State-dependent probabilities for continuous-time Markov models

ยินดีต้อนรับสู่โลกของ State-Dependent Probabilities!

สวัสดีครับว่าที่นักคณิตศาสตร์ประกันภัยทุกคน! ในบทก่อนหน้านี้ น้องๆ น่าจะได้ศึกษาแบบจำลองการอยู่รอด (Survival Models) แบบง่ายๆ ที่คนเรามีเพียงแค่สถานะ "มีชีวิต" กับ "เสียชีวิต" เท่านั้น แต่ในบทนี้เราจะอัปเลเวลกันครับ เราจะมาทำความรู้จักกับ Continuous-Time Markov Models ซึ่งเป็นแบบจำลองที่คนเราสามารถย้ายสถานะไปมาได้หลายสถานะ (เช่น "สุขภาพดี", "เจ็บป่วย" และ "เสียชีวิต") โดยโอกาสในการย้ายสถานะจะขึ้นอยู่กับอายุและสถานะปัจจุบันของคนๆ นั้น

อาจจะฟังดูซับซ้อน แต่ให้ลองจินตนาการว่ามันเหมือนกับระบบ GPS ของประกันชีวิตครับ เราพยายามสร้างแผนที่เส้นทางที่เป็นไปได้ทั้งหมดที่คนๆ หนึ่งอาจจะเจอ และคำนวณความน่าจะเป็นที่เขาจะไปถึงปลายทางที่กำหนด ณ เวลาที่กำหนด มาเริ่มกันเลย!

1. พื้นฐาน: แบบจำลองแบบขึ้นกับสถานะ (State-Dependent Model) คืออะไร?

ในชีวิตจริง ความเสี่ยงไม่ได้มีแค่ "เกิด" หรือ "ไม่เกิด" ตัวอย่างเช่น พนักงานในกองทุนบำเหน็จบำนาญอาจเริ่มจากสถานะ "ทำงาน" (Active) กลายเป็น "ทุพพลภาพ" (Disabled) จากนั้นอาจ "ฟื้นตัว" (Recovered) และท้ายที่สุดก็ "เสียชีวิต" (Deceased)

ใน Continuous-Time Markov Model เรามีสมมติฐานว่า:
1. อนาคตขึ้นอยู่กับสถานะปัจจุบันเท่านั้น (นี่คือ "Markov Property")
2. การเปลี่ยนสถานะสามารถเกิดขึ้นได้ทุกเสี้ยววินาที
3. โอกาสในการเปลี่ยนสถานะขึ้นอยู่กับอายุของบุคคล ซึ่งเราแทนด้วย \( x+t \)

คำศัพท์สำคัญ: Transition Intensity

Transition intensity (ความเข้มของการเปลี่ยนสถานะ) หรือ \( \mu_{x+t}^{ij} \) คืออัตราการเปลี่ยนสถานะจาก \( i \) ไปยัง \( j \) แบบ "ทันทีทันใด" ณ อายุ \( x+t \)

เปรียบเทียบ: ให้ลองนึกถึง มาตรวัดความเร็ว (Speedometer) ในรถยนต์ ถ้าเข็มชี้ที่ 60 ไมล์ต่อชั่วโมง ไม่ได้แปลว่าคุณวิ่งมาแล้ว 60 ไมล์ แต่มันแปลว่า ณ วินาทีนี้ คุณกำลังเคลื่อนที่ด้วยอัตราเร็วเท่านี้ ในทำนองเดียวกัน \( \mu_{x+t}^{ij} \) ก็คือความเร็วที่คนกำลัง "ไหล" จากสถานะ \( i \) ไปยังสถานะ \( j \)

2. ความน่าจะเป็นในการเปลี่ยนสถานะ: \( {}_t p_x^{ij} \)

ในขณะที่ intensities คือ "ความเร็ว" แต่ transition probabilities คือ "โอกาสที่จะไปถึงจุดหมาย" หลังจากผ่านเวลาไปช่วงหนึ่ง

\( {}_t p_x^{ij} \) = ความน่าจะเป็นที่คนที่อยู่ในสถานะ \( i \) ณ อายุ \( x \) จะไปอยู่ในสถานะ \( j \) ณ อายุ \( x+t \)

