歡迎來到轉移強度（Transition Intensities）的世界！

你好！今天，我們要深入探討精算師工具箱中最基礎的工具之一：轉移強度的極大似然估計量（Maximum Likelihood Estimators, MLEs）。如果你曾好奇保險公司究竟是如何計算一個人從「健康」狀態轉變為「患病」狀態，或是從「生存」變為「死亡」的「風險」，那麼這就是一切奧秘所在。

如果剛開始看這些數學公式覺得有點頭暈，別擔心，我們會一步步拆解。等你讀完這篇，你會發現計算風險率的「最佳」估計值其實非常符合邏輯！

什麼是轉移強度？

在開始推導之前，我們先快速複習一下我們在研究什麼。在生存模型（Survival Models）中，轉移強度（通常以希臘字母 \(\mu\) 或 \(\sigma\) 表示）代表從一個狀態轉移到另一個狀態的瞬間速率。

把它想像成速度計。如果你正以時速 60 英里行駛，這並不代表你會開一小時；它只是告訴你那一瞬間的速度。同樣地，\(\mu\) 告訴我們在特定時間點死亡或患病的「力度」或「速度」。

目標：極大似然估計（MLE）

在現實世界中，我們觀察一群人。有些人保持健康，有些人患病，有些人離世。我們擁有數據，但我們不知道 \(\mu\) 的真實值。極大似然法的核心問題是：「哪一個 \(\mu\) 值會使得我們觀察到的數據出現的機率最大？」

第一步：建立似然函數（Likelihood Function）

要找到 MLE，我們首先需要寫出似然函數 \(L(\mu)\)。這只是一種數學說法，意思是「我們觀察到的數據出現的機率」。

想像我們正在觀察一個人。為了讓他們對我們的數據產生貢獻，會發生兩件事：

1. 他們在當前狀態停留了一段時間 \(t\)。在該狀態下「存活」時間 \(t\) 的機率是 \(e^{-\mu t}\)。
2. 他們可能會轉移到新狀態。在該瞬間發生轉移的「機率」與 \(\mu\) 成正比。

如果我們擁有一群人，我們將他們各自的經驗相乘：

\(L(\mu) = \text{常數} \times \prod (\text{保持現狀的機率}) \times \prod (\text{轉移強度})\)

當我們為恆定的強度 \(\mu\) 簡化這個公式時，我們得到：
\(L(\mu) = \mu^d e^{-\mu v}\)

其中：
- \(d\) 是觀察到的死亡人數（或轉移總次數）。
- \(v\) 是總等待時間（也稱為中央暴露值，Central Exposure），即每個人在初始狀態下花費的所有時間總和。

你知道嗎？字母 \(v\) 之所以常被使用，是因為它代表「等待時間」（waiting time，源自拉丁文 vivere，或在某些情境下簡單理解為等待），但在 IFoA 考試中，你可能會看到它被稱為總風險時間（Total Time at Risk）。

第二步：對數似然技巧（Log-Likelihood Trick）

處理包含指數的微積分很麻煩。為了簡化問題，我們取似然函數的自然對數（natural logarithm）。因為 \(\ln\) 函數是「單調遞增」的，使 \(\ln(L)\) 最大化的 \(\mu\) 值，同樣也會使 \(L\) 最大化。

對我們的公式取對數：
\(l(\mu) = \ln(L(\mu)) = \ln(\mu^d e^{-\mu v})\)
利用對數規則（\(\ln(ab) = \ln a + \ln b\) 以及 \(\ln(a^b) = b \ln a\)）：
\(l(\mu) = d \ln(\mu) - \mu v\)

是不是親切多了？再也沒有指數了！

第三步：找到最大值（微積分部分）

為了找到函數的頂峰（最大值），我們做你在學校學過的操作：對 \(\mu\) 求導並令其為零。

1. 微分：
\(\frac{dl}{d\mu} = \frac{d}{\mu} - v\)

2. 設為零：
\(\frac{d}{\mu} - v = 0\)

3. 解出 \(\mu\)：
\(\hat{\mu} = \frac{d}{v}\)

重點總結：轉移強度的極大似然估計量簡單來說就是總轉移次數除以總風險時間。這就像計算平均速度一樣簡單！

第四步：合理性檢查（二階導數）

為了 100% 確定我們找到的是最大值而非最小值，我們檢查二階導數。我們希望結果為負數。

\(\frac{d^2l}{d\mu^2} = -\frac{d}{\mu^2}\)

由於死亡人數 \(d\) 和 \(\mu^2\) 均為正數，結果為負。成功！我們確實得到了一個最大值。

應避免的常見錯誤

- 搞混 \(d\) 和 \(v\)：記住，速率是「單位時間內的事件數」，所以 \(d\)（事件）放在分子，\(v\)（時間）放在分母。
- 忘記取對數：務必在微分前先取對數。直接對 \(\mu^d e^{-\mu v}\) 微分只會讓你頭痛！
- 單位錯誤：確保 \(v\) 中的時間單位與你想要的 \(\mu\) 單位一致（通常為年）。

推廣至多狀態模型

如果人們可以在多個狀態之間移動（例如：健康、患病、死亡）呢？原則完全一樣！如果我們想要求出從狀態 \(i\) 移動到狀態 \(j\) 的強度（\(\mu_{ij}\)）：

\(\hat{\mu}_{ij} = \frac{d_{ij}}{v_i}\)

其中：
- \(d_{ij}\) 是從 \(i\) 轉移到 \(j\) 的人數。
- \(v_i\) 是所有人在狀態 \(i\) 花費的總時間。

類比時間：想像一家繁忙的咖啡店。如果你想知道「點單率」（\(\mu\)），你會計算點了多少杯咖啡（\(d\)），然後除以人們在店內逗留的總時間（\(v\)）。無論是一個人逗留了 10 分鐘，還是 10 個人每人各逗留 1 分鐘，結果都一樣——重點在於總「等待時間」！

速查框

公式： \(\hat{\mu} = \frac{d}{v}\)
第一步： 寫出似然函數 \(L(\mu) = \mu^d e^{-\mu v}\)
第二步： 取對數 \(l(\mu) = d \ln(\mu) - \mu v\)
第三步： 微分並設為零。
\(v\) 的定義： 每位觀察對象處於「風險中」並可能發生轉移的時間總和。

總結與重點提示

1. 似然函數代表在給定轉移強度下，觀察到我們特定數據的機率。
2. 我們最大化對數似然函數，因為數學運算更簡潔，且結果相同。
3. 轉移強度的 MLE 等於 轉移次數 / 暴露值。
4. 這個估計量在 CS2 中被廣泛用於建立生存模型和生命表。掌握了這個推導，你就掌握了生存分析的核心！

如果剛開始覺得難也不要擔心，推導 MLE 是一種隨著練習會變得越來越簡單的技能。你一定行的！