — סומך לגמרי על הנהג ($\bar X$). אם $Z=0$ — מתעלם מהנהג לחלוטין ונותן לו את ממוצע הענף ($\mu$). כל ערך ביניהם הוא פשרה בין השניים. כל השאלה, אם כן, היא איך קובעים את $Z$ — וכאן בדיוק נפרדות הגישות.
שתי האסכולות שתלמד: - Bayesian / greatest-accuracy credibility (כולל Bühlmann, Bühlmann-Straub, EBCT) — קובעת $Z$ כך שתמזער את שגיאת החיזוי. זו הגישה המודרנית ועיקר ה-CS1. - Classical / limited fluctuation credibility — שואלת "כמה דאטה צריך כדי שהשגיאה תהיה קטנה מספיק?". ישנה יותר, פחות מרכזית במבחן אבל עדיין נדרשת.
לפני שנגיע ל-Bühlmann עצמו, צריך להניח את התשתית הבייסיאנית — וזה לא רק רקע: Bühlmann הוא בדיוק קירוב (approximation) של האומד הבייסיאני, כך שבלי להבין את האידיאל הבייסיאני אי אפשר להבין למה הקירוב נראה כפי שהוא נראה.
נניח שלכל פוליסה/נהג יש פרמטר סיכון (risk parameter) שנסמן $\theta$ — מספר שמאפיין "כמה מסוכן" הנהג באמת. הקושי הוא שאנחנו לא יודעים את $\theta$ של אף נהג; כל שיש לנו הוא אמונה לגביו, ואת האמונה הזו אנו מבטאים כהתפלגות:
$$ \Theta \sim \text{prior distribution} \quad (\text{the "structure function"}) $$
ה-prior הזה (נקרא גם structure function, פונקציית המבנה) מתאר את ההתפלגות של רמות הסיכון על פני כל אוכלוסיית הנהגים — כלומר, איך הסיכון "מתפזר" בתיק.
כעת נחזק את ההנחה לרמת התצפיות הבודדות. בהינתן $\Theta = \theta$, התביעות $X_1, X_2, \ldots, X_n$ של אותו נהג הן iid (independent and identically distributed) עם:
המטרה היא לחזות את התביעה הבאה של הנהג, כלומר להעריך את $\mu(\Theta)$ שלו. הגישה הבייסיאנית אומרת: אחרי שראינו דאטה $\mathbf{x} = (x_1,\ldots,x_n)$, עדכן את האמונה ל-posterior distribution וקח את התוחלת:
$$ \text{Bayesian estimate} = E[\mu(\Theta) \mid \mathbf{X} = \mathbf{x}] $$
תחת loss ריבועי (squared-error loss), ה-posterior mean הוא האומד שממזער את ה-MSE. זה האומד האידיאלי — אין אומד טוב ממנו במובן זה. הבעיה המעשית: לרוב הוא מסובך לחישוב, אינו ליניארי בתצפיות, ודורש שנדע את כל ה-prior במדויק — מידע שכמעט אף פעם אין לנו במלואו.
כאן נכנס Bühlmann: במקום האומד הבייסיאני המלא (שקשה), נחפש את הקירוב הליניארי הטוב ביותר אליו. מסתבר שהקירוב הזה הוא בדיוק נוסחת ה-credibility — ולכן היא כל כך יפה.
כל מודל Bühlmann נשען על שלושה מספרים בלבד. כדאי להכיר אותם היטב — חצי מהשאלות במבחן מסתכמות ב"חשב את שלושת אלה ואז הצב":
| סימון | שם מלא (אנגלית!) | הגדרה | במילים |
|---|---|---|---|
| $\mu$ | the overall (collective) mean | $E[\mu(\Theta)]$ | הממוצע הכללי של כל התיק |
| EPV | Expected Process Variance | $E[\,s^2(\Theta)\,] = E[\mathrm{Var}(X\mid\Theta)]$ | השונות הפנימית הממוצעת — "within" |
| VHM | Variance of the Hypothetical Means | $\mathrm{Var}(\mu(\Theta)) = \mathrm{Var}(E[X\mid\Theta])$ | השונות בין הנהגים — "between" |
המנטרה שמצילה במבחן: EPV = within, VHM = between. הבלבול ביניהם הוא הטעות #1. כתוב אותה בראש הדף לפני שאתה מתחיל.
