ยินดีต้อนรับสู่บทเรียนเรื่องการประมาณค่าและการอนุมาน (Estimation and Inference)!

ในบทเรียนก่อนหน้านี้ เราได้เรียนรู้เรื่องสถิติเชิงพรรณนา (Descriptive Statistics) ซึ่งเป็นวิธีสรุปข้อมูลที่เรามีอยู่ในมือ แต่ในโลกการเงินจริงๆ เรามักจะไม่ได้มีข้อมูลทั้งหมดครบถ้วน เราไม่สามารถรู้ผลตอบแทนในอนาคตของหุ้นทุกตัวที่มีอยู่บนโลกได้จริงไหมครับ? นั่นคือจุดที่ การประมาณค่าและการอนุมาน (Estimation and Inference) เข้ามามีบทบาท บทนี้จะเน้นไปที่การ "จิบ" ข้อมูลเพียงเล็กน้อย (ที่เรียกว่า กลุ่มตัวอย่าง หรือ Sample) เพื่อนำมาคาดการณ์อย่างชาญฉลาดเกี่ยวกับ "หม้อแกง" ทั้งหม้อ (ที่เรียกว่า ประชากร หรือ Population) ไม่ต้องกังวลไปนะครับถ้ารู้สึกว่ามันดูเป็นนามธรรมในตอนแรก เราจะค่อยๆ ย่อยไปทีละส่วนครับ!

1. พื้นฐาน: ประชากรและกลุ่มตัวอย่าง

ก่อนจะเริ่มลุยกับตัวเลข เราต้องเข้าใจก่อนว่าเรากำลังศึกษาอะไรอยู่ครับ
ประชากร (Population): กลุ่มทั้งหมดที่คุณต้องการรู้ข้อมูล (เช่น บริษัทมหาชนทุกแห่งทั่วโลก)
กลุ่มตัวอย่าง (Sample): กลุ่มย่อยที่เลือกออกมาจากประชากร ซึ่งเรานำมาใช้ศึกษาจริง (เช่น บริษัท 100 แห่งที่เราสุ่มเลือกมา)
พารามิเตอร์ (Parameter): ค่าที่ใช้บรรยายลักษณะของ ประชากร (เช่น ผลตอบแทนเฉลี่ยที่ "แท้จริง")
สถิติ (Statistic): ค่าที่ใช้บรรยายลักษณะของ กลุ่มตัวอย่าง (เช่น ผลตอบแทนเฉลี่ยจากบริษัท 100 แห่งที่เราเลือกมา)

เคล็ดลับจำง่าย: จำตัวอักษร P สำหรับ Population/Parameter และ S สำหรับ Sample/Statistic ไว้ให้แม่นเลยครับ!

ประเภทของการสุ่มตัวอย่าง

วิธีที่เราเลือกกลุ่มตัวอย่างมีความสำคัญมาก ถ้าเราเลือกมาไม่ดี ผลลัพธ์ก็จะผิดเพี้ยนไปหมด

  • การสุ่มตัวอย่างแบบง่าย (Simple Random Sampling): สมาชิกทุกคนในประชากรมีโอกาสถูกเลือกเท่าๆ กัน ให้นึกภาพเหมือนการจับฉลากชื่อออกจากหมวกครับ
  • การสุ่มตัวอย่างแบบแบ่งชั้น (Stratified Random Sampling): เราแบ่งประชากรออกเป็นกลุ่มย่อย (เรียกว่า Strata) ตามลักษณะเฉพาะ (เช่น อุตสาหกรรม) แล้วค่อยสุ่มเลือกสมาชิกในสัดส่วนที่เหมาะสมจากแต่ละกลุ่ม เปรียบเทียบ: ถ้าคุณกำลังทำสลัดผลไม้ คุณก็อยากให้ในทุกๆ ช้อนที่ตักได้มีทั้งแอปเปิล องุ่น และเมล่อนผสมกัน ไม่ใช่ได้แต่องุ่นเพียงอย่างเดียว!
  • การสุ่มตัวอย่างแบบกลุ่ม (Cluster Sampling): เราแบ่งประชากรออกเป็น "กลุ่ม" (เช่น ตามพื้นที่ทางภูมิศาสตร์) แล้วสุ่มเลือก "กลุ่ม" นั้นมาศึกษาทั้งกลุ่มเลยครับ

ประเด็นสำคัญ:

การสุ่มตัวอย่างช่วยให้เราประเมินลักษณะของประชากรได้โดยไม่ต้องดูข้อมูลทุกจุด ซึ่งช่วยประหยัดทั้งเวลาและเงินครับ

