グラジュエーション（Graduation：平滑化）の世界へようこそ！
アクチュアリーの実務では、「整理されていない」データ（いわゆる生データ）を扱うことがよくあります。死亡率の生データを見ると、サンプルサイズが小さかったり、突発的な事象の影響を受けたりして、値がランダムに上下することがあります。しかし、現実の世界では、年齢とともに死亡率は比較的滑らかに推移すると考えるのが自然です。
グラジュエーション（平滑化）とは、その名の通り「凹凸のある」生データを滑らかにし、実用的かつ現実的なモデルを作り出すプロセスです。写真編集アプリで、ざらついた写真のノイズを取り除いて、隠れていた鮮明な画像を見やすくする作業をイメージしてみてください。
この章では、なぜデータを平滑化する必要があるのか、どのような手法を用いるのか、そして最も重要な、平滑化がうまくいったかどうかを検証するための統計的検定について学んでいきましょう！
1. なぜグラジュエーションを行うのか？
例えば、50歳と51歳の死亡率を見ているとしましょう。もし小さなサンプル内でたまたま数件の事故が発生したという理由だけで、「50歳の死亡率は51歳の2倍である」という結果が出てしまったら、その「荒い（crude）」データを使って保険料を計算しようとは思いませんよね。それでは合理的ではありません。
データをグラジュエーションする主な理由は3つあります。
1. ランダムな変動を取り除くため： 生データには「ノイズ」が含まれています。背景にある本質的なトレンドを見極める必要があります。
2. 規則性を確保するため： 死亡率は論理的に推移すると予想されます（例：年齢とともに死亡率は一般的に上昇する）。
3. 実用性： デコボコした生データよりも、滑らかな数式や信頼できるテーブルを用いた方が、保険料や準備金の計算はずっと簡単になります。
フィット感と滑らかさのジレンマ
データをグラジュエーションするときは、常に二つの目標の間で綱引きをすることになります。
• データへの適合度（Goodness of Fit）： 滑らかな曲線が、実際の観測値にどれだけ近いか。
• 滑らかさ（Smoothness）： 推移がどれだけ平坦で、急激な変化がないか。
たとえ話： グラフ上のすべての点をギザギザの線で結べば、適合度は100％になりますが、滑らかさは0％です。逆に、完璧な水平線を引けば、滑らかさは100％ですが、データとの適合度は最悪でしょう。私たちはその中間の「ちょうどいい塩梅」を目指しているのです！
2. グラジュエーションの手法
シラバスでは、データを平滑化する主な方法として3つが挙げられています。専門用語が出てきますが、まずはそれぞれの論理に注目してください。
A. 図式法（Graphic Method）
これは昔ながらのやり方です。生データをグラフにプロットし、手作業（またはソフトウェア）で滑らかな線を引きます。
• メリット： 直感的で、専門家としての判断を反映できる。
• デメリット： 主観的である。担当者によって引く線が異なってしまう！
B. 数式によるグラジュエーション（パラメトリック法）
死亡率が特定の数式に従うと仮定する方法で、ゴンペルツ・メイクサム（Gompertz-Makeham）の法則などが有名です：
\( \mu_x = A + Bc^x \)
• メリット： 非常に滑らかで、コンピューターへのプログラミングが容易。
• デメリット： 母集団がその数式に当てはまらない場合、フィット感が極めて悪くなる。
C. 標準生命表を用いる方法（Reference to a Standard Table）
既存のよく知られた表（国民生命表など）をベースにして、自分の手元のデータに合わせて「微調整」します。通常は線形変換を用います：
\( \dot{q}_x = a + b \cdot q_x^s \)
（ここで \( q_x^s \) は標準表の死亡率、\( \dot{q}_x \) は平滑化後の死亡率を表します）
• メリット： 小規模なデータセットを扱う際に非常に有効。信頼性の高い大きな母集団の「形状」を借りることができる。
• デメリット： 選択した標準表の形状に縛られてしまう。
クイックまとめ： グラジュエーションは滑らかさと適合度のバランスを取る芸術です。手作業（図式法）、数式（パラメトリック法）、あるいは「お手本となる表」を利用する方法があります。
3. 統計的検定：正しく平滑化できたか？
