The probable numbers of kin in a multi-state population: a branching process approach

本論文は、分枝過程理論と確率母関数の再帰的構成に基づき、年齢と段階（parity や健康状態など）の両方で構造化された親族数の確率分布を導出する新たな解析枠組みを提案し、英国のデータを用いてその有効性を示しています。

要約

この論文は、**「あなたの人生において、どれだけの親戚（家族）が、どのような状態で存在している可能性が高いか」**を、数学の「分岐過程（ブランチング・プロセス）」という考え方を使って、非常に詳しく予測しようとする新しい研究です。

従来の研究は「平均して何人の親戚がいるか」を計算するだけでしたが、この研究は**「確率」**に焦点を当てています。つまり、「平均 2 人」ではなく、「0 人である確率は 30%、1 人である確率は 50%、2 人である確率は 20%」といった、人生の「シナリオ」全体を把握できるのが最大の特徴です。

以下に、難しい数式を使わず、身近な例え話を使って解説します。

---

1. 核心となるアイデア：「家族の森」をシミュレーションする

この研究の舞台は、**「Focal（フォカル）」と呼ばれる一人の主人公（あなた自身）です。あなたの人生を、巨大な「家族の森」**の中心に立つ木だと想像してください。

• 従来の研究（平均値）： 「この森には、平均して 5 本の枝（子供）と 3 本の幹（兄弟）がある」と言います。
• この新しい研究（確率分布）： 「5 本の枝がある可能性は 20%、でも 0 本（子供がいなくなる）の可能性も 10% あり、その場合、森の雰囲気がどう変わるか」まで計算します。

さらに、この研究は単に「人数」だけでなく、**「状態（ステージ）」も考慮します。
例えば、子供が「まだ結婚していない（未婚）」のか、「すでに 2 人子供がいる（既婚・多産）」のか、あるいは「病気で寝ている」のか、といった「人生のステージ」**まで含めて予測できるのです。

2. 使われている魔法の道具：「確率生成関数（PGF）」の積み重ね

この研究で使われている「確率生成関数（PGF）」という数学の道具は、**「未来のシナリオを詰んだ箱」**のようなものです。

• 箱のイメージ：
  あなたが子供を産むとき、その子供が将来どうなるか（子供が生まれるか、亡くなるか、どんな人生を歩むか）は、確率で決まります。PGF は、この「ありうるすべての未来」を一つの式（箱）に詰め込みます。

• 積み重ね（ネスト）のイメージ：

  1. あなたが子供を産む箱（第 1 世代）を作ります。
  2. その箱の中から生まれた子供が、さらに孫を産む箱（第 2 世代）を作ります。
  3. この「箱の中に箱を入れる」作業を、数学的に何層にも重ねていきます。

この「箱の積み重ね」を計算することで、**「あなたが 50 歳のとき、孫が 3 人いて、そのうち 1 人は未婚で、もう 1 人は既婚である確率」**といった、複雑で具体的なシナリオの確率を、一発で導き出すことができるのです。

3. 具体的に何がわかるのか？（イギリスのデータを使った実例）

論文では、イギリスのデータを使って、このモデルを「出産回数（パラティ）」というステージに当てはめてみました。

• 「子供はいないが、姉妹はいる」シナリオ：
  1960 年代生まれのイギリス人は、子供を持たない（独身・子なし）人が多い一方で、姉妹が多い傾向がありました。このモデルを使えば、「子供はいないが、姉妹が 2 人いる確率はどれくらいか？」を、年齢ごとに正確に計算できます。これは、将来誰が介護を頼めるか、という社会問題に直結します。

• 「悲しみ（ベアブメント）」の計算：
  「親戚が亡くなる」ことも計算に入れます。
  「あなたが 80 歳のとき、すでに 2 人の娘を失っているが、1 人の娘は元気である確率は？」
  「孫が母親（あなたの娘）を失って、孤児になっている確率は？」
  これらを「確率」として可視化できます。これにより、どの年代でどのくらいの人々が「親戚を失う悲しみ」を経験しているか、社会全体で把握できるようになります。

