Buhlmann（最大精度）信度

经典信度只问“我的数据吵不吵？”。Hans Buhlmann 在 1967 年的想法问出了更锐利的问题：“风险之间究竟差异多大，而每个风险的数据又有多吵？”——然后选出令估计尽可能精确的权重 Z。它不只求限制波动，而是直接最小化预测的期望平方误差。这正是它被称为最大精度信度的原因。

该模型设想：每个风险有它自己隐藏的真实均值（它的“假设均值”），从一群风险的总体中抽出；而它观测到的理赔围绕这个隐藏均值散布。于是有两个量至关重要：隐藏均值在风险之间相差多少（假设均值的方差，VHM），以及每个风险的数据围绕其自身均值跳动多少（期望过程方差，EPV）。Buhlmann 证明，最佳线性估计就是我们熟悉的混合，其中 Z = n/(n + k)，k = EPV/VHM，n 为观测次数。差异很大的风险（VHM 大、k 小）得到高 Z；当数据相对于真实差异非常吵时（EPV 大、k 大），Z 保持很低。

Buhlmann 信度是现代经验费率的理论支柱。相较经典信度，它的巨大优点是用两个可估计的方差、而非一个随意的波动目标来回答“为何信任你的数据”，并且总是朝整个集合体的总均值混合。它诚实的缺点：你必须从数据中估计 EPV 与 VHM（即经验贝叶斯那一步），而其结果是最佳线性预测，未必是一切可能预测中的最佳——要那样，你需要完整的贝叶斯后验，而 Buhlmann 正是对它的近似。