ようこそ、最尤法（Likelihood）の世界へ！

未来のアクチュアリーの皆さん、こんにちは！ASTAMの学習で最も重要な章の一つ、最尤推定法（Maximum Likelihood Estimation: MLE）の世界へようこそ。保険会社が損害額の平均や事故の発生頻度といったモデルの「数値（パラメータ）」をどのように決めているのか、不思議に思ったことはありませんか？まさにその答えがここにあります。

MLEは探偵のようなものだと考えてください。あなたには「データ」という手がかりがあり、その手がかりを導き出した「最も可能性の高い犯人（パラメータ）」を突き止めるのが目的です。MLEは非常に強力な数学的特性を備えているため、モデルの信頼性を担保する「ゴールドスタンダード（黄金律）」として重宝されています。最初は難しく感じるかもしれませんが、大丈夫です。一歩ずつ着実に解説していきますね！

1. 基本的な考え方：尤度（Likelihood）とは？

日常会話では「尤度（likelihood）」と「確率（probability）」は同じような意味で使われますが、アクチュアリー科学の世界では明確な違いがあります。
• 確率：パラメータが既知の状態で、どのようなデータが得られるかを予測する場合。
• 尤度：データが手元にある状態で、どのパラメータが最も妥当かを推定する場合。

尤度関数（\(L(\theta)\)）は、特定のパラメータ \(\theta\) のもとで、実際に観測されたデータが得られる確率を表します。私たちの目標は、観測データが最も起こりやすくなるような \(\theta\) の値を見つけることです。この推定値を \(\hat{\theta}\)（「シータ・ハット」と読みます）と呼びます。

なぜ自然対数を使うのか？

多くの場合、尤度関数は確率の巨大な積になります。小さな小数を何十個も掛け合わせるなんて大変ですよね！そこで作業を簡単にするために、自然対数をとって対数尤度（\(l(\theta)\) または \(\ln L(\theta)\) と表記）を計算します。
豆知識： 対数は「単調増加関数」であるため、対数尤度を最大にする \(\theta\) の値は、元の尤度を最大にする値と全く同じになります。対数を使うと掛け算が足し算に変換されるので、微分の計算がずっと楽になるのです！

2. 個別損害額データに対するMLE

まずは損害額（Severity）から始めましょう。独立した損害額の観測データ \(x_1, x_2, ..., x_n\) があると仮定します。

基本ケース：
免責金額や支払限度額がない完全なデータセットの場合、尤度は各観測値の確率密度関数（PDF）の積となります。
\(L(\theta) = \prod_{i=1}^{n} f(x_i; \theta)\)

アクチュアリーの実務：打ち切りと切断
ASTAMの実務では、「純粋な」データを見ることは稀です。実際には免責金額（d）や支払限度額（u）が絡みます。これが尤度の書き方に影響を与えます！

• 左側切断（免責金額）： 免責金額 \(d\) を超えた損害のみが記録される場合、条件付き確率を考える必要があります。観測値 \(x\) が尤度に寄与する値は： \(\frac{f(x)}{S(d)}\) となります。
• 右側打ち切り（支払限度額）： 損害額が上限 \(u\) で頭打ちになる場合、正確な値は不明で「少なくとも \(u\) 以上」であることしか分かりません。この場合の寄与度は： \(S(u)\) となります。

損害額MLEのステップ・バイ・ステップ：

1. 尤度の構築：各データポイントについて、具体的な値 \(f(x)\) なのか打ち切られた値 \(S(u)\) なのかを判断し、必要に応じて免責金額分を \(/ S(d)\) で調整します。
2. 対数をとる：全体に \(\ln\) を適用します。
3. 微分する：\(\theta\) に関して微分します。
4. ゼロとおく：微分した式をゼロとおいて、\(\hat{\theta}\) を解きます。
5. 検証する：（厳密には）二階微分を確認して最大値であることを確かめます。ただし、試験では最初の解がそのまま答えになることがほとんどです。

重要なポイント： 損害額データでは、「正確な値はPDF、打ち切られた値は生存関数、免責金額がある場合はその生存関数で割る」と覚えておきましょう。

3. 度数データに対するMLE

度数（Frequency）とは、何件の事故が発生したかを示します。この場合、データポイント \(n_i\) はカウント（0, 1, 2...）になります。

件数 \(k\) 個のデータ \(n_1, n_2, ..., n_k\) を観測した場合、尤度は確率質量関数（PMF）の積になります。
\(L(\theta) = \prod_{i=1}^{k} P(N = n_i; \theta)\)