- EPV (within): כמה רועש הנהג הבודד בתוך עצמו. תביעות משנה לשנה אצל אותו נהג.
- VHM (between): כמה שונים הנהגים זה מזה. אם כולם זהים → VHM=0.
לאחר ששלושת הפרמטרים בידינו, מודל Bühlmann מתרגם אותם לגורם האמינות בנוסחה אחת קומפקטית:
$$ \boxed{\,Z = \dfrac{n}{n + k}, \qquad k = \dfrac{\text{EPV}}{\text{VHM}}\,} $$
ומכאן פרמיית האמינות:
$$ \text{Credibility premium} = Z\bar X + (1-Z)\mu, \qquad \bar X = \frac{1}{n}\sum_{i=1}^n X_i $$
זה החלק שהופך שינון להבנה: אם נצליח "לקרוא" כל אות בנוסחה כסיפור, לא נצטרך עוד לזכור אותה בעל-פה — היא תיראה מתבקשת. נתבונן ב-$k = \text{EPV}/\text{VHM}$, שהוא היחס המרכזי:
בדיקות שפיות (sanity checks) — תמיד עשה אותן בסוף שאלה: - $n \to \infty \Rightarrow Z \to 1$ (אינסוף דאטה → סמוך לגמרי על הניסיון). - $\text{VHM} \to 0 \Rightarrow k \to \infty \Rightarrow Z \to 0$ (כל הנהגים זהים → תן לכולם את הממוצע). - $\text{EPV} \to 0 \Rightarrow k \to 0 \Rightarrow Z \to 1$ (אין רעש פנימי → כל תצפית מושלמת → סמוך מיד). - תמיד $0 \le Z \le 1$. אם קיבלת $Z$ מחוץ לטווח — יש טעות.
זה החלק התיאורטי שמסביר מאיפה באה הנוסחה. המבחן לא תמיד דורש את הגזירה המלאה, אבל מי שמבין אותה עובר מ"מציב נוסחאות" ל"אקטואר" — והרעיון עצמו (הקירוב הליניארי הטוב ביותר) חוזר שוב ושוב בהמשך הפרק.
המטרה: לקרב את $\mu(\Theta)$ ע"י פונקציה ליניארית של התצפיות:
$$ \hat\mu = a_0 + \sum_{j=1}^{n} a_j X_j $$
נבחר את המקדמים $a_0, a_1, \ldots, a_n$ כדי למזער את שגיאת הריבוע הצפויה:
$$ \min_{a_0,\ldots,a_n}\; E\!\left[\left(\mu(\Theta) - a_0 - \sum_{j=1}^n a_j X_j\right)^{\!2}\right] $$
צעד 1 — סימטריה. התצפיות $X_1,\ldots,X_n$ מתחלפות (exchangeable) — אף תצפית אינה "מיוחדת" יותר מאחרת — ולכן באופטימום אין סיבה לתת לאחת מהן משקל שונה: כל המקדמים שווים, $a_1 = \cdots = a_n = b$. נכתוב $\hat\mu = a_0 + b\sum_j X_j = a_0 + bn\bar X$.
צעד 2 — תנאי אי-הטיה (unbiasedness). דורשים $E[\hat\mu] = E[\mu(\Theta)] = \mu$. כיוון ש-$E[\bar X] = \mu$: $$ a_0 + bn\mu = \mu \;\Rightarrow\; a_0 = \mu(1 - bn) $$ נסמן $Z = bn$, ואז $\hat\mu = Z\bar X + (1-Z)\mu$ — כבר קיבלנו את הצורה! נשאר למצוא את $Z$.
צעד 3 — תנאי הניצבות (the normal equation). כמו ברגרסיה ליניארית, האומד הליניארי האופטימלי מאופיין בכך שטעות החיזוי (השארית) ניצבת לכל אחת מהתצפיות — כלומר חסרת קורלציה איתן; אחרת היה אפשר לשפר את החיזוי על ידי ניצול אותה קורלציה שנותרה: $$ \mathrm{Cov}\big(\mu(\Theta) - Z\bar X - (1-Z)\mu,\; X_i\big) = 0 $$ נפתח. צריך שני רכיבי קווריאנס:
נציב בתנאי הניצבות ($\mu$ קבוע, לא תורם לקווריאנס): $$ \text{VHM} - Z\cdot\frac{\text{EPV} + n\,\text{VHM}}{n} = 0 $$ $$ Z = \frac{n\,\text{VHM}}{\text{EPV} + n\,\text{VHM}} = \frac{n}{\,n + \text{EPV}/\text{VHM}\,} = \frac{n}{n+k}. \qquad\blacksquare $$
זהו. הנוסחה $Z=n/(n+k)$ אינה "נחתה מהשמיים" — היא נובעת בהכרח מהדרישה לאומד הליניארי הטוב ביותר. שים לב שהיחס $k = \text{EPV}/\text{VHM}$ צץ כאן באופן טבעי מתוך הקווריאנסים, בלי שהכנסנו אותו ביד — וזה בדיוק מה שמסביר למה הוא היחס "הנכון".
