はじめに：最良の「推測」の選び方
これまでの学習では、最大尤度法（MLE）や積率法（MoM）などの手法を使って推定量を導き出す方法を学びました。しかし、推定量を手に入れた後、それが本当に「良い」ものかどうかをどうやって判断すればよいのでしょうか？例えば、ある保険金の支払頻度を推定する2つの異なる方法がある場合、どちらを信頼すべきでしょうか？
この章では、推定量の「4つの黄金律」である、偏り（バイアス）、平均二乗誤差（MSE）、効率性、そして一致性について学びます。これらの性質を理解することで、アクチュアリーは現実世界の予測において、どの統計ツールが最も信頼できるかを判断できるようになります。
1. 偏り（バイアス）：的を射ているか？
アーチェリーの練習をしているところを想像してみてください。放った矢がバラバラに散らばっていても、その中心がちょうど的の真ん中（ブルズアイ）にあれば、平均的には「正確」であると言えます。統計学では、これを不偏（ふへん）であると呼びます。
推定量 \(\hat{\theta}\) は、未知の母集団パラメータ \(\theta\) を推測するために使用する計算式です。偏り（バイアス）とは、推定量の期待値と真の値との差のことです。
公式：
\(Bias(\hat{\theta}) = E(\hat{\theta}) - \theta\)
- \(E(\hat{\theta}) = \theta\) の場合、バイアスはゼロです。このとき \(\hat{\theta}\) を不偏推定量と呼びます。
- \(E(\hat{\theta}) > \theta\) の場合、その推定量は平均的にパラメータを過大評価しています（正のバイアス）。
- \(E(\hat{\theta}) < \theta\) の場合、その推定量は平均的にパラメータを過小評価しています（負 service バイアス）。
ワンポイント・アドバイス：推定量に少し偏りがあっても、あまり心配しないでください。推定量をより安定させるために、わずかなバイアスを受け入れる価値がある場合もあります。
2. 平均二乗誤差 (MSE)：トータルの誤差
バイアスは「的に当たっているか」を教えてくれますが、ショットがどれくらい「散らばっているか」については教えてくれません。ある推定量が不偏であっても、分散が非常に大きい場合、一回ごとの推測値は真の値から大きく外れてしまう可能性があります。
平均二乗誤差 (MSE) は、バイアスと分散の両方を組み合わせて、一つの「トータルの誤差」の指標としたものです。2つの推定量を比較する際に最も一般的に使われる方法です。
公式：
\(MSE(\hat{\theta}) = E[(\hat{\theta} - \theta)^2]\)
（導出プロセスを覚える必要はありませんが）代数的な計算によって、次のように簡略化できます：
\(MSE(\hat{\theta}) = Var(\hat{\theta}) + [Bias(\hat{\theta})]^2\)
なぜMSEが役に立つのか？
推定量Aと推定量Bを比較する場合、一般的にMSEが小さい方が良い推定量であるとみなされます。なぜなら、その方が真の値に近い値を出す確率が高いからです。
重要なポイント：不偏推定量のバイアスはゼロなので、不偏推定量のMSEは単に分散（Variance）と等しくなります。
3. 効率性：どちらの推定量が「鋭い」か？
効率性とは、データをいかに最大限に活用できているかという指標です。2つの不偏推定量がある場合、よりバラツキ（分散）が少ない方を選びたいはずです。これが推定量の「効率性」です。
相対効率：
2つの不偏推定量 \(\hat{\theta}_1\) と \(\hat{\theta}_2\) を比較するには、それらの分散の比を確認します：
\(Relative\ Efficiency = \frac{Var(\hat{\theta}_2)}{Var(\hat{\theta}_1)}\)
- この比が1より大きい場合、\(\hat{\theta}_1\) の方が分散が小さく、\(\hat{\theta}_2\) よりも効率的であると言えます。
- アクチュアリー試験では、どちらの推定量が「より効率的か」を問われることがあります。両方が不偏であると仮定した場合、常に分散が最小のものを探してください。
豆知識：最大尤度推定量（MLE）は、サンプルサイズが大きくなると、可能な限り最も効率的な推定量になる傾向があるため、アクチュアリーによく好まれます。
4. 一致性：データが増えれば精度は上がるか？
一致性は「大標本特性」の一つです。「サンプルサイズ \(n\) がどんどん大きくなり（無限大に近づくにつれて）、推定量は最終的に真の値に正確にたどり着くか？」という問いに答えるものです。
\(n \to \infty\) のときに推定量 \(\hat{\theta}\) 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。
一致性をチェックする方法：
CS1の試験では、\(n \to \infty\) のときに次の2つの条件を満たせば、その推定量は一致性があるといえます：
1. バイアスがゼロに近づく： \(Bias(\hat{\theta}) \to 0\)
2. 分散がゼロに近づく： \(Var(\hat{\theta}) \to 0\)
例え話：ぼやけた写真を見ているところを想像してください。解像度（サンプルサイズ \(n\)）を上げていくと、画像は完璧に鮮明になります。最終的に画像がぼやけや歪みなく本物の被写体を映し出すなら、あなたの「カメラ」（推定量）には一致性があるということです。
要約表：性質チェックリスト
概念を整理するために、このクイックレビューを活用してください：
| 性質 | 何を測定するか | 目指すべき状態 |
|---|---|---|
| 偏り（バイアス） | 平均的な推測値と真の値との距離。 | バイアス = 0 (不偏) |
| MSE | トータルの誤差（分散 ＋ バイアスの二乗）。 | MSEを最小化する |
| 効率性 | 分散の比較。 | 分散が小さいほど良い |
| 一致性 | サンプルサイズ \(n\) が増えた時の挙動。 | \(n \to \infty\) で誤差 \(\to 0\) |
よくある間違いを避けよう
- バイアスとMSEの混同： 分散が高い場合、推定量が不偏であってもMSEが非常に大きくなる可能性があることを忘れないでください。必ず両方をチェックしましょう。
- バイアスの二乗を忘れる： MSEの公式は \(MSE = Var + Bias^2\) です。試験でよくあるミスは、バイアス項を二乗し忘れることです。
- 一致性と不偏性の違い： 小さなサンプルではバイアスがあっても、\(n\) が大きくなるにつれてそのバイアスが消えるのであれば、その推定量は依然として一致性を持ちます。（例：分散の最大尤度推定量 \(\hat{\sigma}^2 = \frac{\sum(X_i - \bar{X})^2}{n}\) はバイアスがありますが、一致推定量です）。
次のステップ：推定量を評価する方法を理解したら、次は最大尤度推定量の漸近分布に進みましょう。これらの性質が非常に大きなサンプルでどのように振る舞うかを学びます。