Survival and mortality probabilities from a parametric survival model

ยินดีต้อนรับสู่แบบจำลองการอยู่รอดเชิงพารามิเตอร์ (Parametric Survival Models)!

สวัสดีครับ! ยินดีต้อนรับเข้าสู่ส่วนที่นำไปใช้งานได้จริงมากที่สุดส่วนหนึ่งของข้อสอบ FAM ที่ผ่านมาเราอาจจะดูเรื่องอัตราการตายจากตารางมรณะ (ตารางตัวเลขชุดใหญ่ๆ) แต่จะดีกว่าไหมถ้าเราสามารถอธิบายชีวิตคนเราด้วยสูตรคณิตศาสตร์ง่ายๆ แทน? และนั่นคือสิ่งที่ แบบจำลองการอยู่รอดเชิงพารามิเตอร์ (parametric survival models) ทำครับ!

แทนที่เราจะต้องคอยเปิดหาค่า \(l_x\) จากตาราง เราก็ใช้สมการในการคำนวณความน่าจะเป็นที่ใครบางคนจะอยู่รอดหรือเสียชีวิตแทน ลองนึกภาพว่าเหมือนกับการเปลี่ยนจากแผนที่กระดาษ (ตารางมรณะ) มาใช้ GPS (สูตรคณิตศาสตร์) ซึ่งทั้งคู่พาคุณไปถึงจุดหมายได้เหมือนกัน แต่สูตรนั้นมักจะลื่นไหลและจัดการได้ง่ายกว่าเมื่อคุณเข้าใจ "กฎ" ของมันแล้ว เอาล่ะ มาเริ่มกันเลย!

1. พื้นฐาน: แรงแห่งความตาย (Force of Mortality: \(\mu_x\))

ก่อนที่เราจะไปดูแบบจำลองเฉพาะเจาะจง เราต้องเข้าใจ "เครื่องยนต์" ที่ขับเคลื่อนพวกมันก่อน นั่นคือ แรงแห่งความตาย (force of mortality) ซึ่งแทนด้วยสัญลักษณ์ \(\mu_x\) พูดง่ายๆ ก็คือ ความเสี่ยงที่จะเสียชีวิต ในทันที สำหรับคนที่มีอายุ \(x\) ปี

ในการหาความน่าจะเป็นที่บุคคลอายุ \(x\) ปีจะมีชีวิตอยู่ต่อไปอีก \(t\) ปี (เขียนแทนด้วย \({}_t p_x\)) เราจะใช้ความสัมพันธ์พื้นฐานนี้:

\({}_t p_x = e^{-\int_0^t \mu_{x+s} ds}\)

ถ้ารู้สึกว่ามันยากในตอนแรก ไม่ต้องกังวลนะ! คุณไม่จำเป็นต้องทำแคลคูลัสหนักๆ ตลอดเวลา แบบจำลองหลายตัวที่เราศึกษามีสูตร "ทางลัด" ที่ถอดมาจากอินทิกรัลนี้ สิ่งสำคัญที่ต้องจำคือ: ถ้าคุณรู้สูตรของ \(\mu\) คุณก็สามารถหาความน่าจะเป็นของการอยู่รอดได้

ทบทวนสั้นๆ: พื้นฐานที่ต้องรู้

• \({}_t p_x\): ความน่าจะเป็นที่บุคคลอายุ \(x\) จะมีชีวิตอยู่จนถึงอายุ \(x+t\)
• \({}_t q_x\): ความน่าจะเป็นที่บุคคลอายุ \(x\) จะเสียชีวิตก่อนอายุ \(x+t\) อย่าลืมว่า: \({}_t q_x = 1 - {}_t p_x\)
• \(\mu_x\): "อัตราความเสี่ยง" หรือแรงแห่งความตาย ณ อายุ \(x\) ปีเป๊ะๆ

ประเด็นสำคัญ: แบบจำลองเชิงพารามิเตอร์ให้รูปแบบฟังก์ชันของ \(\mu_x\) ซึ่งเราจะนำไปใช้คำนวณความน่าจะเป็นของการอยู่รอดต่อไป

2. แบบจำลองเอกซ์โพเนนเชียล (Exponential Model - ค่าคงที่ของแรงแห่งความตาย)

