ยินดีต้อนรับสู่โลกของ Transition Intensities!

สวัสดีครับทุกคน! วันนี้เราจะมาเจาะลึกหนึ่งในเครื่องมือที่สำคัญที่สุดในคลังความรู้ของนักคณิตศาสตร์ประกันภัย นั่นคือ Maximum Likelihood Estimators (MLEs) สำหรับค่า Transition Intensities ครับ ถ้าคุณเคยสงสัยว่าบริษัทประกันคำนวณ "ความเสี่ยง" ของการเปลี่ยนสถานะจาก 'สุขภาพดี' ไปเป็น 'ป่วย' หรือจาก 'มีชีวิตอยู่' ไปเป็น 'เสียชีวิต' ได้อย่างไร นี่คือจุดที่ความมหัศจรรย์เกิดขึ้นครับ

ไม่ต้องกังวลไปนะครับถ้าดูจากคณิตศาสตร์แล้วจะรู้สึกว่าน่ากลัวในตอนแรก เราจะค่อยๆ ย่อยให้เข้าใจทีละขั้นตอนครับ เมื่อจบบทเรียนนี้ คุณจะพบว่าการหาค่าประมาณที่ดีที่สุด (best estimate) สำหรับอัตราความเสี่ยงนั้น จริงๆ แล้วมีตรรกะที่สมเหตุสมผลมาก!

Transition Intensity คืออะไรกันแน่?

ก่อนที่เราจะเริ่มคำนวณ เรามาทบทวนกันก่อนครับว่าเรากำลังดูอะไรอยู่ ในแบบจำลองการอยู่รอด (survival models) นั้น transition intensity (มักแทนด้วยสัญลักษณ์กรีก \(\mu\) หรือ \(\sigma\)) หมายถึง อัตราการเปลี่ยนสถานะจากสถานะหนึ่งไปยังอีกสถานะหนึ่ง ณ ขณะใดขณะหนึ่ง

ลองนึกภาพเหมือน มาตรวัดความเร็ว (speedometer) บนรถยนต์ดูครับ ถ้าคุณขับรถด้วยความเร็ว 60 ไมล์ต่อชั่วโมง นั่นไม่ได้แปลว่าคุณต้องขับนานหนึ่งชั่วโมงนะครับ แต่มันบอกแค่ว่าในเสี้ยววินาทีนั้นคุณกำลังเคลื่อนที่ด้วยความเร็วเท่าไหร่ ในทำนองเดียวกัน \(\mu\) ก็บอก "แรง" หรือ "ความเร็ว" ของการเสียชีวิตหรือการเจ็บป่วย ณ เวลาที่กำหนดครับ

เป้าหมายของเรา: Maximum Likelihood Estimation (MLE)

ในโลกความเป็นจริง เราสังเกตกลุ่มคน เราเห็นบางคนยังสุขภาพดี บางคนป่วย และบางคนเสียชีวิต เรามีข้อมูลอยู่ในมือแต่เราไม่ทราบค่าที่แท้จริงของ \(\mu\) วิธีการของ Maximum Likelihood จึงตั้งคำถามว่า: "ค่า \(\mu\) ค่าไหนนะที่จะทำให้ข้อมูลที่เราสังเกตเห็นจริงนั้น มีโอกาสเกิดขึ้นได้มากที่สุด?"

ขั้นตอนที่ 1: การสร้างฟังก์ชัน Likelihood

ในการหา MLE เราต้องเขียน ฟังก์ชัน Likelihood หรือ \(L(\mu)\) ขึ้นมาก่อน นี่เป็นเพียงวิธีทางคณิตศาสตร์ในการบอกว่า "ความน่าจะเป็นของข้อมูลที่เราสังเกตเห็นคือเท่าไหร่"

ลองนึกภาพว่าเรากำลังสังเกตคนคนหนึ่ง การที่เขาจะส่งผลต่อข้อมูลของเราได้ ต้องมีเหตุการณ์สองอย่างเกิดขึ้น:

1. เขาอยู่ในสถานะปัจจุบัน ต่อไปเป็นระยะเวลาหนึ่งคือ \(t\) ความน่าจะเป็นของการ "อยู่รอด" ในสถานะนั้นเป็นเวลา \(t\) คือ \(e^{-\mu t}\)
2. เขาอาจเปลี่ยนสถานะ ไปยังสถานะใหม่เมื่อสิ้นสุดระยะเวลานั้น "ความน่าจะเป็น" ของการเปลี่ยนสถานะในวินาทีนั้นจะแปรผันตรงกับ \(\mu\)