2. ความมหัศจรรย์ของทฤษฎีขีดจำกัดส่วนกลาง (Central Limit Theorem - CLT)

นี่ถือเป็นแนวคิดที่สำคัญที่สุดในวิชาสถิติเลยก็ว่าได้ครับ ทฤษฎีขีดจำกัดส่วนกลาง (CLT) บอกสิ่งที่สุดยอดมากว่า: ถ้าคุณเก็บกลุ่มตัวอย่างที่มีขนาดใหญ่พอ (โดยทั่วไปคือ n ≥ 30) การกระจายตัวของ ค่าเฉลี่ยของกลุ่มตัวอย่าง (Sample Means) จะมีลักษณะเป็น "การกระจายตัวแบบปกติ" (รูปทรงระฆังคว่ำ) ไม่ว่าประชากรต้นทางจะมีหน้าตาเป็นอย่างไรก็ตาม!

ทำไมมันถึงเจ๋ง? แม้ว่าข้อมูลพื้นฐานจะแปลกประหลาดหรือเบ้แค่ไหน แต่ "ค่าเฉลี่ยของกลุ่มตัวอย่าง" จะมีพฤติกรรมที่คาดเดาได้เสมอ สิ่งนี้เปิดโอกาสให้เราใช้คณิตศาสตร์ของการกระจายตัวแบบปกติมาช่วยในการอนุมานค่าต่างๆ ได้ครับ

คุณสมบัติของ CLT:

  1. ค่าเฉลี่ยของค่าเฉลี่ยตัวอย่างทั้งหมด จะเท่ากับค่าเฉลี่ยของประชากร: \( \mu_{\bar{x}} = \mu \).
  2. ความแปรปรวนของค่าเฉลี่ยตัวอย่าง เท่ากับความแปรปรวนของประชากรหารด้วยขนาดกลุ่มตัวอย่าง: \( \sigma^2_{\bar{x}} = \frac{\sigma^2}{n} \).
  3. ส่วนเบี่ยงเบนมาตรฐานของค่าเฉลี่ยตัวอย่าง เรียกว่า ความคลาดเคลื่อนมาตรฐาน (Standard Error)

ความคลาดเคลื่อนมาตรฐาน (Standard Error)

ความคลาดเคลื่อนมาตรฐานของค่าเฉลี่ยตัวอย่าง (Standard Error of the sample mean) วัดว่าค่าเฉลี่ยของกลุ่มตัวอย่างมีแนวโน้มที่จะแปรปรวนไปจากค่าเฉลี่ยประชากรที่แท้จริงมากน้อยแค่ไหน
สูตร: \( \sigma_{\bar{x}} = \frac{\sigma}{\sqrt{n}} \)
หากเราไม่ทราบค่าส่วนเบี่ยงเบนมาตรฐานของประชากร (\( \sigma \)) เราจะใช้ส่วนเบี่ยงเบนมาตรฐานของกลุ่มตัวอย่าง (\( s \)) แทน:
\( s_{\bar{x}} = \frac{s}{\sqrt{n}} \)

รู้หรือไม่? เมื่อขนาดกลุ่มตัวอย่าง (\( n \)) ใหญ่ขึ้น ค่าความคลาดเคลื่อนมาตรฐานก็จะยิ่งน้อยลง ซึ่งสมเหตุสมผลมากครับ ยิ่งคุณถามคนจำนวนมากเท่าไหร่ คุณก็ยิ่งมั่นใจในค่าเฉลี่ยของคุณมากขึ้นเท่านั้น!

3. การประมาณค่าแบบจุดและช่วงความเชื่อมั่น

เวลาที่เราประมาณค่า เราสามารถทำได้ 2 วิธี:

1. การประมาณค่าแบบจุด (Point Estimate): คือตัวเลขค่าเดียว (เช่น "ฉันคิดว่าผลตอบแทนเฉลี่ยคือ 8%") แม้จะดูง่าย แต่มันแทบไม่มีทางเป๊ะเสมอไปครับ
2. ช่วงความเชื่อมั่น (Confidence Interval): คือช่วงของค่า (เช่น "ฉันมั่นใจ 95% ว่าผลตอบแทนจะอยู่ระหว่าง 6% ถึง 10%")

การสร้างช่วงความเชื่อมั่น

สูตรทั่วไปสำหรับช่วงความเชื่อมั่นคือ:
การประมาณค่าแบบจุด ± (ค่าความน่าเชื่อถือ × ความคลาดเคลื่อนมาตรฐาน)