แบบจำลองเอกซ์โพเนนเชียล เป็นแบบจำลองที่ง่ายที่สุดที่คุณจะได้เจอ มันสมมติว่าความเสี่ยงในการเสียชีวิตนั้นเท่าเดิมเสมอไม่ว่าคุณจะอายุเท่าไหร่ เหมือนกับหลอดไฟที่ไม่ "แก่ตัว" ลง แต่มันจะเสียในอัตราคงที่ไปเรื่อยๆ จนกว่าจะพัง

สูตร:
\(\mu_x = \mu\) (เป็นค่าคงที่สำหรับทุกอายุ \(x\))

ความน่าจะเป็นในการอยู่รอด:
\({}_t p_x = e^{-\mu t}\)

ตัวอย่าง: ถ้าแรงแห่งความตายคงที่คือ 0.02 ความน่าจะเป็นที่คนอายุ 30 ปีจะมีชีวิตอยู่ไปอีก 10 ปี คือ \(e^{-0.02 \times 10} = e^{-0.2} \approx 0.8187\)

รู้หรือไม่? ในแบบจำลองนี้ \({}_t p_x\) ไม่ได้ ขึ้นอยู่กับอายุปัจจุบัน \(x\) คนอายุ 20 ปีและ 80 ปีต่างก็มีความน่าจะเป็นเท่ากันที่จะอยู่รอดไปอีก 5 ปี แม้ว่าสิ่งนี้จะไม่ค่อยสมจริงสำหรับมนุษย์ในระยะยาว แต่มันมีประโยชน์มากสำหรับช่วงเวลาสั้นๆ หรือความเสี่ยงด้านประกันภัยบางประเภท

ประเด็นสำคัญ: แรงแห่งความตายคงที่หมายถึง \({}_t p_x = e^{-\mu t}\) ง่ายและสะดวกมาก!

3. กฎของกอมเพิร์ตซ์ (Gompertz Law)

เบนจามิน กอมเพิร์ตซ์ (Benjamin Gompertz) สังเกตเห็นบางอย่างในปี 1825 ว่า เมื่อมนุษย์มีอายุมากขึ้น ความเสี่ยงที่จะเสียชีวิตจะเพิ่มขึ้นแบบ เอกซ์โพเนนเชียล นี่คือ กฎของกอมเพิร์ตซ์

สูตร:
\(\mu_x = B \cdot c^x\)
โดยที่ \(B > 0\) และ \(c > 1\)

ความน่าจะเป็นในการอยู่รอด:
\({}_t p_x = \exp \left[ -\frac{B \cdot c^x}{\ln c} (c^t - 1) \right] \)

การเปรียบเทียบ: ลองนึกภาพก้อนหิมะที่กลิ้งลงมาจากภูเขา ยิ่งกลิ้งไปไกล (ยิ่งอายุมากขึ้น) มันยิ่งเก็บความเร็วและมวลเพิ่มขึ้นเรื่อยๆ นั่นคือวิธีที่ความเสี่ยงในการเสียชีวิตทำงานในแบบจำลองกอมเพิร์ตซ์

เคล็ดลับการจำ: Gompertz ขึ้นต้นด้วยตัว G เหมือนกับ Growth (การเติบโต) ความเสี่ยง เติบโต ในอัตราเรขาคณิต

ประเด็นสำคัญ: กอมเพิร์ตซ์ใช้จำลองความชรา ถ้าคุณเห็นสูตรที่อายุ \(x\) อยู่ใน เลขชี้กำลัง (เช่น \(c^x\)) คุณกำลังดูแบบจำลองกอมเพิร์ตซ์อยู่!

4. กฎของเมคแฮม (Makeham Law)

เมคแฮม (Makeham) ตัดสินใจพัฒนาแนวคิดของกอมเพิร์ตซ์ เขาตระหนักว่าคนเราไม่ได้ตายแค่จาก "ความชรา" เท่านั้น บางครั้งคนเราตายจากอุบัติเหตุหรือ "โชคร้าย" ซึ่งไม่เกี่ยวเลยว่าเราอายุเท่าไหร่ เขาจึงเพิ่มพจน์ค่าคงที่เข้าไปในแบบจำลองกอมเพิร์ตซ์

สูตร:
\(\mu_x = A + B \cdot c^x\)

องค์ประกอบ:
• \(A\): องค์ประกอบที่ไม่ขึ้นกับอายุ (อุบัติเหตุ, ฟ้าผ่า, ฯลฯ)
• \(B \cdot c^x\): องค์ประกอบที่ขึ้นกับอายุ (การเสื่อมสภาพของร่างกาย)

ความน่าจะเป็นในการอยู่รอด:
\({}_t p_x = e^{-At} \cdot \exp \left[ -\frac{B \cdot c^x}{\ln c} (c^t - 1) \right] \)

ข้อผิดพลาดที่พบบ่อย: ลืมนำ \(A\) ไปคูณกับ \(t\) ในสูตรการอยู่รอด จำไว้ว่าความเสี่ยงจากอุบัติเหตุ (\(A\)) จะสะสมไปตามช่วงเวลา \(t\)!

