非線形の世界へようこそ！

これまでSRM試験の学習を通して、皆さんは最もシンプルな「\(X\)が増えれば、\(Y\)も一定量増える」という線形モデルを見てきたことでしょう。それは素晴らしい第一歩ですが、現実の世界（そしてアクチュアリーが扱うデータ）がそれほど単純であることは稀です。関係性が曲線を描くこともあれば、ある変数の影響が別の変数に完全に依存することもあります。

この章では、変数変換（変数の形を変えること）と交互作用（変数同士がどのように組み合わさって作用するか）について学習します。これらのツールを使えば、最小二乗法（OLS）の数学的な「魔法」を損なうことなく、より複雑で現実的なパターンを線形モデルで捉えることができるようになります。

1. 変数変換

変換とは、予測変数 \(X\)、応答変数 \(Y\)、あるいはその両方に数学的な関数を適用することです。これは、生のデータが直線的な関係に当てはまらない場合に行います。

A. 対数変換

対数変換（通常は自然対数 \( \ln \)）は、アクチュアリーにとって最も一般的なツールの1つです。データが大きく歪んでいる（偏りがある）場合や、変化が絶対的な単位ではなくパーセンテージで起こると予想される場合に特に役立ちます。

  • 対数線形モデル: \( \ln(Y) = \beta_0 + \beta_1 X + \epsilon \)。ここでは、\(X\)が1単位変化すると、\(Y\)が \( (e^{\beta_1} - 1) \times 100\% \) 変化することになります。
  • 対数対数モデル: \( \ln(Y) = \beta_0 + \beta_1 \ln(X) + \epsilon \)。ここでは、\( \beta_1 \) は弾力性を表します。つまり、\(X\)が1%変化すると、\(Y\)が \( \beta_1 \)% 変化します。

ヒント： プロットした点がトランペットのように広がっている（不均一分散）のを見かけたら、\(Y\)を対数変換することで分散を「安定」させることができるかもしれません！

B. 多項式回帰

\(X\)と\(Y\)の関係が（U字型やS字型のように）曲線を描くことがあります。これを捉えるために、\(X^2\)や\(X^3\)などの多項式項をモデルに追加できます。

\( Y = \beta_0 + \beta_1 X + \beta_2 X^2 + \dots + \beta_p X^p + \epsilon \)

\(X\)との関係は曲線的ですが、これは依然として線形モデルです。なぜでしょうか？それは、モデルが「パラメータ（\(\beta\)）に関して線形」だからです。単に \(X^2\) を新しい別の変数として扱っているだけなのです。

よくある間違い： やりすぎには注意しましょう！非常に高次の多項式（\(X^8\)など）を追加すると、モデルが真のパターンではなくデータ内の「ノイズ」に従ってしまう過学習（オーバーフィッティング）を引き起こす可能性があります。

クイック復習：変数変換
  • 対数変換は、乗法的な関係や歪んだデータを扱います。
  • 多項式は、曲線（2次、3次など）を扱います。
  • 変換後は、誤差の「パターン」が消えたかどうかを確認するために、必ず残差プロットをチェックしましょう。

2. 交互作用項

標準的な線形モデルでは、\(X_2\)の値にかかわらず、\(X_1\)が\(Y\)に与える影響は同じであると仮定します。しかし、もしそれが真実ではなかったらどうなるでしょうか？

例： 運動 (\(X_1\)) と食事 (\(X_2\)) が体重減少 (\(Y\)) に与える影響を考えてみましょう。健康的な食事をしている場合、運動による減量効果はより高まるかもしれません。このような「相乗効果」が交互作用です。

A. 交互作用の数式

交互作用は、2つの予測変数を掛け合わせることで表します：

\( Y = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + \beta_3 (X_1 \times X_2) + \epsilon \)

このモデルにおいて：

  • \( \beta_1 \) と \( \beta_2 \) は主効果です。
  • \( \beta_3 \) は交互作用効果です。

B. 変化の解釈

\(X_1\)の「傾き」がどのように変化するかを見るために、式を書き換えることができます：

\( Y = \beta_0 + (\beta_1 + \beta_3 X_2) X_1 + \beta_2 X_2 + \epsilon \)

\(X_1\)の「実効的な傾き」は \( (\beta_1 + \beta_3 X_2) \) となります。これは、\(X_1\)の影響が\(X_2\)の値に依存することを意味します。

C. 定性的（ダミー）変数との交互作用

これはSRM試験で非常によく出るトピックです。量的変数（例：年齢）とダミー変数（例：性別、男性 = 1）がある場合、交互作用項を追加することで、グループごとに異なる傾きを持たせることができます。

  • 交互作用なし： 平行な直線（切片は異なるが、傾きは同じ）。
  • 交互作用あり： 平行ではない直線（切片も傾きも異なる）。

ご存知ですか？ アクチュアリーの保険料設定では、「地域」と「年齢」の交互作用をよく使います。若年ドライバーのリスクは、地方よりも都市部の方が高い可能性があるからです。

3. 階層原理（Hierarchical Principle）

これはSRM試験の「黄金律」です。階層原理とは、モデルに交互作用項 (\(X_1 X_2\)) を含める場合、たとえ単独では有意でなくても、常に主効果 (\(X_1\) と \(X_2\)) も含めるべきであるという原則です。

なぜでしょうか？ たとえ \(X_1\) や \(X_2\) のp値が単独では有意でなくても、それらがないと交互作用項を解釈するのが難しくなるからです。主効果は、交互作用がそこからどれだけ逸脱するかという基準（ベースライン）を提供します。

例： ソフトウェアの出力で \(X_1 X_2\) のp値が非常に小さく（有意）、\(X_1\) のp値が大きい（有意でない）場合でも、両方をモデルに残してください！

4. モデル選択の留意点

変換（\(X^2\)など）や交互作用（\(X_1 X_2\)）を追加すると、モデルの複雑さが増します。これは予測変数の数 \(d\) を増加させます。

モデル選択の学習（別章で解説）を思い出してください。変数を追加すると、学習データの残差平方和 (RSS) は常に減少しますが、新しいデータに対する性能は低下する可能性があります。変換や交互作用が本当に「追加する価値がある」かどうかを判断するために、以下を使用します：

  • t検定： 新しい項の係数がゼロと有意に異なっているかを確認します。
  • F検定： 新しい項のグループ（\(X^2\) と \(X^3\) など）が全体としてモデルを改善するかを確認します。
  • AIC/BIC： パラメータが多すぎるモデルにペナルティを課します。（具体的な数式については、「モデル選択基準」の章を参照してください）。
よくある落とし穴：解釈

忘れないでください：交互作用項がある場合、単純に「\(X_1\)が1単位増加すると\(Y\)が \( \beta_1 \) 変化する」とは言えなくなります。その変化は、交互作用に含まれるもう一方の変数の値にも依存することを必ず明記しなければなりません！

重要なまとめ

1. 変数変換： パーセンテージや歪んだデータには対数を、曲線には多項式を使います。これらにより、線形モデルで非線形な形状を捉えることができます。

2. 交互作用： ある変数の影響が別の変数によって変わる場合に使用します。回帰式では積の項（例：\(X_1 \times X_2\)) として現れます。

3. 階層性： 交互作用を入れるなら、主効果も入れなければなりません。例外はありません！

4. 複雑さと適合度： 統計的検定（t検定、F検定）や基準（AIC、BIC）を使用して、変換や交互作用が単なるノイズではなく、本当にモデルに価値を加えているかを確認しましょう。