Mortality curves and heterogeneity in mortality

ยินดีต้อนรับสู่โลกของเส้นโค้งมรณกรรมและความไม่เหมือนกัน (Heterogeneity)!

สวัสดีครับ! ถ้าคุณมาถึงจุดนี้ในการสอบ Exam ALTAM แล้ว คุณคงทราบดีว่ามนุษย์เราอายุมากขึ้นและต้องจากไปในที่สุด แต่เคยสงสัยไหมว่าทำไมคนอายุ 90 บางคนถึงยังวิ่งมาราธอนได้ ในขณะที่บางคนกลับล้มป่วยตั้งแต่อายุ 60 กว่าๆ? "ความแตกต่าง" นี้แหละที่เราเรียกว่า ความไม่เหมือนกัน (Heterogeneity) ในบทนี้ เราจะก้าวข้ามผ่านตารางมรณกรรมแบบธรรมดาไปสู่การดู "เส้นโค้ง" ทางคณิตศาสตร์ที่อธิบายการแก่ตัวลง และปัจจัยแฝงที่ทำให้แต่ละคนมีเอกลักษณ์เฉพาะตัว การเข้าใจเรื่องนี้ไม่ใช่แค่เรื่องสนุกทางวิทยาศาสตร์ แต่มันสำคัญมากสำหรับการตั้งราคาเงินบำนาญและการประกันชีวิตให้แม่นยำ!

1. กฎมรณกรรม (Mortality Laws): รูปร่างของการแก่ตัว

ก่อนที่เราจะไปดูความแตกต่างระหว่างบุคคล เราต้องมี "ค่าพื้นฐาน" เสียก่อนว่ามนุษย์เราแก่ตัวลงอย่างไร นักคณิตศาสตร์ประกันภัยใช้สูตรทางคณิตศาสตร์ที่เรียกว่า กฎมรณกรรม (Mortality Laws) เพื่ออธิบาย แรงมรณกรรม (Force of Mortality) (\(\mu_x\))

กฎของกอมเพิร์ตซ์ (Gompertz Law)

เบนจามิน กอมเพิร์ตซ์ สังเกตเห็นในปี 1825 ว่าความเสี่ยงในการเสียชีวิตเพิ่มขึ้นแบบทวีคูณเมื่อเราอายุมากขึ้น ลองจินตนาการถึงก้อนหิมะที่กลิ้งลงจากเขาแล้วยิ่งเร็วขึ้นเรื่อยๆ นั่นแหละคือความเสี่ยงในการเสียชีวิตของคุณหลังจากอายุ 30 ปี
สูตร: \(\mu_x = B \cdot c^x\)
โดยที่:
- B คือระดับมรณกรรมพื้นฐาน
- c คือ "อัตราการเติบโต" ของมรณกรรม (ปกติจะอยู่ที่ประมาณ 1.1 ซึ่งหมายความว่าความเสี่ยงจะเพิ่มขึ้นประมาณ 10% ในทุกๆ ปีที่อายุเพิ่มขึ้น)

กฎของเมคแฮม (Makeham Law)

เมคแฮมตระหนักว่ากอมเพิร์ตซ์ลืมสิ่งหนึ่งไป นั่นคือ "อุบัติเหตุ"! ความเสี่ยงบางอย่างไม่สนหรอกว่าคุณอายุเท่าไหร่ (เช่น การถูกฟ้าผ่า) เขาจึงเพิ่มค่าคงที่ A เข้าไปในสูตร
สูตร: \(\mu_x = A + B \cdot c^x\)
- A: ความเสี่ยงที่ไม่ขึ้นกับอายุ (อุบัติเหตุ)
- B \cdot c^x: ความเสี่ยงที่ขึ้นกับอายุ (การแก่ตัวทางชีวภาพ)

ทบทวนสั้นๆ:
- Gompertz: สนใจแค่การแก่ตัวทางชีวภาพ
- Makeham: การแก่ตัวทางชีวภาพ + อุบัติเหตุที่เกิดขึ้นแบบสุ่ม

2. ความไม่เหมือนกัน (Heterogeneity): ทำไมเราถึงไม่เหมือนกันทุกคน?

