データ推定の世界へようこそ！

未来のアクチュアリーのみなさん、こんにちは！これまでの学習で、遷移強度（\(\mu_{x}^{ij}\)）や遷移確率（\(p_{x}^{ij}\)）は、まるで最初から決まっている値かのように扱ってきたかもしれません。しかし、実際のところ、これらの数値はどこから来ているのでしょうか？現実の世界では、私たちは過去のデータを分析し、そこからこれらの値を推定しなければなりません。

この章では、最尤推定法（MLE: Maximum Likelihood Estimation）を使って、これらの強度を推定する最適な方法を学びます。「最尤推定」という言葉を聞くと、何だか難しそうな統計用語のように感じるかもしれませんが、心配はいりません。これは単に「観察されたデータが最も起こりやすくなるような値を選ぼう」という、とても論理的な考え方なのです。

1. 全体像：遷移強度とは

計算に入る前に、まずは前提を整理しましょう。マルチステート・モデル（例えば「健康」「病気」「死亡」の状態モデル）では、ある状態から別の状態へ移る「力」や「強度」を知る必要があります。これが \(\mu_{ij}\) です。

この章の核となる概念は、データから収集する以下の2つの情報です。
1. \(n_{ij}\)：状態 \(i\) から状態 \(j\) への遷移（ジャンプ）の合計回数。
2. \(T_{i}\)：全員が状態 \(i\) に留まっていた合計の「待機時間」または「滞在時間」。

身近な例え

ジムの回転ドアを観察しているところを想像してみてください。
- \(n_{ij}\) は、ロビーからトレーニングルームへ入った人数を数えることに相当します。
- \(T_{i}\) は、全員がロビーで過ごした時間の合計を足し合わせることに相当します。
もし10人がトレーニングルームへ移動し、全員がロビーで過ごした合計時間が100分だったなら、移動の「強度」は 10/100 = 0.1（1分あたり）となります。

2. 最尤推定（MLE）の公式

遷移強度が特定の期間内で一定であると仮定すると、数学的には驚くほど単純になります。状態 \(i\) から状態 \(j\) への遷移における最尤推定量は次の通りです。

\(\hat{\mu}_{ij} = \frac{n_{ij}}{T_i}\)

各記号の意味：
- \(\hat{\mu}_{ij}\) は強度の推定値（「ハット」は推定値であることを表します）。
- \(n_{ij}\) は、誰かが \(i\) から \(j\) へ移動したのを観測した回数。
- \(T_i\) は、全員が状態 \(i\) から移動する「リスク」にさらされていた合計時間。

重要な注意点： この公式は、すべての可能な遷移に対して使えます。もし3つの状態（0, 1, 2）を持つモデルであれば、\(\hat{\mu}_{01}\)、\(\hat{\mu}_{02}\)、\(\hat{\mu}_{12}\) などを、それぞれの移動回数と滞在時間を使って計算することになります。

ポイント

遷移強度の最尤推定量は、単なる事象数 ÷ 曝露量（エクスポージャー）です。つまり、これは「率（レート）」なのです！

3. 尤度関数を理解する

試験対策としては、なぜこの公式が成り立つのかを理解しておく必要があります。「尤度関数（Likelihood Function）」 \(L\) は、特定の \(\mu\) を与えたときに、私たちのデータセットが観測される確率を表します。

ある状態にいて時間 \(t\) だけ留まり、その後別の状態へ移動する一人の個人について、尤度への寄与は次のようになります。
\(L = (\text{時間 } t \text{ まで留まる確率}) \times (\text{時間 } t \text{ で移動する強度})\)
\(L = e^{-\mu_i \cdot t} \times \mu_{ij}\)

これを調査対象者全員分掛け合わせ、微積分（対数をとって微分をゼロにする）を行うと、あの美しい \(\hat{\mu} = n/T\) という公式にたどり着くのです。

豆知識：
状態 \(i\) から出る合計強度 \(\mu_i\) は、単純にその状態から出るすべての強度の合計です： \(\mu_i = \sum_{j \neq i} \mu_{ij}\)。合計流出強度の最尤推定量は \(\hat{\mu}_i = \frac{n_i}{T_i}\) となり、ここで \(n_i\) は状態 \(i\) からの全流出回数となります。

4. 遷移確率の推定

強度推定値（\(\hat{\mu}_{ij}\)）が求まれば、それを使って遷移確率（\(p_{ij}(t)\)）を推定できます。

シンプルな2状態モデル（「一定死亡力モデル」のようなもの）では、時間 \(t\) の間、状態 \(i\) に留まる確率は次の通りです。
\(\hat{p}_{ii}(t) = e^{-\hat{\mu}_{i} \cdot t}\)

より複雑なモデル（健康・病気・死亡モデルなど）で、強度が一定だと仮定する場合、これまでに学んだ標準的な確率公式（コルモゴロフの前方微分方程式など）に、求めた \(\hat{\mu}\) を代入します。

ステップバイステップ：データから確率へ

1. カウント：状態間の移動（ジャンプ）回数 (\(n_{ij}\)) を数える。
2. 合計：全員が開始状態で過ごした合計時間 (\(T_i\)) を計算する。
3. 除算：強度を計算する： \(\hat{\mu}_{ij} = n_{ij} / T_i\)。
4. 代入：その強度を確率公式（例： \(e^{-\hat{\mu}t}\)）に代入する。

5. よくある落とし穴と間違い

優秀な学生でも、細かい部分でつまずくことがあります。以下の点に注意してください：

  • 「合計時間」の罠： \(T_i\) には、状態 \(i\) に滞在したすべての人を含めてください。一度も他の状態へ移動しなかった人も含みます！彼らの「待機時間」も曝露量としてカウントされます。
  • 打ち切り（センサリング）： 調査終了など、遷移以外の理由で対象者が調査から外れる場合、外れるまでの時間はカウントしますが、\(n_{ij}\) にはカウントしません。
  • 時間の単位： 計算する \(T_i\) と、確率 \(p(t)\) で使う \(t\) の単位が一致しているか確認してください（両方とも「年」または「月」など）。

6. クイック復習ボックス

目標： 人々が状態間をどれくらいの速さで移動するかを推定する。
データ： 何人移動したか (\(n\)) と、集団がどれくらいの期間「リスク」にさらされていたか (\(T\))。
公式： \(\hat{\mu} = \frac{\text{移動回数}}{\text{合計時間}}\)。
前提： 通常、対象期間において強度は一定であると仮定します。

まとめ

遷移強度の推定は、生データとこれまで学んできた複雑なアクチュアリー・モデルとをつなぐ架け橋です。最尤推定法を使うことで、最も妥当な強度は、観測された事象数を状態内での合計滞在時間で割ったものになることがわかります。これらの強度がわかれば、通常通りに確率、期待値、保険料を計算できるようになります！

最初は難しく感じるかもしれませんが、大丈夫です！ 正しい移動回数と正しい合計時間を特定できれば、数学的には単純な割り算に過ぎません。まずは \(n\) と \(T\) を特定する問題をいくつか解いてみれば、すぐにMLEのプロになれるはずです！