度数データは表形式で与えられることがよくあります（例：「0件の契約が50件、1件の契約が30件...」）。その場合は、カウントを指数として使います。
\(L(\theta) = [P(N=0)]^{50} \times [P(N=1)]^{30} ...\)

よくある度数分布のショートカット：

分布によっては、計算すら不要な場合があります。直感的なMLEの結果は以下の通りです：
• ポアソン分布： \(\hat{\lambda}\) は単なる標本平均（\(\bar{x}\)）です。
• 二項分布： \(\hat{q}\) は標本平均を \(m\) で割ったものです。
• 負の二項分布： \(r\) が固定されている場合、 \(\hat{\beta} = \bar{x} / r\) です。

クイック復習ボックス：
• 損害額 = 連続型（\(f(x)\) と \(S(x)\) を使用）
• 度数 = 離散型（\(p_k\) を使用）
• 対数はあなたの最高の味方です！

4. 最尤推定量の特性

なぜアクチュアリーはMLEを愛するのでしょうか？それは、サンプルサイズ \(n\) が大きくなると、MLEが「完璧な推定量」になるからです。知っておくべき3つの「A」を紹介します：

1. 漸近不偏性（Asymptotic Unbiasedness）： データが増えるほど、推定量 \(\hat{\theta}\) の平均値は真の値に一致していきます。
2. 漸近正規性（Asymptotic Normality）： 大規模サンプルでは、\(\hat{\theta}\) の分布はベルカーブ（正規分布）に従います。これは信頼区間を構築するのに非常に便利です！
3. 漸近有効性（Asymptotic Efficiency）： あらゆる「優れた」推定量の中で、MLEは分散が最小になります。ツールキットの中で最も「精密」な道具と言えます。

MLEの分散の計算

推定値がどれくらい「揺らぐ」可能性があるかを調べるために、情報行列（フィッシャー情報量）を使います。
\(\hat{\theta}\) の分散は近似的に以下で求められます：
\(Var(\hat{\theta}) \approx \frac{1}{-E[l''(\theta)]}\) または試験で一般的なのは： \(\frac{1}{-l''(\hat{\hat{\theta}})}\)

覚え方： 二階微分（\(l''\)）を「曲がり具合（曲率）」だと考えてください。対数尤度曲線が非常に尖っていれば（曲率が大きい）、推定に対する確信度が高いため、分散は小さくなります！

5. グループ化されたデータ（「バケツ」問題）

時には、正確な損害額が分からず、特定の「バケツ（区間）」に何件の事故があったかだけが分かることがあります（例：0ドルから1,000ドルの間に10件の請求があった）。
境界値 \(c_{j-1}\) と \(c_j\) の間に \(n_j\) 個の観測値がある場合、その尤度への寄与度は：
\([F(c_j) - F(c_{j-1})]^{n_j}\)

ありがちなミス： グループ化データに PDF \(f(x)\) を使ってはいけません！特定の \(x\) は存在しないからです。必ず累積分布関数（CDF）の差を使ってください。

6. まとめと最後のアドバイス

• 整理整頓： MLEの問題は長くなりがちです。対数変換を始める前に、PDFやPMFを紙にしっかり書き出しましょう。
• 免責金額に注意： 「支払額ベース」であれば通常 \(S(d)\) で割ります。「損失額ベース」で免責額以上の損失のみを知らされている場合も同様の考え方です。
• 微分の練習： ASTAMの受験生が失点するのはアクチュアリーのコンセプトではなく、基本的な微分の計算ミスです。\(\frac{d}{dx} \ln(u) = \frac{1}{u} u'\) をしっかり復習しておきましょう。
• 分布を確認： ガンマ分布？パレート分布？指数分布？それぞれにショートカットや固有のPDFがあります。ASTAMの公式集をすぐに開けるようにしておきましょう！

試験に向けた最終チェック： MLEとは、観測された現実が最も起こりやすくなるようなパラメータを見つける作業です。度数であれ損害額であれ、パターンは常に： 尤度 \(\rightarrow\) 対数 \(\rightarrow\) 微分 \(\rightarrow\) ゼロ です。あなたなら絶対大丈夫！