歡迎來到多狀態模型（Multiple State Models）的世界！

在之前的學習中，你可能主要專注於簡單的「生存或死亡」模型。雖然那是一個很好的起點，但現實生活往往複雜得多。人們可能會生病、康復、搬進退休社區或需要長期護理。在本章中，我們將探討馬可夫多狀態模型（Markov Multiple State Models）。你可以把這看作是從黑白照片過渡到全彩電影！我們將追蹤個人如何在各種健康和生活狀態之間轉換，以及如何計算與這些轉移相關的成本。

你知道嗎？名稱中的「馬可夫」源自俄羅斯數學家安德烈·馬可夫（Andrey Markov）。他的理論本質上說明：要預測未來，你只需要知道你「現在」處於什麼狀態，而不必在意你是如何到達那裡的。這就像是一種數學上的「無負擔」思考方式！

1. 理解狀態與轉移

在多狀態模型中，我們使用狀態（States）（圓圈）和轉移（Transitions）（圓圈之間的箭頭）來表示個人的狀態。

馬可夫性質（The Markov Property）：這是這些模型中的「黃金法則」。它假設轉移到未來狀態的機率只取決於個人目前所處的狀態。至於他們在該狀態待了多久，或是之前曾經過哪些狀態，通通不重要。

你將會看到的常見模型：
1. 殘疾模型（「患病-死亡」模型）：狀態包括健康（Healthy）、患病（Sick）和死亡（Dead）。轉移可以是從健康到患病、患病到健康（康復），以及兩者均可轉移至死亡。
2. CCRC 模型：持續照護退休社區（Continuing Care Retirement Communities）。狀態通常包括獨立生活（IL）、輔助生活（AL）、專業護理設施（SNF）和死亡。

比喻：想像一間有幾個房間的房子。馬可夫性質說，如果我想知道你走進廚房的機率，我只需要知道你目前在客廳即可。我不需要知道你剛才究竟是從後院還是臥室過來的。

快速回顧：
- 狀態（State）：一種狀況（例如：「活躍」）。
- 轉移（Transition）：從一個狀態移動到另一個狀態（例如：「退休」）。
- 吸收狀態（Absorbing State）：一種你一旦進入就永遠無法離開的狀態（通常指死亡）。

2. 轉移強度：變化的「速度」

我們使用符號 \(\mu_{x+t}^{ij}\) 來表示在年齡 \(x+t\) 時，從狀態 \(i\) 到狀態 \(j\) 的轉移強度（Transition Intensity）。這是離開狀態 \(i\) 前往狀態 \(j\) 的瞬時速率。

離開狀態 \(i\) 的總強度是所有導致離開該狀態的強度之和：
\(\mu_{x+t}^{i \bullet} = \sum_{j \neq i} \mu_{x+t}^{ij}\)

重要提示：轉移強度就像車速表上的「速度」。它們本身不是機率（它們甚至可以大於 1！），但我們使用它們來計算機率。

3. 轉移機率

我們將時間 0 處於狀態 \(i\) 的個人在時間 \(t\) 處於狀態 \(j\) 的機率表示為 \(_tp_x^{ij}\)。

有兩類主要的機率需要釐清：
1. \(_tp_x^{ij}\)：在時間 \(t\) 處於狀態 \(j\) 的機率，無論中間轉換了多少次狀態。
2. \(_t\bar{p}_x^{ii}\)：從時間 0 到 \(t\) 持續保持在狀態 \(i\) 的機率。這通常被稱為「佔用（occupancy）」或「停留（staying）」機率。

持續保持在狀態 \(i\) 的公式為：
\(_t\bar{p}_x^{ii} = \exp\left( -\int_0^t \mu_{x+s}^{i \bullet} ds \right)\)

記憶小技巧：把 \(p\) 上面的橫線（\(\bar{p}\)）想像成一個「蓋子」，它把人關在狀態裡面，讓他們無法離開！

4. 科爾莫哥洛夫前向方程（Kolmogorov Forward Equations）

別被這個名稱嚇到了！這些方程描述了處於某個狀態的機率在極短時間內的變化方式。對於從狀態 \(i\) 到狀態 \(j\) 的轉移：

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

逐步邏輯：
1. 「流入（In）」：查看所有可以從其他狀態 \(k\) 進入狀態 \(j\) 的路徑。
2. 「流出（Out）」：查看所有可以從狀態 \(j\) 離開前往其他地方的路徑。
3. 變化：機率的變化率就是（進入路徑之和）減去（離開路徑之和）。

關鍵要點：如果你處於狀態 \(j\)，當人們進入 \(j\) 時，機率會增加；當人們離開 \(j\) 時，機率會減少。

5. 多狀態下的精算現值（APV）

這就是我們為什麼要學這個的原因！我們需要為福利定價。在這些模型中，福利可以透過兩種方式支付：

A. 年金（狀態福利）

當個人處於特定狀態時支付（例如：在「輔助生活」期間每月領取 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. 轉移福利（一次性總付）

在轉移發生的那一刻支付一次性金額（例如：從「健康」轉移到「死亡」時支付 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 \(S_t\) 是一次性支付的金額。

比喻：年金就像付房租（只要你佔用房間就要付錢）。轉移福利就像入場費（當你走進去時，在門口支付一次）。

6. 持續照護退休社區（CCRCs）

CCRC 是 ALTAM 中的一個重要主題。它們是為長者提供的專門住房，提供不同層次的護理。模型通常向一個方向移動（向更高級的護理移動），但有些模型允許「康復」（回到較低層次的護理）。

常見費用結構：
1. 入會費：入住「獨立生活」時支付的一筆大額款項。
2. 月費：定期支付的款項，通常會隨著護理等級的提高而增加。
3. 可退還入會費：有時在居民去世時，部分入會費會退還給遺產。

常見陷阱：在計算 CCRC 的 APV 時，學生常忘記包含在特定狀態中存活的機率。請務必再次確認你的 \(_tp_x^{ij}\) 項！

7. 總結與小撇步

需要記住的關鍵點：
- 馬可夫 = 沒有記憶。只有目前的狀態才重要。
- \(\mu\) 是速率，\(p\) 是機率。
- 科爾莫哥洛夫前向方程追蹤「房間」之間的機率流向。
- 年金福利取決於處於什麼狀態；一次性總付取決於狀態轉移的動作。

考試小撇步：在 ALTAM 考試中，你通常會得到一個轉移矩陣或圖表。在開始計算任何數學之前，畫出路徑。如果題目問你在時間 10 處於狀態 2 的機率，問問自己：「到達狀態 2 的所有不同路徑是什麼？」這能幫助你正確地設置積分。

如果起初覺得棘手也不要擔心！多狀態模型只是一系列串聯起來的「生存-死亡」模型。如果你能處理一個轉移，你就能處理十個——這只不過是多了一點點簿記的工作而已！