MLEの世界へようこそ！

未来の保険数理士の皆さん、こんにちは！今日は、保険数理士が持つ最も強力なツールの一つ、最尤推定法（Maximum Likelihood Estimation: MLE）について学びます。名前は少し難しそうに聞こえますが、そのコンセプトはとても直感的です。この章では、完全な個別データ（complete, individual data）に焦点を当てます。これは、データセット内のすべてのデータポイントが、欠損値や「〜以上」といった条件、グループ化された範囲ではなく、正確かつ明確な値として手元にある状態を指します。

MLEを「探偵」のようなものだと考えてみてください。皆さんは手元にある「手がかり（データ）」を使って、どの「物語（パラメータ \(\theta\)）」がその手がかりを最も説明できるかを突き止めようとしているのです。それでは、始めましょう！

1. 最尤推定法とは何か？

赤か青のビー玉が入った袋を想像してください。ただし、赤いビー玉の割合（\(\theta\)）は分かりません。そこから10個のビー玉を取り出したところ、9個が赤でした。さて、袋の中の赤いビー玉はわずか10%だと予想しますか？おそらく違いますよね！「9個も赤だった」という結果が最も起こりやすい（Most Likely）ように、もっと高い割合を予想するはずです。これこそが、まさにMLEが数学的に行っていることなのです。

重要な概念： 尤度関数（Likelihood Function）（記号 \(L(\theta)\)）は、あるパラメータの値が決まっているときに、手元にあるデータが観測される確率（または密度）を表します。

なぜこれを使うのか？ 保険数理士は、保険料を正確に算出するために、損失分布のパラメータ（平均損害額など）を推定する際、このMLEを利用します。

2. 個別データの尤度関数

完全な個別データがある場合、\(x_1, x_2, ..., x_n\) という観測値のサンプルが得られます。これらの観測値は互いに独立であるため、すべてを同時に観測する確率は、それぞれの個別の確率の積となります。

分布が連続型の場合、確率密度関数（PDF）である \(f(x)\) を使用します：
\(L(\theta) = f(x_1; \theta) \cdot f(x_2; \theta) \cdot ... \cdot f(x_n; \theta) = \prod_{i=1}^{n} f(x_i; \theta)\)

分布が離散型の場合、確率質量関数（PMF）である \(p(x)\) を使用します：
\(L(\theta) = p(x_1; \theta) \cdot p(x_2; \theta) \cdot ... \cdot p(x_n; \theta) = \prod_{i=1}^{n} p(x_i; \theta)\)

クイック復習：ゴールは何か？

私たちの目標は、\(L(\theta)\) を最大化する \(\theta\) の値を見つけることです。微積分の言葉で言えば、通常は微分をして、その値をゼロに置くことを意味します。

3. 「対数尤度」というショートカット

積（掛け算）のまま計算するのは面倒です。特に、微分の際に積の微分公式を使わなければならないときは大変ですよね。そこで、計算を楽にする数学のテクニック、自然対数を使います。

対数関数は「単調増加」であるため、\(L(\theta)\) を最大化する \(\theta\) の値は、対数尤度関数（記号 \(l(\theta)\)）を最大化する値と一致します。

テクニック：
\(l(\theta) = \ln[L(\theta)] = \ln[f(x_1) \cdot f(x_2) \cdot ... \cdot f(x_n)]\)
対数の性質を使うと、積の対数は対数の和になります：
\(l(\theta) = \sum_{i=1}^{n} \ln f(x_i; \theta)\)

覚え方：「対数は掛け算を足し算に変える」。微分するときは、掛け算よりも足し算の方がずっと簡単です！

4. ステップ・バイ・ステップ：MLEの計算方法

最初は難しく感じるかもしれませんが、大丈夫です！毎回、以下の5つのステップに従えばうまくいきます。

ステップ1： 個々の観測値 \(x_i\) に対するPDFまたはPMFを書き出す。
ステップ2： すべてのPDFを掛け合わせて尤度関数 \(L(\theta)\) を作る。
ステップ3： 自然対数をとって対数尤度関数 \(l(\theta)\) を作る。対数の性質を使って、できるだけ簡略化する！
ステップ4： \(\theta\) に関して \(l(\theta)\) を微分する。
ステップ5： 微分した式を0とおいて、\(\theta\) について解く。この結果が最尤推定値となり、多くの場合 \(\hat{\theta}\) と書かれます。

重要なポイント

Exam FAMで「Estimate（推定値）」や「MLE」という言葉を見たら、脳内で即座に以下のサイクルを回してください：尤度 \(\rightarrow\) 対数 \(\rightarrow\) 微分 \(\rightarrow\) ゼロと置く。

5. 例：指数分布

試験でよく出る例を見てみましょう。平均 \(\theta\) の指数分布から得られたクレームデータ \(x_1, x_2, ..., x_n\) があるとします。PDFは \(f(x) = \frac{1}{\theta} e^{-x/\theta}\) です。

1. 尤度： \(L(\theta) = \prod \frac{1}{\theta} e^{-x_i/\theta} = \theta^{-n} e^{-\sum x_i / \theta}\)
2. 対数尤度： \(l(\theta) = -n \ln(\theta) - \frac{\sum x_i}{\theta}\)
3. 微分： \(\frac{dl}{d\theta} = -\frac{n}{\theta} + \frac{\sum x_i}{\theta^2}\)
4. ゼロと置く： \(0 = -\frac{n}{\theta} + \frac{\sum x_i}{\theta^2} \implies \frac{n}{\theta} = \frac{\sum x_i}{\theta^2}\)
5. 結果： \(\hat{\theta} = \frac{\sum x_i}{n} = \bar{x}\) （つまり標本平均です！）

豆知識：指数分布、ポアソン分布、正規分布など、多くの基本的な分布において、平均のMLEは単純にデータの平均値となります。

6. 注意すべき共通の落とし穴

優秀な学生でも間違えやすいポイントです。注意してください！

1. PDFではなくCDFを使ってしまう： 個別で完全なデータの場合、常に確率密度関数 \(f(x)\) を使用します。累積分布関数 \(F(x)\) を使うのは、打ち切りデータ（別の章で学びます）を扱うときだけです。
2. 対数の計算ミス： \(\ln(e^A) = A\) や \(\ln(A^B) = B \ln(A)\) というルールを思い出してください。指数の位置を間違えるのは、誤答への一番の近道です。
3. 'n'を忘れる： \(n\) 個の同じ項を掛け合わせるとき、定数部分は \(n\) 乗になります。対数尤度の中では、これが \(n\) 倍として現れます。
4. パラメータが複数の場合： （ガンマ分布における \(\alpha\) と \(\theta\) のように）分布にパラメータが2つある場合は、それぞれについて偏微分を行い、連立方程式として解く必要があります。

7. まとめとクイック復習

最後に、完全な個別データのための要点をまとめます：

  • 完全なデータ： すべての観測値の正確な値が分かっている。
  • 尤度関数： \(L(\theta) = \prod f(x_i)\)。
  • 対数尤度： \(l(\theta) = \sum \ln f(x_i)\)。
  • 「ショートカット」： 指数分布やポアソン分布において、平均のMLEはほとんどの場合標本平均（\(\bar{x}\)）になる。

最後のアドバイス： 代数計算の練習をしっかり行いましょう！Exam FAMのMLE問題で苦労する学生の多くは、統計の概念は理解しているのに、自然対数や微分の計算でつまずいてしまいます。大丈夫、皆さんにできます！