邊際似然

邊際似然（Marginal Likelihood）又稱為證據（Evidence），是貝葉斯網路中，在已知數據條件下，模型本身產生該數據的機率。其數學定義為：p(D|M) = ∫ p(D|θ,M)p(θ|M)dθ，其中D為觀測數據，M為模型，θ為參數。根據貝葉斯定理，後驗機率正比於似然函數與先驗機率的乘積，而邊際似然則是正規化常數，確保後驗機率積分為1。在風險管理領域，當企業需要比較兩個競爭性風險模型（例如：情境A與情境B）時，邊際似然提供了一套無須指定參數值的客觀比較標準，避免了參數過擬合（Overfitting）的問題。根據NIST對AI系統可解釋性的指引精神，模型選擇的透明度至關，邊際似然正是實現此透明度的數學基礎。與傳統頻率派的似然比不同，邊際似然自動對複雜模型進行懲罰，使模型選擇更具統計嚴謹性。

在BCM（業務持續管理）框架下，邊際似然主要應用於風險情境建模的驗證與選擇。實務導入步驟如下：第一步，根據ISO 22301的業務衝擊分析（BIA）收集歷史中斷數據與潛在威脅參數；第二步，建立多個風險情境模型，每個模型設定不同的參數分布；第三步，利用BCM工具計算各模型的邊際似然，並以貝葉斯因子（Bayes Factor）進行比較，選擇邊際似然最高的模型作為風險評估基準。例如，某台灣製造業在導入AI預測設備故障風險時，透過邊際似然比較「正常磨損模型」與「突發性故障模型」，發現後者邊際似然高出30%，從而提前3個月啟動備品採購，避免停工損失。量化效益方面，正確的模型選擇可將風險預測準確率提升25%，並將誤報率降低15%，直接影響BCM的RTO/RPO達成率。

台灣企業在導入邊際似然進行風險建模時，面臨三大挑戰。首先是數據品質問題：台灣中小企業多數風險數據以非結構化Excel或紙本形式存在，無法直接餵入BCM工具，建議先建立數據治理機制，符合GDPR第5條數據最小化原則，確保數據可用性。其次是技術人才缺口：貝葉斯統計需要專業數據科學家，企業可採用「工具化導入」策略，採用如BCM這類已封裝複雜算法的工具，降低技術門檻。第三是文化抗拒：決策者習慣直覺判斷而非機率模型，需透過視覺化工具（如BCM內建的視覺化腳本）將邊際似然轉化為易懂的風險等級圖表。建議企業在導入前6個月先進行概念驗證（PoC），以歷史真實事件驗證模型準確性，再推廣至全體風險管理流程，預計可提升風險決策效率40%。

積穗科研股份有限公司（Winners Consulting Services Co., Ltd.）專注台灣企業Marginal likelihood相關議題，擁有豐富實戰輔導經驗，協助企業在90天內建立符合國際標準的管理機制，已服務超過100家台灣企業。申請免費機制診斷：https://winners.com.tw/contact