非參數信度估計
/ non-pair-uh-MET-rik /
Bühlmann 信度在能定 Z 之前，需要 EPV 與 VHM 這兩個結構數字。得到它們的一種辦法是假定一個完整的機率模型——比如理賠次數服從卜瓦松、費率服從伽瑪——再從那模型裡讀出變異數。但若你並不信任任何特定的分布呢？非參數信度估計直接用樣本變異數從原始資料中取得 EPV 與 VHM，全程不錨定任何具名分布。它讓資料自己說話。
這種方法本質上是變異數分析的思路。要估計過程變異數的期望值，你算出每個風險自身組內的樣本變異數再取平均——這捕捉了風險內部逐年的擺動。要估計假設均值的變異數，你度量每個風險的平均值離總平均有多遠（即組間的總散布），再減去單憑過程雜訊就會造成的那一部分，因為某些看似的組間差異不過是運氣。還有一條中間道路，半參數估計：你為雜訊那部分假定一個分布（常用卜瓦松，於是 EPV 被均值釘死），卻對 VHM 做非參數估計——當一塊已被充分理解、另一塊尚未時很方便。
當你寧可不在分布形態上下注時，非參數估計就是落實 Bühlmann-Straub 的標準而穩健的方式。它的長處恰是這種擺脫假設的自由；它誠實的弱點有兩個。第一，VHM 估計量是兩個帶雜訊的量相減，可能算出負值，此時被截斷為零（強制 Z = 0——提示各風險無法被可信地區分）。第二，當風險數少或歷史短時，樣本變異數本身就很不穩，於是估出的 Z 繼承了真實的不確定性，而那個整潔的最終公式把它藏了起來。
在 50 個團體計畫中，把每個計畫自身理賠率的變異數取平均，得到 EPV 的估計；度量這 50 個計畫平均值如何散布、再減去過程雜訊的份額，得到 VHM 的估計。全程未假定任何分布——只用了樣本變異數。
組內變異數估計 EPV；組間散布減去雜訊估計 VHM——純憑資料，沒有模型。
非參數估計量避開了分布假設，卻避不開抽樣誤差：VHM 估計可能為負（截斷為零），且在風險數少時很不穩定。「沒有模型」不等於「沒有不確定性」。