Maximum likelihood estimation for severity and frequency distributions

最大尤度推定（MLE）の世界へようこそ！

こんにちは！今日は、アクチュアリーの強力な武器の一つである「最大尤度推定（Maximum Likelihood Estimation）」、略して「MLE」について掘り下げていきます。保険金請求データの山を見て、「どの数学的モデルが一番しっくりくるんだろう？」と考えたことはありませんか？その答えが、まさにこのMLEです。

MLEは「逆転の発想」だと考えてみてください。通常、私たちは数式を与えられ、それに基づいて確率を求めます。しかしMLEでは、結果（データ）が手元にあり、その結果を最も高い確率で引き起こしたであろう数式（パラメータ）を突き止めようとします。今は少し抽象的に感じ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. 核心的な考え方：尤度（Likelihood）とは？

コインを10回投げて、表が9回出たと想像してください。表が出る確率（\( p \)）について、0.5（公平なコイン）と0.9（偏ったコイン）という2つの推測があるとします。どちらの方が「もっともらしい（likely）」でしょうか？もちろん0.9ですよね！アクチュアリー科学においても、保険金の支払額（severity）や請求件数（frequency）に対して同じことを行います。

尤度関数 \( L(\theta) \)：
尤度関数とは、あるパラメータ \( \theta \) が与えられたときに、手元にある特定のデータセットが観測される確率（離散データの場合）や確率密度（連続データの場合）のことです。独立した観測値 \( x_1, x_2, ..., x_n \) がある場合、尤度はそれぞれの個別の確率の積となります：

\( L(\theta) = f(x_1 | \theta) \times f(x_2 | \theta) \times ... \times f(x_n | \theta) = \prod_{i=1}^{n} f(x_i | \theta) \)

目的： \( L(\theta) \) を最大にする \( \theta \) の値を見つけること。この値を最大尤度推定量と呼び、\( \hat{\theta} \) と表記します。

ワンポイント：なぜ対数（Logarithm）を愛するのか

小さな小数をたくさん掛け合わせるのは非常に面倒ですし、積の微分（積の微分公式など！）を使って計算するのはさらに骨が折れます。そこで計算を楽にするために、尤度の自然対数をとります。これにより、掛け算が足し算に変わります：

\( \ell(\theta) = \ln[L(\theta)] = \sum_{i=1}^{n} \ln[f(x_i | \theta)] \)

対数関数は「単調増加」なので、対数尤度を最大化する \( \theta \) は、元の尤度を最大化する \( \theta \) と同じになります！

重要なポイント： 尤度関数は単に「データが発生する確率」を表しているに過ぎません。計算を扱いやすくするためにログ（対数）を利用するのです。

2. MLEを求めるための手順

Exam FAMでMLEの問題に出会ったら、以下のステップに従ってください：

ステップ1： 分布の確率密度関数 \( f(x) \) または確率質量関数 \( p(x) \) を書き出す。
ステップ2： 尤度関数 \( L(\theta) \)（密度の積）を書き出す。
ステップ3： 自然対数をとって、対数尤度 \( \ell(\theta) \) を求める。
ステップ4： \( \theta \) で微分する： \( \frac{d}{d\theta} \ell(\theta) \)。
ステップ5： 微分値をゼロとおいて \( \theta \) について解く。これがあなたの \( \hat{\theta} \) です！

例：指数分布

平均 \( \theta \) の指数分布から得られた保険金請求データ \( x_1, ..., x_n \) がある場合、密度関数は \( f(x) = \frac{1}{\theta} e^{-x/\theta} \) です。
1. \( L(\theta) = \prod \frac{1}{\theta} e^{-x_i/\theta} = \theta^{-n} e^{-\sum x_i / \theta} \)
2. \( \ell(\theta) = -n \ln(\theta) - \frac{\sum x_i}{\theta} \)
3. \( \frac{d}{d\theta} \ell(\theta) = -\frac{n}{\theta} + \frac{\sum x_i}{\theta^2} = 0 \)
4. \( \theta \) について解くと \( \hat{\theta} = \frac{\sum x_i}{n} = \bar{x} \) （標本平均）となります。

知っていましたか？多くの一般的な分布において、MLEは単なる「標本平均」になります！これには指数分布、ポアソン分布、ベルヌーイ分布が含まれます。

3. 損害額のMLE：切断（Truncation）と打ち切り（Censoring）への対応

現実世界では、保険データが「きれい」なことは滅多にありません。多くの場合、免責金額（左側切断）や支払限度額（右側打ち切り）を考慮する必要があります。これはExam FAMの大好物なトピックです！