グラジュエーションが終わったら、それが妥当であることを証明しなければなりません。平滑化された死亡率（\( \dot{E}_x \)）が観測データ（\( d_x \)）と一致しており、かつ偏りがないかを複数の検定でチェックします。
これらの検定ではすべて、残差（観測値とモデルによる予測値の差）に注目します。
カイ二乗検定（Chi-Square Test：全体的な適合度検定）
全年齢にわたる「合計の差」を確認します。全体の「誤差」が小さいことを目指します。
公式は： \( \sum \frac{(d_x - E_x \dot{q}_x)^2}{E_x \dot{q}_x(1 - \dot{q}_x)} \)
• 帰無仮説（\( H_0 \)）： 平滑化された死亡率が「真の」死亡率である。
• 判定： 計算値が表から得られる臨界値より小さい場合、そのグラジュエーションは「棄却されない」、つまり良い適合だと判断します！
標準化残差検定（Standardised Deviations Test：外れ値検定）
各年齢における個別の偏差（誤差）が標準正規分布 \( N(0, 1) \) に従っているかをチェックします。
• ポイント： 偏差の約95％が -1.96 から +1.96 の間に収まることを期待します。もし +4.0 といった値が出たら、その年齢においては平滑化がうまくいっていないことを示しています。
符号検定（Signs Test：バイアス検定）
シンプルですが非常に強力な検定です。平滑化された死亡率がデータより高かった回数（+）と低かった回数（-）を数えます。
• 論理： モデルに偏りがないなら、コイン投げと同じで、プラスとマイナスの数はほぼ同じになるはずです。
• よくある間違い： 符号連関検定（Grouping of Signs test）と混同しないように。符号検定は、プラスとマイナスの総数を比較するものです。
符号連関検定（Grouping of Signs Test：「塊」の検定）
同じ符号が連続して続くかどうかを見ます。例えば、10年連続でモデルの数値がデータより低い場合、特定の区間で曲線がデータを「下回っている」ことになります。
• たとえ話： コインを20回投げて表が10回、裏が10回出たら普通（符号検定の結果はOK）。でも、10回連続で表が出て、その後10回連続で裏が出たら何かおかしいですよね？それがこの検定です！
系列相関検定（Serial Correlations Test：パターン検定）
年齢 \( x \) における誤差と年齢 \( x+1 \) における誤差の間の相関を見ます。
• 目的： 誤差がランダムであることを確認します。もし今日の誤差がプラスなら翌日の誤差もプラスになりやすいという傾向があれば、モデルは何らかのトレンドを見逃しています。
豆知識： 符号連関検定で連の分布を計算する際によく使われるのがスティーブンス・ドッド（Stevens-Dodd）法です。この検定をより正確にするための、アクチュアリー特有のツールのひとつです！
4. 検定のまとめ：一目でわかるリスト
1. カイ二乗検定： 誤差の全体的な大きさをチェック。
2. 符号検定： プラスとマイナスのバランス（全体的なバイアス）をチェック。
3. 符号連関検定： プラスやマイナスが「塊」になっていないか（局所的なバイアス）をチェック。
4. 標準化残差検定： 特定の年齢で大きな誤差が出ていないかをチェック。
5. 系列相関検定： 誤差の並びにパターンがないかをチェック。
5. よくある落とし穴
• 自由度： カイ二乗検定では、推定したパラメーターの数を差し引くのを忘れないでください。もし3つの定数（\( A, B, c \)）を含む数式を使ったなら、自由度から3を引く必要があります！
• 小さなサンプル： 死亡者数が非常に少ない（5人未満など）場合、カイ二乗検定は有効ではないかもしれません。年齢をまとめてグループ化する必要があるでしょう。
• 過度な平滑化（Over-smoothing）： 滑らかさの検定にはすべて合格しても、カイ二乗値が極端に大きいなら、データの本来の特徴まで削ぎ落としてしまっている可能性があります！
重要なポイント： グラジュエーションは、結果として得られる死亡率が滑らかで、データの背後にあるトレンドを反映しており、偏りや適合度に関する統計的検定をクリアしていれば成功です。一つの検定だけを見るのではなく、良いアクチュアリーはすべてを総合的に見て、全体像を判断します。
カイ二乗計算の練習を続けてくださいね！CS2試験の定番です。あなたならきっと大丈夫！