経験ベイズ推定へようこそ！
これまで信用度理論（Credibility）を学習する中で、私たちはデータが従う分布（ポアソン分布や正規分布など）が既知であると仮定することがよくありました。しかし、現実の世界では、そんなに都合よく分布がわかっていることは稀です。そこで登場するのが経験ベイズ推定（Empirical Bayesian Estimation）です。これは探偵のようなものだと考えてください。犯人がどんな見た目か決めつけるのではなく、証拠（データ）を調べてパターンを見つけ出す手法です。
この章では、ノンパラメトリックとセミパラメトリックなケースに焦点を当てます。「ノンパラメトリック」とは、特定の分布を仮定しないという意味であり、「セミパラメトリック」とは、構造について少しは知っているけれど、すべてを特定しきっているわけではない状態を指します。ここでは、統計学の「三大パラメータ」である \(\mu\)（全体平均）、\(v\)（プロセス分散）、\(a\)（仮説的平均の分散）を推定する方法を学びます。
1. 基本概念：なぜ経験ベイズなのか？
信用度理論の目的は、次の公式を求めることです：\(Z \bar{X} + (1-Z)\mu\)。信用度因子 \(Z\) を計算するには、プロセス分散の期待値 (\(v\)) と 仮説的平均の分散 (\(a\)) という2つの要素が必要です。
ノンパラメトリック推定は、複数の保険契約者（または「リスク」）に関する数年分のデータがあるものの、基礎となる確率分布が全くわからない場合に使用します。データそのものを使って \(v\) と \(a\) を推定するのです。
例え話：あなたが陸上競技チームのコーチだと想像してください。全人類の正確な「才能分布」（パラメトリックモデル）はわかりませんが、手元には10人の選手による過去5レース分の記録があります。その記録を使って、選手ごとのレース間のブレ（\(v\)）と、選手同士の才能の差（\(a\)）を推定するわけです。
2. ノンパラメトリックなケース（ビューマン・モデル）
このシナリオでは、すべてのリスク（契約者）が同じエクスポージャー（例えば、各人が1「ユニット」）を持っていると仮定します。\(k\) 個のリスクがあり、各リスクについて \(n\) 年分のデータがあるとします。
ステップ・バイ・ステップのパラメータ推定
ステップ 1：各リスクの平均を計算する
まず、各契約者（\(i\)）の平均を求めます：
\(\bar{X}_i = \frac{1}{n} \sum_{j=1}^{n} X_{ij}\)
ステップ 2：全体平均 (\(\hat{\mu}\)) を計算する
これは、個々の平均をすべて合計して割ったものです：
\(\hat{\mu} = \bar{X} = \frac{1}{k} \sum_{i=1}^{k} \bar{X}_i\)
ステップ 3：プロセス分散 (\(\hat{v}\)) を推定する
これは、個人のクレームがその人自身の平均からどれだけ変動するかを測るものです。全リスクのサンプル分散を平均化します：
\(\hat{v} = \frac{1}{k(n-1)} \sum_{i=1}^{k} \sum_{j=1}^{n} (X_{ij} - \bar{X}_i)^2\)
ステップ 4：仮説的平均の分散 (\(\hat{a}\)) を推定する
これは、異なるリスクの「真の平均」がどれだけ異なるかを測ります。グループ間平均の単純な分散にはプロセス分散による「ノイズ」が含まれているため、少し計算が必要です：
\(\hat{a} = \frac{1}{k-1} \sum_{i=1}^{k} (\bar{X}_i - \bar{X})^2 - \frac{\hat{v}}{n}\)
クイック復習：なぜ \(\frac{\hat{v}}{n}\) を引くのでしょうか？それは、契約者のサンプル平均間に見られる変動は、それぞれの平均が単なる推定量であるという事実によって「膨らんでいる」からです。ノイズを取り除くことで、個々人間の「真の」分散を見つけ出すのです。
要点：もし \(\hat{a}\) が大きければ、契約者同士の差が大きいことを意味し、個々のデータが非常に役立つ（\(Z\) が大きい）ことを示します。逆に \(\hat{a}\) が小さければ、みんな似たり寄ったりだということで、グループ全体の平均に依存することになります（\(Z\) が小さい）。
