不確実性の世界へようこそ（そして、それをどう測定するか！）

これまでの学習で、最尤推定法（MLE）を用いてパラメータの「最良の推測値」を見つける方法を学びましたね。しかし、保険数理の世界では、単一の数値だけでは不十分です。上司に「平均支払保険金額は5,000ドルです」と伝えたら、真っ先に聞かれるのは「どのくらい確かなのか？」という質問でしょう。

この章では、その問いに答える方法を学びます。具体的には、推定量にどの程度の分散があるのかを計算し、信頼区間を構築する方法を扱います。これにより、真のパラメータがどの範囲にある可能性が高いかを示すことができます。最初は計算が多くて大変そうに見えるかもしれませんが、大丈夫です！順を追って、シンプルで論理的に説明していきますね。

1. 基盤：情報量と曲率

MLEの分散を求めるには、尤度関数に注目します。尤度関数を「山」だとイメージしてください。その山の頂上が、私たちが求めたMLE（\(\hat{\theta}\)）になります。

• 鋭い頂上：山が非常に尖っていて急な場合、頂上が正確に\(\hat{\theta}\)であるという確信が持てます。確信度が高い＝分散は小さい。
• 平坦な高原：山がなだらかで丸みを帯びている場合、頂上は広い範囲のどこにあってもおかしくありません。確信度が低い＝分散は大きい。

観測情報量（Observed Information）

微積分の世界では、「傾き」や「曲がり具合（曲率）」は二階微分で測定されます。保険数理では、これを観測情報量（Observed Information）と呼び、\(O(\theta)\)で表します。これは対数尤度関数 \(l(\theta)\) の負の二階微分として計算されます。

\(O(\theta) = -\frac{d^2}{d\theta^2} l(\theta)\)

フィッシャー情報量（Fisher Information）

多くの場合、この「平均的な」バージョンを扱いたいと考えます。これをフィッシャー情報量（Fisher Information）または期待情報量（Expected Information）と呼び、\(I(\theta)\)で表します。

\(I(\theta) = E[O(\theta)] = E[-\frac{d^2}{d\theta^2} l(\theta)]\)

重要な関係：推定量の分散は、おおよそ情報量の逆数になります。
\(\text{Var}(\hat{\theta}) \approx \frac{1}{I(\hat{\theta})}\)

クイック復習：情報量が多いほど＝確実性が高いほど＝分散は小さくなる！

2. デルタ法：アクチュアリーの秘密兵器

時には、パラメータ \(\theta\)（分布の平均など）そのものだけでなく、その関数である \(g(\theta)\)（支払額が10,000ドルを超える確率など）に関心がある場合もあります。もし \(\hat{\theta}\) の分散がわかっているとき、どうやって \(g(\hat{\theta})\) の分散を求めればよいのでしょうか？

ここで使うのがデルタ法（Delta Method）です。これは本質的に、テイラー展開の一次近似を用いた線形近似の手法です。

公式：
\(\text{Var}(g(\hat{\theta})) \approx [g'(\hat{\theta})]^2 \text{Var}(\hat{\theta})\)

ステップバイステップ手順：
1. MLE \(\hat{\theta}\) を求める。
2. 情報行列（負の二階微分の逆行列）を使って \(\hat{\theta}\) の分散を求める。
3. 関数 \(g(\theta)\) を定義し、その微分 \(g'(\theta)\) を求める。
4. 全てをデルタ法の公式に代入する。

例：生存関数 \(S(x)\) の分散を推定する場合、あなたの \(g(\theta)\) は生存関数そのものになります！

3. 信頼区間の構築

信頼区間（CI）は「真の値がAからBの間にあると95%確信している」といった範囲を提供します。中心極限定理により、MLEは「漸近正規性」を持ちます。つまり、サンプルサイズが大きくなれば、ベルカーブ（正規分布）に従うということです！

標準的な（ウォルド）信頼区間

これは統計学入門でよく見る定番の公式です。
\(\hat{\theta} \pm z_{\alpha/2} \sqrt{\text{Var}(\hat{\theta})}\)

\(\sqrt{\text{Var}(\hat{\theta})}\) の部分は標準誤差（Standard Error, SE）とも呼ばれます。

対数変換を用いた信頼区間

知っていましたか？保険の世界では、多くのパラメータ（保険金の支払い規模など）は負の値を取り得ません。通常の信頼区間だと、うっかり負の数値を含む範囲（例：-500ドル〜2,000ドル）になってしまうことがありますが、コストに負の値はあり得ませんよね！これを解決するために対数変換（Log-Transform）を使います。

\(\theta\) そのものではなく \(\ln(\theta)\) に対して信頼区間を構築し、最後に元に戻します。こうすることで、境界値が必ず正になることが保証されます。

得られる範囲：
\([\hat{\theta} / U, \hat{\theta} \times U]\)
ただし \(U = \exp \left( \frac{z_{\alpha/2} \text{SE}(\hat{\theta})}{\hat{\theta}} \right)\)

重要なポイント：物理的に負の値があり得ないパラメータを扱うときは、対数変換後の信頼区間を使いましょう！

4. 多変数パラメータの扱い

ガンマ分布の \(\alpha\) や \(\theta\) のように、モデルに2つ以上のパラメータがある場合はどうでしょうか？その時は情報行列（Information Matrix）（微分の四角い表）を使います。

行列のセットアップ：
行列 \(I(\theta)\) の中身は以下の通りです。
• 左上：\(\theta_1\) に関する負の二階偏微分
• 右下：\(\theta_2\) に関する負の二階偏微分
• 非対角成分：混合偏微分にマイナスをつけたもの

分散を求めるには、行列の逆行列を計算する必要があります。逆行列の対角成分が、各パラメータの分散となります。

よくある間違い：個々の要素の逆数をとるだけではダメです！必ず行列全体を反転（逆行列化）してから、対角成分を確認するようにしてください。

5. まとめとクイックヒント

ワークフロー：
1. 対数尤度 \(\rightarrow\) 2. 二階微分 \(\rightarrow\) 3. 情報量 \(\rightarrow\) 4. 分散 \(\rightarrow\) 5. 信頼区間。

記憶のコツ：
• 「マイナスはプラス」：情報量は二階微分のマイナスであることを忘れないで。対数尤度は通常上に凸（悲しい顔の形）なので、二階微分は負になります。負に負をかけることで、プラスの情報量になるのです！もし計算して分散がマイナスになったら、このステップを忘れています。
• 「デルタ＝微分」：デルタ法では、常に微分を二乗することを忘れずに。

最後に：
分散や信頼区間の推定は、「純粋数学」と「現実世界の応用」をつなぐ架け橋です。私たちが完璧には知らないということを認めつつ、どれだけ「わからないか」を正確に測定することを可能にします。デルタ法と情報行列をマスターすれば、Exam ASTAM合格への道はすぐそこです！