4. なぜこれが重要なのか？

• 平均値の落とし穴を避ける：
  「平均 2 人」と言っても、実際には「0 人」の人もいれば「5 人」の人もいます。高齢化社会において、「親戚が一人もいない（孤立）」状態になる人が増えているかどうかを知るには、平均値ではなく「0 人になる確率」を知る必要があります。このモデルはそれを教えてくれます。

• ケアの計画：
  「誰が誰をケアできるか」は、単なる人数ではなく、「その人が元気か、病気か、どこに住んでいるか」によって変わります。このモデルは、親戚の「状態（ステージ）」まで含めて予測できるため、将来の介護や支援の計画に役立ちます。

まとめ

この論文は、**「家族の未来を、確率というレンズを通して、より鮮明に、より深く見るための新しい地図」**を描いたものです。

単に「何人いるか」を数えるだけでなく、**「どんな人生を歩んでいる親戚が、どれくらいの確率であなたの周りにいるか」**を、数学という精密な道具を使ってシミュレーションします。これにより、私たちは将来の家族の姿や、社会的な孤立の問題について、より現実的で具体的な理解を得られるようになるのです。

技術概要

論文「多状態人口における親族数の確率：分岐過程アプローチ」の技術的サマリー

1. 研究の背景と問題提起

親族人口学（Kinship Demography）は、個体が生涯を通じて持つ親族（祖先、子孫、傍系親族など）の数を予測する分野であり、生態学から人類学まで幅広い応用を持っています。既存の研究（Caswell らによる行列投影モデルなど）は、主に**親族数の期待値（平均値）**を年齢や性別、段階（stage）別に予測することに成功してきました。

しかし、現実の親族数は非負整数であり、その分布には大きなばらつき（分散、歪度、尖度など）が存在します。期待値のみを知ることは、以下のような重要な問いに答えるのに不十分です。

• 特定の親族（例：同居する姉妹と別居する姉妹）の組み合わせが実現する確率はどれほどか？
• 親族を失う（死別する）確率や、親族不在（Kinless）になる確率は？
• 特定の世代や状態（例：出産歴、健康状態）に構造化された親族ネットワークの完全な確率分布は？

既存のモデルは確率質量関数（PMF）や確率生成関数（PGF）を用いた確率的アプローチが限定的であり、特に年齢と状態（stage）の両方で構造化された親族数の同時分布を解析的に導出する手法は欠如していました。

2. 提案手法：分岐過程と確率生成関数（PGF）の統合

著者は、分岐過程（Branching Process）の理論に基づき、多状態（Multi-state）人口における親族数の同時確率分布を導出する新しい解析的枠組みを提案しています。

2.1. モデルの基礎

• 人口構造: 年齢 $a$ と状態 $s$（例：出産歴、健康状態、地理的場所）で構造化された人口を仮定します。
• 分岐過程の適用: 個体の生存、状態遷移、繁殖を確率的プロセスとしてモデル化します。
• 確率生成関数（PGF）の再帰的構成:
  • 個体の生存と状態分布を表す PGF ($S_t$) を定義。
  • 生涯繁殖（Lifetime Reproduction）を表す PGF ($L$) を定義し、これを再帰的に合成（Composition）します。
  • $L^{(i)}$（$i$ 世代目の子孫）は、$L^{(i-1)}$ を親の繁殖関数 $f$ に代入することで構築されます。これにより、任意の世代にわたる親族の年齢・状態・数の分布が得られます。

