先看一道经典例题，有3组风险分别为A,B,C。第一年，A出险1个，B出险2个，C出险2个。第2年，A出险0个，B出险1个，C出险1个。
运用Empirical Bayes nonparametric method.求每一组风险在第三年的期望出险数。
    后面的答案是这样写的:全局均值u=1.......... A组的信度均值是0.5和u=1的加权平均，B组的信度均值是1和u=1的加权平均，C组的信度均值是1.5和u=1的加权平均.瞎亮我的眼睛，我赶紧去翻Loss Model第4版,发现书上的方法也是这么写的。
    多么愚蠢，直接违背了 Bayesian估计的基本原理。我们知道buhlmann估计是Bayesian估计的线性近似，用buhlmann方法求得的预测值本质就是Bayes估计的预测值。之所以有Bayes估计，是因为不知道模型参数θ的具体取值，先求得θ的后验分布，然后求得模型均值（或某些其它特定的量）在后验分布的上的均值。就是说，θ的值，我们不知道，所以求θ的分布，再求该量对θ的均值。
    现在，θ的量是已知的，对于风险A，θ=A;对于风险B，θ=B,对于风险C，θ=C.跟θ的分布没有半毛钱的关系。所以第三年的预测值就跟全局均值u没有半毛钱的关系。
    直观的想象，A组风险代表车险，B组风险代表癌症风险，C组风险代表出口信用风险。求A的预测值，跟B和C完全不搭边，所以信度加权就毫无意义。