Woolhouseの世界へようこそ！
アクチュアリー科学の世界では、データが1年単位のきれいで整った塊として扱われることがよくあります。しかし、現実世界は常にそううまくはいきません。保険料は毎月支払われ、年金もまた毎月支払われることが一般的です。複雑な微積分を山ほど繰り返さずに、「年1回」と「年複数回」のギャップをどのように埋めればよいのでしょうか？そこで登場するのがWoolhouse（ウールハウス）の近似式です！
この章では、特に状態依存型補償（マルチステートモデルなど）において、これらの近似式をどのように使うかに焦点を当てます。Woolhouseを、年単位の値を高精度で期間内（フラクショナル）の値に変換してくれる、アクチュアリーのための特別な「橋渡し役」だと考えてください。
パート1：基礎知識 ― なぜ近似が必要なのか？
年金の期待現在価値（EPV）を計算するとき、記号 \(\ddot{a}_x\) は期首払いの年金（年1回払い）を表します。では、支払いが年 \(m\) 回行われる場合はどうでしょうか？これを \(\ddot{a}_x^{(m)}\) と呼びます。
この \(\ddot{a}_x^{(m)}\) を厳密に計算するには、1年の中のあらゆる微小な期間における生存確率を知る必要があります。マルチステートモデルでは、特定の瞬間にどの状態にいるかの確率を常に追跡しなければならないため、これはさらに困難になります。Woolhouseの式を使えば、年次データといくつかの「調整係数」だけで、この計算をショートカットできるのです。
日常に例えると？
階段を上る場面を想像してください。1階分を大股で1歩で上がるなら、それは年金払い（\(m=1\)）のようなものです。もし1階分を12回の小股で上がるなら、それは月払い年金（\(m=12\)）のようになります。Woolhouseの式は、大股での移動距離（年次データ）だけをもとに、小股での移動にかかる総労力を推定するための、数学的な「ならしツール」のようなものなのです。
パート2：2項Woolhouse近似式
2項Woolhouseはよりシンプルなバージョンです。これは、死亡（または状態遷移）が年間を通じてある程度均等に発生すると仮定するものですが、標準的なUDD（死亡均等発生）仮定よりも洗練されています。
状態 \(i\) にいる人の期首払い年金の近似式は以下の通りです：
\[\ddot{a}_x^{i(m)} \approx \ddot{a}_x^i - \frac{m-1}{2m}\]
式の各パーツを分解しましょう：
1. \(\ddot{a}_x^i\)：状態 \(i\) にいる人の年払い年金の価値です。
2. \(\frac{m-1}{2m}\)：これが「調整係数」です。年1回の代わりに \(m\) 回に分けて支払うことで、利息や生存保障の機会が平均して支払い期間の約半分だけ失われるという事実を表しています。
クイックヒント：よく使われる \(m\) の値
試験では通常、以下の値が使われます：
- 月払い： \(m=12\)。調整値は \(\frac{11}{24} \approx 0.4583\)。
- 四半期払い： \(m=4\)。調整値は \(\frac{3}{8} = 0.375\)。
- 連続払い： \(m \to \infty\) の場合、調整値は単に \(1/2\) または \(0.5\) となります。
重要なポイント： 2項式は非常に使いやすいです。なぜなら、支払回数（\(m\)）だけに依存するからです。利率や死亡率を気にする必要はありません！
パート3：3項Woolhouse近似式
時には、「それなり」の精度では不十分なこともあります。利率が高い場合や、状態から離脱する確率が急速に変化している場合、2項式では少し誤差が生じます。そこで、3項Woolhouseは、精度を高めるためにパズルのピースをもう一つ加えます。
マルチステートモデルにおける式は以下のようになります：
\[\ddot{a}_x^{i(m)} \approx \ddot{a}_x^i - \frac{m-1}{2m} - \frac{m^2-1}{12m^2} (\mu_x^{i\bullet} + \delta)\]
ちょっと待って、新しい記号は何ですか？
- \(\delta\)：利力のことで、\(\delta = \ln(1+i)\) です。
- \(\mu_x^{i\bullet}\)：これは状態 \(i\) からの全離脱力（トータル遷移力）です。ALTAMでは、現在の状態から出ていくすべての遷移力の合計を意味します：\(\mu_x^{i\bullet} = \sum_{j \neq i} \mu_x^{ij}\)。
難しそうに見えても大丈夫！
3つ目の項は「曲線の補正」だと考えてください。\((\mu_x^{i\bullet} + \delta)\) という部分は、人が状態から離れること（死亡や移動）と貨幣の時間価値の両方によって、年金の価値がどれだけ速く低下しているかを考慮しています。
復習ボックス
2項式： 調整値 = \(\frac{m-1}{2m}\)
3項式： 調整値 = \(\frac{m-1}{2m} + \frac{m^2-1}{12m^2} (\mu_x^{i\bullet} + \delta)\)
（注：上の式では3項目が引き算されています。符号の取り扱いには細心の注意を払ってください！）
パート4：状態依存型補償への適用
ALTAM試験では、単に一人の生死だけを見るわけではありません。「健康」「病気」「死亡」といった状態を扱います。これらのモデルにWoolhouseを適用する際、覚えておくべき大きなポイントが2つあります。
1. 正しい離脱力（Force of Exit）を使うこと：
もし「病気」状態の年金を計算しているなら、\(\mu_x\) には「死亡」への遷移力だけでなく、（モデルで許可されていれば）「健康」に戻る遷移力も含まれていなければなりません。
2. 直接給付と間接給付：
Woolhouseは、状態 \(i\) にいる間に支払われる直接的な状態年金には非常に適しています。追加の修正なしに「遷移給付」（状態間を移動する際に支払われる一時金）に対して使用することは通常ありません。
豆知識
Woolhouseの式は、実はオイラー＝マクローリンの公式から導かれています。これは、和と積分の差を求めるために微積分で使われる強力なツールです。アクチュアリーは、試験に合格できるようにその複雑な部分を簡略化してくれたのです！
パート5：よくある落とし穴と回避策
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：
1. \(\ddot{a}\) と \(a\) を混同しない： Woolhouseは一般的に期首払い年金（期間の開始時に支払い）のために教えられます。試験で期末払い年金（\(a_x^{(m)}\)）を求められたら、\(a_x^{(m)} = \ddot{a}_x^{(m)} - \frac{1}{m}\) を使うことを思い出してください。
2. 利率を忘れない： 3項式では、年実効利率 \(i\) ではなく、利力 \(\delta\) が必要です。もし \(i = 5\%\) と与えられたら、\(\ln(1.05) \approx 0.04879\) を使いましょう。
3. 遷移力の合計： 状態1にいて、状態2または状態3へ移動できる場合、\(\mu_x^{1\bullet}\) は \(\mu_x^{12} + \mu_x^{13}\) となります。離脱パスを一つでも忘れると、3つ目の項の値が間違ってしまいます！
まとめチェックリスト
- 2項Woolhouse： 年払い年金から \(\frac{m-1}{2m}\) を引く。
- 3項Woolhouse： 追加で \(\frac{m^2-1}{12m^2} (\mu_x^{i\bullet} + \delta)\) を引く。
- 状態依存の場合： 使用する \(\mu\) は、現在の状態からの離脱力の合計であることを確認する。
- mの値： 月払いは12、四半期払いは4、半年払いは2を使う。
これらの公式を練習し続けましょう！調整項を一度覚えてしまえば、これらの問題は非常に予測可能なパターンに従うため、試験では「確実に得点できる問題」になります。あなたなら絶対に大丈夫です！