統計的準備金算出へようこそ！

これまでの学習で、連鎖はしご法（Chain Ladder法、またはDevelopment法）を学んだことでしょう。これは非常に古典的で重要な手法です！しかし、基本的な連鎖はしご法には大きな弱点があります。それは、計算結果が単一の数字（「点推定値」）としてしか得られないことです。実務の世界では、規制当局や会社の役員はこう問いかけます。「どれくらい外れる可能性があるのか？（誤差はどの程度か？）」

この章では、単純な算術計算から統計モデルの世界へと踏み出します。具体的には、マック（Mack）モデル、ポアソンモデル、そして過分散ポアソン（ODP）モデルを扱います。これらのツールを使えば、準備金の推定値を取り巻く不確実性（分散）を測定できるようになります。最初は数式が難しく見えるかもしれませんが、大丈夫です。一つずつ丁寧に紐解いていきましょう！

1. マック（Mack）モデル：連鎖はしご法の「確率的」アプローチ

マックモデルは、連鎖はしご法に統計的な裏付けを与えるものだと考えてください。準備金の推定値そのものは変わりませんが、その推定値に対する標準誤差を計算する方法を提供してくれます。

3つの主要な仮定

マックモデルを適用するには、累積損害額 \( C_{i,j} \)（ここで \( i \) は事故年度、\( j \) は進展年度）について以下の3点を仮定します。

  1. 独立性： 各事故年度は独立している。つまり、2022年の状況が2023年に影響を与えることはない。
  2. 平均： 次の期間の期待値は、現在の期間の値のみに依存する： \( E[C_{i, j+1} | C_{i,1}, ..., C_{i,j}] = C_{i,j} \cdot f_j \)。
  3. 分散： 次の期間の分散は、現在の期間の値に比例する： \( Var(C_{i, j+1} | C_{i,1}, ..., C_{i,j}] = C_{i,j} \cdot \sigma_j^2 \)。
パラメータの推定

マックモデルを使うには、各進展年度 \( j \) について次の2つを求める必要があります。

1. 進展係数（Development Factors, \( f_j \)）： これらは、基本的な連鎖はしご法で使ったものと全く同じです！
\( \hat{f}_j = \frac{\sum_{i=1}^{n-j} C_{i, j+1}}{\sum_{i=1}^{n-j} C_{i,j}} \)

2. 分散パラメータ（\( \sigma_j^2 \)）： これは、データが進展係数の周りでどれくらい「ばらつく」かを示します。
\( \hat{\sigma}_j^2 = \frac{1}{n-j-1} \sum_{i=1}^{n-j} C_{i,j} \left( \frac{C_{i, j+1}}{C_{i,j}} - \hat{f}_j \right)^2 \)

豆知識： 最終年度のデータが1つしか残っていない場合（つまり \( n-j-1 = 0 \) となる場合）、上記の公式は使えません。実務上のアクチュアリーは、経験則や指数減衰パターンを用いて最後の \( \sigma^2 \) を推定するのが一般的です。

予測平均二乗誤差（MSEP）

これこそがマックモデルの「魔法」です。特定の事故年度 \( i \) に対する予測平均二乗誤差（MSEP: Mean Square Error of Prediction）は、再帰的な公式を使って計算されます。公式全体は長いですが、大きく分けて2つの要素から成り立っていることを覚えておきましょう。

MSEP = プロセス分散 + 推定誤差の分散

  • プロセス分散： 避けることのできないランダム性（「運」の要素）。
  • 推定誤差の分散： 計算した \( f_j \) が真の係数と一致しないために生じる誤差。

クイックレビュー： マックモデルは連鎖はしご法と全く同じ準備金推定値を出しますが、そこに不確実性（標準誤差）を測定する尺度を付け加えるものです。

2. ポアソン準備金モデル

ここで話題を一般化線形モデル（GLM）に移しましょう。累積合計を見る代わりに、増分損害額（Incremental losses, \( X_{i,j} \)）に注目します。

基本的なポアソンモデルでは、増分損害額 \( X_{i,j} \) がポアソン分布に従うと仮定します。しかし、一つ落とし穴があります。ポアソン分布では平均と分散が等しい（\( E[X] = Var(X) \)）必要があるのです。