נתון. מספר התביעות השנתי של נהג מתפלג Poisson עם ממוצע $\lambda$ (שונה בין נהגים). ה-prior של $\lambda$: $E[\lambda] = 0.2$, $\mathrm{Var}(\lambda) = 0.05$. נהג מסוים הגיש $\bar X = 0.5$ תביעות בממוצע על פני $n = 4$ שנים. חשב את פרמיית האמינות.
שלב 1 — שלושת הפרמטרים. - $\mu = E[\mu(\Theta)] = E[\lambda] = 0.2$. - $\text{EPV} = E[\mathrm{Var}(X\mid\lambda)]$. ל-Poisson, $\mathrm{Var}(X\mid\lambda)=\lambda$, לכן $\text{EPV} = E[\lambda] = 0.2$. - $\text{VHM} = \mathrm{Var}(\mu(\Theta)) = \mathrm{Var}(\lambda) = 0.05$.
שלב 2 — $k$ ו-$Z$. $$ k = \frac{\text{EPV}}{\text{VHM}} = \frac{0.2}{0.05} = 4, \qquad Z = \frac{n}{n+k} = \frac{4}{4+4} = 0.5. $$
שלב 3 — פרמיית האמינות. $$ Z\bar X + (1-Z)\mu = 0.5(0.5) + 0.5(0.2) = 0.25 + 0.10 = 0.35. $$
שלב 4 — sanity check. ראשית, $0 \le Z=0.5 \le 1$ ✓. שנית, התוצאה $0.35$ נופלת בין $\bar X=0.5$ ל-$\mu=0.2$ ✓ (פרמיית אמינות תמיד יושבת בין השניים, כי היא ממוצע משוקלל שלהם). מבחינה אקטוארית: הנהג גרוע מהממוצע, אבל עם 4 שנים בלבד איננו מאמינים לו לגמרי, ולכן מושכים אותו חלקית כלפי ממוצע הענף — בדיוק כפי שהיינו מצפים.
Bühlmann הרגיל מניח שכל שנה/תצפית "שווה" בדיוק באותה מידה. אבל בפועל זה כמעט אף פעם לא נכון: לכל יחידת זמן יש חשיפה (exposure) שונה — נסמן אותה $m_i$. דוגמאות ל-$m_i$: מספר פוליסות-שנים (policy-years) בקבוצה $i$, מספר נהגים, או גודל הצי. האינטואיציה פשוטה — שנה שבה היו 1000 פוליסות אמינה בהרבה משנה שבה היו רק 10, ולכן ראוי לה משקל גדול יותר.
בעקבות החשיפה המשתנה, הממוצע כבר אינו ממוצע פשוט אלא משוקלל-חשיפה (exposure-weighted) — תצפית עם חשיפה גדולה תורמת יותר: $$ \bar X = \frac{\sum_i m_i X_i}{\sum_i m_i} $$
וגורם האמינות משתמש בסך החשיפה $m = \sum_i m_i$ במקום $n$: $$ \boxed{\,Z = \frac{m}{m + k}, \qquad k = \frac{\text{EPV}}{\text{VHM}}\,} $$
המבנה זהה ל-Bühlmann — רק $n \to m$ ו-$\bar X$ משוקלל. זה כל ההבדל. אם תזכור את זה, חסכת חצי מהבלבול.