2.2. 主要な導出式

1. 子孫（Descendants）: 焦点人物（Focal）の $g$ 世代目の子孫の分布。Focal の生涯繁殖 PGF に、子孫の生存 PGF を再帰的に代入することで導出（式 7）。
2. 傍系親族（Collateral Kin）: 姉妹やいとこなど。祖先の繁殖履歴を条件付き確率（Genealogical Markov Chain）で追跡し、特定の祖先から派生する「Focal の直系以外の親族」を計算するために**サイズバイアス（Size-biasing）**を適用した PGF（式 11, 12）を使用します。
3. 祖先（Ancestors）: 生存と状態遷移の PGF を用いて、Focal の祖先の現在の状態分布を計算（式 16）。
4. 死別親族の追跡: 仮の変数 $d$ を導入し、生存している親族と死亡した親族を区別する PGF を構築（式 20, 22）。これにより、親族喪失（Bereavement）や孤児化（Orphanhood）の確率を計算可能にします。

2.3. 数値的実装

高次元の PGF から具体的な確率（PMF）を抽出するために、**離散フーリエ変換（FFT）**を用いた数値積分手法（Appendix F）を採用しています。これにより、複雑な多変数 PGF の展開係数を効率的に計算できます。

3. 主要な貢献

1. 初の解析的枠組みの提案: 年齢と状態の両方で構造化された親族数の完全な同時確率分布を導出する初の手法を提供しました。
2. 高次モーメントと条件付き確率の計算: 期待値だけでなく、歪度や尖度などの高次モーメント、あるいは「Focal が特定の状態で、かつ特定の親族構成を持つ」といった条件付き確率を計算可能にしました。
3. 死別と親族喪失の定量化: 親族が死亡する確率、特定の世代での死別数、そして「親族不在（Kinless）」や「孤児化」の確率を体系的に評価する手法を確立しました。
4. 既存モデルとの整合性: 状態を除去した場合、このモデルが既存の年齢構造化モデル（Butterick et al., 2025; Caswell, 2019）と数学的に等価であることを証明しました。

4. 応用結果（英国のデータを用いた実証）

英国の parity（出産歴：0, 1, 2, 3+）を「状態」として定義し、1964-2023 年の出生・死亡データを用いてモデルを適用しました。

• 親族数の分布: 年齢と parity 別に、Focal が持つ娘や姉妹の数の分布を可視化。例えば、Focal が 15 歳になるまで娘を持つ確率は 0 ですが、その後増加し、特定の parity 構成（例：parity 0 の娘が 1 人、parity 1 の娘が 0 人など）の確率分布が年齢とともに変化することが示されました。
• 無子だが姉妹がいるケース: 1960 年代の英国コホートにおいて、「子供はいないが、少なくとも一人の姉妹がいる」確率を計算。これはケアのネットワークを形成する可能性のある集団の規模を推定する上で重要です。
• 死別と孤児化:
  • 年齢とともに親族を失う確率（死別数）を計算。
  • 孤児化の確率: 「Focal の孫娘が母親（Focal の娘）を失っている」確率を計算。1965 年の死亡率条件下では 95 歳時点で約 13% の確率で孫娘が孤児になるのに対し、2025 年の予測では 4% に低下することが示されました。これは医療・福祉政策への示唆を与えます。

5. 意義と将来展望

この研究は、親族人口学において「期待値」から「確率分布」へのパラダイムシフトを促すものです。

• 社会的・政策的意義: 親族ネットワークは、介護、経済的支援、精神的サポートの基盤です。親族の「数」だけでなく、「誰が、どのような状態で、生存しているか（あるいは死亡しているか）」の確率分布を知ることは、高齢化社会におけるケア需要の予測や、親族不在（Kinless）高齢者への支援策の立案に不可欠です。
• 生態学的意義: 動物の社会構造や繁殖成功において、親族の分散や死別が個体の適応度に与える影響を、より精緻にモデル化できます。
• 今後の課題: 現在のモデルは単性（女性のみ）を想定していますが、両性モデルへの拡張や、時間変化する人口動態（Time-variant）への適用が今後の課題として挙げられています。

総じて、本論文は分岐過程理論と行列人口学を融合させ、親族ネットワークの複雑な確率的性質を解明するための強力な数学的ツールを提供した点で画期的です。