บทนำ: เมื่อสองชีวิตผูกพันกัน
ยินดีต้อนรับเข้าสู่บทที่นำไปใช้ได้จริงที่สุดบทหนึ่งในหลักสูตร ALTAM! ที่ผ่านมาเราอาจจะตั้งสมมติฐานว่าการเสียชีวิตของคนคนหนึ่งไม่มีผลอะไรกับการเสียชีวิตของอีกคน ในโลกของคณิตศาสตร์ประกันภัยเราเรียกสิ่งนี้ว่า ความเป็นอิสระต่อกัน (Independence) แต่ถ้าลองพิจารณาความเป็นจริงดูสิครับ: หากคู่ชีวิตอาศัยอยู่ด้วยกัน ทานอาหารแบบเดียวกัน และเดินทางด้วยรถคันเดียวกัน "อายุขัยที่เหลืออยู่" ของพวกเขาก็น่าจะมีความเกี่ยวข้องกันไม่มากก็น้อย
ในบทนี้ เราจะเรียนรู้วิธีการก้าวข้ามสมมติฐานเรื่องความเป็นอิสระแบบง่ายๆ ไปสู่การสร้างแบบจำลอง ความสัมพันธ์พึ่งพา (Dependence) ระหว่างสองชีวิต (ปกติเรามักแทนด้วย \(x\) และ \(y\)) การเข้าใจเรื่องนี้สำคัญมาก เพราะหากเราละเลยความเชื่อมโยงเหล่านี้ เราอาจกำหนดราคาผลิตภัณฑ์ประกันภัยผิดพลาด หรือประเมินความเสี่ยงของกองทุนบำเหน็จบำนาญต่ำกว่าความเป็นจริง ไม่ต้องกังวลไปนะถ้าตอนแรกจะรู้สึกว่า "คณิตศาสตร์มันดูหนักจัง" เราจะค่อยๆ ถอดรหัสให้เข้าใจไปทีละส่วนครับ!
ทบทวนสั้นๆ: จำได้ไหมว่า \(T_x\) และ \(T_y\) คือตัวแปรสุ่มที่แทนอายุขัยที่เหลืออยู่ของ \(x\) และ \(y\) เมื่อทั้งสองเป็นอิสระต่อกัน ความน่าจะเป็นที่ทั้งคู่จะรอดชีวิตนั้นคำนวณง่ายๆ ด้วย \(P(T_x > t) \times P(T_y > t)\) แต่ในบทนี้ กฎการคูณแบบธรรมดาๆ นั้นจะได้รับการอัปเกรดให้ลึกซึ้งยิ่งขึ้น!
ความจริงของความสัมพันธ์พึ่งพา: ทำไมมันถึงเกิดขึ้น?
ก่อนจะลุยกับสูตรคำนวณ เรามาลองคิดกันก่อนว่า ทำไม อายุขัยถึงมีความสัมพันธ์พึ่งพากัน ในข้อสอบ คุณอาจเจอคำถามเชิงคุณภาพที่พูดถึงประเด็นเหล่านี้:
- สภาพแวดล้อมเดียวกัน (Common Environment): คู่ชีวิตที่อาศัยอยู่ในบ้านเดียวกัน ย่อมได้รับความเสี่ยงเดียวกัน เช่น ก๊าซเรดอน คุณภาพอากาศที่ไม่ดี หรือแม้แต่พฤติกรรมการกินอาหารแบบเดียวกัน
- เหตุการณ์สะเทือนขวัญร่วมกัน (Common Shocks): เหตุการณ์ที่เกิดขึ้นกับทั้งสองคนพร้อมกัน เช่น อุบัติเหตุทางรถยนต์ หรือภัยพิบัติทางธรรมชาติ
- อาการ "หัวใจสลาย" (The "Broken Heart" Syndrome): ทางสถิติพบว่าการเสียชีวิตของคู่สมรส มักจะเพิ่มความเสี่ยงในการเสียชีวิตของฝ่ายที่เหลืออยู่เนื่องจากความโศกเศร้าและการเปลี่ยนแปลงวิถีชีวิต
รู้หรือไม่? นักคณิตศาสตร์ประกันภัยพบว่า สำหรับประกันชีวิตแบบร่วม (Joint-life annuities) ผลกระทบจาก "อาการหัวใจสลาย" เป็นปัจจัยทางสถิติที่มีอยู่จริงและต้องนำมาพิจารณาเพื่อให้บริษัทประกันมีความมั่นคงทางการเงิน!