ค่าความน่าเชื่อถือ (Reliability Factor) จะขึ้นอยู่กับว่าคุณต้องการ "ความมั่นใจ" มากแค่ไหน และคุณใช้การกระจายตัวแบบใด (z หรือ t)

ค่า Z ที่ใช้บ่อย (เมื่อทราบความแปรปรวนของประชากร):
  • ความเชื่อมั่น 90%: \( z = 1.645 \)
  • ความเชื่อมั่น 95%: \( z = 1.960 \)
  • ความเชื่อมั่น 99%: \( z = 2.575 \)

ตัวอย่าง: ถ้าค่าเฉลี่ยตัวอย่างคือ 10, ความคลาดเคลื่อนมาตรฐานคือ 2 และเราต้องการช่วงความเชื่อมั่น 95%:
\( 10 \pm (1.96 \times 2) = 10 \pm 3.92 \)
ช่วง: [6.08 ถึง 13.92]

ประเด็นสำคัญ:

ช่วงความเชื่อมั่นที่กว้างขึ้น (เช่น 99% เทียบกับ 95%) หมายความว่าคุณมั่นใจมากขึ้นว่าค่าจริงจะอยู่ข้างในนั้น แต่ความแม่นยำของช่วงจะลดลงครับ

4. การเลือกระหว่าง Z และ T

นี่คือจุดที่ข้อสอบ CFA ชอบหลอกบ่อยๆ! ตกลงควรใช้ตารางไหน: ตาราง Z หรือ ตาราง t?

ใช้ t-distribution เมื่อ:

  • เรา ไม่ทราบ ความแปรปรวนของประชากร (ซึ่งเป็นกรณีที่เกิดขึ้นบ่อยที่สุดในโลกความเป็นจริง)
  • ขนาดกลุ่มตัวอย่างมีขนาดเล็ก (\( n < 30 \)) แต่ประชากรมีการกระจายตัวแบบปกติ

ใช้ z-distribution เมื่อ:

  • เรา ทราบ ความแปรปรวนของประชากร
  • ไม่ทราบความแปรปรวนของประชากรแต่ขนาดกลุ่มตัวอย่างมีขนาดใหญ่ (\( n \ge 30 \)) อย่างไรก็ตาม ผู้ปฏิบัติงานหลายคนยังคงชอบใช้ t-distribution เพราะมันให้ค่าที่ระมัดระวัง (Conservative) มากกว่า

t-distribution จะดูคล้ายกับ normal distribution แต่จะมี "หางที่หนากว่า" (fatter tails) นั่นหมายความว่ามันเผื่อที่ให้กับเหตุการณ์สุดโต่ง (outliers) ได้มากกว่า เพราะเรามีความมั่นใจในการประมาณค่าน้อยกว่านั่นเอง และเมื่อ องศาความเป็นอิสระ (Degrees of freedom) (\( df = n - 1 \)) เพิ่มขึ้น t-distribution ก็จะเริ่มมีหน้าตาเหมือน z-distribution แทบจะเป๊ะเลยครับ

5. อคติในการสุ่มตัวอย่าง (กับดัก!)

ต่อให้มีคณิตศาสตร์ที่ยอดเยี่ยมแค่ไหน ผลลัพธ์ของคุณก็อาจจะกลายเป็น "ขยะเข้า ขยะออก" (Garbage in, garbage out) ได้ หากการสุ่มตัวอย่างของคุณมีอคติ นี่คือสิ่งที่ต้องระวัง:

1. Survivorship Bias: การดูเฉพาะบริษัทที่ยังดำเนินกิจการอยู่ในปัจจุบัน (การมองข้ามบริษัทที่เจ๊งไปแล้ว จะทำให้ค่าเฉลี่ยดูดีเกินจริง!)
2. Look-ahead Bias: การนำข้อมูลที่คุณไม่มีทางรู้ได้ในขณะที่ตัดสินใจลงทุนมาใช้ในงานวิจัย
3. Data-mining Bias: การ "ทรมาน" ข้อมูลจนกว่าจะได้ผลลัพธ์ที่ต้องการ โดยการทดสอบตัวแปรหลายๆ อย่างจนกว่าจะมีสักตัวที่บังเอิญทำงานได้
4. Time-period Bias: ผลลัพธ์ที่ใช้ได้แค่ในช่วงเวลาเฉพาะเจาะจง (เช่น งานวิจัยหุ้นเทคโนโลยีที่ศึกษาเฉพาะช่วงปี 90)
5. Selection Bias: เมื่อกลุ่มตัวอย่างไม่ได้รับการสุ่มอย่างแท้จริง (เช่น การสุ่มสำรวจบนถนนที่คุยแค่กับคนที่ใส่สูทเท่านั้น)

