遷移強度（Transition Intensities）の世界へようこそ！
皆さん、こんにちは！今日はアクチュアリーの道具箱の中で最も重要なツールの一つ、遷移強度に対する最尤推定量（Maximum Likelihood Estimators: MLEs）について掘り下げていきましょう。保険会社が「健康」から「病気」へ、あるいは「生存」から「死亡」へと状態が変化する「リスク」を実際にどのように計算しているのか不思議に思ったことはありませんか？まさにここでその魔法が使われているのです。
数学的な内容を見て最初は難しく感じるかもしれませんが、大丈夫です。一つずつ丁寧に紐解いていきましょう。最後まで読み終える頃には、リスク率の「最適な」推定量を見つけることが、実はとても論理的であることがわかるはずです！
遷移強度とは一体何か？
計算に入る前に、何を見ているのかを簡単に復習しましょう。生存モデルにおいて、遷移強度（ギリシャ文字の \(\mu\) や \(\sigma\) で表されることが多い）は、ある状態から別の状態へ移動する瞬間的な速度を表します。
スピードメーター（速度計）を想像してみてください。時速60マイルで走っているからといって、必ずしも1時間走り続けるとは限りませんよね。ただ、その瞬間にどれくらいの速度で進んでいるかを示しているだけです。同様に、\(\mu\) は特定の時点における死亡や罹患の「勢い」や「速度」を教えてくれるのです。
観察計画と統計量
遷移強度を推定するために、私たちは観察計画（observational plan）を立てます。有限の調査期間にわたって、\(N\) 人の有限なサンプル集団を観察します。各対象者について、以下の事項を記録します。
- 観察期間に入った時期（およびその時の状態）。
- 状態間の遷移が発生した正確な時刻。
- 観察を終了した時期（調査期間の終了、脱退、または吸収状態への遷移によるもの）。
この観察計画から、各状態 \(i\) および遷移 \(i \to j\) について、2つの重要な要約統計量が得られます。
1. 待機時間（セントラル・エクスポージャーの合計） \(v_i\)：すべての対象者が状態 \(i\) にとどまり、かつ観察下にあった時間の合計。
2. 遷移数 \(d_{ij}\)：状態 \(i\) から状態 \(j\) への直接の遷移が観察された総数。
目標：最尤推定（MLE）
現実世界では、サンプル全体にわたるこれらの動きを観察します。手元にデータはあっても、真の \(\mu\) の値はわかりません。最尤法はこう問いかけます。「実際に観測されたデータが最も起こりやすくなるような \(\mu\) の値はどれか？」と。
ステップ1：尤度関数の構築
MLEを求めるには、まず尤度関数（Likelihood Function） \(L(\mu)\) を書き出します。単一減少モデル（例：生存から死亡）における定数的な強度 \(\mu\) について：
1. 状態にとどまる： ある個体が観測された期間 \(t\) の間その状態にとどまり続ける確率は \(e^{-\mu t}\) です。全員について掛け合わせると \(e^{-\mu v}\) となります。ここで \(v = \sum t\) は待機時間の合計です。
2. 遷移する： ある瞬間に個体が遷移した場合、その事象は \(\mu\) に比例する寄与をもたらします。合計 \(d\) 回の遷移に対しては、\(\mu^d\) が寄与します。
これら独立した寄与を組み合わせることで、以下の尤度関数が得られます。
\(L(\mu) = C \mu^d e^{-\mu v}\)
ここで、\(C\) は \(\mu\) に依存しない任意の定数です。
ステップ2：対数尤度関数
微分を簡単にするために、尤度関数の自然対数をとります（\(\mu\) に依存しない加法的な定数は無視します）。
\(l(\mu) = \ln(L(\mu)) = d \ln(\mu) - \mu v\)
ステップ3：最大値を求める
対数尤度を最大化するために、\(\mu\) に関して一階微分を行い、ゼロとおきます。
\(\frac{dl}{d\mu} = \frac{d}{\mu} - v = 0\)
\(\mu\) について解くことで、MLEが求まります。
\(\hat{\mu} = \frac{d}{v}\)
重要なポイント： 遷移強度の最尤推定量は、単純に遷移総数 ÷ リスクにさらされている総時間となります。
ステップ4：妥当性の確認（二階微分）
\(\hat{\mu}\) が最小値ではなく最大値を与えていることを確認するために、二階微分をチェックします。
\(\frac{d^2l}{d\mu^2} = -\frac{d}{\mu^2}\)
\(d > 0\) かつ \(\mu^2 > 0\) であるため、二階微分は常に負となり、一意の局所的かつ大域的な最大値であることが確認できます。
推定量の漸近分布
最尤推定の理論から、サンプルサイズが大きくなるにつれて、推定量 \(\hat{\mu}\) は漸近的に正規分布に従います。
\(\hat{\mu} \sim N\left(\mu, \frac{1}{I(\mu)}\right)\)
ここで、\(I(\mu)\) は期待フィッシャー情報量です。
\(I(\mu) = -E\left[\frac{d^2l}{d\mu^2}\right] = E\left[\frac{D}{\mu^2}\right] = \frac{E[D]}{\mu^2}\)
\(E[D] = \mu E[V]\) であるため、\(I(\mu) = \frac{E[V]}{\mu}\) となります。したがって、漸近分散は以下のようになります。