ב-Bühlmann-Straub, $X_i$ הוא בדרך כלל התביעה הממוצעת ליחידת חשיפה בקבוצה $i$ (claims per unit exposure), ולא סך התביעות. הבחנה זו אינה טכנית בלבד: כיוון ש-$X_i$ הוא ממוצע על פני $m_i$ יחידות, $\mathrm{Var}(X_i \mid \Theta) = s^2(\Theta)/m_i$ — כלומר השונות יורדת ככל שהחשיפה גדלה, בדיוק כפי שממוצע של יותר תצפיות רועש פחות. זו בדיוק הסיבה ש-$m_i$ נכנס כמשקל בנוסחאות. שים לב לכך בשאלות — בלבול בין "סך תביעות" ל"תביעות לחשיפה" הוא מלכודת קלאסית.
ראינו ש-Bühlmann הוא קירוב ליניארי ל-posterior mean — כלומר, בדרך כלל הוא רק מתקרב לאומד הבייסיאני האידיאלי. אבל יש משפחות התפלגות מיוחדות שבהן ה-posterior mean כבר ממילא מקבל את הצורה הליניארית $Z\bar X + (1-Z)\mu$ בעצמו. במקרים האלה אין פער בין הקירוב לאידיאל — הקירוב מדויק (exact). זה קורה ב-conjugate families מסוימות, ובשלוש הדוגמאות שנראה מיד Bühlmann ו-Bayes נותנים בדיוק אותה תשובה.
שלושת ה"חשודים המיידיים" (the usual suspects) במבחן: Poisson–Gamma, Normal–Normal, Binomial–Beta. אם רואים אחד מהם, כנראה רוצים exact credibility.
זו הדוגמה הקלאסית ביותר, וגם זו שחוזרת הכי הרבה במבחן — שווה להכיר את הגזירה כמעט בעל-פה.
מודל. תצפיות $X_i \mid \lambda \sim \text{Poisson}(\lambda)$ iid. Prior: $\lambda \sim \text{Gamma}(\alpha, \beta)$ עם צפיפות $f(\lambda) \propto \lambda^{\alpha-1}e^{-\beta\lambda}$. (קונבנציית IFoA: $\beta$ הוא ה-rate; $E[\lambda]=\alpha/\beta$.)
Posterior. לפי בייס, posterior $\propto$ likelihood $\times$ prior: $$ f(\lambda\mid\mathbf x) \propto \underbrace{\prod_i \frac{e^{-\lambda}\lambda^{x_i}}{x_i!}}_{\text{likelihood}} \cdot \underbrace{\lambda^{\alpha-1}e^{-\beta\lambda}}_{\text{prior}} \propto \lambda^{\sum x_i + \alpha - 1}\, e^{-(n+\beta)\lambda} $$
זו צורת Gamma! לכן: $$ \boxed{\;\lambda \mid \mathbf x \;\sim\; \text{Gamma}\Big(\alpha + \textstyle\sum x_i,\; \beta + n\Big)\;} $$
Posterior mean. עבור $\text{Gamma}(a,b)$ התוחלת היא $a/b$: $$ E[\lambda \mid \mathbf x] = \frac{\alpha + \sum x_i}{\beta + n} $$
הקסם — שכתוב כ-credibility. עד כאן יש לנו ביטוי "בייסיאני" נקי, אבל לא ברור עדיין מה הקשר ל-credibility. הטריק הוא לפצל את המנה לשני איברים, כל אחד עם המשקל המתאים לו: $$ \frac{\alpha + \sum x_i}{\beta + n} = \frac{n}{\beta+n}\cdot\underbrace{\frac{\sum x_i}{n}}_{\bar X} + \frac{\beta}{\beta+n}\cdot\underbrace{\frac{\alpha}{\beta}}_{\text{prior mean }\mu} $$
זוהי בדיוק $Z\bar X + (1-Z)\mu$ עם: $$ Z = \frac{n}{n+\beta}, \qquad \mu = \frac{\alpha}{\beta}. $$
אימות ש-$k=\beta$ דרך EPV/VHM. קיבלנו $Z=n/(n+\beta)$ ישירות מבייס; כעת נוודא שזה עקבי עם נוסחת Bühlmann, כלומר ש-$k=\beta$ אכן יוצא גם מהפרמטרים המבניים: - $\text{EPV} = E[\mathrm{Var}(X\mid\lambda)] = E[\lambda] = \alpha/\beta$. - $\text{VHM} = \mathrm{Var}(E[X\mid\lambda]) = \mathrm{Var}(\lambda) = \alpha/\beta^2$. - $k = \dfrac{\text{EPV}}{\text{VHM}} = \dfrac{\alpha/\beta}{\alpha/\beta^2} = \beta.$ ✓
אז $Z = n/(n+k) = n/(n+\beta)$ — בדיוק מה שיצא מבייס. זה ה-"exact credibility": הקירוב הליניארי והפתרון הבייסיאני המלא חופפים.