สรุปสั้นๆ (Quick Review):
- ความคลาดเคลื่อนมาตรฐาน: \( s / \sqrt{n} \)
- CLT: ทำให้ค่าเฉลี่ยตัวอย่างมีการกระจายตัวปกติเมื่อ \( n \ge 30 \)
- t-dist: ใช้เมื่อไม่ทราบ \( \sigma \); มีหางที่หนากว่า
- Degrees of Freedom: \( n - 1 \).

ทิ้งท้าย

การประมาณค่าและการอนุมานคือสะพานเชื่อมระหว่างข้อมูลดิบกับการตัดสินใจที่แท้จริง ไม่ต้องกังวลหากสูตรต่างๆ ดูหนักเกินไป ให้เน้นไปที่ ตรรกะ ของมัน: เราเก็บข้อมูลตัวอย่าง คำนวณค่าเฉลี่ย ปรับค่าความไม่แน่นอน (ด้วยความคลาดเคลื่อนมาตรฐานและค่าความน่าเชื่อถือ) แล้วสร้างช่วงที่เราคิดว่าค่าจริงจะอยู่ตรงนั้น คุณทำได้ดีมากครับ! ฝึกเปิดตาราง Z บ่อยๆ แล้วจะคล่องเองครับ!

ยินดีต้อนรับสู่การทดสอบสมมติฐาน (Hypothesis Testing): "นักตรวจสอบข้อเท็จจริง" แห่งโลกการเงิน

สวัสดีว่าที่ Charterholder ทุกคน! ยินดีต้อนรับเข้าสู่บทเรียนที่มีประโยชน์มากที่สุดบทหนึ่งในวิชา Quantitative Methods ลองจินตนาการว่า การทดสอบสมมติฐาน ก็คือ "ระเบียบวิธีทางวิทยาศาสตร์" สำหรับโลกของการลงทุนนั่นเอง

ลองนึกภาพว่าผู้จัดการกองทุนท่านหนึ่งอ้างว่ากลยุทธ์ของเขา "ชนะตลาด" ได้ จริงหรือเปล่า? หรือเขาแค่โชคดีในปีนี้กันแน่? การทดสอบสมมติฐานจะมอบเครื่องมือทางคณิตศาสตร์ให้เราใช้ตัดสินว่าผลลัพธ์นั้น มีนัยสำคัญทางสถิติ (statistically significant) หรือเป็นเพียงแค่เรื่องบังเอิญที่โชคเข้าข้าง ไม่ต้องกังวลนะหากคณิตศาสตร์ดูน่ากลัวในตอนแรก เราจะค่อยๆ ย่อยมันออกมาเป็นขั้นตอนที่เรียบง่ายและสมเหตุสมผลให้เอง

1. พื้นฐานที่ต้องรู้: สมมติฐานว่าง (Null) vs. สมมติฐานทางเลือก (Alternative)

ทุกการทดสอบจะเริ่มต้นด้วยข้อความสองชุดที่ตรงกันข้ามกันเสมอ

สมมติฐานว่าง (Null Hypothesis - \(H_0\)): นี่คือ "สภาวะปกติ" (status quo) หรือข้อความที่เราสันนิษฐานว่าเป็นจริงจนกว่าจะมีหลักฐานเพียงพอที่จะพิสูจน์ว่าเป็นอื่น โดยเกือบทุกครั้งจะมีเครื่องหมาย "เท่ากับ" รวมอยู่ด้วย (=, ≤, หรือ ≥)
เปรียบเทียบ: ในศาล สมมติฐานว่างก็คือ "จำเลยเป็นผู้บริสุทธิ์"

สมมติฐานทางเลือก (Alternative Hypothesis - \(H_a\)): นี่คือสิ่งที่นักวิจัยต้องการพิสูจน์จริง ๆ เป็นการ "ท้าทาย" สภาวะปกติ โดยจะไม่มีเครื่องหมาย "เท่ากับ" อยู่เลย (<, >, หรือ ≠)
เปรียบเทียบ: เป้าหมายของอัยการคือการพิสูจน์สมมติฐานทางเลือกนั่นคือ "จำเลยมีความผิด"