\(\text{Var}(\hat{\mu}) \approx \frac{\mu}{E[V]} = \frac{\mu^2}{E[D]}\)
実務上は、パラメータを観測された統計量に置き換えることで、推定分散が得られます。
\(\widehat{\text{Var}}(\hat{\mu}) = \frac{d}{v^2} = \frac{\hat{\mu}}{v}\)
多状態への一般化と同時分布
人々が複数の状態（例：健康、病気、死亡）間を移動する場合はどうなるでしょうか？状態 \(i, j, \dots\) および一定の遷移強度 \(\mu_{ij}\) を持つマルコフモデルを考えます。完全な尤度関数は以下の通りです。
\(L = \prod_{i} \prod_{j \neq i} \mu_{ij}^{d_{ij}} \exp(-v_i \mu_{ij})\)
対数をとると：
\(l = \sum_{i} \sum_{j \neq i} \left( d_{ij} \ln(\mu_{ij}) - \mu_{ij} v_i \right)\)
各強度 \(\mu_{ij}\) に関して微分します。
\(\frac{\partial l}{\partial \mu_{ij}} = \frac{d_{ij}}{\mu_{ij}} - v_i = 0 \implies \hat{\mu}_{ij} = \frac{d_{ij}}{v_i}\)
二階偏微分がどうなるか注目してください。
- 同一の遷移の場合： \(\frac{\partial^2 l}{\partial \mu_{ij}^2} = -\frac{d_{ij}}{\mu_{ij}^2}\)
- 異なる遷移の場合 \((i, j) \neq (r, s)\)： \(\frac{\partial^2 l}{\partial \mu_{ij} \partial \mu_{rs}} = 0\)
すべての交差偏微分がゼロになるため、情報行列は対角行列になります。これにより極めて重要な結果が導かれます。すなわち、最尤推定量 \(\hat{\mu}_{ij}\) は漸近的に独立であり、漸近同時分布は以下のようになります。
\(\hat{\mu}_{ij} \sim N\left(\mu_{ij}, \frac{\mu_{ij}}{E[V_i]}\right)\)
単一減少におけるポアソン近似
この推定量には、もう一つの強力な見方があります。観測された待機時間 \(v\) を持つ単一減少モデルにおいて、遷移数 \(D\) をパラメータ \(\lambda = \mu v\) を持つ近似的なポアソン確率変数として扱うことができます。
\(P(D = d) = \frac{(\mu v)^d e^{-\mu v}}{d!}\)
このポアソンモデルにおける対数尤度を書き出してみましょう。
\(l_{\text{Poisson}}(\mu) = d \ln(\mu) + d \ln(v) - \mu v - \ln(d!)\)
\(\mu\) に関して微分します。
\(\frac{dl_{\text{Poisson}}}{d\mu} = \frac{d}{\mu} - v = 0 \implies \hat{\mu} = \frac{d}{v}\)
ポアソン近似を用いてもまったく同一の推定量と同一の分散構造が得られます！この等価性は、アクチュアリー業務における生存率の平滑化（卒業）や一般化線形モデル（GLM）で広く活用されています。
避けるべき一般的なミス
- \(d\) と \(v\) の取り違え： レートは「単位時間あたりのイベント数」なので、\(d\)（イベント）を分子に、\(v\)（時間）を分母に置くことを忘れないでください。
- エクスポージャーが同一であると思い込むこと： 多状態モデルにおいて、\(v_i\) は状態 \(i\) で過ごした時間のみに依存し、他の状態で過ごした時間は含まれません。
- 漸近的独立性を忘れること： 対数尤度の交差微分がゼロになるため、異なる遷移強度の推定量間の漸近共分散がゼロになるという点を受験生は見落としがちです。
クイックレビュー・ボックス
単一強度のMLE： \(\hat{\mu} = \frac{d}{v}\)
複数強度のMLE： \(\hat{\mu}_{ij} = \frac{d_{ij}}{v_i}\)
漸近分散： \(\text{Var}(\hat{\mu}) \approx \frac{\mu}{E[V]} \approx \frac{d}{v^2}\)
漸近共分散： \((i, j) \neq (r, s)\) のとき \(\text{Cov}(\hat{\mu}_{ij}, \hat{\mu}_{rs}) = 0\)
ポアソン近似： \(D \sim \text{Poisson}(\mu v)\) と仮定しても、同一の推定量 \(\hat{\mu} = d/v\) が導かれる。
まとめと重要な要点
1. 観察計画によって個々の遷移履歴が記録され、総待機時間 \(v\) および遷移数 \(d\) が得られる。
2. 対数尤度関数を最大化することで、\(\hat{\mu} = d/v\)（多状態システムでは \(\hat{\mu}_{ij} = d_{ij}/v_i\)）が得られる。
3. これらの推定量は漸近的に正規分布に従い、異なる遷移間では互いに独立である。
4. 遷移をポアソン過程としてモデル化してもまったく同じ最尤推定量が得られ、生存モデルと一般化線形モデルが結びつけられる。