מודל. $X_i \mid \theta \sim N(\theta, \sigma^2)$ (כאשר $\sigma^2$ ידוע), prior $\theta \sim N(\mu, \tau^2)$.
תוצאה. ה-posterior של $\theta$ נורמלי, ו: $$ E[\theta \mid \mathbf x] = Z\bar X + (1-Z)\mu, \qquad Z = \frac{n}{n + \sigma^2/\tau^2}. $$
אימות. $\text{EPV} = E[\mathrm{Var}(X\mid\theta)] = \sigma^2$ (קבוע, כי השונות התהליכית אינה תלויה ב-$\theta$), ואילו $\text{VHM} = \mathrm{Var}(\theta) = \tau^2$. לכן $k = \sigma^2/\tau^2$ ו-$Z=n/(n+k)$ — שוב exact. שים לב לאינטואיציה: ככל ש-$\tau^2$ (the prior variance) גדול יותר, אנחנו פחות בטוחים ב-prior, ולכן $Z$ גדל ונותנים יותר משקל לדאטה. הגיוני.
מודל. $X \mid p \sim \text{Binomial}(n, p)$, prior $p \sim \text{Beta}(\alpha, \beta)$.
Posterior. $\;p \mid x \sim \text{Beta}(\alpha + \sum x_i,\; \beta + n - \sum x_i)$. (שוב conjugate — ה-posterior מאותה משפחה.)
Posterior mean. $\dfrac{\alpha + \sum x_i}{\alpha + \beta + n}$, שניתן לכתוב בצורת credibility עם $\mu = \alpha/(\alpha+\beta)$ (ה-prior mean של Beta).
| משפחה | prior | posterior | $\mu$ | $k$ |
|---|---|---|---|---|
| Poisson | Gamma$(\alpha,\beta)$ | Gamma$(\alpha+\sum x,\,\beta+n)$ | $\alpha/\beta$ | $\beta$ |
| Normal | $N(\mu,\tau^2)$ | Normal | $\mu$ | $\sigma^2/\tau^2$ |
| Binomial | Beta$(\alpha,\beta)$ | Beta$(\alpha+\sum x,\,\beta+n-\sum x)$ | $\alpha/(\alpha+\beta)$ | $\alpha+\beta$ |
המסר הגדול: במשפחות conjugate, posterior mean = linear credibility formula בדיוק. Bühlmann הוא ההכללה: הוא נותן את הקירוב הליניארי הטוב ביותר תמיד, וכשהמשפחה conjugate-ליניארית — הקירוב מושלם. זה מאחד את כל הפרק.
עד כה הנחנו שאנחנו יודעים את EPV ו-VHM (או את ה-prior המלא) מראש. אבל בפועל כמעט אף פעם איננו יודעים אותם — הם תכונות של אוכלוסייה שלא נצפתה במלואה. הרעיון של EBCT הוא לעקוף את הקושי הזה: לאמוד את הפרמטרים המבניים מתוך הדאטה עצמו, על בסיס נתונים של מספר קבוצות (risks) לאורך מספר שנים. במובן זה EBCT היא הגרסה ה"מעשית" של Bühlmann, זו שאפשר באמת להפעיל על נתונים אמיתיים.
ההבדל בין שני המודלים הוא, שוב, רק הטיפול בחשיפה — בדיוק אותה הבחנה שראינו בין Bühlmann ל-Bühlmann-Straub. אם הפנמת את ההבדל הזה שם, אתה כבר מבין אותו גם כאן.
נתונים $N$ קבוצות (risks), אינדקס $i=1,\ldots,N$; כל קבוצה נצפתה לאורך $n$ שנים, אינדקס $j=1,\ldots,n$. תצפית $X_{ij}$.
