Transition intensities dependent on age (exact or census)

ยินดีต้อนรับสู่บทเรียนเรื่อง Transition Intensities: การเชื่อมโยงข้อมูลสู่แบบจำลอง!

ในการเดินทางบนเส้นทาง CS2 จนถึงตอนนี้ คุณน่าจะเคยทำงานกับแบบจำลองการอยู่รอด (survival models) ที่โจทย์กำหนดค่าอัตราการเปลี่ยนสถานะ (transition intensity) อย่างเช่น แรงมรณะ (force of mortality, \(\mu_x\)) มาให้เรียบร้อยแล้ว แต่คุณเคยสงสัยไหมว่าตัวเลขเหล่านั้นมาจากไหน? ในโลกแห่งความเป็นจริง นักคณิตศาสตร์ประกันภัยไม่ได้เปิดตำราเพื่อหาค่า \(\mu_x\) หรอกนะ พวกเขาต้องประมาณค่ามันจากข้อมูลจริงต่างหาก

บทนี้จะว่าด้วยวิธีการนำข้อมูลดิบ—เช่น รายชื่อวันเกิดและวันเสียชีวิต—มาแปรเปลี่ยนให้เป็น Transition Intensities ที่เราใช้คำนวณเบี้ยประกันชีวิตและเงินบำนาญ ไม่ต้องกังวลนะหากตอนนี้มันดูเป็นนามธรรมไปสักหน่อย เพราะโดยพื้นฐานแล้ว เราแค่กำลังนับจำนวนเหตุการณ์ที่เกิดขึ้นแล้วหารด้วย "เวลาที่ทุกคนมีความเสี่ยง" ที่จะเกิดเหตุการณ์นั้นขึ้นเท่านั้นเอง!

1. หลักการสำคัญ: แรงมรณะ (The Force of Mortality)

ก่อนที่เราจะดำดิ่งสู่คณิตศาสตร์ ลองมาดู "สูตรลับ" พื้นฐานสำหรับการประมาณค่า transition intensity (เราจะใช้ \(\mu_x\) เป็นตัวอย่างนะ):

ค่าความเข้มที่ประมาณการได้ = (จำนวนผู้เสียชีวิต) / (เวลาทั้งหมดที่อยู่ในสภาวะเสี่ยง)

ในสัญลักษณ์ทางคณิตศาสตร์ประกันภัย เราเขียนได้ว่า:
\( \hat{\mu}_x = \frac{d_x}{E_x^c} \)

โดยที่:
- \(d_x\) คือจำนวนผู้เสียชีวิตที่สังเกตได้ ณ อายุ \(x\)
- \(E_x^c\) คือ Central Exposure to Risk หรือค่าการรับความเสี่ยงกลาง ณ อายุ \(x\)

เปรียบเทียบ: กล้องตรวจจับความเร็ว

ลองจินตนาการว่าคุณอยากรู้ "ความเข้มข้น" ของการขับรถเร็วบนถนนเส้นหนึ่ง คุณก็นับจำนวนรถที่ถูกจับได้ (คือผู้เสียชีวิต, \(d_x\)) แล้วหารด้วยเวลาทั้งหมดที่รถทุกคันใช้ขับขี่บนถนนเส้นนั้น (คือ exposure, \(E_x^c\)) ถ้ามีรถถูกจับ 10 คัน และเวลารวมในการขับขี่คือ 100 ชั่วโมง "ความเข้มข้นของการขับรถเร็ว" ของคุณก็คือ 0.1 ต่อชั่วโมงนั่นเอง

หัวใจสำคัญ: การจะประมาณค่าความเข้มข้น เราต้องการข้อมูลสองอย่างเสมอ คือ จำนวนเหตุการณ์ที่เกิดขึ้น และระยะเวลาทั้งหมดที่ผู้คน "มีความเสี่ยง" ต่อเหตุการณ์นั้น

2. การคำนวณ Exact Exposure

วิธีที่แม่นยำที่สุดในการหา \(E_x^c\) คือการใช้ ข้อมูลแบบละเอียด (Exact Data) หมายความว่าเรารู้วันที่แน่นอนที่แต่ละคนเริ่มเข้าสู่การสังเกต วันที่ออกจากระบบ (ไม่ว่าจะด้วยการเสียชีวิต การจบการศึกษา หรือการถอนตัว) และวันเกิดของเขา

ขั้นตอนการคำนวณทีละสเต็ป:

1. สำหรับแต่ละคนในการศึกษา ให้ดูเวลาที่เขาใช้ในช่วงอายุ \(x\) ถึง \(x+1\)
2. ถ้าเขาอยู่ภายใต้การสังเกตตลอดทั้งปีนั้น เขาจะนับเป็น 1 ปีเต็มให้กับ \(E_x^c\)
3. ถ้าเขาเข้าร่วมกลางปีหรือเสียชีวิตหลังผ่านไป 3 เดือน เขาจะนับเป็น 0.5 หรือ 0.25 ปีตามลำดับ
4. จากนั้นนำมารวมกันทั้งหมด!

