📊 statistics

Left-truncated discrete lifespans: The AFiD enterprise panel

この論文は、ドイツの企業パネルデータ（AFiD）を用いて、左切り捨てと右打ち切りを考慮した幾何分布モデルを条件付き尤度とマルチングール理論に基づいて推定し、ドイツ企業の平均寿命を約 10 年（信頼区間幅 2 ヶ月）と算出したことを示しています。

原著者： Eric Scholz, Rafael Weißbach

公開日 2026-03-16

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Eric Scholz, Rafael Weißbach

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

🏭 タイトル：「企業の寿命」を予測する新しい料理のレシピ

（原題：Left-truncated discrete lifespans: The AFiD enterprise panel）

1. 何をやっているのか？（目的）

著者たちは、ドイツの企業が「来年、倒産したり閉鎖したりする確率」を計算しようとしています。
これを**「企業の寿命」と呼び、その寿命が「几何分布（きかぶんぷ）」**という、サイコロを振って「6」が出るまでの回数のようなパターンに従うと仮定しています。

比喩： 企業の寿命を「サイコロゲーム」と考えています。毎年サイコロを振り、特定の目が出たらゲームオーバー（倒産）です。このゲームの「倒産確率」を正確に知りたいのです。

2. 最大の難所：「見えない過去」と「遅れて参加した選手」

ここで大きな問題が 2 つあります。

見えない過去（左切り捨て）：
調査が始まった 2018 年以前に設立された企業は、その「設立から 2017 年までの生存期間」が記録されていません。
- 比喩： 2018 年から始まった「企業の寿命調査」に参加した選手たちです。
  - 2013 年に設立された企業は、2018 年時点で「すでに 5 年生きている」選手です。
  - 2017 年に設立された企業は、「1 年生きている」選手です。
  - 問題点： 2018 年以前に「すでに倒産してしまった選手」は、調査リストにすら載っていません（彼らは「見えない」）。
  - 著者の工夫： 「2018 年時点で生きている選手」だけを相手に、**「2018 年以降の生存期間」**だけを数えればよい、と割り切ります。過去の生存期間は「忘れる（無視する）」ことで、計算をシンプルにします。
遅れて参加した選手（右打ち切り）：
調査は 2019 年で終わります。2019 年以降も生き残っている企業は、「いつ倒産するか」がまだ分かりません。
- 比喩： 2019 年時点でまだ現役の選手は、「まだゲーム中」なので、寿命は「2 年以上」という「右打ち切り」データとして扱います。

3. 解決策：「マートンゲール（Martingale）」という魔法の道具

通常、データがバラバラ（設立年が違う、生存期間が違う）だと、統計の計算が非常に難しくなります。しかし、著者たちは**「マートンゲール」**という数学の道具を使いました。

比喩： 「公平なカジノ」の話です。
- マートンゲールとは、「過去の結果を知っていても、未来の予想は常に公平（平均 0）」という性質を持つ数学的なプロセスです。
- 著者たちは、企業の「倒産カウント」というデータを、この「公平なカジノのゲーム」のように変換しました。
- これにより、複雑な計算（標準誤差や信頼区間）が、まるで**「魔法の式」**のようにシンプルに導き出せるようになりました。

4. 結果：ドイツ企業の寿命は？

ドイツの約 140 万社のデータ（2018-2019 年）を分析した結果、以下のことが分かりました。

平均寿命： 約 10 年
精度： 信頼区間の幅はわずか 2 ヶ月（非常に正確！）

つまり、「ドイツの企業は、平均して 10 年生き残るが、その誤差は 2 ヶ月以内」という結論です。

5. 他の国との比較（料理の味比べ）

この研究では、他の国との比較も行っています。

ドイツ： 平均 10 年（7 年が中央値）。
日本： 以前は長かったが、最近のデータでは倒産が 2 倍に増えている（寿命が短くなっている）。
ポルトガル・パキスタン： ドイツに比べて倒産が早く、寿命が短い。