ประเด็นสำคัญ: เมคแฮม = กอมเพิร์ตซ์ + ค่าคงที่อุบัติเหตุ เป็นแบบจำลองการตายของมนุษย์ที่โด่งดังที่สุดในวิชาคณิตศาสตร์ประกันภัย

5. แบบจำลองไวบูล (Weibull Model)

แบบจำลองไวบูล เป็นอีกวิธีในการจำลองความเสี่ยงที่เพิ่มขึ้น แต่แทนที่จะใช้การเติบโตแบบเอกซ์โพเนนเชียล (เช่น \(c^x\)) มันใช้ฟังก์ชันกำลังของอายุแทน

สูตร:
\(\mu_x = k \cdot x^n\)
(ในบางตำรา สูตรนี้เขียนด้วยอักษรกรีกอื่น เช่น \(\alpha\) และ \(\beta\) ดังนั้นควรตรวจสอบตัวแปรที่ให้มาในโจทย์สอบเสมอ!)

ความน่าจะเป็นในการอยู่รอด:
ถ้า \(\mu_x = k \cdot x^n\) การหาความอยู่รอดจะต้องใช้อินทิกรัล รูปแบบทั่วไปที่ใช้ใน FAM คือ:
\({}_t p_x = e^{-[k(x+t)^{n+1} - kx^{n+1}] / (n+1)}\)

ตัวอย่างในโลกจริง: การแจกแจงไวบูลมักใช้ในงานวิศวกรรมเพื่อจำลอง "อัตราการชำรุด" ของชิ้นส่วนเครื่องจักร บางชิ้นส่วนเสียตั้งแต่อายุยังน้อย (ความตายในช่วงต้น) และบางชิ้นส่วนเสียบ่อยขึ้นตามการใช้งาน

ประเด็นสำคัญ: ถ้าเห็นอายุ \(x\) ยกกำลัง (เช่น \(x^2\) หรือ \(x^3\)) ให้คิดถึงไวบูล!

6. ตารางสรุปเพื่อการอ้างอิงอย่างรวดเร็ว

ใช้ตารางนี้เพื่อให้แยกแบบจำลองต่างๆ ออกจากกันได้ง่ายๆ ระหว่างการทบทวนครั้งสุดท้าย:

7. เคล็ดลับสุดท้ายสู่ความสำเร็จ

1. ระวังตัวแปรของคุณ: ระวัง \(x\) (อายุปัจจุบัน) และ \(t\) (เวลาในอนาคต) ให้ดี ในข้อสอบ เขาอาจถามถึงความน่าจะเป็นที่คนอายุ 40 ปีจะตายก่อนอายุ 50 ปี ในกรณีนี้คือ \(x=40\) และ \(t=10\)

2. อินทิกรัลคือเพื่อนที่ดีที่สุด: ถ้าคุณลืมสูตรลัดเฉพาะสำหรับ \({}_t p_x\) ให้จำกฎทองไว้: \({}_t p_x = e^{-\int_0^t \mu_{x+s} ds}\) อินทิกรัลส่วนใหญ่ที่คุณต้องเจอสำหรับแบบจำลองเหล่านี้เป็นเพียงกฎเลขยกกำลังพื้นฐานเท่านั้น

3. ตรวจสอบความสมเหตุสมผล: ความน่าจะเป็นในการอยู่รอด (\(p\)) ควรอยู่ระหว่าง 0 ถึง 1 เสมอ ถ้าคุณได้เลขอย่าง 1.2 หรือ -0.5 ให้หยุดและกลับไปเช็คการคำนวณของคุณใหม่!

คุณทำได้! แบบจำลองเหล่านี้อาจดูน่ากลัวที่มีเลขชี้กำลังเต็มไปหมด แต่เมื่อคุณจับรูปแบบได้ (เอกซ์โพเนนเชียล = คงที่, กอมเพิร์ตซ์ = \(c^x\), ไวบูล = \(x^n\)) แล้ว คุณจะทำโจทย์เหล่านี้ได้อย่างรวดเร็วแน่นอน!