ตัวอย่าง: ถ้าคุณมีคน 3 คน:
- คน A: อยู่ในการสังเกตตลอดทั้งปีตอนอายุ 60 ปี
- คน B: อยู่ในการสังเกต 6 เดือนตอนอายุ 60 ปี แล้วเสียชีวิต
- คน C: อยู่ในการสังเกต 3 เดือนตอนอายุ 60 ปี แล้วการศึกษาสิ้นสุดลง
ค่า Exact Central Exposure \(E_{60}^c = 1 + 0.5 + 0.25 = 1.75\) คน-ปี

3. วิธีสำมะโน (Census Method): จัดการกับข้อมูลที่ไม่สมบูรณ์

ในความเป็นจริง บริษัทประกันมักไม่มี "นาฬิกาจับเวลา" ติดตัวผู้ถือกรมธรรม์ทุกคน แต่พวกเขามักใช้วิธีเก็บ "ภาพถ่ายรวม (snapshots)" หรือการทำสำมะโน ณ วันที่กำหนด (เช่น วันที่ 1 มกราคมของทุกปี)

การประมาณด้วยกฎสี่คางหมู (Trapezium Approximation)

ถ้าเรารู้เพียงจำนวนคนที่มีชีวิตอยู่ ณ อายุ \(x\) ในวันที่ 1 ม.ค. 2022 (\(P_{x,0}\)) และจำนวนคนที่มีชีวิตอยู่ ณ อายุ \(x\) ในวันที่ 1 ม.ค. 2023 (\(P_{x,1}\)) เราจะสมมติว่าจำนวนประชากรเปลี่ยนแปลงแบบเส้นตรงตลอดทั้งปี

สูตรสำหรับ Central Exposure คือ:
\( E_x^c \approx \int_0^1 P_{x,t} dt \approx \frac{1}{2} (P_{x,0} + P_{x,1}) \)

รู้หรือไม่? วิธีนี้เรียกว่า กฎสี่คางหมู (Trapezium Rule) เพราะหากคุณวาดกราฟจำนวนประชากรเทียบกับเวลา คุณก็กำลังคำนวณพื้นที่ใต้กราฟที่เป็นรูปสี่คางหมูนั่นเอง!

4. การนิยามอายุและช่วงเวลาการคำนวณ (Rate Interval)

จุดนี้เป็นจุดที่นักเรียนมักพลาดบ่อย! เพราะคำว่า "อายุ 60" ไม่ได้หมายความว่าเหมือนกันหมด! เราจำเป็นต้องกำหนด Rate Interval หรือช่วงเวลาชีวิตที่เราใช้ในการนับจำนวนผู้เสียชีวิตและค่า exposure

นิยามอายุที่พบบ่อย:

• อายุเมื่อวันเกิดล่าสุด (Age Last Birthday, \(x\)): คือคนที่มีอายุอยู่ระหว่างอายุเต็ม \(x\) ถึง \(x+1\) (นี่คือวิธีที่เราใช้เรียกอายุกันทั่วไปในชีวิตประจำวัน)
• อายุเมื่อวันเกิดใกล้ที่สุด (Age Nearest Birthday, \(x\)):* คือคนที่มีอายุอยู่ระหว่างอายุเต็ม \(x - 0.5\) ถึง \(x + 0.5\)
• อายุเมื่อวันเกิดครั้งถัดไป (Age Next Birthday, \(x\)): คือคนที่มีอายุอยู่ระหว่างอายุเต็ม \(x-1\) ถึง \(x\)

เคล็ดลับ: ให้ระบุ อายุเฉลี่ย ณ จุดเริ่มต้นของช่วงเสมอ
- สำหรับ "อายุเมื่อวันเกิดล่าสุด \(x\)" อายุเฉลี่ยตอนเริ่มต้นคือ \(x + 0.5\)
- สำหรับ "อายุเมื่อวันเกิดใกล้ที่สุด \(x\)" อายุเฉลี่ยตอนเริ่มต้นคือ \(x\)

5. แบบจำลองพัวซง (Poisson Model) สำหรับการเสียชีวิต

ในวิชา CS2 เรามักสมมติว่าจำนวนผู้เสียชีวิต (\(D_x\)) เป็นไปตาม การแจกแจงแบบพัวซง (Poisson distribution) ซึ่งเป็นหัวข้อออกสอบยอดฮิต!

