状態依存確率へようこそ！

未来の保険数理士の皆さん、こんにちは！これまでの章では、「生存」か「死亡」かというシンプルな生存モデルを学習してきましたね。この章では、さらに一歩レベルアップしましょう。ここでは連続時間マルコフモデルを探求します。これは、「健康」「病気」「死亡」といった複数の状態間を人が移動するモデルで、移動する確率はその人の年齢や現在の状態によって変化します。

難しそうに聞こえるかもしれませんが、生命保険のための「GPS（目的地までの経路案内）」だと考えてみてください。私たちは、人が取り得るすべての経路をマッピングし、特定の時間に特定の目的地に到着する確率を計算しようとしているのです。それでは、さっそく始めていきましょう！

1. 基本概念：状態依存モデルとは？

現実の世界では、リスクは単に「オン」か「オフ」かというものではありません。例えば、年金プランに加入している人が「現役」から「障害状態」になり、その後「回復」し、最終的に「死亡」するということもあります。

連続時間マルコフモデルでは、以下のことを仮定します：
1. 未来の状態は現在の状態のみに依存する（これが「マルコフ性」です）。
2. 状態の遷移は、時間のどの瞬間にも起こり得る。
3. 移動する確率は、\( x+t \) で表される個人の年齢に依存する。

重要用語：遷移強度（Transition Intensity）

遷移強度 \( \mu_{x+t}^{ij} \) とは、年齢 \( x+t \) の時点において、状態 \( i \) から状態 \( j \) へ移動する「瞬時」の割合のことです。

例え話： 遷移強度を車の「スピードメーター」だと思ってください。スピードメーターが時速60マイルを示しているとき、それは60マイル移動したという意味ではなく、そのまさに瞬間にどの程度の速度で走っているかを表しています。同様に、\( \mu_{x+t}^{ij} \) は人々が状態 \( i \) から \( j \) へ「流れていく」速度を意味します。

2. 遷移確率： \( {}_t p_x^{ij} \)

遷移強度が「速度」であるのに対し、遷移確率は一定期間が経過した後に特定の状態にいる「実際の可能性」です。

\( {}_t p_x^{ij} \) = 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。

重要な区別：
- \( {}_t p_x^{ii} \): 初期状態で \( i \) にいた人が、期間 \( t \) 後に状態 \( i \) にいる確率。（途中で一度外に出ても、戻ってきていればOK！）
- \( {}_t p_x^{\bar{ii}} \): 初期状態 \( i \) から一度も出ることなく、\( 0 \) から \( t \) まで継続して状態 \( i \) にとどまり続ける確率。

とどまり続ける確率の簡易公式：
\( {}_t p_x^{\bar{ii}} = \exp\left( -\int_0^t \sum_{k \neq i} \mu_{x+s}^{ik} ds \right) \)
覚え方： これは生存関数の \( {}_t p_x = e^{-\int \mu ds} \) と全く同じ形をしています！状態 \( i \) から「外へ出る」すべての方法を合計するだけですね。

まとめ表：確率 vs 強度

強度 (\( \mu \)): 変化の割合（「スピード」）。
確率 (\( p \)): そこに存在する可能性（「場所」）。

3. コルモゴロフ前方方程式

名前に恐れる必要はありません！これらの方程式は、ごくわずかな時間経過に伴って確率がどのように変化するかを記述するための手段にすぎません。

任意の状態 \( j \) について、確率の変化率 \( \frac{d}{dt} {}_t p_x^{ij} \) は、流入（Inflow）から流出（Outflow）を引くことで計算されます。

一般式：
\( \frac{d}{dt} {}_t p_x^{ij} = \sum_{k \neq j} \left( {}_t p_x^{ik} \mu_{x+t}^{kj} \right) - {}_t p_x^{ij} \sum_{k \neq j} \mu_{x+t}^{jk} \)

分解してみましょう：
1. 流入： 他のすべての状態 \( k \) にいる確率に、そこから状態 \( j \) へ遷移する強度をかけたものの合計です。
2. 流出： すでに状態 \( j \) にいる確率に、そこから他のすべての状態 \( k \) へ遷移する強度の合計をかけたものを引き算します。

例：健康-病気-死亡モデル
状態0＝健康、1＝病気、2＝死亡とすると、病気である確率（\( {}_t p_x^{01} \)）の変化は以下のようになります：
\( \frac{d}{dt} {}_t p_x^{01} = \underbrace{{}_t p_x^{00} \mu_{x+t}^{01}}_{\text{健康から病気へ}} - \underbrace{{}_t p_x^{01} (\mu_{x+t}^{10} + \mu_{x+t}^{12})}_{\text{病気から健康または死亡へ}} \)

4. 方程式の解法（オイラー法）

ALTAM試験では、これらの式を微積分を使って完全に解くことができない場合がよくあります。その代わり、オイラー法を使って次のステップを近似します。

オイラー近似のステップ：
1. 時間 \( t \) における現在の確率から始めます。
2. コルモゴロフ前方方程式を使って微分（変化率）を計算します。
3. その変化率に微小な時間刻み \( h \) を掛けます。
4. それを現在の確率に加えて、時間 \( t+h \) における確率を求めます。

公式：
\( {}_t+h p_x^{ij} \approx {}_t p_x^{ij} + h \cdot \left( \frac{d}{dt} {}_t p_x^{ij} \right) \)

よくあるミス： \( h \)（刻み幅）が通常は小さい値（1ヶ月なら 1/12、1日なら 1/365 など）であることを忘れてしまうこと。微分値に \( h \) を掛けるのを忘れないように注意してください！

5. 非定数強度を扱う場合

試験では、\( \mu_{x+t}^{01} = 0.01 + 0.001(x+t) \) のように、強度が時間の関数として与えられることがあります。

知っていましたか？ これは「非斉次モデル」と呼ばれます。単に、人が年をとるにつれて遷移の「スピード」が変化するという意味です。

強度が変化する場合に、特定の状態にとどまり続ける確率を求めるには、積分が不可欠です。
\( {}_t p_x^{\bar{ii}} = \exp\left( -\int_0^t \text{全脱出率} \right) \)

クイック復習：
- 脱出率が一定（\( \mu \)）なら、\( {}_t p_x^{\bar{ii}} = e^{-\mu t} \)。
- 脱出率が線形（\( At + B \) のような形）なら、積分すると指数部分は2次式になります！

6. まとめと要点

覚えておくべきポイント：
- 状態と遷移： 強度（\( \mu \)）を用いて複数の状態間の動きを追跡します。
- とどまり続ける vs 存在する： \( {}_t p_x^{\bar{ii}} \) は「一度も外に出ていない」ことを、\( {}_t p_x^{ii} \) は「戻ってきた」ことも含めた確率です。
- 前方方程式： 変化率は単に「流入引く流出」です。
- オイラー法： 数値計算に使います：\( \text{新しい値} = \text{古い値} + (\text{刻み幅} \times \text{変化率}) \)。

最後に：
連続時間マルコフモデルは、動きを追跡するための非常にフォーマルな手段にすぎません。箱（状態）の間の「流れ」を視覚化できれば、数学的な計算は自然とついてきます。状態遷移図を描く練習をしてみてください。どの強度が式のどの部分に属しているのかが明確になりますよ！