กฎสำคัญ: เราจะไม่ใช้คำว่า "ยอมรับ" สมมติฐานว่าง เราจะใช้คำว่า "ปฏิเสธ \(H_0\)" (เราพบหลักฐานเพียงพอที่จะสนับสนุน \(H_a\)) หรือ "ไม่สามารถปฏิเสธ \(H_0\)" (เราพบหลักฐานไม่เพียงพอ) เท่านั้น

จุดสำคัญที่ต้องจำ:

ให้มองหาเครื่องหมายเท่ากับเสมอ ถ้าข้อความบอกว่า "เท่ากับ" หรือ "อย่างน้อย" ให้ถือว่าเป็นส่วนหนึ่งของ \(H_0\) หากข้อความบอกว่า "แตกต่างจาก" หรือ "มากกว่า" ให้จัดไปอยู่ใน \(H_a\) ได้เลย

2. การทดสอบแบบหางเดียว (One-Tailed) vs. สองหาง (Two-Tailed)

เราจะรู้ได้อย่างไรว่าต้องดูด้านไหน? ขึ้นอยู่กับคำถามครับ

การทดสอบแบบสองหาง (Two-Tailed Test): ใช้เมื่อคุณต้องการทราบว่าค่าหนึ่งๆ แตกต่าง (ไม่ว่าจะสูงขึ้นหรือต่ำลง) ไปจากค่าที่ตั้งสมมติฐานไว้หรือไม่
ตัวอย่าง: \(H_0: \mu = 10\%\) vs. \(H_a: \mu \neq 10\%\)

การทดสอบแบบหางเดียว (One-Tailed Test): ใช้เมื่อคุณสนใจทิศทางใดทิศทางหนึ่งเท่านั้น (ไม่ "มากกว่า" ก็ "น้อยกว่า")
ตัวอย่าง: \(H_0: \mu \le 0\) vs. \(H_a: \mu > 0\) (เราสนใจแค่ว่าผลตอบแทนเป็นบวกหรือไม่)

เคล็ดลับด่วน: ให้ดูที่เครื่องหมายในสมมติฐานทางเลือก (\(H_a\)) ถ้าเป็น \(\neq\) แสดงว่าเป็นการทดสอบแบบสองหาง ถ้าเป็น \(>\) หรือ \(<\) หัวลูกศรจะชี้บอกทางที่คุณต้องทดสอบนั่นเอง!

3. ข้อผิดพลาดในการทดสอบ: Type I และ Type II

ในโลกที่สมบูรณ์แบบ เราคงตัดสินใจถูกเสมอ แต่ในสถิติเราอาจเกิดข้อผิดพลาดได้ 2 แบบ:

ความผิดพลาดแบบที่ 1 (Type I Error): คือการปฏิเสธสมมติฐานว่างที่ เป็นจริง เปรียบเสมือนการตัดสินว่าคนบริสุทธิ์มีความผิด ความน่าจะเป็นของความผิดพลาดนี้เรียกว่า Alpha (\(\alpha\)) หรือที่รู้จักกันในชื่อ ระดับนัยสำคัญ (Level of Significance)

ความผิดพลาดแบบที่ 2 (Type II Error): คือการไม่ปฏิเสธสมมติฐานว่างที่ เป็นเท็จ เปรียบเสมือนการปล่อยคนผิดให้หลุดรอดไป ความน่าจะเป็นของความผิดพลาดนี้เรียกว่า Beta (\(\beta\))

อำนาจของการทดสอบ (Power of a Test): คือความน่าจะเป็นที่การทดสอบจะสามารถปฏิเสธสมมติฐานว่างที่เป็นเท็จได้อย่างถูกต้อง คำนวณได้จาก \(1 - \beta\) แน่นอนว่าเราอยากได้ Power ที่สูง!

ตัวช่วยจำ:

Type I คือ "ผลบวกปลอม" (False Positive) (คุณคิดว่าคุณเจออะไรบางอย่าง ทั้งที่จริงไม่มี)
Type II คือ "ผลลบปลอม" (False Negative) (มีบางอย่างอยู่ตรงนั้น แต่คุณดันมองข้ามไป)

4. ค่าสถิติทดสอบ (Test Statistic): ไม้บรรทัดของเรา

เพื่อให้ได้ข้อสรุป เราต้องคำนวณ ค่าสถิติทดสอบ ซึ่งสูตรทั่วไปสำหรับค่าสถิติทดสอบเกือบทุกตัวในบทนี้คือ:

