デルタ法へようこそ！
未来の保険数理士の皆さん、こんにちは！Exam ASTAMの学習を進めていくと、損失分布のパラメータ（\(\theta\)や\(\alpha\)など）を推定することに成功しても、上司や試験問題から「パラメータそのものではなく、パラメータの関数について知りたい」と求められる場面によく遭遇します。例えば、「保険金が10,000ドルを超える確率」や「限定損失の期待値」などがこれにあたります。
デルタ法（Delta Method）は、いわば数学的な「翻訳機」です。これを使うことで、推定したパラメータの分散や分布を、あなたが本当に知りたい「関数の分散や分布」へと変換することができます。最初は少し抽象的に感じるかもしれませんが、心配しないでください。一度パターンを掴んでしまえば、これはアクチュアリーのツールキットの中でも最も頼りになる道具の一つになります！
1. デルタ法とは具体的に何か？
パラメータモデルの構築と選択のセクションでは、パラメータを求めるために最尤法（MLE）を頻繁に使用します。MLEは「漸近正規性」を持つことが知られています。つまり、十分なデータがあれば、推定量は正規分布に従うように振る舞うということです。
デルタ法が言わんとしているのは、「もしパラメータの推定量が正規分布に従うなら、その推定量の滑らかな関数もまた（近似的に）正規分布に従う」ということです。
日常的な例え
ピザの半径を測っていると想像してください。定規が少し震えているせいで、測定した半径には「分散（不確実性）」が含まれています。ここで、ピザの面積（\(\pi r^2\)）を計算したいとします。半径の測定値が不確実なので、当然、計算された面積も不確実になります。デルタ法とは、半径の測定におけるその「震え」が、面積を計算する際にどれくらい増幅あるいは縮小するのかを教えてくれる計算式のことです。
クイック復習： デルタ法は、推定量の関数の分散を求めるために使われます。
2. 単一パラメータの場合
まずはシンプルに始めましょう。1つのパラメータ\(\theta\)があり、その推定量\(\hat{\theta}\)があるとします。MLEの学習から、\(\hat{\theta}\)には分散 \(Var(\hat{\theta})\) があることがわかっています。
ここで、関数 \(g(\theta)\) に興味がある場合、デルタ法による分散の公式は以下のようになります：
\(Var[g(\hat{\theta})] \approx [g'(\theta)]^2 \cdot Var(\hat{\theta})\)
ここで \(g'(\theta)\) は、関数 \(g(\theta)\) を \(\theta\) で微分したものです。
なぜ微分を2乗するのでしょうか？
基礎統計学を思い出してください： \(Var(aX) = a^2 Var(X)\) です。デルタ法では、微分 \(g'(\theta)\) が定数 \(a\) のような役割を果たします。これは「勾配」や「変化率」を表しています。分散を扱っているため、これを2乗する必要があるのです！
ステップ・バイ・ステップ：
1. 推定量 \(\hat{\theta}\) とその分散 \(Var(\hat{\theta})\) を特定する。
2. 分散を求めたい関数 \(g(\theta)\) を定義する。
3. \(g(\theta)\) を \(\theta\) で微分する。
4. 公式に代入する： \([g'(\theta)]^2 \cdot Var(\hat{\theta})\)
5. （任意）信頼区間を求めたい場合は、この結果の平方根をとって標準偏差を算出する。
3. 多パラメータの場合（行列バージョン）
ASTAMでは、ガンマ分布やパレート分布のように、2つ以上のパラメータを持つ分布を頻繁に扱います。ここは多くの受験生が苦手とするところですが、基本は単一パラメータの場合と同じ考え方の拡張版にすぎません。
パラメータベクトル \(\vec{\theta} = (\theta_1, \theta_2, ..., \theta_k)\) と、関数 \(g(\vec{\theta})\) がある場合、分散は以下のように推定されます：
\(Var[g(\hat{\vec{\theta}})] \approx (\nabla g)^T \cdot \Sigma \cdot (\nabla g)\)
「恐ろしげな」記号の解説：
- \(\nabla g\) （勾配ベクトル）： これは偏微分のリストです。\(\begin{bmatrix} \frac{\partial g}{\partial \theta_1} \\ \frac{\partial g}{\partial \theta_2} \end{bmatrix}\)
