推定量（Estimator）の世界へようこそ！

アクチュアリー統計学の世界では、請求額や保険契約者の年齢といった膨大なデータは手元にあるものの、そのデータを支配する「真の」ルールが分からないことがよくあります。統計的推論（Statistical Inference）とは、そのデータを使って、背後に潜む母集団について「情報に基づいた推測（推論）」を行う技術のことです。この章では、こうした「推測」を組み立てる方法（これを推定量：Estimatorと呼びます）と、その推測が本当に優れているかどうかを判断する方法を学びます！

最初は少し抽象的だと感じるかもしれませんが、大丈夫です。推定量は「レシピ」のようなものだと考えてください。データが「材料」で、推定量が結果を作り出すための「調理法」です。さあ、一緒に飛び込んでみましょう！

1. 推定量（Estimator）と推定値（Estimate）：その違いは何？

何かを計算する前に、まず定義をはっきりさせておきましょう。この2つの用語は似ていますが、意味は全く異なります。

  • 推定量（Estimator）： これはルールや公式のことです。どのサンプルデータを抽出したかによって結果が変わるため、確率変数となります。通常、パラメータ \( \theta \) の推定量は \( \hat{\Theta} \) と表記します。
  • 推定値（Estimate）： これは、特定のデータを公式に代入して得られる実際の数値結果です。通常、こちらは \( \hat{\theta} \) と表記します。

たとえ話： 「体重計」が推定量（ツールや公式）で、「75kg」が推定値（今日あなたが測定して得た具体的な数値）だと考えてみてください。

2. 第1の方法：モーメント法（Method of Moments: MoM）

これは推定量を見つけるための最もシンプルな方法です。「母集団がある平均値を持っているなら、標本平均もおそらくそれに近いはずだ」という直感的な論理に基づいています。

この方法では、母集団モーメント（未知のパラメータ \( \theta \) を含む）と標本モーメント（データから計算できる値）を等式で結びます。

  • 第1母集団モーメントは \( E[X] \) です。
  • 第1標本モーメントは \( \bar{X} = \frac{1}{n} \sum X_i \) です。
  • 第2母集団モーメントは \( E[X^2] \) です。
  • 第2標本モーメントは \( \frac{1}{n} \sum X_i^2 \) です。

手順（ステップ・バイ・ステップ）：

1. パラメータ \( \theta \) を使って母集団モーメント（例：\( E[X] \)）の式を書き出します。
2. これを標本平均 \( \bar{X} \) と等しく置きます。
3. \( \theta \) について解きます。その結果がMoM推定量 \( \hat{\theta} \) となります。
4. パラメータが2つ（例：\( \mu \) と \( \sigma^2 \)）ある場合は、2つの式が必要です。\( E[X] \) を標本平均と、\( E[X^2] \) を第2標本モーメントとそれぞれ等しく置いて解きます。

ワンポイント： MoMは計算が簡単ですが、他の手法と比べて常に「ベスト」な結果が得られるとは限りません。

3. 第2の方法：最尤法（Maximum Likelihood Estimation: MLE）

MLEはアクチュアリー実務における「ゴールドスタンダード（基準）」です。考え方は「パラメータ \( \theta \) がどのような値であれば、実際に観測されたデータが最も発生しやすかったと言えるか？」というものです。

尤度関数 \( L(\theta) \)：

独立した観測値 \( X_1, X_2, ..., X_n \) がある場合、尤度関数は個々の確率密度関数（PDF）または確率質量関数（PMF）の積となります。
\( L(\theta) = \prod_{i=1}^{n} f(x_i; \theta) \)

「対数尤度」のテクニック：

積の微分は大変ですが、和の微分は簡単です！そのため、私たちはほとんどの場合、尤度の自然対数をとります。これを対数尤度（log-likelihood）と呼び、\( \ell(\theta) \) で表します。
\( \ell(\theta) = \ln(L(\theta)) \)

MLEを求める手順（ステップ・バイ・ステップ）：

1. 尤度関数 \( L(\theta) \) を書き出します。
2. 自然対数をとって \( \ell(\theta) \) を求めます。
3. \( \theta \) で微分します。
4. 微分した式をゼロに設定し、\( \theta \) について解きます。
5. 第2次導関数を確認（\( \frac{d^2\ell}{d\theta^2} < 0 \)）し、極小値ではなく極大値であることを確認します！

よくあるミス： 合成関数の微分や対数の法則を忘れないように！\( \ln(a^b) = b \ln(a) \) や \( \ln(ab) = \ln(a) + \ln(b) \) を覚えておくと、計算がずっと楽になります。

重要なポイント： MLEが人気なのは、サンプルサイズが大きくなると非常に優れた性質（「漸近有効性」）を持つからです。

4. 推定量の性質：私たちの「推測」は良いものか？

推定量が決まったら、それを評価する必要があります。主に4つの基準を使います。

A. 不偏性（Unbiasedness）

平均的に見てターゲットに的中している場合、その推定量は不偏であると言います。数学的には：
\( E[\hat{\Theta}] = \theta \)
もし \( E[\hat{\Theta}] - \theta \) がゼロでない場合、その差をバイアス（偏り）と呼びます。

B. 平均二乗誤差（MSE）

MSEは推定量の「総合的な誤差」を測るものです。中心からのズレ（バイアス）と結果のバラつき（分散）の両方を考慮します。
公式： \( MSE(\hat{\Theta}) = Var(\hat{\Theta}) + [Bias(\hat{\Theta})]^2 \)
たとえ話： あなたが弓道の選手だとすると、バイアスは的の中心からどれだけ平均的にズレているかであり、分散は矢がどれだけ散らばっているかです。MSEは、あなたの射撃の「総合的なダメさ」を表します。

C. 一致性（Consistency）

サンプルサイズ \( n \) が大きくなればなるほど（無限大に近づくほど）、推定量が真の値 \( \theta \) に収束する場合、その推定量は一致性があると言います。
一致性の確認： \( n \to \infty \) としたときに \( Bias \to 0 \) かつ \( Var \to 0 \) であれば、一致推定量です。

D. 有効性とクラメール・ラオの境界（CRLB）

クラメール・ラオの境界（CRLB）は、不偏推定量が持ちうる分散の理論上の最小値を示しています。
\( Var(\hat{\Theta}) \ge \frac{1}{I(\theta)} \)
ここで \( I(\theta) \) はフィッシャー情報量と呼ばれ、\( -E\left[ \frac{d^2\ell}{d\theta^2} \right] \) で計算されます。
不偏推定量の分散がCRLBと等しい場合、それを有効推定量（Efficient）と呼びます（これ以上ないほど最高な推定量！）。

豆知識： MLEは「漸近有効」です。つまり、サンプルが非常に大きい場合、その分散はCRLBに到達し、利用可能な中で最も高精度なツールとなります！

5. まとめチェックリスト

  • MoM： \( E[X] \) と \( \bar{X} \) をイコールにして解く。
  • MLE： 対数尤度を最大化する（対数をとる -> 微分する -> ゼロにする）。
  • 不偏性： \( E[\hat{\theta}] = \theta \) になるか？
  • MSE： \( Var + Bias^2 \)。小さいほど良い！
  • 一致性： \( n \to \infty \) で完璧な値になるか？
  • CRLB： 分散の「制限速度」。これ以上に高精度にはなれない。

CRLBやMLEの数学が難しく見えても心配しないでください。試験問題のほとんどは決まったパターンに従います。指数分布、ポアソン分布、正規分布など、よくある分布で手順を練習すれば、すぐにコツを掴めますよ！