問題点： 保険金支払いは単純ではありません。通常、分散は平均よりもはるかに大きくなります。これを過分散（Overdispersion）と呼びます。標準的なポアソンモデルをそのまま使うと、リスクを過小評価してしまい、楽観的すぎる結果になってしまいます。

3. 過分散ポアソン（ODP）モデル

ポアソンモデルを修正するために、分散パラメータ（\( \phi \)）を導入します。ODPモデルでは以下のようになります。

  • 平均： \( E[X_{i,j}] = \mu_{i,j} \)
  • 分散： \( Var(X_{i,j}] = \phi \cdot \mu_{i,j} \)

\( \phi \) を含めることで、データが標準ポアソン分布よりも「ノイズが多い」ことを認めるわけです。

アクチュアリーがODPモデルを好む理由

試験で最も重要な「コツ」をお伝えします。それは、ODPモデルの結果は、連鎖はしご法と全く同じ準備金推定値になる！ということです。

試験問題でODPモデルを用いた準備金推定を求められ、損害額三角形が与えられている場合、特に指定がない限り、標準的な連鎖はしご法の手順を使ってしまって構いません。ODPモデルは、連鎖はしご法の結果を統計的に正当化するための形式的な枠組みに過ぎないのです。

マックモデルとODPモデルの主な違い
  1. マック：「ノンパラメトリック」（特定の分布形状を仮定しない）。
  2. ODP：「GLMの一種」（増分に対して特定の分布を仮定する）。
  3. マック：累積データに対して機能する。ODP：増分データに対して機能する。

たとえ話の時間です！ 明日どれくらい雪が降るかを予測するとしましょう。
- 連鎖はしご法：「5インチ降るでしょう。」
- マック/ODP：「おそらく5インチでしょうが、95%の確率で2〜8インチの間になるでしょう。」

4. モデルの比較：MSEPの内訳

ASTAM試験では、予測平均二乗誤差（MSEP）の計算や説明を求められることがあります。その構成要素を理解することが不可欠です。

\( MSEP[\hat{R}] \approx \sum Var(Process) + \sum Var(Estimation) \)

よくある間違い： 合計準備金（全年度の合計）に対するMSEPを計算する際、各年度の標準誤差を単に足し合わせるだけではいけません。全事故年度で同じ \( \hat{f}_j \) 係数が使われているため、推定誤差に相関関係が生じることを考慮しなければならないのです。

まとめボックス：
1. 連鎖はしご法： 単純な点推定。
2. マック： 累積データを用い、連鎖はしご法に分散を付加する。
3. ODP： 連鎖はしご法の結果を反映するGLMで、統計的な検定が可能。
4. MSEP： 「プロセス（ランダム性）」と「推定（パラメータ誤差）」の合計。

5. まとめと最後のアドバイス

重要なポイント：
  • マックモデルは3つの仮定（独立性、平均の比例関係、分散の比例関係）に基づいている。
  • マックモデルにおける\(\hat{f}_j\)は、連鎖はしご法におけるボリューム加重平均の進展係数と同じ。
  • 過分散とは分散が平均より大きいこと。ODPモデルは \( \phi \) を用いてこれを処理する。
  • モデルが確率的（Stochastic）である場合（マックやODPなど）、準備金に対する信頼区間やVaR（Value at Risk）を計算できる。
試験対策のアドバイス：
  • マックモデルの分散（\( \sigma_j^2 \)）に関する問題が出たら、表を整理しましょう。まずすべての \( f_j \) を計算し、それからすべての \( \sigma_j^2 \) を計算します。
  • \( C_{i,j} \) と \( X_{i,j} \) の表記で混乱しないように。C は Cumulative（累積合計）、X は Incremental（増分、あるいは「切り出されたピース」）です。
  • 忘れないでください：ODP = 連鎖はしご法のGLM版です。この関係性は概念的な問題でよく狙われます！

三角形（トライアングル）の計算を練習し続けてください！繰り返すほどに、これらの公式は自然と身についてきます。あなたなら大丈夫です！