歡迎來到馬可夫多狀態模型 (Markov Multiple State Models)！

你好！既然你已經來到 ALTAM 考試的階段，你一定知道人生並非只有「生存」或「死亡」兩種狀態。現實世界的保險產品——例如殘疾收入保險或長期護理保險——需要追蹤人們在不同健康階段之間的轉換。這正是馬可夫多狀態模型的功用！它們是處理複雜精算計算的核心引擎。

在本章中，我們將探討這些模型的「遊戲規則」，即讓這些模型發揮作用的假設。如果一開始覺得有些抽象也不用擔心，我們會將其拆解，並輔以豐富的比喻，確保你能夠紮實掌握。

1. 核心假設：馬可夫性質 (Markov Property)

最重要的一點是理解馬可夫性質。簡單來說，這意味著模型是「無記憶」的。

馬可夫性質假設移動到未來狀態的機率，僅取決於你當前的狀態，而不取決於你如何到達該處，或是在該狀態停留了多久。

比喻：GPS 與旅遊日記
想像你正開車前往朋友家。馬可夫模型就像 GPS：它只關心你現在在哪裡，以告訴你下一個路口該怎麼走。它不在乎你是從紐約還是洛杉磯出發。而非馬可夫模型則像是一本旅遊日記：它需要查看你整段旅程的歷史，才能決定你接下來會去哪裡。

快速複習：
在 ALTAM 中，我們具體假設如果一個人在年齡 \( x \) 處於狀態 \( i \)，那麼他們的過去歷史（在此之前訪問過哪些狀態，或在狀態 \( i \) 停留了多久）都不會影響未來轉移到狀態 \( j \) 的機率。

關鍵術語：歷史 \( \mathcal{H}_t \)

在數學符號中，我們說機率與 \( \mathcal{H}_t \)（該過程截至時間 \( t \) 為止的歷史）無關。正式表示如下：
\( Pr(S(t+s) = j | S(t) = i, \mathcal{H}_t) = Pr(S(t+s) = j | S(t) = i) \)

2. 轉移機率 (Transition Probabilities)

我們使用特定的符號來描述狀態之間的移動。對於年齡為 \( x \) 的被保險人：

\( _{t}p_{x}^{ij} \) 是指一個在年齡 \( x \) 處於狀態 \( i \) 的人，在 \( x+t \) 時處於狀態 \( j \) 的機率。

你會看到兩類主要的機率：
1. 轉移機率 (\( i \neq j \))：最終到達一個不同狀態的機率。
2. 停留機率 (\( i = j \))：在期末處於同一狀態的機率。（注意：這並不代表他們中間從未離開過，只是在我們觀察的時間點時，他們必須回到狀態 \( i \)！）

你知道嗎？
從狀態 \( i \) 出發的所有機率之和必須始終等於 1。對於任何時間 \( t \)：
\( \sum_{j} {_{t}p_{x}^{ij}} = 1 \)
這是因為該人必然處於某一個可能的狀態中！

3. 轉移強度 (Forces of Transition / Intensities)

機率觀察的是一段時間（例如 1 年）內發生的事情，而轉移強度（以 \( \mu \) 表示）觀察的是在瞬間發生的事情。

在年齡 \( x+t \) 時，從狀態 \( i \) 到狀態 \( j \) 的轉移強度定義為：
\( \mu_{x+t}^{ij} = \lim_{h \to 0} \frac{_{h}p_{x+t}^{ij}}{h} \)

比喻：速度表 vs. 里程表
將轉移強度 (\( \mu \)) 想像成汽車的速度表——它告訴你在某一個特定瞬間移動得有多快。將機率 (\( p \)) 想像成里程表——它告訴你在一個小時內實際行駛了多遠。

重點提示：我們假設這些強度是年齡的函數。在 ALTAM 中，我們通常處理的是非齊次 (non-homogeneous) 模型，意味著隨著年齡增長，轉移的「速度」會發生變化。

4. 查普曼-科爾莫哥洛夫方程 (Chapman-Kolmogorov Equations)

這聽起來很嚇人，但概念其實非常簡單：就是「連接點」。

如果你想知道從狀態 \( i \) 到狀態 \( j \) 在長時間內的機率，可以通過在中間狀態 \( k \) 停靠，將其拆解為兩個較短的步驟。

公式：
\( _{t+u}p_{x}^{ij} = \sum_{all \: k} {_{t}p_{x}^{ik}} \cdot {_{u}p_{x+t}^{kj}} \)

逐步理解：
1. 你從狀態 \( i \) 開始。
2. 在時間 \( t \) 之後，你可能處於任何一個狀態 \( k \)（健康、患病等）。
3. 從該狀態 \( k \) 出發，你在剩餘時間 \( u \) 內移動到最終狀態 \( j \)。
4. 將所有可能的「路徑」（所有可能的 \( k \)）加總，即可得到總機率。

關鍵收穫：該方程式允許我們通過乘法和加法，由短期的機率構建出長期的機率。

5. 科爾莫哥洛夫前向方程 (Kolmogorov’s Forward Equations)

這些是描述身處某一狀態的機率隨時間如何變化的微分方程。對於 ALTAM，你需要理解其背後的直覺。

機率 \( _{t}p_{x}^{ij} \) 的變化率取決於：
1. 流入 (Inflow)：從其他狀態 \( k \) 進入狀態 \( j \) 的人。
2. 流出 (Outflow)：從狀態 \( j \) 離開去往其他狀態的人。

通用形式：
\( \frac{d}{dt} {_{t}p_{x}^{ij}} = \sum_{k \neq j} (_{t}p_{x}^{ik} \cdot \mu_{x+t}^{kj} - {_{t}p_{x}^{ij} \cdot \mu_{x+t}^{jk}}) \)

常見錯誤提醒：
學生常會弄錯下標。請記住：\( \mu^{kj} \) 代表從 \( k \) 到 \( j \)。在方程式的「流入」部分，我們想要最終停留在 \( j \)，所以 \( j \) 應該是第二個上標。

6. 特殊情況：佔用機率 (Occupancy Probability)

有時我們想知道一個人能在特定狀態 \( i \) 中連續停留整個期間 \( t \) 而從未離開的機率，我們將其表示為 \( _{t}\bar{p}_{x}^{ii} \)。

這是通過離開狀態 \( i \) 的總強度來計算的：
\( _{t}\bar{p}_{x}^{ii} = \exp \left( -\int_{0}^{t} \sum_{j \neq i} \mu_{x+s}^{ij} ds \right) \)

註：\( p \) 上方的橫線表示他們連續地留在那裡。

快速總結與成功秘訣

總結摘要：
• 馬可夫性質：未來僅取決於當前狀態。
• 非齊次性：轉移率 (\( \mu \)) 隨年齡而變化。
• 查普曼-科爾莫哥洛夫：通過加總所有中間狀態，將長路徑拆解為短路徑。
• 前向方程：「流入減去流出」的數學表達。

最後的鼓勵：
馬可夫模型是 ALTAM 的「骨架」。如果你能將狀態想像成圓圈，將轉移想像成箭頭，數學問題就會變得容易駕馭。你可以做到的！繼續練習那些轉移圖，這些公式很快就會成為你的本能！