非参数信度估计
/ non-pair-uh-MET-rik /
Buhlmann 信度在能定 Z 之前，需要 EPV 与 VHM 这两个结构数字。得到它们的一种办法是假定一个完整的概率模型——比如理赔次数服从泊松、费率服从伽马——再从那模型里读出方差。但若你并不信任任何特定的分布呢？非参数信度估计直接用样本方差从原始数据中取得 EPV 与 VHM，全程不锚定任何具名分布。它让数据自己说话。
这种方法本质上是方差分析的思路。要估计过程方差的期望值，你算出每个风险自身组内的样本方差再取平均——这捕捉了风险内部逐年的摆动。要估计假设均值的方差，你度量每个风险的平均值离总平均有多远（即组间的总散布），再减去单凭过程噪声就会造成的那一部分，因为某些看似的组间差异不过是运气。还有一条中间道路，半参数估计：你为噪声那部分假定一个分布（常用泊松，于是 EPV 被均值钉死），却对 VHM 做非参数估计——当一块已被充分理解、另一块尚未时很方便。
当你宁可不在分布形态上下注时，非参数估计就是落实 Buhlmann-Straub 的标准而稳健的方式。它的长处恰是这种摆脱假设的自由；它诚实的弱点有两个。第一，VHM 估计量是两个带噪声的量相减，可能算出负值，此时被截断为零（强制 Z = 0——提示各风险无法被可信地区分）。第二，当风险数少或历史短时，样本方差本身就很不稳，于是估出的 Z 继承了真实的不确定性，而那个整洁的最终公式把它藏了起来。
在 50 个团体计划中，把每个计划自身理赔率的方差取平均，得到 EPV 的估计；度量这 50 个计划平均值如何散布、再减去过程噪声的份额，得到 VHM 的估计。全程未假定任何分布——只用了样本方差。
组内方差估计 EPV；组间散布减去噪声估计 VHM——纯凭数据，没有模型。
非参数估计量避开了分布假设，却避不开抽样误差：VHM 估计可能为负（截断为零），且在风险数少时很不稳定。“没有模型”不等于“没有不确定性”。