A. グループ化されたデータ

正確な請求額は分からず、「500ドルから1,000ドルの間」といった範囲しか分からない場合があります。区間 \( (c_{j-1}, c_j] \) 内の観測値について、尤度への寄与はその範囲に入る確率となります：

\( P(c_{j-1} < X \le c_j) = F(c_j) - F(c_{j-1}) \)

B. 打ち切りデータ（支払限度額）

請求額が限度額 \( u \) で「打ち切られた」場合、請求額は実際には「少なくとも \( u \)」でしたが、記録上は \( u \) となっています。これらのデータポイントには密度関数 \( f(x) \) を使わず、生存関数 \( S(u) \) を使用します。

論理： 請求額が正確にいくらだったかは分かりませんが、少なくとも \( u \) を超えたことは分かっているからです。

C. 切断データ（免責金額）

保険契約に免責金額 \( d \) がある場合、\( X > d \) である請求しか見えません。これは「左側切断」です。条件付き密度関数を使用する必要があります：

\( f(x | X > d) = \frac{f(x)}{S(d)} \)

クイック復習：「尤度寄与」テーブル

個別、正確な値 \( x \)： \( f(x) \) を使用
\( u \) で打ち切り（限度額）： \( S(u) \) を使用
\( d \) で切断（免責金額）： そのような観測値ごとに、尤度全体を \( S(d) \) で割る。

よくある間違い： 免責金額があるときに \( S(d) \) で割るのを忘れること。データが切断されている場合、確率空間が縮小しているため、「再正規化」しなければなりません！

4. 請求件数分布のMLE

請求件数（frequency）は請求の「回数」を扱います。手順は同じですが、密度関数の代わりに確率質量関数（pmf）を使用します。

「主要3大」件数分布：

1. ポアソン分布（\( \lambda \)）： MLE \( \hat{\lambda} \) は単なる標本平均 \( \bar{x} \)。
2. 二項分布（\( m, q \)）： \( m \) が既知の場合、 \( \hat{q} = \frac{\bar{x}}{m} \)。
3. 負の二項分布（\( r, \beta \)）： \( r \) が既知の場合、 \( \hat{\beta} = \frac{\bar{x}}{r} \)。

もしパラメータが未知で、度数分布表がある場合は？

（例：0回の請求が50人、1回の請求が30人…などのデータ）尤度は以下のようになります：
\( L = [P(X=0)]^{n_0} \times [P(X=1)]^{n_1} \times ... \)

まとめ： 件数のMLEは、通常、観測された平均請求件数と一致するパラメータを見つける作業に帰結します。

5. MLEの性質（なぜ使うのか）

なぜわざわざ微分を駆使するのか疑問に思うかもしれませんが、サンプルサイズ \( n \) が非常に大きいとき、MLEには強力な「スーパーパワー」があります：

1. 漸近不偏性： \( n \) が大きくなるにつれ、バイアスはゼロに近づく。
2. 一致性： \( n \) が大きくなるにつれ、推定値は真の値にどんどん近づく。
3. 漸近正規性： \( n \) が大きいとき、\( \hat{\theta} \) の分布は正規分布のように振る舞う！これにより信頼区間を構築できる。
4. 不変性： 学生に大人気の性質です。もし \( \theta \) のMLEが \( \hat{\theta} \) なら、任意の関数 \( g(\theta) \) のMLEは単に \( g(\hat{\theta}) \) になる。
例：分散 \( \sigma^2 \) のMLEが100なら、標準偏差 \( \sigma \) のMLEは \( \sqrt{100} = 10 \)。追加の微分計算は不要！

Exam FAMに向けた最終アドバイス

1. 対数の計算を練習する： ミスのほとんどは \( \ln(L) \) を簡略化する代数計算で起こります。\( \ln(a^b) = b \ln(a) \) や \( \ln(ab) = \ln(a) + \ln(b) \) を忘れないように。
2. 近道を探す： もし標準的な分布（指数分布やポアソン分布など）のMLEを問う問題で、打ち切りも切断もない場合、それはほぼ間違いなく標本平均です。
3. 「免責金額」の罠： データが「支払ベース（per payment）」なのか「損失ベース（per loss）」なのかを常に確認してください。「支払ベース」であれば、データは免責金額 \( d \) で切断されています。
4. パニックにならない： もし微分が解けそうになければ、選択肢を見てみてください。たまに選択肢の値を代入することで、どれが微分値をゼロにするか確認できます。

重要なポイント： MLEとは、実際に観測されたデータが発生する確率を最大化することで「ベストフィット」を見つける手法です。対数尤度の手順と切断への対応をマスターすれば、Exam FAM合格への道は開けます！