הממוצע הכללי: $$ \hat\mu = \bar X = \frac{1}{Nn}\sum_{i=1}^N\sum_{j=1}^n X_{ij} $$
אומד ה-EPV (within — ממוצע השונויות בתוך כל קבוצה). לכל קבוצה מחשבים את השונות המדגמית הרגילה של תצפיותיה, ואז ממצעים על פני הקבוצות: $$ \widehat{\text{EPV}} = \frac{1}{N}\sum_{i=1}^N \left[\frac{1}{n-1}\sum_{j=1}^n (X_{ij} - \bar X_i)^2\right], \qquad \bar X_i = \frac1n\sum_j X_{ij} $$
אומד ה-VHM (between — שונות ממוצעי הקבוצות, פחות תיקון הטיה): $$ \widehat{\text{VHM}} = \frac{1}{N-1}\sum_{i=1}^N (\bar X_i - \bar X)^2 \;-\; \frac{\widehat{\text{EPV}}}{n} $$
מאיפה התיקון $-\widehat{\text{EPV}}/n$? השונות הנצפית בין ממוצעי הקבוצות מנופחת — היא כוללת גם את השונות האמיתית בין הקבוצות (VHM) וגם רעש דגימה (sampling noise) מתוך כל קבוצה. ה-sampling noise תורם $\text{EPV}/n$ בתוחלת, אז מחסירים אותו כדי לקבל אומד חסר-הטיה ל-VHM. זו דקות עדינה שמבדילה תשובה טובה.
ואז, בדיוק כמו ב-Bühlmann הרגיל, מרכיבים הכל: $\hat k = \widehat{\text{EPV}}/\widehat{\text{VHM}}$, ומשם $\;Z = n/(n+\hat k)$.
הערה למבחן: הנוסחאות האלה מסופקות בטבלאות הבחינה (provided in the exam). הכישור הנדרש הוא להציב נכון ולפרש, לא לשנן בעל-פה. תרגל הצבה במהירות ובדיקה שהמספרים הגיוניים.
לפעמים $\widehat{\text{VHM}}$ יוצא שלילי — זה קורה כאשר תיקון ההטיה $-\widehat{\text{EPV}}/n$ גדול מהשונות הנצפית בין הקבוצות. אבל שונות, מעצם הגדרתה, אינה יכולה להיות שלילית, אז נוהגים לקטוע אותה לאפס:
$$ \widehat{\text{VHM}} < 0 \;\Rightarrow\; \text{set } \widehat{\text{VHM}} = 0 \;\Rightarrow\; \hat k \to \infty \;\Rightarrow\; Z = 0. $$
הפרשנות: אין עדות סטטיסטית לשונות אמיתית בין הקבוצות — כל ההבדלים שנראו הם רעש דגימה. לכן הדאטה הפרטי חסר ערך, ונותנים לכולם את הממוצע הכולל. תשובה הגיונית לחלוטין, לא באג.
נתון. $N=3$ קבוצות, $n=2$ שנים. ממוצעי הקבוצות: $\bar X_1=10$, $\bar X_2=12$, $\bar X_3=14$. אומד EPV כבר חושב: $\widehat{\text{EPV}}=8$.
$\bar X = (10+12+14)/3 = 12$.
שונות ממוצעי הקבוצות (עם $N-1=2$): $$ \frac{1}{2}\big[(10-12)^2 + (12-12)^2 + (14-12)^2\big] = \frac{1}{2}(4+0+4) = 4. $$
$$ \widehat{\text{VHM}} = 4 - \frac{\widehat{\text{EPV}}}{n} = 4 - \frac{8}{2} = 0. $$
כאן $\widehat{\text{VHM}}=0$ בדיוק ⇒ $Z=0$ ⇒ כל הקבוצות מקבלות את הממוצע הכללי $12$. במילים אחרות, הרעש הפנימי (EPV=8) היה גדול דיו כדי "לבלוע" את כל השונות הנראית בין הקבוצות — ההפרשים בין $10, 12, 14$ עשויים כולם להיות תנודות מקריות, ולא עדות לשוני אמיתי.
נעבור עכשיו לגישה הישנה יותר, שמתחילה משאלה שונה לגמרי. במקום לשאול "מהו השקלול האופטימלי?" (כפי ש-Bühlmann עושה), הגישה הקלאסית שואלת: "כמה דאטה צריך כדי שהניסיון הפרטי יהיה אמין מספיק בכלל?" זו פילוסופיה אחרת לחלוטין — קרובה ברוחה למבחני מובהקות מאשר לאמידה אופטימלית.
