マルチステート・モデリングの世界へようこそ！
未来の保険数理士の皆さん、こんにちは！ALTAM試験までたどり着いた皆さんなら、「生存」と「死亡」という基本的な生命保険モデル（Alive vs. Dead）についてはすでによくご存知でしょう。しかし現実の世界では、人生は単なる二者択一のスイッチではありません。人は病気になり、回復し、介護施設に入り、あるいは障害を抱え、最終的に亡くなるという複雑な経路をたどります。
この章では、状態依存型の保険・年金の現在価値確率変数について探求します。支払額が本人の「状態」に完全に依存する保険商品をどのように計算するかを学んでいきましょう。最初は複雑に感じるかもしれませんが、大丈夫です！すでに馴染みのある例えを使って、ステップバイステップで紐解いていきますよ！
1. 全体像：状態依存型変数とは何か？
マルチステート・モデルを、個人の健康状態を示すGPSだと考えてみてください。ある時点において、その人は特定の「場所（状態）」にいます。
- 状態0： 健康
- 状態1： 障害
- 状態2： 死亡
覚えておくべき重要用語：
遷移（Transitions）： ある状態から別の状態へ移動すること（例：健康から障害へ）。遷移に関連する支払いは、通常一時金（Lump sums）です。
占有（Occupancy）： ある期間、特定の状態に留まること。占有に関連する支払いは、通常年金（連続的または離散的な支払い）です。
クイック復習： FAM-Lでは「二重減少モデル」を学習しましたね。ALTAMではさらに一歩進んで、状態間を行き来すること（病気から回復するなど）を許容します。
2. 年金型給付（占有）
「障害」状態にいる限り、月額100ドルが支払われる保険を想像してください。これは占有に基づく給付です。
現在状態\(i\)にいる人が、状態\(j\)で受け取る年金の現在価値確率変数を\(Y\)と表記します。数理現在価値（APV）を求めるには、次の公式を使います：
\(E[Y] = \bar{a}_x^{ij} = \int_0^\infty v^t \cdot {}_tp_x^{ij} dt\)
公式の内訳：
1. \(v^t\)：これは割引係数です。将来の現金を今日の価値に引き直します。
2. \({}_tp_x^{ij}\)：これは占有確率です。年齢\(x\)で状態\(i\)からスタートした人が、時刻\(t\)に状態\(j\)にいる確率です。
3. 積分（\(\int\)）：期間全体にわたる、これら細分化された割引済みの確率をすべて足し合わせているのです。
現実の例え：Netflixのサブスクリプション
これは「逆Netflix」のようなものだと考えてください。あなたがNetflixに支払うのではなく、あなたが特定の状態で「アクティブ」である限り、彼らがあなたに支払うのです。価値を求めるには、将来の任意の時点であなたが「アクティブ」である確率を知り、その支払いを現在価値に割り引くだけです。
重要なポイント： 年金給付は、時刻\(t\)にどこにいるかに依存します。
3. 保険型給付（遷移）
次に、「重度疾患」と診断された（健康から病気へ移行した）瞬間に1万ドルの一時金が支払われる保険を想像してください。これは遷移に基づく給付です。
状態\(j\)から\(k\)へ遷移した時に支払われる一時金のAPVの公式は以下の通りです：
\(\bar{A}_x^{ik} = \int_0^\infty v^t \cdot {}_tp_x^{ij} \cdot \mu_{x+t}^{jk} dt\)
待って、\(\mu\)って何？
\(\mu_{x+t}^{jk}\)は遷移強度（または遷移力）です。状態\(j\)から\(k\)へ移動する「瞬間的な」速さを表します。
ステップバイステップの論理：
1. 開始時（時刻0）に状態\(i\)にいなければならない。
2. 時刻\(t\)に状態\(j\)にいなければならない（\({}_tp_x^{ij}\)）。
3. その瞬間に状態\(k\)へ「ジャンプ」しなければならない（\(\mu_{x+t}^{jk}\)）。
4. その「ジャンプ」の価値を今日に割り引く（\(v^t\)）。
「飛び出し」の例え
年金がサブスクリプションだとしたら、保険給付はトリップワイヤー（仕掛け紐）のようなものです。紐のそばに立っていても報酬はもらえません。紐に引っかかった（遷移した）その瞬間のマイクロ秒にのみ、支払いが受け取れるのです。
重要なポイント： 保険給付は、状態間を移動するという行為に依存します。
4. 総現在価値確率変数
実際の保険の多くは「コンボメニュー」です。例えば、長期介護（LTC）保険は次のような給付を行うかもしれません：
- 障害状態になった瞬間に一時金（遷移）。
- 障害状態に留まっている間、月々の収入（占有）。
総PVRVは、個々の給付のPVRVをすべて合計したものです。
\(Z_{total} = Z_{insurance} + Y_{annuity}\)
避けるべきよくある間違い： 総PVRVの分散を計算する際、保険部分と年金部分の分散を単純に足し合わせてはいけません。なぜなら、これらは通常、非常に高い相関があるからです！「障害」状態にいる（年金を受け取っている）ということは、その直前に障害状態へ移行した（一時金を受け取った）可能性が非常に高いからです。
5. 分散と「二重利力の法則」
試験では、これらの確率変数の分散を求められることがあります。状態依存型変数（特に単発の支払い）において、よく使われるテクニックに「二重利力の法則」があります。
支払額1に対する\(E[Z^2]\)を計算する必要がある場合：
- 前述のAPV公式を使用します。
- 利力 \(\delta\) を \(2\delta\) に置き換えます。
- すべての遷移強度（\(\mu\)）と確率（\(p\)）はそのままにします。
覚え方：「\(\delta\)を2倍にして、あとはそのまま、そうすれば分散テストもバッチリ！」
6. まとめとクイック復習
次の章に進む前に、以下の概念をしっかり「定着」させましょう：
クイック復習ボックス：
• 占有（\(\bar{a}_x^{ij}\)）： 「～状態の間」という給付に使用。 \({}_tp_x^{ij}\) に依存。
• 遷移（\(\bar{A}_x^{ij}\)）： 「～への進入時に」という給付に使用。 \({}_tp_x^{ij} \cdot \mu_{x+t}^{jk}\) に依存。
• 割引： 連続モデルでは常に \(v^t = e^{-\delta t}\) を使用。
• 積分： 遷移強度と利回りが一定であれば、積分は通常分数（例：\(\frac{1}{\mu + \delta}\)）に簡略化できます。ショートカットを見つけましょう！
豆知識： このマルチステートの枠組みは、エンジニアが機械の故障を予測したり、データサイエンティストが顧客の離脱率を予測したりする際に使われる数学とまったく同じものです！
最後の励まし： 状態依存型変数は、上付き文字（\(i, j, k\)）がたくさん出てきてアルファベットスープのように感じるかもしれません。でも覚えておいてください：\(i\)はスタート地点、\(j\)は現在地、\(k\)は行き先。あなたなら大丈夫です！