死亡率予測の世界へようこそ！
こんにちは！CS2の学習において、最も魅力的で重要な章の一つへようこそ。これまで「生存モデル」では、特定の年齢で人が死亡する確率を計算する方法を見てきました。しかし、一つ重要なポイントがあります。それは、死亡率は固定されたものではないということです。
100年前の記録を見てみると、当時の60歳の死亡率は現代の60歳よりもはるかに高いものでした。なぜでしょうか？医療の進歩、清潔な水、そして喫煙率の低下などが理由です！この章では、こうした死亡率の変化を予測するために、どのように「未来を見通す」のかを学びます。これは年金基金や保険会社にとって、人々が予想以上に長生きした場合でも確実に給付を行えるようにするために不可欠なプロセスです。
1. なぜ死亡率を予測するのか？
私たちが死亡率を予測する理由は、長寿リスク（Longevity Risk）があるからです。これは、人々が予想以上に長生きしてしまうリスクのことです。もしあなたが年金基金の保険数理士で、加入者が計画よりも5年長く生存した場合、その5年分の年金を余分に支払わなければならず、それは莫大なコストになります！
重要なコンセプト：死亡率改善（Mortality Improvement）
時間が経つにつれて、死亡力 \(\mu_x\) は一般的に減少します。これは、\(q_x\)（死亡確率）が年齢 (x) と時間 (t) の両方の関数であることを意味します。これを \(q(x, t)\) と表記します。
2. 予測の3つのアプローチ
専門用語のように聞こえても心配しないでください。これらは同じ問題に対する3つの異なる見方に過ぎません。これらを「3つのE」として覚えましょう：
• Expectation（期待・専門家の意見）： 医師や科学者、人口統計学者に予測を尋ねる方法です。例：「20年後には特定のガンに対する治療法が見つかると予測される。」
• Explanation（説明・因果関係）： なぜ人が亡くなるのか（喫煙、心疾患など）の原因に注目し、特定の要因をモデル化します。例：「喫煙率が10%低下すれば、死亡率はX%低下するはずだ。」
• Extrapolation（外挿・トレンド）： 過去50年間のデータを見て、そのパターンが将来も続くと仮定する方法です。これがCS2で最も一般的な手法です。
クイック復習：3つのE
Expectation = 専門家の頭脳。
Explanation = 根本原因。
Extrapolation = 歴史の繰り返し。
3. 死亡率改善係数（Reduction Factors）
予測を行う簡単な方法は、改善係数（Reduction Factor）を使うことです。これは現在の死亡率にかけて将来の死亡率を求める数値（通常は1未満）です。
式は次の通りです： \(q(x, t) = q(x, 0) \times RF(x, t)\)
ここで：
\(q(x, 0)\) は現在の死亡率です。
\(RF(x, t)\) は年齢 \(x\)、時点 \(t\) における改善係数です。
\(q(x, t)\) は将来の予測死亡率です。
例え：お店で毎年10%割引があるなら、来年の価格は今年の価格の0.90倍になります。改善係数も死亡率に対して同じように働きます！
4. リー・カーター・モデル（Lee-Carter Model）
これは死亡率予測における「セレブ」的なモデルであり、試験で最も出題されやすいものです。外挿を用いて中心死亡率 \(m_{x,t}\) を予測します。
式：
\(\ln(m_{x,t}) = a_x + b_x \kappa_t + \epsilon_{x,t}\)
直感的に理解してみましょう：
• \(a_x\): 年齢 \(x\) における「平均的な」死亡率。年齢ごとの死亡率の全体的な形状を表します。
• \(\kappa_t\): 「時間指標」。時間の経過とともに死亡率がどのように変化するかのトレンドを示します。通常、年が経つにつれて減少します。
• \(b_x\): 「感度」。その年齢 \(x\) が時間トレンドに対してどの程度反応するかを示します。年齢によって改善のスピードが異なることを表現します。
• \(\epsilon_{x,t}\): 「誤差項」。モデルで説明しきれないランダムな変動です。
よくある間違い： 学生はよく \(b_x\) と \(\kappa_t\) を混同します。こう覚えましょう：k は Kalendar（時間・暦年）のk、b は特定の年齢の Behavior（挙動）のbです。
リー・カーターの制約条件
モデルには未知の変数が多いため、計算可能にするためにいくつかの値を「固定」する必要があります。IFoA（英国アクチュアリー会）の標準的な制約条件は以下の通りです：
1. すべての \(b_x\) の合計は1： \(\sum b_x = 1\)
2. すべての \(\kappa_t\) の合計は0： \(\sum \kappa_t = 0\)
5. 年齢・期間・コホート（APC）モデル
年齢と年数だけでは不十分な場合があります。人がいつ生まれたかも考慮する必要があります。これがコホート効果です。
例：第二次世界大戦直後に生まれた人々（ベビーブーマー）は、大恐慌時代に生まれた人々とは異なる健康習慣を持っているかもしれません。この「世代的」な効果は、加齢に伴っても持続します。
APCモデルの式：
\(\ln(m_{x,t}) = a_x + \kappa_t + \gamma_{t-x}\)
ここで \(\gamma_{t-x}\) はコホート効果（暦年 - 年齢 = 出生年）です。
6. CBDモデル（Cairns-Blake-Dowd）
リー・カーター・モデルは素晴らしいですが、高齢層ではうまくいかないことがあります。CBDモデルは、特に高齢者集団（年金受給者）のために設計されました。
このモデルでは \(m_{x,t}\) をモデル化するのではなく、死亡率 \(q_{x,t}\) のロジット（logit）をモデル化します。
ロジット関数とは： \(logit(p) = \ln(\frac{p}{1-p})\) です。
式：
\(logit(q_{x,t}) = \kappa^{(1)}_t + \kappa^{(2)}_t (x - \bar{x})\)
このモデルにおいて：
• \(\kappa^{(1)}_t\): 死亡率曲線全体を上下に移動させます（平行移動）。
• \(\kappa^{(2)}_t\): 直線の傾きを変化させます（回転移動）。
• \(\bar{x}\): データセット内の平均年齢です。
重要なポイント： CBDは、任意の時点 \(t\) において、死亡率のロジットが年齢に対して直線的であると仮定しています。
7. まとめと主な限界
死亡率の予測は完全な科学ではありません。何がうまくいかなくなる可能性があるのか（これらは試験で高得点につながるポイントです）：
1. モデルリスク： リー・カーターを選んだが、実際にはCBDモデルの方がデータに適合していた場合。
2. パラメータリスク： 式は正しいが、\(a_x\) や \(b_x\) の推定値が少しズレている場合。
3. ランダムな変動： モデルが完璧であっても、実際の死亡者数は年ごとに変動するもの。
4. 破滅的事象： 過去のトレンドに基づくモデルでは、パンデミック（COVID-19など）や急激な医療技術のブレイクスルーといった突発的な事象は予測できません。
章のまとめチェックリスト：
• なぜ死亡率を予測するのか説明できますか？（長寿リスク！）
• 3つのE（Expectation, Explanation, Extrapolation）を理解していますか？
• リー・カーターの式を暗記して書き出せますか？
• CBDは高齢者に適しており、直線的なロジットアプローチをとることを理解していますか？
• リー・カーターの2つの主要な制約条件（\(\sum b_x=1, \sum \kappa_t=0\)）を覚えていますか？
式が難しそうに見えても心配しないでください！ 試験問題の多くは、パラメータが何を意味するかを説明させるか、与えられた式を使って簡単な計算をさせるものです。式のどの部分が「年齢」「時間」「世代」を表しているのかを特定する練習をすれば、合格への道はすぐそこです！