欢迎来到参数生存模型的世界！

你好！欢迎来到 Exam FAM 当中最实用的章节之一。到目前为止，你可能已经学过如何利用生命表（那些包含大量数字的表格）来查看死亡率。但如果我们可以用简单的数学公式来描述人类的寿命呢？这正是参数生存模型 (parametric survival models) 的作用！

我们不再需要从表格中查找 \(l_x\) 数值，而是直接使用方程式来计算一个人存活或死亡的概率。这就像从纸本地图（生命表）转换为 GPS（公式）：两者都能带你到达目的地，但一旦你掌握了“规则”，公式通常会更流畅、更易于计算。让我们开始吧！

1. 基础：死亡力 (\(\mu_x\))

在我们探讨具体模型之前，必须先了解推动它们的“引擎”：死亡力 (force of mortality)，记作 \(\mu_x\)。简单来说，这是一个人在 \(x\) 岁时的瞬时死亡风险。

若要计算 \(x\) 岁的人再存活 \(t\) 年的概率（记作 \({}_t p_x\)），我们使用这条基本关系式：

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

别担心，如果这看起来很复杂，那是正常的！ 你并不总是需要进行艰深的微积分计算。我们学习的许多模型都有从这个积分导出的“捷径”公式。关键在于：只要你知道 \(\mu\) 的公式，就能找到生存概率。

快速复习：基本概念

• \({}_t p_x\)： \(x\) 岁的人存活到 \(x+t\) 岁的概率。
• \({}_t q_x\)： \(x\) 岁的人在 \(x+t\) 岁之前死亡的概率。请记住：\({}_t q_x = 1 - {}_t p_x\)。
• \(\mu_x\)： 在精确年龄 \(x\) 时的“危险率”或死亡力。

核心重点： 参数模型为 \(\mu_x\) 提供了函数形式，我们随后利用它来计算生存概率。

2. 指数模型 (常数死亡力)

指数模型 (Exponential Model) 是你将遇到的最简单模型。它假设无论你多大，死亡风险都是一样的。就像一个灯泡——它不会“变老”，只是最终以恒定的速率坏掉。

公式：
\(\mu_x = \mu\) (对所有 \(x\) 而言皆为常数)

生存概率：
\({}_t p_x = e^{-\mu t}\)

例子： 如果常数死亡力为 0.02，一个 30 岁的人存活 10 年的概率为 \(e^{-0.02 \times 10} = e^{-0.2} \approx 0.8187\)。

你知道吗？ 在此模型中，\({}_t p_x\) 并不取决于当前年龄 \(x\)。一个 20 岁的人和一个 80 岁的人在未来 5 年内存活的概率是一样的。虽然这对于长期的人类寿命来说不切实际，但它对于短期或特定类型的保险风险非常有用。

核心重点： 常数死亡力意味着 \({}_t p_x = e^{-\mu t}\)。简单又方便！

3. 贡珀兹定律 (Gompertz Law)

Benjamin Gompertz 在 1825 年发现了一个现象：随着人类年龄增长，死亡风险呈指数级上升。这就是贡珀兹定律 (Gompertz Law)。

公式：
\(\mu_x = B \cdot c^x\)
其中 \(B > 0\) 且 \(c > 1\)。

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

类比： 想象一个雪球从山上滚下来。当它滚得越远（你年龄越大），它的速度和质量增长得越快。这就是贡珀兹模型中死亡风险的表现方式。

记忆小技巧： Gompertz 以 G 开头，就像 Growth（增长）。风险以几何速率增长。

核心重点： 贡珀兹模型用于描述衰老。如果你看到公式中年龄 \(x\) 位于指数位置（例如 \(c^x\)），那你就是在处理贡珀兹模型！

4. 马克汉姆定律 (Makeham Law)

Makeham 决定改善 Gompertz 的观点。他意识到人类死亡不仅仅是因为“衰老”。有时人们会因为意外或与年龄无关的“坏运气”而死亡。于是他为贡珀兹模型增加了一个常数项。

公式：
\(\mu_x = A + B \cdot c^x\)

组成部分：
• \(A\)： 与年龄无关的组成部分（意外、雷击等）。
• \(B \cdot c^x\)： 与年龄相关的组成部分（身体的磨损）。

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

常见错误： 在生存公式中忘记将 \(A\) 乘以 \(t\)。请记住，意外风险 (\(A\)) 是随时间 \(t\) 积累的！

核心重点： 马克汉姆 = 贡珀兹 + 意外常数。这是精算科学中最著名的人类死亡率模型。

5. 韦伯分布模型 (Weibull Model)

韦伯分布模型 (Weibull Model) 是另一种模拟风险上升的方法，但它不是使用指数增长（如 \(c^x\)），而是使用年龄的幂函数。

公式：
\(\mu_x = k \cdot x^n\)
（在某些教科书中，这会用不同的希腊字母如 \(\alpha\) 和 \(\beta\) 表示，所以考试时一定要检查题目给出的参数！）

生存概率：
若 \(\mu_x = k \cdot x^n\)，则生存概率需要透过积分得出。FAM 常见的形式为：
\({}_t p_x = e^{-[k(x+t)^{n+1} - kx^{n+1}] / (n+1)}\)

现实例子： 韦伯分布常被用于工程学，以模拟机械零件的“故障率”。有些零件会早期失效（婴儿死亡率），有些则会随着磨损而增加失效频率。

核心重点： 如果你看到年龄 \(x\) 被加上幂次（例如 \(x^2\) 或 \(x^3\)），请联想到韦伯模型！

6. 快速参考总结表

在最终复习时，可以使用此表来理清各个模型：

模型 死亡力 (\(\mu_x\)) 特性
指数模型 \(\mu\) 常数；年龄无影响。
贡珀兹 \(B \cdot c^x\) 风险随年龄呈指数增长。
马克汉姆 \(A + B \cdot c^x\) 贡珀兹 + 常数意外风险。
韦伯 \(k \cdot x^n\) 风险遵循年龄的幂函数。

7. 成功秘诀

1. 注意变量： 小心 \(x\)（当前年龄）和 \(t\)（未来时间）。在考试中，题目可能会问一个 40 岁的人在 50 岁之前死亡的概率。这里 \(x=40\)，\(t=10\)。

2. 积分是你的好朋友： 如果你忘记了 \({}_t p_x\) 的特定捷径公式，只需记住黄金法则：\({}_t p_x = e^{-\int_0^t \mu_{x+s} ds}\)。你在这些模型中遇到的大多数积分都是基本的幂函数或指数函数规则。

3. 合理性检查： 生存概率 (\(p\)) 应始终在 0 到 1 之间。如果你算出像 1.2 或 -0.5 这样的数字，请停下来检查你的代数计算！

你一定做得到的！ 这些模型因为充满了指数符号，初看可能令人畏惧，但只要你能识别出规律（指数模型 = 常数，贡珀兹 = \(c^x\)，韦伯 = \(x^n\)），你很快就能轻松应对这些题目了。