6. なぜこの方法がすごいのか？

過去のデータを「捨てても」大丈夫： 通常、過去のデータがないと分析できませんが、この方法なら「2018 年以降のデータ」だけで正確に計算できます。
設立年のバラつきを無視： 企業がいつ設立されたか（2013 年か 2017 年か）を厳密にモデル化しなくても、**「観察可能な期間」**に焦点を当てることで、正確な確率が得られます。
半パラメトリックな強み： 企業の設立プロセス自体がどうなっているか（どんな分布か）を仮定する必要がなく、データそのものから信頼性の高い結果を出せます。

まとめ

この論文は、**「不完全なデータ（過去が見えない、未来が分からない）」を使って、「企業の寿命」という重要な指標を、「数学的な魔法（マートンゲール）」**を使って正確に予測したという物語です。

まるで、**「料理の味見を 2018 年以降の分だけでして、過去のレシピがどうだったか知らなくても、正確な『塩分の濃さ（倒産確率）』を計算し出す」**ような、非常に賢く効率的な統計手法の提案です。

一言で言うと：
「ドイツの企業の寿命は約 10 年。過去のデータがなくても、最新のデータと数学の魔法で、驚くほど正確に（誤差 2 ヶ月以内）計算できました！」

論文技術サマリー：Left-truncated discrete lifespans: The AFiD enterprise panel

著者: Eric Scholz & Rafael Weißbach (ロストック大学)
arXiv ID: 2411.12367v1 [stat.ME]
日付: 2024 年 11 月 19 日

1. 研究の背景と問題設定

1.1 研究目的

ドイツの企業（AFiD パネルデータ）の寿命（設立から閉鎖までの期間）をモデル化し、企業の閉鎖確率（翌年に倒産または閉鎖する確率）を推定すること。特に、観測期間開始前に設立された企業における**左切り捨て（left-truncation）と、観測期間終了後に閉鎖する企業における右検閲（right-censoring）**を同時に扱う統計的推論手法を確立する。

1.2 核心的な課題

左切り捨てバイアス: 観測期間（2018-2019 年）が始まる前に設立された企業は、その設立から観測開始までの生存期間が観測されていない。この「忘却された期間」を無視した場合、推定にどのようなバイアスが生じるか。
異なる分散を持つサンプル: 企業ごとに設立時期が異なり、観測期間内の「リスクにさらされた時間（at-risk time）」が異なるため、標準的な中心極限定理（Lindeberg-Lévy の条件）が直接適用できない。異なる分散を持つ独立な変数の和の漸近正規性をどのように導出するか。
離散時間のモデル: 企業の生存データは年次単位（離散時間）で記録されるため、連続時間モデル（Cox 比例ハザードモデル等）ではなく、離散時間の幾何分布に基づくアプローチが必要。

2. 手法とモデル

2.1 モデル仮定

寿命分布: 企業の寿命 $X$ $X$ （設立から閉鎖までの年数）は幾何分布に従うと仮定する。
- $f_G(x) = \theta(1-\theta)^{x-1}$ （ここで $\theta$ は年間閉鎖確率）。
- 閉鎖確率は年齢や時間によって変化しないと仮定（定常性）。
独立性: 企業の設立年 $T$ と寿命 $X$ は独立であると仮定（半パラメトリックアプローチ）。
データ構造:
- 観測期間：2018 年と 2019 年（幅 $s=2$ ）。
- 対象企業：2013-2017 年に設立された企業（ $G=5$ ）。
- 左切り捨て：2018 年以前に閉鎖した企業は観測されない（データに存在しない）。
- 右検閲：2019 年以降に閉鎖した企業は観測期間内で生存しているとして扱われる。

2.2 統計的推論の枠組み

従来の最尤推定ではなく、**条件付き尤度（Conditional Likelihood）とマルチンゲール（Martingale）**理論を組み合わせたアプローチを採用。