หากเราสมมติว่าแรงมรณะ \(\mu_x\) คงที่ตลอดช่วงอายุนั้น จะได้ว่า:
\( D_x \sim \text{Poisson}(\mu_x \cdot E_x^c) \)

จากสมมตินี้ เราสามารถอนุพันธ์หา Maximum Likelihood Estimator (MLE) ได้ว่า:
\( \hat{\mu}_x = \frac{d_x}{E_x^c} \)

และ ความแปรปรวน (Variance) ของตัวประมาณค่าของเราคือ:
\( Var(\hat{\mu}_x) = \frac{\mu_x}{E_x^c} \approx \frac{d_x}{(E_x^c)^2} \)

ตัวช่วยจำ: ให้มองว่า \(\mu_x \cdot E_x^c\) คือ "จำนวนผู้เสียชีวิตที่คาดหวัง" ในการแจกแจงแบบพัวซง ค่าเฉลี่ย (Mean) จะเท่ากับ \(\lambda\) ดังนั้นในที่นี้ \(\lambda = \text{ความเข้มข้น} \times \text{Exposure}\)

6. ข้อผิดพลาดที่ควรหลีกเลี่ยง

1. สับสนระหว่าง Central และ Initial Exposure: Central Exposure (\(E_x^c\)) ใช้สำหรับประมาณค่า ความเข้มข้น (\(\mu_x\)) ส่วน Initial Exposure (\(E_x\)) ใช้สำหรับประมาณค่า ความน่าจะเป็น (\(q_x\)) อย่าสลับกันนะ!

2. กฎ "ครึ่งปี": เมื่อใช้ข้อมูลสำมะโน ถ้ามีการสำรวจในวันที่ 1 กรกฎาคม (กลางปี) และคุณต้องการหา exposure สำหรับปีปฏิทินนั้น ค่าประชากรที่สำรวจได้ \(P_{x, \text{July}}\) มักจะถูกใช้เป็น ประชากรเฉลี่ย ดังนั้น \(E_x^c \approx P_{x, \text{July}}\)

3. ความไม่สัมพันธ์กันของ \(d_x\) และ \(E_x^c\): ตรวจสอบให้แน่ใจว่าจำนวนผู้เสียชีวิตที่คุณนับ กับค่า exposure ที่คุณคำนวณ อยู่ในช่วงอายุและระยะเวลา เดียวกันเป๊ะๆ

สรุปทบทวน

- เป้าหมาย: ประมาณค่า \(\mu_x\) โดยใช้สูตร \(\frac{d_x}{E_x^c}\)
- ข้อมูลแบบละเอียด (Exact Data): ใช้เวลาจริงที่แต่ละคนอยู่ภายใต้การสังเกต (แม่นยำที่สุด)
- ข้อมูลสำมะโน (Census Data): ใช้ภาพรวมประชากร ณ ช่วงเวลาหนึ่งแล้วสมมติการเปลี่ยนแปลงแบบเส้นตรง (ใช้งานจริงได้ดีที่สุด)
- สมมติฐานพัวซง: \(D_x \sim \text{Poisson}(\mu_x E_x^c)\)
- ดูอายุให้ดี! ตรวจสอบว่าเป็น "วันเกิดล่าสุด", "ใกล้ที่สุด" หรือ "ครั้งถัดไป" เพื่อให้มั่นใจว่าค่า \(\mu\) ของคุณถูกนำไปวางที่อายุถูกต้อง

ไม่ต้องกังวลถ้าสูตรจากข้อมูลสำมะโนดูน่ากลัว! แค่จำไว้ว่าทั้งหมดเป็นเพียงวิธีการประมาณค่า "จำนวนเฉลี่ย" ของคนที่มีชีวิตอยู่ระหว่างปีแล้วนำไปคูณด้วยเวลา 1 ปีเท่านั้นเอง