- \(\Sigma\) （共分散行列）： パラメータの分散を対角成分に、パラメータ間の共分散を非対角成分に持つ行列です。通常、情報行列の逆行列から得られます。
シンプルに考えると：
2つのパラメータ（\(\alpha\)と\(\theta\)）の場合、公式は以下のように展開されます：
\(Var[g(\hat{\alpha}, \hat{\theta})] \approx \left(\frac{\partial g}{\partial \alpha}\right)^2 Var(\hat{\alpha}) + \left(\frac{\partial g}{\partial \theta}\right)^2 Var(\hat{\theta}) + 2 \left(\frac{\partial g}{\partial \alpha}\right) \left(\frac{\partial g}{\partial \theta}\right) Cov(\hat{\alpha}, \hat{\theta})\)
豆知識： デルタ法の「デルタ（Delta）」は、微積分で「わずかな変化」を表す記号 \(\Delta\) に由来しています。パラメータの小さな変化が、関数の値をどれだけ変化させるかを調べているのです。
4. ASTAMでよく出る関数
どの関数を使えばいいか迷う必要はありません。試験では通常、以下の3つに焦点が当てられます：
- 生存関数： \(g(\theta) = S(x; \theta)\)。請求額が \(x\) を超える確率の分散を求めたい場合。
- 期待値： \(g(\theta) = E[X]\)。例えば、指数分布では \(E[X] = \theta\)、パレート分布では \(\frac{\theta}{\alpha-1}\) となります。
- 対数変換： 信頼区間の下限が負にならないようにするために、よく使用されます。
例題の解説：
指数分布のパラメータを \(\hat{\theta} = 100\)、分散を \(Var(\hat{\theta}) = 25\) と推定したとします。請求額が120を超える確率の分散を求めましょう。
ステップ1： 関数は \(g(\theta) = S(120) = e^{-120/\theta}\)。
ステップ2： 微分は \(g'(\theta) = e^{-120/\theta} \cdot (\frac{120}{\theta^2})\)。
ステップ3： \(\hat{\theta} = 100\) を代入： \(g'(100) = e^{-1.2} \cdot (\frac{120}{10000}) \approx 0.30119 \cdot 0.012 = 0.003614\)。
ステップ4： デルタ法： \(Var \approx (0.003614)^2 \cdot 25 = 0.000326\)。
重要なポイント： 微分は常に整理して書き出しましょう。ここでの失点のほとんどは、計算ミスによるものです！
5. よくある落とし穴
優秀な学生でも、以下の「罠」にはまってしまうことがあります：
- 2乗し忘れ： 単一パラメータの場合、必ず \([g'(\theta)]^2\) にすることを忘れないでください。2乗を忘れると、単位も答えも間違ってしまいます。
- 共分散の符号ミス： 多パラメータの公式において、\(Cov(\hat{\alpha}, \hat{\theta})\) の項は負になることがあります。共分散行列に記載されている符号には細心の注意を払ってください！
- ラジアン vs 度： ASTAMでは稀ですが、もし三角関数が出た場合は、電卓のモードが正しいか確認してください。
- 微分するタイミング： まず微分の「公式」を導き出し、その後に推定値を代入してください。最初から数値を代入すると混乱の元です。
6. まとめとクイック復習
デルタ法チートシート：
- 目的： \(g(\hat{\theta})\) の分散を求める。
- 1変数公式： \(Var(g) \approx (g')^2 Var(\hat{\theta})\)。
- 2変数公式： \(Var(g) \approx (g'_\alpha)^2 Var(\alpha) + (g'_\theta)^2 Var(\theta) + 2(g'_\alpha)(g'_\theta) Cov(\alpha, \theta)\)。
- 信頼区間： 新しい分散が求まったら、95%信頼区間は通常 \(g(\hat{\theta}) \pm 1.96 \sqrt{Var(g)}\) で求められます。
励ましの言葉： あなたなら大丈夫です！デルタ法は単なる一つの「レシピ」です。微分と行列の掛け算を何度か練習すれば、すぐに無意識にできるようになります。偏微分の練習を続けて、SOAがどんなパラメータモデルを出してきても対応できるように準備しておきましょう！