แบบจำลองที่ 1: แบบจำลองเหตุการณ์สะเทือนขวัญร่วม (Common Shock Model)
Common Shock Model เป็นวิธีที่เข้าใจง่ายที่สุดในการรับมือกับความสัมพันธ์พึ่งพา ลองจินตนาการว่ามี "นาฬิกา" 3 เรือนกำลังเดินอยู่: นาฬิกาเรือนที่ 1 ส่งผลต่อการตายของ \(x\) เท่านั้น, นาฬิกาเรือนที่ 2 ส่งผลต่อ \(y\) เท่านั้น และนาฬิกาเรือนที่ 3 ทำให้ ทั้งคู่ เสียชีวิตพร้อมกัน
คณิตศาสตร์ของ Common Shock
เราสมมติว่ามีแหล่งที่มาของการเสียชีวิตที่เป็นอิสระต่อกัน 3 แหล่งด้วยอัตราความเสี่ยง (hazard rates) ที่คงที่ ดังนี้:
- \(\lambda_1\): อัตราการเสียชีวิตที่ส่งผลต่อ \(x\) เท่านั้น
- \(\lambda_2\): อัตราการเสียชีวิตที่ส่งผลต่อ \(y\) เท่านั้น
- \(\lambda_{12}\): อัตราการเกิด "เหตุการณ์สะเทือนขวัญร่วม" ที่ส่งผลต่อทั้งคู่พร้อมกัน
อัตราการเสียชีวิตรวมของ \(x\) คือ \(\mu_x = \lambda_1 + \lambda_{12}\)
อัตราการเสียชีวิตรวมของ \(y\) คือ \(\mu_y = \lambda_2 + \lambda_{12}\)
ฟังก์ชันการรอดชีวิตของ สถานะร่วม (Joint life status) (ซึ่งสิ้นสุดเมื่อมีคน คนแรก เสียชีวิต) คือ:
\(_{t}p_{xy} = P(T_x > t, T_y > t) = e^{-(\lambda_1 + \lambda_2 + \lambda_{12})t}\)
ข้อผิดพลาดที่พบบ่อย: เวลาคำนวณอัตราความเสี่ยงรวมของชีวิตร่วม \(\mu_{xy}\) ห้ามนำ \(\mu_x + \mu_y\) มาบวกกันดื้อๆ นะครับ! เพราะถ้าทำแบบนั้น คุณจะนับเหตุการณ์สะเทือนขวัญร่วม (\(\lambda_{12}\)) ซ้ำไปสองครั้ง! อัตราความเสี่ยงร่วมที่ถูกต้องคือ:
\(\mu_{xy} = \lambda_1 + \lambda_2 + \lambda_{12} = \mu_x + \mu_y - \lambda_{12}\)
จุดสำคัญที่ต้องจำ: Common Shock
แบบจำลองนี้จะเพิ่มโอกาสที่ทั้งสองชีวิตจะจบลงพร้อมๆ กัน และลดโอกาสที่สถานะร่วมจะรอดชีวิตลงเมื่อเทียบกับแบบจำลองความเป็นอิสระ
แบบจำลองที่ 2: โคพูลา (Copulas) – "สะพาน" ทางคณิตศาสตร์
ถ้า Common Shock คือค้อน Copulas ก็เปรียบเสมือนมีดพับสวิสที่สารพัดประโยชน์ มันเป็นวิธีที่ยืดหยุ่นกว่าในการเชื่อมโยงการกระจายตัวของข้อมูลสองชุด (marginal distributions) ให้กลายเป็นชุดข้อมูลร่วมชุดเดียว
Copula คืออะไร?
ให้มองว่า Copula คือ สูตรทำอาหาร คุณมีวัตถุดิบสองอย่าง (ความน่าจะเป็นในการรอดชีวิตของ \(x\) และ \(y\)) และ Copula จะบอกวิธีผสมวัตถุดิบเหล่านั้นเพื่อให้ได้ความน่าจะเป็นในการรอดชีวิตร่วมออกมา
ในเชิงคณิตศาสตร์ สำหรับฟังก์ชันการรอดชีวิต \(S_x(t) = P(T_x > t)\) และ \(S_y(t) = P(T_y > t)\) ฟังก์ชันการรอดชีวิตร่วมจะแสดงได้ดังนี้:
\(S(t, u) = C(S_x(t), S_y(u))\)
โดยที่ \(C\) คือฟังก์ชัน Copula ในการสอบ ALTAM โดยทั่วไปคุณแค่ต้องรู้วิธีแทนค่าตัวเลขลงในสูตร Copula ที่โจทย์กำหนดมาให้ครับ
Copula ที่คุณอาจพบเจอ
แม้จะมีมากมาย แต่หลักสูตรเน้นที่โครงสร้างเหล่านี้:
- Independence Copula: \(C(u, v) = uv\) (นี่คือแบบเก่าที่เราคุ้นเคย โดยการนำความน่าจะเป็นมาคูณกันตรงๆ)
- Gumbel Copula: มักใช้สร้างแบบจำลอง "ความสัมพันธ์ที่ปลายบน" (สถานการณ์ที่ถ้าคนหนึ่งมีอายุยืน อีกคนก็น่าจะมีอายุยืนด้วยเช่นกัน)