ความแตกต่างที่สำคัญ:
- \( {}_t p_x^{ii} \): ความน่าจะเป็นที่จะอยู่ในสถานะ \( i \) ณ เวลา \( t \) โดยเริ่มจากสถานะ \( i \) (คุณอาจจะเคยออกไปจากสถานะ \( i \) แล้วกลับเข้ามาใหม่ก็ได้!)
- \( {}_t p_x^{\bar{ii}} \): ความน่าจะเป็นที่จะ คงอยู่ ในสถานะ \( i \) ตลอดเวลาตั้งแต่ \( 0 \) ถึง \( t \) โดยไม่เคยออกไปเลย

สูตรลัดสำหรับการคงอยู่:
\( {}_t p_x^{\bar{ii}} = \exp\left( -\int_0^t \sum_{k \neq i} \mu_{x+s}^{ik} ds \right) \)
เทคนิคช่วยจำ: สูตรนี้หน้าตาเหมือนสูตรการอยู่รอด \( {}_t p_x = e^{-\int \mu ds} \) เลย! เพียงแค่เรานำอัตราการ "ออก" จากสถานะ \( i \) ทั้งหมดมารวมกัน

ตารางสรุป: Probabilities vs. Intensities

Intensity (\( \mu \)): อัตรา การเปลี่ยนแปลง (เปรียบเหมือน "ความเร็ว")
Probability (\( p \)): โอกาส ที่จะอยู่ที่ตำแหน่งใดตำแหน่งหนึ่ง (เปรียบเหมือน "ตำแหน่งที่อยู่")

3. สมการ Kolmogorov Forward Equations

อย่าให้ชื่อเรียกน่ากลัวๆ ทำให้ตกใจนะครับ! สมการเหล่านี้เป็นเพียงวิธีอธิบายว่าความน่าจะเป็นเปลี่ยนแปลงไปอย่างไรในช่วงเวลาที่สั้นมากๆ

สำหรับสถานะ \( j \) ใดๆ อัตราการเปลี่ยนแปลงของความน่าจะเป็น \( \frac{d}{dt} {}_t p_x^{ij} \) คำนวณได้จาก ขาเข้า (Inflow) ลบด้วย ขาออก (Outflow)

สมการทั่วไป:
\( \frac{d}{dt} {}_t p_x^{ij} = \sum_{k \neq j} \left( {}_t p_x^{ik} \mu_{x+t}^{kj} \right) - {}_t p_x^{ij} \sum_{k \neq j} \mu_{x+t}^{jk} \)

แยกแยะสมการ:
1. ขาเข้า (Inflow): นำผลรวมของความน่าจะเป็นที่อยู่ใน สถานะอื่นๆ \( k \) แล้วเปลี่ยนมายังสถานะ \( j \)
2. ขาออก (Outflow): หักลบด้วยความน่าจะเป็นที่อยู่ในสถานะ \( j \) อยู่แล้ว แล้วเปลี่ยนออกไปยังสถานะอื่น \( k \) ใดๆ

ตัวอย่าง: แบบจำลอง สุขภาพดี-ป่วย-เสียชีวิต
ถ้าสถานะ 0 = สุขภาพดี, 1 = ป่วย, และ 2 = เสียชีวิต การเปลี่ยนแปลงของความน่าจะเป็นที่จะป่วย (\( {}_t p_x^{01} \)) คือ:
\( \frac{d}{dt} {}_t p_x^{01} = \underbrace{{}_t p_x^{00} \mu_{x+t}^{01}}_{\text{จากสุขภาพดีไปป่วย}} - \underbrace{{}_t p_x^{01} (\mu_{x+t}^{10} + \mu_{x+t}^{12})}_{\text{จากป่วยไปสุขภาพดีหรือเสียชีวิต}} \)

4. การแก้สมการ (วิธีของ Euler)

ในการสอบ ALTAM บ่อยครั้งที่เราไม่สามารถแก้สมการเหล่านี้ด้วยแคลคูลัสแบบเป๊ะๆ ได้ เราจึงต้องใช้ วิธีของ Euler (Euler's Method) เพื่อหาค่าประมาณในขั้นตอนถัดไปแทน