ในแบบจำลองพื้นฐาน เรามักสมมติว่าทุกคนที่อายุ 40 ปีมีความน่าจะเป็นในการเสียชีวิตเท่ากันเป๊ะ แต่ในความเป็นจริง บางคนมียีนที่ "ดี" หรือมีสุขนิสัยที่ดีกว่า ในขณะที่บางคนไม่ใช่ ความหลากหลายนี้เรียกว่า ความไม่เหมือนกัน (Heterogeneity)

คำอุปมาเรื่องการวิ่งมาราธอน:
ลองจินตนาการถึงการแข่งขันมาราธอนรายการใหญ่ ในช่วงเริ่มต้น คุณมีทั้งนักกีฬาระดับอีลีทและนักวิ่งทั่วไป
1. เมื่อการแข่งขันดำเนินไป นักวิ่งทั่วไป (กลุ่มที่ "อ่อนแอ") จะค่อยๆ ถอนตัวออกไปก่อน
2. เมื่อถึงไมล์ที่ 20 คนที่เหลืออยู่ส่วนใหญ่คือเหล่านักกีฬาระดับอีลีท (กลุ่มที่ "แข็งแกร่ง")
3. เพราะนักวิ่งที่ "อ่อนแอที่สุด" ถอนตัวออกไปเร็ว ความเร็วเฉลี่ยของกลุ่มที่เหลืออยู่อาจจะดูเร็วเกินคาด! นี่คือหัวใจสำคัญของความไม่เหมือนกันในเรื่องอัตราการตาย

แนวคิดหลัก: ผลกระทบจากการคัดเลือก (Selection Effect)
เมื่อกลุ่มคนมีอายุมากขึ้น บุคคลที่มีความเสี่ยงสูงที่สุดจะเสียชีวิตไปก่อน สิ่งนี้ทิ้ง "กลุ่มผู้รอดชีวิต" ที่มีสุขภาพดีกว่าค่าเฉลี่ยของกลุ่มเดิมไว้ ซึ่งอาจทำให้ดูเหมือนว่าอัตราการตายเริ่มช้าลงในช่วงอายุที่มากๆ

3. แบบจำลองความเปราะบาง (Frailty Models)

เราจะเปลี่ยนสิ่งนี้เป็นสมการคณิตศาสตร์ได้อย่างไร? เราใช้ ตัวแปรความเปราะบาง (Frailty Variable) ซึ่งมักแทนด้วย Z

แรงมรณกรรมรายบุคคล (Individual Force of Mortality)

แต่ละคนมีค่าความเปราะบาง \(Z\) ของตัวเอง
\(\mu(x+t | Z=z) = z \cdot \mu^*(x+t)\)
- \(z\): "ตัวคูณ" ส่วนบุคคล ถ้า \(z > 1\) แสดงว่าเปราะบางกว่า (ความเสี่ยงสูงกว่า) ถ้า \(z < 1\) แสดงว่าแข็งแกร่งกว่า (ความเสี่ยงต่ำกว่า)
- \(\mu^*(x+t)\): แรงมรณกรรม "พื้นฐาน" สำหรับคนทั่วไป

รู้หรือไม่?
เรามักสมมติว่าค่าความเปราะบางเฉลี่ยเมื่อแรกเกิดคือ 1 (\(E[Z] = 1\)) เพื่อให้ค่าพื้นฐานของเรา (\(\mu^*\)) มีความหมายในฐานะความเสี่ยงเริ่มต้นเฉลี่ย

แรงมรณกรรมของประชากร (Population Force of Mortality)

นี่คือจุดที่นักศึกษามักพลาด! อัตราการตายสำหรับ ประชากรทั้งหมด ซึ่งแทนด้วย \(\bar{\mu}_{x+t}\) คือค่าเฉลี่ยของอัตราการตายของบุคคล ที่ยังมีชีวิตอยู่
สูตร: \(\bar{\mu}_{x+t} = E[Z | T > t] \cdot \mu^*(x+t)\)

คำเตือนจุดที่มักผิดพลาด:
อย่าใช้แค่ค่าเฉลี่ยตั้งต้นของ \(Z\)! เมื่อเวลาผ่านไป คนที่มีค่า \(z\) สูงจะเสียชีวิตไป ดังนั้น \(E[Z | T > t]\) จะ ลดลง ตามกาลเวลา ความเสี่ยงของประชากรจึงมักจะ น้อยกว่าหรือเท่ากับ ความเสี่ยงเฉลี่ยของกลุ่มเดิมเสมอ