מגדירים תקן ל-full credibility ($Z=1$): כמות הדאטה שבה, בהסתברות $p$, הניסיון הנצפה יהיה בתוך $\pm k$ אחוזים מהערך הצפוי. הרעיון: אם המדגם גדול מספיק כדי שהתנודה האקראית סביב הממוצע תהיה קטנה בהסתברות גבוהה, אפשר לסמוך עליו במלואו. עבור תדירות תביעות Poisson, מספר התביעות הצפוי הנדרש ל-full credibility:
$$ \lambda_{\text{full}} = \left(\frac{z_{(1+p)/2}}{k}\right)^{\!2} $$
כאשר $z_{(1+p)/2}$ הוא ה-percentile של הנורמלי הסטנדרטי. לדוגמה, ל-$p=0.95$ ($z=1.96$) ו-$k=0.05$: $\lambda_{\text{full}} = (1.96/0.05)^2 \approx 1537$ תביעות.
אם יש בידינו פחות מ-$\lambda_{\text{full}}$ דאטה, אין הצדקה לאמינות מלאה — אבל גם לא הגיוני לזרוק את הדאטה הפרטי לגמרי. הפשרה היא אמינות חלקית (partial credibility):
$$ \boxed{\,Z = \sqrt{\dfrac{n}{n_{\text{full}}}}\,} \qquad (\text{capped at } 1) $$
מאיפה השורש? השגיאה התקנית (standard error) של הממוצע יורדת כ-$1/\sqrt n$. כדי שהאמינות תהיה פרופורציונלית להקטנת השגיאה, $Z \propto \sqrt n$. זו ההצדקה.
| Classical / Limited Fluctuation | Bühlmann / Bayesian | |
|---|---|---|
| השאלה | "כמה דאטה צריך לשגיאה קטנה?" | "מהו השקלול שממזער MSE?" |
| הגישה | significance / hypothesis-testing | optimal estimation |
| דורש | תקן full credibility שרירותי ($p,k$) | EPV, VHM (פרמטרים מבניים) |
| $Z$ | $\sqrt{n/n_{\text{full}}}$ | $n/(n+k)$ |
| חולשה | בחירת $p,k$ שרירותית | צריך לדעת/לאמוד EPV, VHM |
CS1 שם דגש רב יותר על Bühlmann/Bayesian, אבל מצפה ממך להכיר את שתי הגישות ולדעת להשוות ביניהן — לכן שווה לזכור את הטבלה הזו בתור התשובה המוכנה לשאלות תיאוריה.
הבעיה: לתמחר עם מעט דאטה
│
┌───────────────┴───────────────┐
│ │
Bayesian / Greatest Accuracy Classical / Limited
(ממזער MSE) Fluctuation
│ (significance)
│ Z = √(n/n_full)
posterior mean = האידיאל
│
קירוב ליניארי הטוב ביותר → Bühlmann: Z = n/(n+k), k=EPV/VHM
│ │
┌──────────┴──────────┐ חשיפה משתנה? → Bühlmann-Straub
│ │ Z = m/(m+k)
conjugate? לא יודעים
(exact cred.) את ה-prior?
│ │
posterior = Z·X̄+(1-Z)μ EBCT:
בדיוק אומד EPV,VHM מהדאטה
(Poisson-Gamma, Model 1 (אחיד) / Model 2 (משוקלל)
Normal-Normal,
Binomial-Beta)
שלוש המשפטים שצריך לקחת: 1. כל credibility היא $Z\bar X + (1-Z)\mu$ — רק $Z$ משתנה בין הגישות. 2. Bühlmann = הקירוב הליניארי הטוב ביותר ל-posterior mean; $k=\text{EPV}/\text{VHM}$, EPV=within, VHM=between. 3. Bühlmann-Straub/EBCT-2 = אותו דבר עם חשיפה; EBCT = אומד את EPV,VHM מהדאטה; conjugate = הקירוב הופך מדויק.
תשובות לבדיקה עצמית של #4: $k=\text{EPV}/\text{VHM}=10/2=5$; $Z=5/(5+5)=0.5$; פרמיה $=0.5(8)+0.5(6)=7$. ✓ בטווח $[6,8]$.
נבנה ע"י אלי, 15.6.2026. שכבת עומק ל-Credibility Theory — להשלמת הכרטיסיות. עברית כשפת הסבר, מושגים מקצועיים באנגלית כבמבחן. משוב יתקבל בברכה ויוטמע.