\( \text{Test Statistic} = \frac{\text{Sample Statistic} - \text{Hypothesized Value}}{\text{Standard Error}} \)

โดยที่ Standard Error ปกติแล้วคือค่าเบี่ยงเบนมาตรฐานของกลุ่มตัวอย่างหารด้วยรากที่สองของขนาดกลุ่มตัวอย่าง: \( \frac{s}{\sqrt{n}} \)

รู้หรือไม่? ค่าสถิติทดสอบบอกคุณแค่ว่า ผลลัพธ์จากกลุ่มตัวอย่างของคุณอยู่ห่างจากสมมติฐานว่างกี่ "ค่าความคลาดเคลื่อนมาตรฐาน" ยิ่งห่างออกไปมากเท่าไหร่ เรายิ่งมีโอกาสปฏิเสธสมมติฐานว่างมากขึ้นเท่านั้น!

5. การเลือกใช้การทดสอบให้เหมาะสม (z-test vs. t-test)

นักศึกษามักสับสนว่าจะใช้การทดสอบแบบไหนดี นี่คือคำแนะนำง่ายๆ:

ใช้ t-test ถ้า: คุณไม่ทราบค่าความแปรปรวนของประชากร (ซึ่งมักจะเป็นกรณีส่วนใหญ่ในโลกแห่งความเป็นจริง) และคุณกำลังใช้ค่าเบี่ยงเบนมาตรฐานจากกลุ่มตัวอย่าง (\(s\))
หมายเหตุ: สำหรับ t-test คุณต้องทราบค่า Degrees of Freedom (df) ซึ่งปกติคือ \(n - 1\)

ใช้ z-test ถ้า: คุณทราบค่าความแปรปรวนของประชากรจริง ๆ (\(\sigma^2\)) หรือถ้ากลุ่มตัวอย่างมีขนาดใหญ่มาก (แม้ว่าในทางเทคนิค \(t\) จะยังคงเป็นที่นิยมมากกว่ากรณีที่ไม่ทราบความแปรปรวนก็ตาม)

6. การตัดสินใจ: พื้นที่การปฏิเสธและ P-values

เมื่อได้ค่าสถิติทดสอบแล้ว จะตัดสินใจอย่างไร?

วิธีที่ 1: ค่าวิกฤต (Critical Values) คุณเปรียบเทียบค่าสถิติที่คำนวณได้กับ "ค่าวิกฤต" จากตารางสถิติ (อิงตามระดับนัยสำคัญ เช่น 5%) ถ้าค่าสถิติของคุณ สุดโต่งกว่า ค่าวิกฤต ให้คุณ ปฏิเสธ \(H_0\)

วิธีที่ 2: P-value นี่คือวิธีวัดเป็น "ค่าความน่าจะเป็น" โดย p-value คือระดับนัยสำคัญต่ำสุดที่จะทำให้เราปฏิเสธสมมติฐานว่างได้

กฎทองของ P-values:
ถ้า p-value < \(\alpha\) ให้ ปฏิเสธ \(H_0\)
ถ้า p-value ≥ \(\alpha\) ให้ ไม่สามารถปฏิเสธ \(H_0\)

ท่องไว้ว่า: "ถ้า P ต่ำ สมมติฐานว่างต้องไป!" (If the p is low, the null must go!)

7. การทดสอบสำหรับค่าความแปรปรวน (Variances)

บางครั้งเราไม่ได้สนใจค่าเฉลี่ย (mean) แต่เราสนใจเรื่อง ความเสี่ยง (variance)

การทดสอบความแปรปรวน 1 ชุด: เราใช้ Chi-square (\(\chi^2\)) test
สูตร: \( \chi^2 = \frac{(n-1)s^2}{\sigma_0^2} \)

การเปรียบเทียบความแปรปรวน 2 ชุด: เราใช้ F-test ซึ่งมักใช้บ่อยเวลาตรวจสอบว่าหุ้นสองตัวมีความเสี่ยงเท่ากันหรือไม่
สูตร: \( F = \frac{s_1^2}{s_2^2} \) (ให้เอาค่าความแปรปรวนที่มากกว่าไว้ด้านบนเสมอ เพื่อให้ค่า \(F > 1\))

8. การทดสอบแบบ Parametric vs. Non-parametric

Parametric Tests: การทดสอบเหล่านี้ (เช่น t-test และ z-test) ตั้งสมมติฐานว่าข้อมูลมีการกระจายตัวแบบเฉพาะเจาะจง (เช่น การกระจายตัวปกติ) และอ้างอิงพารามิเตอร์อย่างค่าเฉลี่ยและความแปรปรวน

