經驗貝氏信度
/ em-PEER-ih-kul BAYZ /
Bühlmann 信度要運轉，需要兩個隱藏的數字——過程變異數的期望值（EPV）與假設均值的變異數（VHM）。但現實中沒人會把它們遞給你；那個「風險母體」及其真實變異數是看不見的。經驗貝氏就是那個巧妙的把戲：從你即將要做信度加權的同一批資料裡，去估計這些結構參數。你用整個組合來了解風險如何散布，再把所學反饋回去，為每個個體風險釐定費率。
用文字描述這個配方：收集許多風險的經驗；透過平均每個風險自身的內部變異數（組內擺動）來估計過程變異數的期望值；透過取各風險平均值的總散布、再減去由那份內部雜訊所解釋的部分（因為風險之間觀測到的差異，一部分是真實的、一部分是運氣），來估計假設均值的變異數。然後 k = EPV / VHM 與 Z = n/(n + k) 隨之而來。「經驗貝氏」一詞抓住了精神：它是帶貝氏味道地把每個風險朝集合體收縮，但先驗是從資料中估計而來，而非假定。
經驗貝氏正是定價部門實際落實 Bühlmann 與 Bühlmann-Straub 的方式。它的誠實也是它的局限：由於 EPV 與 VHM 本身就是從有限資料估出來的，所得的 k 與 Z 都帶著估計誤差，VHM 的估計甚至可能為負而被截斷為零（強制 Z = 0）。當風險數少或歷史短時，結構參數很不穩，因此整套機器應憑判斷使用，而非當作黑箱。
某車險業務有 200 位保單持有人，各被觀測數年。把每位司機自身逐年的變異數取平均，估得 EPV = 0.38；司機平均值的散布減去那份雜訊，估得 VHM = 0.047，得 k 約 8.1。
組合自己教出它的結構參數；這些參數隨後設定每個風險的 Z。
估出的 VHM 可能為負，因為它是兩個帶雜訊的量相減；慣例將其設為零，使 Z = 0。這是資料無法可靠區分各風險的訊號，而非可以忽視的計算小故障。