假设均值的方差
/ abbreviated VHM /
想象一个组合里所有司机，按各自真实、隐藏的事故率排成一列。一个安全的司机真实每年造成 0.1 起事故；一个鲁莽的真实每年 0.8 起。若人人相同，这些真实费率就会全都一样，从个体记录里也学不到任何东西。正因为它们散开了——风险真有差异——经验费率才有价值。假设均值的方差 VHM，衡量这些真实的、每个风险的均值散开得有多宽。
每个风险都有一个假设均值：若你知道它的类型 theta，它会产生的预期理赔，记作 E[理赔 | theta]。当 theta 在风险总体中变动时，这个隐藏均值也随之变动，而 VHM = Var( E[理赔 | theta] ) 就是那份变动的方差——即“组间”或“信号”那一块。举例：若一半司机真实平均 0.2 起理赔、一半真实平均 0.6 起，则假设均值以等概率取 0.2 与 0.6，其均值为 0.4，VHM = 0.5(0.2 - 0.4)^2 + 0.5(0.6 - 0.4)^2 = 0.04。
VHM 是 Buhlmann 信度的第二个结构参数，也正是它使“信任一个个体”这件事变得有道理。VHM 大意味着风险确实不同，于是个体自身的记录携带真正的信号——这会把 Buhlmann 常数 k = EPV/VHM 拉低、把信度 Z 拉高。若 VHM 为零，所有风险都相同，k 为无穷，Z 为零，你就（正确地）只用集合体均值。从数据中估计 VHM 颇为微妙，因为它是用总的观测散布减去组内噪声得到的，偶尔会算出负数，必须截断为零。
一组司机里一半真实平均每年 0.2 起理赔，一半真实平均 0.6 起。假设均值为 0.2 与 0.6（总均值 0.4），故 VHM = 0.5(0.2-0.4)^2 + 0.5(0.6-0.4)^2 = 0.04。
VHM 捕捉的是各风险“真实均值”的散布——正是这份信号让个体数据值得信任。
VHM 的经验估计可能为负，因为它是总散布减去组内噪声；惯例将其截断为零，从而强制 Z = 0（仅用集合体）。出现负估计，本身就提示风险之间也许差异不够大，难以可信地区分。