2. GLM基础回顾

在费率厘定与暴露量建模中，广义线性模型（Generalized Linear Model，GLM）几乎是绕不开的基础工具。它之所以重要，不是因为它“高级”，而是因为它把保险数据中常见的三个现实问题统一进了一个可解释、可估计、可检验的框架：第一，响应变量往往不是正态分布，例如索赔次数是计数、是否出险是0/1、案均赔款是右偏连续；第二，均值与方差通常不独立，方差会随均值变化；第三，业务希望用线性可加的方式解释因子影响，但又不能破坏预测值的合理范围。GLM正是为解决这些问题而设计的。

一、GLM的三块基石：随机成分、系统成分与连接函数

一个GLM由三部分构成。随机成分指定响应变量的分布，且该分布属于指数族分布；系统成分是线性预测子，即解释变量的线性组合；连接函数则把线性预测子与响应变量的条件均值连接起来。三者缺一不可，共同决定了模型的形式与解释方式。

设第 i 个观测的响应为 Y_i，解释变量向量为 x_i，回归系数为 β，则线性预测子为：

η_i = x_i^T β = β_0 + β_1 x_{i1} + ... + β_p x_{ip}

连接函数 g(·) 满足：

g(μ_i) = η_i
μ_i = E(Y_i | x_i) = g^{-1}(η_i)

这里的关键在于：线性结构作用在连接后的均值上，而不是直接作用在均值上。这正是GLM既能保持线性可加解释，又能保证预测值落在合理范围内的原因。

二、指数族分布：为什么它决定了GLM的估计与方差

指数族分布是GLM的分布基础。常见形式可写为：

f(y; θ, φ) = exp{ [yθ - b(θ)] / a(φ) + c(y, φ) }

其中 θ 是自然参数，φ 是离散参数。指数族的一个重要性质是：均值与方差都可以由 b(θ) 导出。具体地，μ = b'(θ)，Var(Y) = b''(θ) a(φ)。这意味着，一旦选定分布，均值与方差之间的关系也就被确定下来。

在保险精算中，最常用的指数族分布包括：

分布	典型响应变量	均值—方差关系	常用连接函数
正态分布	连续、近似对称的损失额	方差恒定	恒等连接
泊松分布	索赔次数、出险频数	方差等于均值	对数连接
伽马分布	案均赔款、右偏连续金额	方差随均值平方变化	对数连接
二项分布	是否出险、续保与否	方差由均值决定	logit连接
负二项分布	过离散计数数据	方差大于均值	对数连接

这张表在实战中非常关键。因为选择分布，本质上是在选择方差假设。如果索赔次数存在过离散，却强行使用泊松分布，标准误会被低估，显著性检验容易过于乐观。此时负二项分布或准泊松方法更合适。

三、连接函数：从线性预测子到业务均值

连接函数的作用不是装饰，而是决定模型的可加性与预测范围。以费率约束场景为例，若响应是索赔频率，均值必须为正，因此不能直接用恒等连接，否则线性预测子可能给出负频率。对数连接可以保证：

μ_i = exp(η_i) > 0

若响应是出险概率，均值必须在0到1之间，logit连接可以保证：

μ_i = 1 / (1 + exp(-η_i)) ∈ (0, 1)

连接函数还影响系数解释。对数连接下，系数 β_j 表示解释变量每增加一个单位，均值变为原来的 exp(β_j) 倍；logit连接下，系数表示对数几率的变化。理解这一点，才能把模型输出翻译成业务语言。

四、模型假设与常见误区复盘

GLM的经典假设包括：观测之间相互独立；响应变量服从指定指数族分布；连接函数正确；线性预测子形式正确；解释变量不存在严重共线性；离散参数在需要时被合理估计。实际建模中，最容易出问题的往往不是代码，而是假设与业务场景不匹配。

• 误区一：把GLM当黑箱。 只关心AIC或显著性，不检查分布假设与残差结构，导致预测在尾部或大额段失真。
• 误区二：忽略暴露量。 索赔次数建模中，若不同保单暴露期不同，必须引入偏移项 offset(log(exposure))，否则频率估计会被暴露量差异污染。
• 误区三：过离散被忽视。 泊松回归中若残差偏差远大于自由度，说明存在过离散，应考虑负二项或准泊松。
• 误区四：连接函数与业务约束脱节。 例如费率约束要求某些因子单调或平滑，而基础GLM并不自动满足，需要在后续章节中通过约束、样条或惩罚方法处理。

回到本课程主线，GLM基础回顾的意义在于：后续讨论暴露量、非线性与费率约束时，所有方法都建立在这套结构之上。暴露量决定偏移项与风险单位；非线性决定线性预测子如何扩展；费率约束则决定系数估计与预测输出如何满足业务规则。只有把随机成分、系统成分和连接函数三者的关系理清，后面的实战才不会变成调参技巧的堆砌。