ถ้าเรามีคนหลายคน เราก็นำประสบการณ์ของแต่ละคนมาคูณรวมกัน:

\(L(\mu) = \text{Constant} \times \prod (\text{ความน่าจะเป็นที่จะอยู่ต่อ}) \times \prod (\text{ความเข้มข้นของการเคลื่อนย้าย})\)

เมื่อเราลดรูปสำหรับค่าคงที่ความเข้มข้น \(\mu\) เราจะได้:
\(L(\mu) = \mu^d e^{-\mu v}\)

โดยที่:
- \(d\) คือจำนวน การเสียชีวิต (หรือการเปลี่ยนสถานะ) ทั้งหมดที่สังเกตได้
- \(v\) คือ เวลารอคอย (waiting time) รวม (หรือเรียกว่า central exposure) ซึ่งก็คือผลรวมของเวลาทั้งหมดที่ทุกคนใช้ไปในสถานะเริ่มต้น

รู้หรือไม่? ตัวอักษร \(v\) มักถูกใช้เพราะย่อมาจาก "waiting time" (มาจากภาษาละตินว่า vivere หรือแปลง่ายๆ ว่าการรอคอยในบางบริบท) แต่ในการสอบของ IFoA คุณอาจเห็นมันถูกเรียกว่า Total Time at Risk ครับ

ขั้นตอนที่ 2: เทคนิค Log-Likelihood

การทำแคลคูลัสกับเลขยกกำลังนั้นยุ่งยาก เพื่อให้ชีวิตง่ายขึ้น เราจะใช้ ลอการิทึมธรรมชาติ (natural logarithm) กับฟังก์ชัน Likelihood เนื่องจากฟังก์ชัน \(\ln\) เป็นฟังก์ชันที่ "เพิ่มขึ้นตามค่าของตัวแปร (monotonically increasing)" ค่าของ \(\mu\) ที่ทำให้ \(\ln(L)\) มีค่าสูงสุด ก็จะเป็นค่าเดียวกับที่ทำให้ \(L\) มีค่าสูงสุดด้วยครับ

เมื่อใส่ log เข้าไปในสูตรของเรา:
\(l(\mu) = \ln(L(\mu)) = \ln(\mu^d e^{-\mu v})\)
โดยใช้กฎของ log (\(\ln(ab) = \ln a + \ln b\) และ \(\ln(a^b) = b \ln a\)):
\(l(\mu) = d \ln(\mu) - \mu v\)

เห็นไหมครับว่าดูเป็นมิตรขึ้นเยอะเลย! ไม่มีเลขยกกำลังกวนใจแล้ว!

ขั้นตอนที่ 3: การหาค่าสูงสุด (ส่วนของแคลคูลัส)

ในการหาจุดสูงสุดของฟังก์ชันนี้ เราจะทำสิ่งที่คุณเคยเรียนในโรงเรียน นั่นคือ การหาอนุพันธ์ (derivative) เทียบกับ \(\mu\) แล้วกำหนดให้เท่ากับ ศูนย์

1. ดิฟ (Differentiate):
\(\frac{dl}{d\mu} = \frac{d}{\mu} - v\)

2. กำหนดให้เป็นศูนย์:
\(\frac{d}{\mu} - v = 0\)

3. แก้หาค่า \(\mu\):
\(\hat{\mu} = \frac{d}{v}\)

ประเด็นสำคัญ: ค่าประมาณ Maximum Likelihood ของ transition intensity ก็คือ จำนวนการเปลี่ยนสถานะทั้งหมด หารด้วย เวลาที่ตกอยู่ในความเสี่ยงทั้งหมด เหมือนกับการคำนวณความเร็วเฉลี่ยแบบง่ายๆ เลยครับ!

