マルコフ多状態モデルへようこそ！
こんにちは！ALTAM試験までたどり着いた皆さんなら、人生が単なる「生存」か「死亡」だけではないことをすでにご存知でしょう。就業不能所得保障保険や介護保険のような現実の保険商品では、加入者が健康状態のさまざまな段階をどう推移していくかを追跡する必要があります。それこそが、まさにマルコフ多状態モデルの役割です！これらは複雑なアクチュアリー計算を支えるエンジンそのものなのです。
この章では、モデルを機能させるための「ゲームのルール」、つまり前提条件について見ていきます。最初は少し抽象的に感じるかもしれませんが、心配はいりません。具体的なたとえ話を交えながら、一つずつ噛み砕いて説明していきますね。
1. 核となる前提：マルコフ性
最も重要なのはマルコフ性（Markov Property）です。簡単に言うと、モデルに「記憶がない」ことを意味します。
マルコフ性は、将来の状態に移行する確率は、現在の状態のみに依存し、そこにどのように至ったか、あるいはどれくらいその状態に留まっているかは関係ない、と仮定するものです。
たとえ話：GPS vs. 旅行日記
友達の家まで車で向かうところを想像してください。マルコフモデルはGPSのようなものです。次の曲がり角を教えるために必要なのは、現在地だけです。あなたがニューヨークから出発したのか、ロサンゼルスから出発したのかは気にしません。一方、非マルコフモデルは旅行日記のようなもので、次にどこへ行くかを決めるために、あなたの全履歴を振り返るのです。
クイック復習：
ALTAMでは、ある年齢 \( x \) で状態 \( i \) にいる人が将来状態 \( j \) に移行する確率は、それまでの履歴（どの状態を経由したか、状態 \( i \) にどれだけ長くいたか）には影響されない、と仮定します。
重要用語：履歴 \( \mathcal{H}_t \)
数学的な表記では、確率は \( \mathcal{H}_t \)（時刻 \( t \) までのプロセスの履歴）から独立していると言います。形式的には以下の通りです。
\( Pr(S(t+s) = j | S(t) = i, \mathcal{H}_t) = Pr(S(t+s) = j | S(t) = i) \)
2. 遷移確率
状態間の移動を記述するために特定の表記を使います。年齢 \( x \) の人について：
\( _{t}p_{x}^{ij} \) は、年齢 \( x \) で状態 \( i \) にいる人が、年齢 \( x+t \) で状態 \( j \) にいる確率です。
主に2種類の確率があります。
1. 遷移確率（\( i \neq j \)）： 異なる状態にたどり着く確率。
2. 滞留確率（\( i = j \)）： 期間終了時に同じ状態にいる確率。（注意：これは一度も状態 \( i \) を離れなかったという意味ではありません。チェックした時に状態 \( i \) に戻っていれば良いのです！）
豆知識：
状態 \( i \) から始まるすべての確率の合計は、必ず1になります。任意の時刻 \( t \) について：
\( \sum_{j} {_{t}p_{x}^{ij}} = 1 \)
なぜなら、その人は必ずいずれかの状態に存在しているはずだからです！
3. 遷移力（強度）
確率は一定期間（1年など）の変化を見ますが、遷移力（Force of Transition、記号 \( \mu \)）は瞬間的な変化を見ます。
年齢 \( x+t \) における状態 \( i \) から状態 \( j \) への遷移力は次のように定義されます。
\( \mu_{x+t}^{ij} = \lim_{h \to 0} \frac{_{h}p_{x+t}^{ij}}{h} \)
たとえ話：スピードメーター vs. オドメーター
遷移力 (\( \mu \))は車のスピードメーターだと思ってください。ある瞬間にどれだけの速さで動いているかを示します。一方、確率 (\( p \))はオドメーター（積算距離計）です。1時間の間に実際にどれだけの距離を進んだかを示します。
重要なポイント：これらの力は年齢の関数であると仮定します。ALTAMでは通常、非斉次（non-homogeneous）モデルを扱います。これは、年齢を重ねるごとに移行の「スピード」が変化することを意味します。
4. チャップマン・コルモゴロフ方程式
難しそうな名前ですが、概念は非常にシンプル。「点と点をつなぐ」だけです。
状態 \( i \) から状態 \( j \) へ長い時間をかけて移行する確率を知りたい場合、中間状態 \( k \) を経由して2つの短いステップに分けることができます。
公式：
\( _{t+u}p_{x}^{ij} = \sum_{all \: k} {_{t}p_{x}^{ik}} \cdot {_{u}p_{x+t}^{kj}} \)
ステップごとの理解：
1. 状態 \( i \) から出発します。
2. 時間 \( t \) 後、どの状態 \( k \)（健康、病気など）にいても構いません。
3. その状態 \( k \) から、残りの時間 \( u \) で最終的な状態 \( j \) へ移動します。
4. すべての可能な「経路」（すべての \( k \)）を合計すれば、合計確率が得られます。
要点：この方程式を使うと、短期間の確率を掛け合わせて足し合わせることで、長期間の確率を構築できるようになります。
5. コルモゴロフの前方方程式
これは、ある状態にいる確率が時間の経過とともにどう変化するかを表す微分方程式です。ALTAMでは、その背後にある直感的な理解が不可欠です。
確率 \( _{t}p_{x}^{ij} \) の変化率は、以下に依存します。
1. 流入： 他の状態 \( k \) から状態 \( j \) に入ってくる人々。
2. 流出： 状態 \( j \) から他の状態へ出ていく人々。
一般形：
\( \frac{d}{dt} {_{t}p_{x}^{ij}} = \sum_{k \neq j} (_{t}p_{x}^{ik} \cdot \mu_{x+t}^{kj} - {_{t}p_{x}^{ij} \cdot \mu_{x+t}^{jk}}) \)
よくある間違い：
添字を入れ替えてしまうミスが多いです。覚えておいてください：\( \mu^{kj} \) は \( k \) から \( j \) への移動を意味します。「流入」の部分では \( j \) に到達したいので、\( j \) が2番目の上付き添字に来る必要があります。
6. 特別なケース：滞留確率
時々、ある人が一度も外に出ることなく、全期間 \( t \) にわたって特定の状態 \( i \) に留まり続ける確率を知りたい場合があります。これを \( _{t}\bar{p}_{x}^{ii} \) と表記します。
これは、状態 \( i \) から出ていく力の合計を使って計算します。
\( _{t}\bar{p}_{x}^{ii} = \exp \left( -\int_{0}^{t} \sum_{j \neq i} \mu_{x+s}^{ij} ds \right) \)
注：pの上のバーは、連続してそこに留まっていることを示します。
クイックまとめ＆成功のためのヒント
まとめボックス：
• マルコフ性： 未来は現在の状態のみに依存する。
• 非斉次： 遷移率 (\( \mu \)) は年齢とともに変化する。
• チャップマン・コルモゴロフ： 中間状態をすべて合計することで、長い経路を短い経路に分解できる。
• 前方方程式： 「流入 － 流出」の数学。
最後に：
マルコフモデルはALTAMの「骨格」です。状態を円で、遷移を矢印で図示できるようになれば、数学はぐっと扱いやすくなります。あなたなら大丈夫！遷移図を描く練習を続ければ、公式が自然と頭に入ってくるようになりますよ。