欢迎来到多状态模型（Multiple State Models）的世界！

在之前的学习中，你可能主要专注于简单的“生存或死亡”模型。虽然那是一个很好的起点，但现实生活往往复杂得多。人们可能会生病、康复、搬进退休社区或需要长期护理。在本章中，我们将探讨马可夫多状态模型（Markov Multiple State Models）。你可以把它看作是从黑白照片过渡到全彩电影！我们将追踪个人如何在各种健康和生活状态之间转换，以及如何计算与这些转移相关的成本。

你知道吗？名称中的“马可夫”源自俄罗斯数学家安德烈·马可夫（Andrey Markov）。他的理论本质上说明：要预测未来，你只需要知道你“现在”处于什么状态，而不必在意你是如何到达那里的。这就像是一种数学上的“无负担”思考方式！

1. 理解状态与转移

在多状态模型中，我们使用状态（States）（圆圈）和转移（Transitions）（圆圈之间的箭头）来表示个人的状态。

马可夫性质（The Markov Property）：这是这些模型中的“黄金法则”。它假设转移到未来状态的概率只取决于个人目前所处的状态。至于他们在该状态待了多久，或是之前曾经过哪些状态，通通不重要。

你将会看到的常见模型：
1. 残疾模型（“患病-死亡”模型）：状态包括健康（Healthy）、患病（Sick）和死亡（Dead）。转移可以是从健康到患病、患病到健康（康复），以及两者均可转移至死亡。
2. CCRC 模型：持续照护退休社区（Continuing Care Retirement Communities）。状态通常包括独立生活（IL）、辅助生活（AL）、专业护理设施（SNF）和死亡。

比喻：想象一间有几个房间的房子。马可夫性质说，如果我想知道你走进厨房的概率，我只需要知道你目前在客厅即可。我不需要知道你刚才究竟是从后院还是卧室过来的。

快速回顾：
- 状态（State）：一种状况（例如：“活跃”）。
- 转移（Transition）：从一个状态移动到另一个状态（例如：“退休”）。
- 吸收状态（Absorbing State）：一种你一旦进入就永远无法离开的状态（通常指死亡）。

2. 转移强度：变化的“速度”

我们使用符号 \(\mu_{x+t}^{ij}\) 来表示在年龄 \(x+t\) 时，从状态 \(i\) 到状态 \(j\) 的转移强度（Transition Intensity）。这是离开状态 \(i\) 前往状态 \(j\) 的瞬时速率。

离开状态 \(i\) 的总强度是所有导致离开该状态的强度之和：
\(\mu_{x+t}^{i \bullet} = \sum_{j \neq i} \mu_{x+t}^{ij}\)

重要提示：转移强度就像车速表上的“速度”。它们本身不是概率（它们甚至可以大于 1！），但我们使用它们来计算概率。

3. 转移概率

我们将时间 0 处于状态 \(i\) 的个人在时间 \(t\) 处于状态 \(j\) 的概率表示为 \(_tp_x^{ij}\)。

有两类主要的概率需要厘清：
1. \(_tp_x^{ij}\)：在时间 \(t\) 处于状态 \(j\) 的概率，无论中间转换了多少次状态。
2. \(_t\bar{p}_x^{ii}\)：从时间 0 到 \(t\) 持续保持在状态 \(i\) 的概率。这通常被称为“占用（occupancy）”或“停留（staying）”概率。

持续保持在状态 \(i\) 的公式为：
\(_t\bar{p}_x^{ii} = \exp\left( -\int_0^t \mu_{x+s}^{i \bullet} ds \right)\)

记忆小技巧：把 \(p\) 上面的横线（\(\bar{p}\)）想象成一个“盖子”，它把人关在状态里面，让他们无法离开！

4. 科尔莫哥洛夫前向方程（Kolmogorov Forward Equations）

别被这个名称吓到了！这些方程描述了处于某个状态的概率在极短时间内的变化方式。对于从状态 \(i\) 到状态 \(j\) 的转移：

\(\frac{d}{dt} \, _tp_x^{ij} = \sum_{k \neq j} (_tp_x^{ik} \mu_{x+t}^{kj} - _tp_x^{ij} \mu_{x+t}^{jk})\)

逐步逻辑：
1. “流入（In）”：查看所有可以从其他状态 \(k\) 进入状态 \(j\) 的路径。
2. “流出（Out）”：查看所有可以从状态 \(j\) 离开前往其他地方的路径。
3. 变化：概率的变化率就是（进入路径之和）减去（离开路径之和）。

关键要点：如果你处于状态 \(j\)，当人们进入 \(j\) 时，概率会增加；当人们离开 \(j\) 时，概率会减少。

5. 多状态下的精算现值（APV）

这就是我们为什么要学这个的原因！我们需要为福利定价。在这些模型中，福利可以通过两种方式支付：

A. 年金（状态福利）

当个人处于特定状态时支付（例如：在“辅助生活”期间每月领取 2,000 美元）。
\(APV = \int_0^\infty v^t \cdot _tp_x^{ij} \cdot B_t dt\)
其中 \(B_t\) 是支付率。

B. 转移福利（一次性总付）

在转移发生的那一刻支付一次性金额（例如：从“健康”转移到“死亡”时支付 10,000 美元的“死亡福利”）。
\(APV = \int_0^\infty v^t \cdot _tp_x^{ik} \cdot \mu_{x+t}^{kj} \cdot S_t dt\)
其中 \(S_t\) 是一次性支付的金额。

比喻：年金就像付房租（只要你占用房间就要付钱）。转移福利就像入场费（当你走进去时，在门口支付一次）。

6. 持续照护退休社区（CCRCs）

CCRC 是 ALTAM 中的一个重要主题。它们是为长者提供的专门住房，提供不同层次的护理。模型通常向一个方向移动（向更高级的护理移动），但有些模型允许“康复”（回到较低层次的护理）。

常见费用结构：
1. 入会费：入住“独立生活”时支付的一笔大额款项。
2. 月费：定期支付的款项，通常会随着护理等级的提高而增加。
3. 可退还入会费：有时在居民去世时，部分入会费会退还给遗产。

常见陷阱：在计算 CCRC 的 APV 时，学生常忘记包含在特定状态中存活的概率。请务必再次确认你的 \(_tp_x^{ij}\) 项！

7. 总结与小撇步

需要记住的关键点：
- 马可夫 = 没有记忆。只有目前的状态才重要。
- \(\mu\) 是速率，\(p\) 是概率。
- 科尔莫哥洛夫前向方程追踪“房间”之间的概率流向。
- 年金福利取决于处于什么状态；一次性总付取决于状态转移的动作。

考试小撇步：在 ALTAM 考试中，你通常会得到一个转移矩阵或图表。在开始计算任何数学之前，画出路径。如果题目问你在时间 10 处于状态 2 的概率，问问自己：“到达状态 2 的所有不同路径是什么？”这能帮助你正确地设置积分。

如果起初觉得棘手也不要担心！多状态模型只是一系列串联起来的“生存-死亡”模型。如果你能处理一个转移，你就能处理十个——这只不过是多了一点点簿记的工作而已！