条件付き尤度の定式化:
- 観測可能な企業のみ（ $X \ge T+1$ ）に対して尤度を構築する。
- 観測開始前（設立から観測開始前）の生存実験を「忘却（forgetting）」し、観測開始時点からの「観測可能なリスク時間」のみを分母に含める。
- これにより、設立分布 $T$ に依存しない推定量を得る（不変性）。
マルチンゲール表現:
- 閉鎖のカウント過程 $N(x)$ とその補償子（compensator） $A(x, \theta)$ を定義。
- 観測フィルトレーション（ $\mathcal{F}_x$ ）に対して、過程 $M = N - A$ がマルチンゲールとなることを示す。
- 推定量 $\hat{\theta}$ をマルチンゲールの変換（martingale transform）として表現し、その一致性と漸近正規性を証明する。
漸近正規性の証明:
- 標準的な中心極限定理ではなく、Rebolledo の定理（マルチンゲール極限定理）を用いる。
- 異なる分散を持つサンプルサイズ（各企業の観測期間）が存在する場合でも、条件付き分散の収束性を示すことで、推定量の漸近正規性を導出。

3. 主要な結果

3.1 推定量の導出

条件付き尤度を最大化することで、閉鎖確率 $\theta$ の点推定量 $\hat{\theta}$ が得られる。
$\hat{\theta} = \frac{\text{観測期間内の閉鎖企業数}}{\sum (\text{各企業の観測可能なリスク年数})}$

右検閲された企業については、観測期間の全長（2 年）をリスク年数として寄与させる。
左切り捨てされた企業については、観測開始時点からの残存年数（ $X - T$ ）をリスク年数とする。

3.2 実データ分析結果（AFiD パネル）

データ: 2018 年と 2019 年のドイツ企業データ（約 140 万件）。
推定値:
- 年間閉鎖確率 $\hat{\theta}$ : 約 0.1009（10.09%）。
- 企業の平均寿命: 約 10 年（幾何分布の期待値 $1/\theta$ ）。
- 信頼区間（95%）: 平均寿命で 9.88 年〜9.95 年。
- 信頼区間の幅: 約 2 ヶ月（非常に狭い精度）。
- 標準誤差は極めて小さく、大規模データによる安定性が確認された。

3.3 他研究との比較

過去のドイツ研究（Bruderl et al., 1992）や他国（日本、ポルトガル、米国）のデータと比較。
幾何分布モデルが過去の研究結果（中央値や分位数）と整合的であることを確認。
ドイツの企業寿命は、日本やポルトガルに比べて比較的長い傾向にあることが示唆される。

4. 主な貢献と革新性

左切り捨てと右検閲の同時処理:
離散時間データにおいて、左切り捨て（観測開始前の欠損）と右検閲（観測終了後の生存）を同時に扱い、条件付き尤度を用いてバイアスを除去する厳密な枠組みを提供した。
マルチンゲール理論の応用:
企業ごとの観測期間が異なる（ランダムなサンプルサイズ）という複雑な構造を持つパネルデータに対し、マルチンゲール極限定理を用いて推定量の漸近分布を導出した。これにより、標準誤差の計算式を閉形式（closed-form）で得られるようにした。
半パラメトリックアプローチ:
設立年 $T$ の分布を特定化せず（非パラメトリック）、寿命 $X$ の分布のみを幾何分布と仮定することで、モデルの頑健性を保ちつつ推論を可能にした。
実務的な精度:
約 140 万件のデータを用いた分析により、企業寿命の推定値の信頼区間を「2 ヶ月」という極めて狭い範囲に収めることに成功し、実務的な予測精度の高さを示した。

5. 意義と結論

本論文は、企業人口動態（Business Demography）の分析において、左切り捨てバイアスを適切に処理するための統計的基盤を提供する。特に、離散時間データに対するマルチンゲールアプローチの適用は、従来の連続時間モデルでは扱いにくかった「年次データ」の分析を可能にし、標準誤差の導出を容易にした。

得られた結果（ドイツ企業の平均寿命は約 10 年）は、政策立案者や経営者にとって重要な指標となる。また、手法の一般化により、他の国や異なる期間のデータへの適用も可能であり、企業存続リスクの予測モデルとして重要な貢献を果たしている。

今後の課題:

企業間の依存性（相関）をより厳密に扱う必要性（本論文では独立性を仮定しているが、現実には産業クラスター等による依存が考えられる）。
設立分布 $T$ が既知のパラメトリック分布に従う場合の推定効率の向上（半パラメトリックからパラメトリックへの変更による標準誤差の縮小）。