遷移強度（Transition Intensities）へようこそ：データとモデルの架け橋！

これまでのCS2の学習で、遷移強度（死亡力 \(\mu_x\) など）がすでに与えられている生存モデルを扱ってきたことでしょう。しかし、その数値はどこから来るのでしょうか？現実の世界で、アクチュアリーは教科書から \(\mu_x\) を見つけるわけではありません。データから推定しなければならないのです。

この章では、生年月日や死亡日のリストといった生のデータを、年金や保険の価格設定に使用する遷移強度に変換する方法を学びます。最初は難しく感じるかもしれませんが、大丈夫です。本質的には、「イベントが何回発生したか」を数え、そのイベントが発生する「リスクにさらされていた期間（累積期間）」で割るだけのことなのです！

1. 基本原則：死亡力（The Force of Mortality）

計算に入る前に、遷移強度（例として \(\mu_x\) を使用します）を推定するための基本的な「レシピ」を見てみましょう。

推定強度 ＝ (死亡数) / (リスクにさらされていた期間の合計)

アクチュアリーの表記法では、次のように書きます。
\( \hat{\mu}_x = \frac{d_x}{E_x^c} \)

ここで：
- \(d_x\) は、年齢 \(x\) で観測された死亡数です。
- \(E_x^c\) は、年齢 \(x\) における中心暴露（Central Exposure to Risk）です。

アナロジー：スピード違反取締カメラ

特定の道路でのスピード違反の「強度」を知りたいと想像してください。違反した車の台数を数え（これが死亡数 \(d_x\)）、その道路を走行したすべての車の合計時間（これが暴露 \(E_x^c\)）で割ります。もし10台が捕まり、合計走行時間が100時間であれば、「違反強度」は1時間あたり0.1となります。

重要ポイント： 強度を推定するには、常に「イベントのカウント」と「そのイベントが発生するリスクにさらされていた合計時間」の2つの要素が必要です。

2. 正確な暴露（Exact Exposure）の計算

\(E_x^c\) を求める最も正確な方法は、正確なデータ（Exact Data）を使用することです。これは、各個人の観察開始日、終了日（死亡、研究終了、脱退のいずれか）、および正確な生年月日をすべて把握していることを意味します。

ステップバイステップの計算方法：

1. 研究対象の全個人について、年齢 \(x\) から \(x+1\) の間に費やした時間を調べます。
2. その1年間ずっと観察下にいた場合は、\(E_x^c\) に1年を加算します。
3. 年度の途中で加入したり、3か月後に死亡した場合は、それぞれ0.5年や0.25年分のみを加算します。
4. これらをすべて合計します！

例： 3人の対象者がいる場合：
- Aさん：60歳で1年間観察。
- Bさん：60歳で6か月観察後、死亡。
- Cさん：60歳で3か月観察後、研究終了。
この場合の正確な中心暴露 \(E_{60}^c = 1 + 0.5 + 0.25 = 1.75\) 人年となります。

3. 国勢調査法（Census Method）：扱いにくいデータの処理

現実には、保険会社はすべての契約者に「ストップウォッチ」を付けているわけではありません。その代わり、特定の期日（毎年1月1日など）に「スナップショット（国勢調査）」を取ります。

台形近似（Trapezium Approximation）

2022年1月1日時点での年齢 \(x\) の生存者数（\(P_{x,0}\)）と、2023年1月1日時点での生存者数（\(P_{x,1}\)）のみが分かっている場合、年間を通じて人口が線形に変化したと仮定します。

中心暴露の計算式は次の通りです：
\( E_x^c \approx \int_0^1 P_{x,t} dt \approx \frac{1}{2} (P_{x,0} + P_{x,1}) \)

豆知識： これを台形公式（Trapezium Rule）と呼びます。人口を時間経過でグラフ化すると、曲線下の台形の面積を計算していることになるからです！

4. 年齢の定義と「レート区間（Rate Interval）」

ここは受験生がよくつまずくポイントです。「60歳」と一口に言ってもすべて同じではありません！私たちはレート区間、つまり死亡数と暴露をカウントする期間を定義する必要があります。

一般的な年齢の定義：

  • 年齢最終誕生日（Age Last Birthday, \(x\)）： 正確な年齢 \(x\) 歳以上、\(x+1\) 歳未満（日常生活で使われる一般的な年齢です）。
  • 年齢最近誕生日（Age Nearest Birthday, \(x\)）： 正確な年齢 \(x-0.5\) 歳以上、\(x+0.5\) 歳未満。
  • 年齢次誕生日（Age Next Birthday, \(x\)）： 正確な年齢 \(x-1\) 歳以上、\(x\) 歳未満。

ヒント： 区間の開始時点における平均年齢を必ず特定しましょう。
- 「年齢最終誕生日 \(x\)」の場合、開始時点の平均年齢は \(x + 0.5\) です。
- 「年齢最近誕生日 \(x\)」の場合、開始時点の平均年齢は \(x\) です。

5. 死亡のポアソンモデル

CS2では、死亡数（\(D_x\)）がポアソン分布に従うと仮定することがよくあります。これは試験でも非常によく出るトピックです！

年齢区間内で死亡力 \(\mu_x\) が一定であると仮定すると：
\( D_x \sim \text{Poisson}(\mu_x \cdot E_x^c) \)

ここから、最尤推定量（MLE）が導かれます：
\( \hat{\mu}_x = \frac{d_x}{E_x^c} \)

そして、推定量自体の分散は：
\( Var(\hat{\mu}_x) = \frac{\mu_x}{E_x^c} \approx \frac{d_x}{(E_x^c)^2} \)

覚え方： \(\mu_x \cdot E_x^c\) を「期待死亡数」と考えてください。ポアソン分布において、平均＝\(\lambda\) です。つまりここでは、\(\lambda = \text{強度} \times \text{暴露}\) となります。

6. よくある間違いを避けるために

1. 中心暴露と初期暴露の混同： 中心暴露（\(E_x^c\)）は強度（\(\mu_x\)）を推定するために使用します。初期暴露（\(E_x\)）は確率（\(q_x\)）を推定するために使用します。これらを入れ替えないように！

2. 「半年」ルール： 国勢調査データを使用する場合、調査が7月1日（年中）に行われ、暦年の暴露を求めたいとき、その単一の調査数 \(P_{x, \text{July}}\) はしばしば平均人口として扱われるため、\(E_x^c \approx P_{x, \text{July}}\) となります。

3. \(d_x\) と \(E_x^c\) の不一致： カウントしている死亡数が、計算している暴露と全く同じ年齢区間および期間のものであることを確認してください。

まとめの復習ボックス

- 目的： \(\frac{d_x}{E_x^c}\) を用いて \(\mu_x\) を推定する。
- 正確なデータ： 各個人の実際の観察期間を使用する（最も正確）。
- 国勢調査データ： 人口のスナップショットを使用し、線形変化を仮定する（最も実用的）。
- ポアソン仮定： \(D_x \sim \text{Poisson}(\mu_x E_x^c\)。
- 年齢に注意！： データが「最終誕生日」「最近誕生日」「次誕生日」のどれかを確認し、\(\mu\) が正しい年齢に割り当てられているかチェックする。

国勢調査の式が難しそうに見えても心配しないでください！それらはすべて、その期間中に生きている人々の「平均数」を推定し、1年分をかけているだけなのだと覚えておけば大丈夫です。