ベイズ推定の世界へようこそ！
CS1の学習を進める中で、すでに事後分布（posterior distribution）の求め方は学びましたね。しかし、現実の世界では、アクチュアリーはクライアントに複雑な確率分布の式を渡して終わり、というわけにはいきません！クライアントは通常、保険料の設定や準備金の積み立てを行うために、「最良の予測値」となる単一の数値を求めます。この単一の数値を点推定値（point estimate）と呼びます。
この章では、損失関数（Loss Functions）というものを使って、その「最良の予測値」を選ぶ方法を学びます。損失関数とは、いわば「間違えたときにどれだけ痛い目を見るか（コスト）」を測定する手段だと考えてください。この「痛み」を最小化することで、パラメータに対する最も論理的な推定値を見つけることができます。今は少し抽象的に感じるかもしれませんが、一歩ずつ噛み砕いていきましょう！
1. 損失関数とは何か？
来月の保険金支払件数が何件になるかを予測するとしましょう。あなたが10件と予測したのに対し、実際は15件だった場合、あなたは5件の誤差を出したことになります。ベイズ統計学では、この誤差に数学的な重み付けをするために、\( L(\theta, \hat{\theta}) \) で表される損失関数を使用します。
- \(\theta\)（シータ）：パラメータの真の未知の値。
- \(\hat{\theta\)（シータハット）：あなたの推定値、すなわち「最良の予測」。
- \(L(\theta, \hat{\theta})\)：真の値が \(\theta\) であるときに \(\hat{\theta}\) と予測したことで被る「損失」や「ペナルティ」。
私たちの目標は、期待損失（Expected Loss）を最小化するような推定値 \(\hat{\theta}\) を選ぶことです。真の \(\theta\) は未知であるため、私たちは事後分布（データを見た後に得られる知識）全体にわたって平均的な損失を計算します。
知っていましたか？ 損失関数の考え方は「意思決定理論」に由来します。アクチュアリーはこれらの概念を駆使して、たとえ予測が外れたとしても、保険会社が被る経済的な「痛み」が最小限になるように努めているのです！
2. 「3大」損失関数
IFoA（英国アクチュアリー会）のカリキュラムでは、特に3つの損失関数に焦点を当てています。それぞれが、事後分布から導かれる異なる「最良の予測」に対応しています。順番に見ていきましょう。
A. 二乗誤差損失（平均値）
これは最も一般的な損失関数です。誤差を二乗するため、真の値から大きく離れた予測に対しては非常に大きなペナルティが課されます。
公式： \( L(\theta, \hat{\theta}) = (\theta - \hat{\theta})^2 \)
ベイズ推定値： 期待二乗誤差損失を最小にするには、事後分布の平均値（mean）を選ぶべきです。
例え： ダーツ投げを想像してみてください。的から2cm外れるとペナルティは4ですが、10cm外れるとペナルティは100にもなります！ペナルティが急速に増加するため、真ん中（平均値）を狙うインセンティブが働きます。
B. 絶対誤差損失（中央値）
この関数は誤差を二乗しません。単に予測値と真の値との距離（直線距離）を見るだけです。
公式： \( L(\theta, \hat{\theta}) = |\theta - \hat{\theta}| \)
ベイズ推定値： 期待絶対誤差損失を最小にするには、事後分布の中央値（median）を選ぶべきです。
ヒント： 中央値は「真ん中」の値です。確率分布をちょうど半分に分けます（真の値が中央値より高い確率と低い確率がそれぞれ50%）。
C. 0-1損失（最頻値）
これは非常に「厳格」なバージョンです。完全に正解したときだけ「勝ち（損失0）」となり、少しでも外れると固定のペナルティが課されます。
公式： \( \hat{\theta} = \theta \) のとき \( L(\theta, \hat{\theta}) = 0 \)、それ以外は \( 1 \)。
ベイズ推定値： この損失を最小にするには、最も確率の高い値、つまり事後分布の最頻値（mode）を選びます。
3. 早見表：どれを使えばいいの？
どの推定値がどの損失関数に対応しているか混乱したときは、この表を確認してください：
| 損失関数 | 数学的定義 | ベイズ推定値 (\(\hat{\theta}\)) |
|---|---|---|
| 二乗誤差損失 | \( (\theta - \hat{\theta})^2 \) | 事後分布の平均値 |
| 絶対誤差損失 | \( |\theta - \hat{\theta}| \) | 事後分布の中央値 |
| 0-1損失 | 正解なら0、間違いなら1 | 事後分布の最頻値 |
復習： 試験問題で「二乗誤差損失の下でのベイズ推定値を求めよ」と聞かれたら、単に事後分布の平均値を計算すればよいだけです！
4. ステップ・バイ・ステップ：推定値の導出方法
試験問題を解くときは、以下の手順に従いましょう：
- 事後分布を特定する： 尤度と事前分布を使って、事後分布（ガンマ分布、ベータ分布、正規分布など）を求めます。
- 損失関数を確認する： 問題文を見て、どの損失関数が指定されているかを確認します。
- 特性値を計算する：
- 二乗誤差損失の場合： \( E[\theta | \text{data}] \) を求める。
- 絶対誤差損失の場合： \( P(\theta \le m | \text{data}) = 0.5 \) となる \( m \) を解く。
- 0-1損失の場合：事後密度関数を最大にする \(\theta\) の値を求める。
例： 事後分布が ガンマ分布(\(\alpha, \lambda\)) で、問題が二乗誤差損失での推定値を求めている場合、答えは単純にガンマ分布の平均値である \( \frac{\alpha}{\lambda} \) となります。
5. よくある間違いを避けよう
1. 事後分布ではなく事前分布を使う： これが最も多い間違いです！ベイズ推定値は必ず事後分布（データを見た後のもの）から導出されます。
2. 平均値と最頻値を混同する： 分布に歪みがある場合（ガンマ分布やベータ分布など）、平均値、中央値、最頻値はすべて異なる値になります。必ず公式集（Gold Book）の正しい式を確認してください。
3. 重みを忘れる： CS1の多くの問題では、事後平均は事前平均とサンプル平均の加重平均になります。算出された値が事前平均とデータ平均の間にない場合は、計算を再確認しましょう！
6. 重要なポイント
- 損失関数は、推定誤差を犯したときの「コスト」を数値化するものです。
- 二乗誤差損失は最もポピュラーで、事後平均を導きます。
- 絶対誤差損失は外れ値に対して堅牢であり、事後中央値を導きます。
- 0-1損失は最も高い確率に焦点を当て、事後最頻値を導きます。
- 試験のヒント： 公式集（Tables）の分布のページを常に開いておき、導出した事後分布の平均や最頻値をすぐに確認できるようにしておきましょう！
最初は難しく感じるかもしれませんが、大丈夫です。事後分布を特定する練習を重ねれば、適切な推定値を選ぶことは自然とできるようになりますよ！