Severity Models（損失規模モデル）へようこそ：分布の裾（テール）の比較！

保険の世界では、ちょっとした車の接触事故だけでなく、「一生に一度あるかないか」という巨大なカタストロフィ（大惨事）が常に懸念されています。分布の裾（テール）を比較することは、どの数学的モデルが、より頻繁に、あるいはより甚大な「巨額の損失」を予測できるかをアクチュアリーが見極めるための重要な手法です。

この章では、2つの異なる損失分布を比較し、どちらが「ヘビーテール（重い裾）」であるか（つまり、巨大な保険金支払いの可能性が高いか）を判定する方法を学びます。最初は少し抽象的に感じるかもしれませんが、大丈夫です！具体的な例えをたくさん使って、しっかり理解できるように進めていきましょう。

1. 「テール（裾）」とは一体何か？

損失分布のグラフを思い浮かべてください。「テール（裾）」とは、グラフの右端、つまり非常に高い金額を表す部分のことです。ある分布がヘビーテール（重い裾）であると言うとき、それは右側に進むにつれて、その確率密度が「より長く高く留まっている」ことを意味します。これは、ライトテール（軽い裾）の分布よりも、巨額の損失が発生する確率が高いことを示唆しています。

例えるなら： 「ライトテール」は、すぐに息切れしてしまう短距離走者のようなものです。確率（ランナーのスピード）は急速にゼロに近づきます。「ヘビーテール」はマラソンランナーのようなもので、損失額が非常に大きくなっても、確率は依然として存在し続けます。

クイックレビュー：なぜこれが重要なのか？
ヘビーテールのリスク（ハリケーン被害など）に対してライトテールのモデルを使ってしまうと、巨額の保険金コストを大幅に過小評価することになります。それが保険会社を破綻させる原因になるのです！

2. 方法1：生存関数による比較

2つの分布 \(X\) と \(Y\) を比較する最も直接的な方法は、\(x\) が無限大に近づくときの生存関数（Survival Functions）、\(S_X(x)\) と \(S_Y(x)\) を見ることです。

その比率の極限を計算します：
\[ \lim_{x \to \infty} \frac{S_X(x)}{S_Y(x)} \]

  • 極限が \(\infty\) になる場合：分布 \(X\) は \(Y\) よりも重いテールを持つ。
  • 極限が \(0\) になる場合：分布 \(X\) は \(Y\) よりも軽いテールを持つ。
  • 極限が 正の定数 になる場合：テールは同様の重さを持つとみなされる。

プロのヒント： 生存関数での計算が難しい場合は、代わりに密度関数（\(f(x)\)）を使っても大丈夫です！極限の結果は同じになります。

豆知識： ここでロピタルの定理が大活躍します！もし \(\frac{\infty}{\infty}\) のような不定形になったら、迷わず分子と分母を微分しましょう！

3. 方法2：ハザード率関数

ハザード率（Hazard Rate） \(h(x) = \frac{f(x)}{S(x)}\) は、損失額がすでに \(x\) に達しているという条件下での、「瞬間的な」発生率を示します。

ハザード率を用いたテールの重さの判断基準は以下の通りです：
ハザード率が低いほど = テールは重い

なぜでしょうか？ハザード率が減少しているということは、損失が大きくなるにつれて、それ以上損失が拡大する「圧力」が弱まっている（＝依然として大きな損失が残る可能性がある）ことを意味するからです。

一般的な分類：

  1. 減少ハザード率（DHR）： テールは重い（例：パレート分布）。
  2. 一定ハザード率： 指数分布のこと。これが「基準」となります。
  3. 増加ハザード率（IHR）： テールは軽い（例：正規分布）。

重要なポイント：

もし \(\lim_{x \to \infty} h_X(x) = 0\) であれば、分布 \(X\) は一般的に非常にヘビーテールです。もし極限が \(\infty\) であれば、非常にライトテールということになります。

4. 方法3：平均残余寿命（MRL）

平均残余寿命（Mean Residual Life） \(e(x)\) とは、すでに損失が \(x\) を超えているという条件下での、追加の期待損失額のことです。

\[ e(x) = E[X - x | X > x] = \frac{\int_{x}^{\infty} S(t) dt}{S(x)} \]

テールとの関係は以下の通りです：

  • \(e(x)\) が \(x\) とともに増加する場合：テールは重い。（損失が増えるほど、さらに続く損失の期待値も増える！）
  • \(e(x)\) が 一定 の場合：再び指数分布の出番です。
  • \(e(x)\) が \(x\) とともに減少する場合：テールは軽い。

例え： 「終わりの見えない会議」を想像してください。会議が長引けば長引くほど、「さらに続くのではないか」と予想されるなら、その会議は「増加する平均残余寿命」を持っており、非常にヘビーテールであると言えます！

5. 一般的な分布の比較（「順位付け」）

ASTAM試験のために、標準的な分布の「重さ」の順位を把握しておきましょう。最も重いものから最も軽いものへ：

1. パレート分布（Pareto）： ヘビーテールの王様。ハザード率はゼロに減少します。「べき乗則」テールの代表格です。
2. 対数正規分布（Lognormal）： これもヘビーテールですが、一般的に \(\alpha\) の小さいパレート分布よりは「わずかに軽い」とされます。ハザード率もゼロに減少します。
3. ワイブル分布（\(\tau < 1\)）： ヘビーテールです。
4. 指数分布（Exponential）： 中立の境界線。ハザード率は一定（\(1/\theta\)）です。
5. ワイブル分布（\(\tau > 1\)）： ライトテール。ハザード率は増加します。
6. ガンマ分布（Gamma）： 一般的にライトテール（ハザード率は一定の \(1/\theta\) に向かって増加します）。

覚え方のコツ： 「Please Let Everyone Go」（Pareto > Lognormal > Exponential > Gamma）。これで比較問題の多くはカバーできます！

6. よくある間違い

  • \(h(x)\) と \(S(x)\) の混同： ハザード率は小さいほどテールが重いことを忘れないでください。逆にしてはいけません！
  • パラメータの無視： ワイブル分布のように、パラメータによって重くも軽くもなるものがあります。必ず \(\tau\)（形状パラメータ）を確認しましょう。
  • 計算ミス： 比率の極限を取るとき、ロピタルの定理を使う前に式を簡略化するのを忘れる学生が非常に多いです。まずは式を整理して、時間を節約しましょう！

7. 最終まとめ表

ヘビーテール（重い裾）の特徴：
- 生存関数の比率 \(\to \infty\)
- ハザード率 \(h(x) \to 0\) または減少傾向
- 平均残余寿命 \(e(x)\) が増加する
- 極端な値が発生する確率が高い

ライトテール（軽い裾）の特徴：
- 生存関数の比率 \(\to 0\)
- ハザード率 \(h(x) \to \infty\) または増加傾向
- 平均残余寿命 \(e(x)\) が減少する
- 極端な値が発生する確率が低い

これらの極限計算をたくさん練習してください！関数を比較すればするほど、テールの「重さ」が直感的に理解できるようになるはずです。あなたなら大丈夫、やり遂げられます！