Non-parametric Tests: คือการทดสอบที่ "ไม่สนรูปแบบการกระจายตัว" เราจะใช้ก็ต่อเมื่อ:
1. ข้อมูลไม่ได้มีการกระจายตัวแบบปกติ
2. ข้อมูลอยู่ในรูปแบบ "ลำดับที่" (เช่น ที่ 1, ที่ 2) ไม่ใช่ตัวเลขค่าจริง
3. ขนาดกลุ่มตัวอย่างเล็กมากๆ

ข้อผิดพลาดที่ควรหลีกเลี่ยง: อย่าเข้าใจผิดว่าการทดสอบแบบ non-parametric นั้น "ดีกว่า" เพราะจริงๆ แล้วมันมีอำนาจการทดสอบ (power) ต่ำกว่า parametric หากข้อมูลนั้นมีการกระจายตัวแบบปกติอยู่แล้ว

9. สรุป Checklist สำหรับสอบ

ก่อนจะไปบทต่อไป ตรวจสอบให้มั่นใจว่าคุณทำสิ่งเหล่านี้ได้:
• ระบุ \(H_0\) และ \(H_a\) จากโจทย์ปัญหาได้ถูกต้อง
• แยกแยะความแตกต่างระหว่างความผิดพลาด Type I และ Type II ได้
• คำนวณค่า t-statistic สำหรับค่าเฉลี่ยหนึ่งชุดได้
• ตัดสินใจได้ว่าจะปฏิเสธ \(H_0\) โดยดูจากค่าวิกฤตหรือ p-value
• รู้ว่าเมื่อใดควรใช้ Chi-square (ความแปรปรวนหนึ่งชุด) หรือ F-test (ความแปรปรวนสองชุด)

ไม่ต้องกังวลถ้าตอนแรกจะรู้สึกว่ามันยาก! การทดสอบสมมติฐานเหมือนกับการเรียนภาษาใหม่ เมื่อคุณคุ้นเคยกับ "ไวยากรณ์" ของสมมติฐานว่างและทางเลือกแล้ว ตรรกะเหล่านี้จะกลายเป็นเรื่องธรรมชาติสำหรับคุณเอง สู้ๆ นะ ฝึกคำนวณบ่อยๆ แล้วจะคล่องเอง!

ยินดีต้อนรับสู่บทเรียนเรื่องการทดสอบความเป็นอิสระต่อกัน (Parametric and Non-Parametric Tests of Independence)!

ตลอดการเดินทางในเส้นทาง CFA ที่ผ่านมา คุณได้เรียนรู้วิธีการอธิบายข้อมูลและการทดสอบสมมติฐานเกี่ยวกับค่าเฉลี่ยหรือความแปรปรวนของกลุ่มตัวอย่างชุดเดียวมาแล้ว แต่ในโลกการเงินจริงๆ เราแทบจะไม่ดูปัจจัยใดปัจจัยหนึ่งเพียงอย่างเดียว เรามักจะมีคำถามว่า: ผลการดำเนินงานของหุ้นมีความสัมพันธ์กับอุตสาหกรรมของมันหรือไม่? ระดับการศึกษาของ CEO ส่งผลต่อผลตอบแทนของบริษัทหรือเปล่า?

ในบทนี้ เราจะมาสำรวจวิธีการทดสอบว่าตัวแปรสองตัวนั้น เป็นอิสระต่อกัน (Independent) (หมายความว่าไม่มีความสัมพันธ์กัน) หรือ ขึ้นต่อกัน (Dependent) (หมายความว่ามีความสัมพันธ์กัน) โดยเราจะใช้เครื่องมือหลักสองอย่างคือ Chi-Square Test และ Spearman’s Rank Correlation ไม่ต้องกังวลหากชื่อดูเรียกยากไปสักนิด เดี๋ยวเราจะค่อยๆ ย่อยให้เข้าใจง่ายไปทีละส่วนครับ!

