负二项频率模型

假设你对汽车理赔试用了泊松模型，却发现它总是低估糟糕年份、高估平静年份——真实件数的摆动比泊松允许的更剧烈。原因通常是司机并非千篇一律：大多数人小心，少数人鲁莽，而你事先并不知道谁是谁。负二项频率模型恰好刻画了这种额外的离散。

看清它最干净的方式是：设想每位保单持有人都有自己的泊松速率lambda，但lambda本身因人而异、服从一个伽马分布（谨慎者lambda小，鲁莽者lambda大）。对这种隐藏的差异取平均，所得的件数分布就是负二项分布。它的关键特征是方差大于均值——即过度离散——由一个额外的形状参数控制。当该参数变大时，负二项趋近泊松；把它调小，高件数的尾部就变得更重。

实务中，只要理赔件数表现出泊松无法解释的更大变动性，负二项就是首选的升级方案，而风险异质的真实业务大多如此。它属于(a,b,0)类（a为正），因此可以直接套入计算总损失的潘哲递归。诚实的提醒是：你数据中的过度离散并不能证明负二项就是“真相”；它只是一种合理的机制（未观测到的异质性），但理赔的传染或扎堆同样会放大方差，优秀的分析师会去检验拟合优度，而不是想当然地接受这个故事。