经验贝叶斯信度
/ em-PEER-ih-kul BAYZ /
Buhlmann 信度要运转，需要两个隐藏的数字——过程方差的期望值（EPV）与假设均值的方差（VHM）。但现实中没人会把它们递给你；那个“风险总体”及其真实方差是看不见的。经验贝叶斯就是那个巧妙的把戏：从你即将要做信度加权的同一批数据里，去估计这些结构参数。你用整个组合来了解风险如何散布，再把所学反馈回去，为每个个体风险厘定费率。
用文字描述这个配方：收集许多风险的经验；通过平均每个风险自身的内部方差（组内摆动）来估计过程方差的期望值；通过取各风险平均值的总散布、再减去由那份内部噪声所解释的部分（因为风险之间观测到的差异，一部分是真实的、一部分是运气），来估计假设均值的方差。然后 k = EPV / VHM 与 Z = n/(n + k) 随之而来。“经验贝叶斯”一词抓住了精神：它是带贝叶斯味道地把每个风险朝集合体收缩，但先验是从数据中估计而来，而非假定。
经验贝叶斯正是定价部门实际落实 Buhlmann 与 Buhlmann-Straub 的方式。它的诚实也是它的局限：由于 EPV 与 VHM 本身就是从有限数据估出来的，所得的 k 与 Z 都带着估计误差，VHM 的估计甚至可能为负而被截断为零（强制 Z = 0）。当风险数少或历史短时，结构参数很不稳，因此整套机器应凭判断使用，而非当作黑箱。
某车险业务有 200 位保单持有人，各被观测数年。把每位司机自身逐年的方差取平均，估得 EPV = 0.38；司机平均值的散布减去那份噪声，估得 VHM = 0.047，得 k 约 8.1。
组合自己教出它的结构参数；这些参数随后设定每个风险的 Z。
估出的 VHM 可能为负，因为它是两个带噪声的量相减；惯例将其设为零，使 Z = 0。这是数据无法可靠区分各风险的信号，而非可以忽视的计算小故障。