ขั้นตอนการประมาณด้วยวิธีของ Euler:
1. เริ่มจากค่าความน่าจะเป็นปัจจุบันที่เวลา \( t \)
2. คำนวณอนุพันธ์ (อัตราการเปลี่ยนแปลง) โดยใช้สมการ Kolmogorov Forward Equation
3. นำอัตราที่ได้ไปคูณกับช่วงเวลาเล็กๆ \( h \)
4. นำค่าที่ได้ไปบวกกับความน่าจะเป็นเริ่มต้น เพื่อหาความน่าจะเป็น ณ เวลา \( t+h \)

สูตร:
\( {}_t+h p_x^{ij} \approx {}_t p_x^{ij} + h \cdot \left( \frac{d}{dt} {}_t p_x^{ij} \right) \)

ข้อผิดพลาดที่พบบ่อย: ลืมไปว่า \( h \) (ขนาดของก้าว) มักจะเป็นค่าที่เล็กมาก (เช่น 1/12 สำหรับรายเดือน หรือ 1/365 สำหรับรายวัน) อย่าลืมนำอนุพันธ์ไปคูณกับ \( h \) นะครับ!

5. การทำงานกับ Intensities ที่ไม่คงที่

บางครั้งโจทย์จะกำหนด intensity มาให้เป็นฟังก์ชันของเวลา เช่น \( \mu_{x+t}^{01} = 0.01 + 0.001(x+t) \)

รู้หรือไม่? สิ่งนี้ทำให้แบบจำลองกลายเป็น "Non-Homogeneous" ความหมายง่ายๆ ก็คือ "ความเร็ว" ในการเปลี่ยนสถานะนั้นเปลี่ยนไปตามอายุที่มากขึ้นของคนคนนั้น

เพื่อหาความน่าจะเป็นที่จะคงอยู่ในสถานะหนึ่งในขณะที่ intensity กำลังเปลี่ยนแปลง คุณ จำเป็นต้องใช้การอินทิเกรต (integrate)
\( {}_t p_x^{\bar{ii}} = \exp\left( -\int_0^t \text{อัตราการออกจากสถานะทั้งหมด} \right) \)

สรุปสั้นๆ:
- ถ้าอัตราการออกคงที่ (\( \mu \)) จะได้ \( {}_t p_x^{\bar{ii}} = e^{-\mu t} \)
- ถ้าอัตราการออกเป็นเส้นตรง (เช่น \( At + B \)) คุณจะต้องทำการอินทิเกรตเพื่อหาค่ากำลังสองในเลขยกกำลัง!

6. บทสรุปและสิ่งสำคัญที่ต้องจดจำ

ประเด็นสำคัญที่ควรจำ:
- สถานะและการเปลี่ยนสถานะ: เราติดตามการเคลื่อนไหวระหว่างสถานะต่างๆ โดยใช้ intensities (\( \mu \))
- การคงอยู่ vs การเป็นอยู่: \( {}_t p_x^{\bar{ii}} \) คือ "ไม่เคยจากไปไหน" ในขณะที่ \( {}_t p_x^{ii} \) คือ "กลับมาที่เดิมแล้ว"
- Forward Equations: อัตราการเปลี่ยนแปลงคือ "ขาเข้า ลบด้วย ขาออก"
- วิธีของ Euler: ใช้สำหรับการหาค่าแบบตัวเลข: \( \text{ค่าใหม่} = \text{ค่าเดิม} + (\text{ขนาดก้าว} \times \text{อัตราการเปลี่ยนแปลง}) \)

ส่งท้ายด้วยกำลังใจ:
Continuous-time Markov models เป็นเพียงวิธีที่เป็นทางการในการติดตามการเคลื่อนไหว หากน้องๆ สามารถจินตนาการถึง "การไหล" ระหว่างกล่องสถานะต่างๆ ได้ คณิตศาสตร์ที่ตามมามักจะเข้าใจได้ง่ายขึ้น ลองฝึกวาดแผนภาพสถานะ (state diagrams) ดูนะครับ มันช่วยให้เห็นภาพชัดเจนขึ้นมากว่า intensity ตัวไหนอยู่ในสมการส่วนไหน!