4. แบบจำลอง Gamma-Gompertz

ในการสอบ Exam ALTAM การกระจายตัว (distribution) ที่พบบ่อยที่สุดสำหรับความเปราะบาง \(Z\) คือ การกระจายตัวแบบแกมมา (Gamma distribution) ทำไมนะเหรอ? ก็เพราะว่าคณิตศาสตร์ที่ได้มันสวยงามและจัดการได้ง่าย (mathematically tractable)

ถ้า \(Z\) เป็นไปตามการกระจายตัวแบบแกมมาที่มีค่าเฉลี่ย 1 และความแปรปรวน \(\sigma^2\):
1. ฟังก์ชันการอยู่รอดของประชากร \(S_p(t)\) จะกลายเป็นฟังก์ชันเลขชี้กำลังเฉพาะของฟังก์ชันการอยู่รอดพื้นฐาน
2. แรงมรณกรรมของประชากร \(\bar{\mu}_{x+t}\) จะคงที่หรือเพิ่มขึ้นช้ากว่าค่า \(\mu\) รายบุคคลอย่างมาก สิ่งนี้มักเรียกว่า การชะลอตัวของอัตราการตาย (Mortality deceleration)

เทคนิคการจำ:
จำไว้ว่า แกมมา (Gamma) คือ "ตัวปรับระดับ" มันเปลี่ยนความเสี่ยงที่เพิ่มขึ้นแบบทวีคูณ (Gompertz) ให้ราบเรียบขึ้น เพราะคนที่มีความเปราะบางสูงสุดได้จากไปแล้ว

5. สรุปใจความสำคัญ

อย่าให้สัญลักษณ์เหล่านั้นทำให้คุณกลัว! นี่คือสิ่งที่คุณต้องจำให้ขึ้นใจสำหรับการสอบ:

1. รายบุคคล vs ประชากร: มรณกรรมรายบุคคลคือสิ่งที่เกิดขึ้นกับคนหนึ่งคนที่มีค่า \(z\) คงที่ แต่มรณกรรมของประชากรคือสิ่งที่เราสังเกตเห็นจากกลุ่ม ซึ่งเปลี่ยนแปลงไปตามเวลาเมื่อสมาชิกที่ "เปราะบาง" ล้มหายตายจากไป

2. ผลกระทบจากการคัดเลือก: ในช่วงอายุที่สูงขึ้น อัตราการตายของประชากรจะต่ำกว่าความเป็นจริงหากทุกคนเหมือนกันหมด เพราะเหลือเพียงกลุ่มที่ "แข็งแกร่งที่สุด" (ค่า \(z\) ต่ำที่สุด) เท่านั้นที่รอดชีวิตมาได้

3. ผลกระทบต่อการตั้งราคา: หากนักคณิตศาสตร์ประกันภัยละเลยเรื่องความไม่เหมือนกัน เขาอาจจะประเมินจำนวนคนที่เสียชีวิตในช่วงอายุมากๆ สูงเกินไป ซึ่งอันตรายสำหรับบริษัทประกันบำนาญเพราะอาจสำรองเงินไม่พอจ่ายให้ผู้รอดชีวิต!

ตารางทบทวนเร็ว:
- \(z \cdot \mu^*\): ความเสี่ยงรายบุคคล
- การคัดเลือก (Selection): กระบวนการที่คนความเสี่ยงสูงเสียชีวิตก่อน
- การชะลอตัว (Deceleration): ความราบเรียบของเส้นโค้งมรณกรรมที่อายุมาก (เช่น 100 ปีขึ้นไป)
- Gamma: การกระจายตัวยอดนิยมสำหรับแบบจำลองความเปราะบาง \(Z\)

หมั่นฝึกฝนสูตรเหล่านั้นนะ! คุณทำได้ดีมาก จำไว้นะว่าทุกแบบจำลองที่ซับซ้อน เป็นเพียงวิธีหนึ่งที่มนุษย์พยายามจะอธิบายโลกแห่งความเป็นจริงที่วุ่นวาย คุณทำได้อยู่แล้ว!