ขั้นตอนที่ 4: การตรวจสอบ (อนุพันธ์อันดับสอง)

เพื่อให้แน่ใจ 100% ว่าเราหาจุดสูงสุดไม่ใช่จุดต่ำสุด เรามาเช็คอนุพันธ์อันดับสองกันครับ เราต้องการให้ค่าออกมาเป็น ลบ

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

เนื่องจากจำนวนการเสียชีวิต \(d\) และ \(\mu^2\) เป็นค่าบวก ผลลัพธ์ที่ได้จึงเป็นลบ สำเร็จครับ! เราได้ค่าสูงสุดแล้ว

ข้อควรระวัง

- สับสนระหว่าง \(d\) กับ \(v\): จำไว้นะครับว่า อัตราคือ "เหตุการณ์ ต่อ เวลา" ดังนั้น \(d\) (เหตุการณ์) ต้องอยู่บน และ \(v\) (เวลา) ต้องอยู่ล่าง
- ลืมทำ Log: ต้องใส่ log ก่อนหาอนุพันธ์เสมอครับ การพยายามดิฟ \(\mu^d e^{-\mu v}\) ตรงๆ จะทำให้ปวดหัวแน่นอน!
- หน่วยของเวลา: ตรวจสอบให้แน่ใจว่าเวลาใน \(v\) มีหน่วยเดียวกันกับที่คุณต้องการสำหรับ \(\mu\) (โดยปกติจะเป็นปี)

การประยุกต์ใช้กับหลายสถานะ

ถ้าคนเราสามารถย้ายไปมาระหว่างหลายสถานะได้ล่ะ (เช่น สุขภาพดี, ป่วย, เสียชีวิต)? หลักการก็ยังคงเดิมเป๊ะครับ! ถ้าเราต้องการหาความเข้มข้นของการย้ายจากสถานะ \(i\) ไปยังสถานะ \(j\) (\(\mu_{ij}\)):

\(\hat{\mu}_{ij} = \frac{d_{ij}}{v_i}\)

โดยที่:
- \(d_{ij}\) คือจำนวนคนที่ย้ายจาก \(i\) ไป \(j\)
- \(v_i\) คือ เวลาทั้งหมด ที่ทุกคนใช้ไปในสถานะ \(i\)

เปรียบเทียบให้เห็นภาพ: ลองนึกภาพร้านกาแฟที่คนพลุกพล่าน ถ้าคุณอยากรู้ "อัตราการสั่งกาแฟ" (\(\mu\)) คุณก็นับว่ามีกาแฟถูกสั่งไปกี่แก้ว (\(d\)) แล้วหารด้วยเวลาทั้งหมดที่ทุกคนมายืนรอในร้าน (\(v\)) จะไม่สำคัญเลยว่าคนหนึ่งคนยืนรอ 10 นาที หรือ 10 คนยืนรอคนละ 1 นาที—สิ่งที่สำคัญที่สุดคือ "เวลารอคอย" รวมทั้งหมดครับ!

สรุปย่อ

สูตร: \(\hat{\mu} = \frac{d}{v}\)
ขั้นตอนที่ 1: เขียน Likelihood \(L(\mu) = \mu^d e^{-\mu v}\)
ขั้นตอนที่ 2: ใส่ Log \(l(\mu) = d \ln(\mu) - \mu v\)
ขั้นตอนที่ 3: หาอนุพันธ์แล้วตั้งเท่ากับศูนย์
นิยามของ \(v\): ผลรวมของเวลาที่แต่ละคนอยู่ภายใต้การสังเกตการณ์และ "มีความเสี่ยง" ที่จะเกิดการเปลี่ยนสถานะ

สรุปและประเด็นสำคัญ

1. ฟังก์ชัน Likelihood แสดงถึงความน่าจะเป็นในการสังเกตข้อมูลของเราเมื่อทราบค่า transition intensity
2. เราหาค่าสูงสุดของ Log-Likelihood เพราะคณิตศาสตร์ง่ายกว่า และให้ผลลัพธ์เดียวกัน
3. ค่า MLE ของ transition intensity คือ จำนวนการเปลี่ยนสถานะ / เวลาที่เปิดรับความเสี่ยง (Exposure)
4. ตัวประมาณการนี้ถูกใช้ทั่วทั้งวิชา CS2 เพื่อสร้างแบบจำลองการอยู่รอดและตารางชีพ ถ้าคุณเชี่ยวชาญการพิสูจน์ที่มานี้ คุณก็ได้หัวใจสำคัญของวิชา survival analysis ไปครองแล้วครับ!

ไม่ต้องกังวลถ้าตอนแรกจะรู้สึกว่ายากนะครับ การพิสูจน์ MLE เป็นทักษะที่จะง่ายขึ้นมากเมื่อได้ฝึกฝน คุณทำได้แน่นอนครับ!