3. セミパラメトリックなケース（ビューマン・シュトラウブ・モデル）
もしリスクのサイズが異なる場合はどうでしょう？例えば、1つの「リスク」が従業員5人の小さな会社で、もう1つが500人の大企業だとしたら。これがビューマン・シュトラウブ（Bühlmann-Straub）モデルです。ここでは \(m_{ij}\) という重み（エクスポージャー）を考慮します。
異なるエクスポージャーの推定
平均 (\(\hat{\mu}\)):
全クレームの加重平均を用います：
\(\hat{\mu} = \frac{1}{m} \sum_{i=1}^{k} \sum_{j=1}^{n} m_{ij} X_{ij}\) （ここで \(m\) は総エクスポージャー）
プロセス分散 (\(\hat{v}\)):
\(\hat{v} = \frac{1}{\sum_{i=1}^{k} (n_i - 1)} \sum_{i=1}^{k} \sum_{j=1}^{n} m_{ij} (X_{ij} - \bar{X}_i)^2\)
仮説的平均の分散 (\(\hat{a}\)):
この公式は本章の「ラスボス」です。難しそうに見えますが、ノンパラメトリックなケースと同じ論理に基づいています：
\(\hat{a} = \frac{\sum_{i=1}^k m_i (\bar{X}_i - \bar{X})^2 - (k-1)\hat{v}}{m - \frac{1}{m} \sum_{i=1}^k m_i^2}\)
ここで \(m_i\) はリスク \(i\) の総エクスポージャーです。
知っていましたか？ 問題によっては、計算の結果 \(\hat{a}\) が負の値になることがあります。分散は負になり得ないため、試験中にそうなった場合は \(\hat{a} = 0\) とします。これは、個々のデータがグループ平均以上に役立つことはないということを意味し、\(Z = 0\) となります。
4. よくある落とし穴と暗記のコツ
分母を混同しないように！
- ノンパラメトリックなケースでの \(\hat{v}\) を計算するとき、分母は \(k(n-1)\) です。「グループ数 × 各グループの自由度」と覚えましょう。
- \(\hat{a}\) を求める際のサンプル分散では、分母は \(k-1\) です。「\(k\) 個のグループ同士を比較する」と考えます。
「ゼロ分散」の罠：
もし \(\hat{a}\) が負になったら、必ず \(\hat{a} = 0\) としてください。これを忘れると \(Z\) が負になってしまい、信用度理論の文脈では意味をなしません！データに対する信念が「負」になることはあり得ないからです。
暗記のヒント：
ビューマン・シュトラウブの \(\hat{a}\) の公式で、分母を見てください：\(m - \frac{\sum m_i^2}{m}\)。これは分散の公式 \((E[X^2] - (E[X])^2)\) に似ていますよね。これは \(\hat{a}\) がグループ間の分散を分離しようとしているからなのです。
まとめ
1. ノンパラメトリック：すべてのリスクのエクスポージャーが等しく、分布がわからないときに使用。平均とサンプル分散から \(v\) と \(a\) を求める。
2. セミパラメトリック：リスクのエクスポージャーが異なる場合に使用（ビューマン・シュトラウブ）。重みによって計算は複雑になるが、論理は「グループ間の分散からノイズを引く」という点に変わりはない。
3. 不偏推定量：これらの推定量（\(\hat{\mu}, \hat{v}, \hat{a}\)）はすべて「不偏」、つまり平均的に真の値に一致するように設計されている。
4. 「負のa」ルール：\(\hat{a} \leq 0\) と計算された場合は、\(\hat{a} = 0\) かつ \(Z = 0\) とする。
公式が長く見えても心配いりません！ 試験問題の多くは、\(\sum \sum (X_{ij} - \bar{X}_i)^2\) のような合計値をあらかじめ与えてくれます。皆さんの役割は、どの公式にその値を代入すべきかを知っていることです。いくつか練習問題を解けば、すぐにパターンが見えてきますよ！