- Frank Copula: เหมาะสำหรับการสร้างแบบจำลองความสัมพันธ์ที่หลากหลาย ตั้งแต่ค่าติดลบไปจนถึงค่าบวก
- Clayton Copula: เน้นไปที่ "ความสัมพันธ์ที่ปลายล่าง" (เชื่อมโยงกันในกรณีที่ทั้งคู่มีโอกาสจบชีวิตลงเร็วทั้งคู่)
ขั้นตอนการแก้โจทย์ปัญหา Copula:
1. หาความน่าจะเป็นในการรอดชีวิตของแต่ละคน \(_{t}p_x\) และ \(_{t}p_y\) จากตารางมรณะหรือสูตรที่ให้มา
2. ระบุสูตร Copula ที่โจทย์ให้มา (เช่น \(C(u, v) = \text{ฟังก์ชันที่ซับซ้อนบางอย่าง}\))
3. กำหนดให้ \(u = _{t}p_x\) และ \(v = _{t}p_y\)
4. แทนค่า \(u\) และ \(v\) ลงในสูตร Copula เพื่อหาค่า \(_{t}p_{xy}\)
5. ถ้าโจทย์ถามหาความน่าจะเป็นของ ผู้รอดชีวิตคนสุดท้าย (Last survivor) (\(_{t}p_{\overline{xy}}\)) ให้ใช้กฎพื้นฐาน: \(_{t}p_{\overline{xy}} = _{t}p_x + _{t}p_y - _{t}p_{xy}\)
จุดสำคัญที่ต้องจำ: Copulas
Copulas ช่วยให้เราใช้แบบจำลองการเสียชีวิตส่วนบุคคลที่เราคุ้นเคยอยู่แล้ว มาเชื่อมเข้าด้วยกันในวิธีที่สะท้อนถึงสหสัมพันธ์ (correlation) ในโลกความเป็นจริงได้แม่นยำขึ้น
ข้อควรระวังและเทคนิคพิเศษ
1. ความสับสนระหว่าง \(T_{xy}\) และ \(T_{\overline{xy}}\)
จำให้แม่น: \(T_{xy} = \min(T_x, T_y)\) (สถานะร่วมจบลงเมื่อมี ใครบางคน เสียชีวิต)
\(T_{\overline{xy}} = \max(T_x, T_y)\) (สถานะผู้รอดชีวิตคนสุดท้ายจบลงเมื่อ ทุกคน เสียชีวิตแล้ว)
ความสัมพันธ์พึ่งพามักส่งผลกระทบต่อ \(T_{xy}\) ได้ชัดเจนกว่าความอยู่รอดของแต่ละคน
2. กับดักของ "สมมติฐานความเป็นอิสระ"
อ่านโจทย์ให้ดีเสมอ ถ้าโจทย์บอกว่า "ทั้งสองชีวิตเป็นอิสระต่อกัน" ให้ใช้กฎการคูณ แต่ถ้าโจทย์พูดถึง "Common Shock" หรือ "Copula" คุณ ต้อง ใช้สูตรความสัมพันธ์พึ่งพาเท่านั้น
3. การตรวจสอบด้วยตรรกะ
ถ้าทั้งสองชีวิต มีความสัมพันธ์เชิงบวกต่อกัน (มักจะเสียชีวิตพร้อมกัน) ความน่าจะเป็นที่ ทั้งคู่ จะรอดชีวิต (\(_{t}p_{xy}\)) จะต้อง สูงกว่า กรณีที่เป็นอิสระต่อกัน หากคุณคำนวณได้ค่าต่ำกว่าค่าในกรณีที่เป็นอิสระ สำหรับแบบจำลองที่มีความสัมพันธ์เชิงบวก ให้ลองทบทวนการคำนวณอีกรอบนะครับ!
สรุปเนื้อหาสำคัญ
หัวใจสำคัญ:
- ความเป็นอิสระ: \(_{t}p_{xy} = _{t}p_x \times _{t}p_y\)
- Common Shock: \(\mu_{xy} = \mu_x + \mu_y - \lambda_{12}\)
- Copula: \(_{t}p_{xy} = C(_{t}p_x, _{t}p_y)\)
- ผู้รอดชีวิตคนสุดท้าย: \(_{t}p_{\overline{xy}} = _{t}p_x + _{t}p_y - _{t}p_{xy}\) (สูตรนี้ใช้ได้ เสมอ ไม่ว่าทั้งสองชีวิตจะเป็นอิสระต่อกันหรือไม่!)
สรุปภาพรวม
ในบทนี้ เราได้ยอมรับว่า "โลกแห่งความเป็นจริง" นั้นมีความซับซ้อนและชีวิตมักจะเชื่อมโยงกัน เราได้เรียนรู้ว่า Common Shock Model ใช้การแชร์อัตราความเสี่ยง (\(\lambda_{12}\)) มาเป็นตัวแทนของการเสียชีวิตพร้อมกัน และเรายังได้เรียนรู้ว่า Copulas เป็นโครงสร้างทางคณิตศาสตร์ที่ยืดหยุ่นในการเชื่อมโยงฟังก์ชันการรอดชีวิตส่วนบุคคลเข้าด้วยกัน หากคุณแม่นสูตรของ \(_{t}p_{\overline{xy}}\) และรู้จักวิธีใช้สูตร Copula ที่โจทย์กำหนดให้ รับรองว่าคุณจะทำข้อสอบในส่วนนี้ของ ALTAM ได้อย่างราบรื่นแน่นอนครับ!