ทบทวนสั้นๆ: "ความเป็นอิสระต่อกัน" หมายความว่าอะไร?
ถ้าเหตุการณ์สองเหตุการณ์เป็นอิสระต่อกัน การที่เหตุการณ์หนึ่งเกิดขึ้น จะไม่บอกอะไรเราเลยเกี่ยวกับโอกาสการเกิดของอีกเหตุการณ์หนึ่ง ตัวอย่างเช่น การโยนเหรียญ กับ สภาพอากาศในลอนดอน เป็นเหตุการณ์ที่เป็นอิสระต่อกัน แต่สำหรับ อัตราดอกเบี้ย กับ ราคาพันธบัตร นั้นเป็นสิ่งที่ ขึ้นต่อกัน (Dependent) ครับ


1. การทดสอบแบบ Parametric และ Non-Parametric: ภาพรวม

ก่อนที่เราจะเจาะลึกถึงการทดสอบแต่ละประเภท เราต้องเข้าใจ "ครอบครัว" ของการทดสอบทางสถิติก่อนครับ

Parametric Tests

การทดสอบกลุ่มนี้ตั้งสมมติฐานที่เข้มงวดเกี่ยวกับข้อมูลที่นำมาใช้ โดยปกติแล้วจะสมมติว่าข้อมูลมีการแจกแจงแบบเฉพาะเจาะจง (เช่น Normal Distribution หรือการแจกแจงแบบปกติ) และใช้พารามิเตอร์อย่าง ค่าเฉลี่ย (Mean) และ ความแปรปรวน (Variance) เปรียบเสมือนสูตรทำเค้กที่เคร่งครัดมาก ถ้าคุณขาดส่วนผสมไปแม้แต่อย่างเดียว เค้กก็จะไม่ฟูครับ

Non-Parametric Tests

กลุ่มนี้จะมีความยืดหยุ่นมากกว่า ไม่จำเป็นต้องบังคับว่าข้อมูลต้องแจกแจงแบบปกติ มักใช้ในกรณีที่ กลุ่มตัวอย่างมีขนาดเล็ก, มีค่าผิดปกติ (Outliers), หรือข้อมูลเป็นประเภท การจัดลำดับ (Ranked) (เช่น อันดับ 1, อันดับ 2) แทนที่จะเป็นค่าตัวเลขที่แม่นยำ เปรียบเสมือน "บาร์ทาโก้" ที่คุณสามารถสลับเปลี่ยนส่วนผสมได้ตามใจและยังอร่อยได้เหมือนเดิม!

ประเด็นสำคัญ: เราจะใช้การทดสอบแบบ Non-Parametric เมื่อข้อมูลของเรา "ไม่สวย" หรือไม่เข้าเกณฑ์ที่เข้มงวดของการทดสอบแบบ Parametric ครับ


2. การทดสอบความเป็นอิสระด้วย Chi-Square (\(\chi^2\))

การทดสอบ Chi-Square ใช้เมื่อเรามี ข้อมูลเชิงกลุ่ม (Categorical Data) ซึ่งหมายความว่าข้อมูลถูกจัดอยู่ในกลุ่มหรือ "ถัง" แทนที่จะเป็นตัวเลขต่อเนื่อง เช่น การจัดกลุ่มบริษัทตาม อุตสาหกรรม (Tech, Energy, Finance) และ นโยบายการจ่ายเงินปันผล (จ่าย, ไม่จ่าย)

ตารางสรุปผล (Contingency Tables)

ในการทำการทดสอบนี้ เราจะใช้ ตารางสรุปผล (Contingency Table) หรือที่เรียกว่าตารางสองทาง เพื่อแสดงจำนวน (ความถี่) ของตัวแปรเชิงกลุ่มสองตัวพร้อมๆ กัน

สมมติฐาน

สมมติฐานหลัก (Null Hypothesis, \(H_0\)): ตัวแปรทั้งสองตัว เป็นอิสระต่อกัน (ไม่มีความสัมพันธ์กัน)
สมมติฐานทางเลือก (Alternative Hypothesis, \(H_a\)): ตัวแปรทั้งสองตัว ขึ้นต่อกัน (มีความสัมพันธ์กัน)

การคำนวณค่าสถิติทดสอบ

ค่าสถิติ Chi-Square จะวัดความแตกต่างระหว่างสิ่งที่เรา สังเกตได้จริง (\(O\)) กับสิ่งที่เรา คาดว่าจะเห็น (\(E\)) หากตัวแปรทั้งสองมีความเป็นอิสระต่อกันอย่างสมบูรณ์

สูตรการคำนวณคือ:
\( \chi^2 = \sum \frac{(O - E)^2}{E} \)

ขั้นตอนการทำงาน:
1. คำนวณค่าที่คาดหวัง (\(E\)): สำหรับแต่ละช่องในตาราง ให้ใช้สูตรนี้:
\( E = \frac{(\text{ผลรวมแถว} \times \text{ผลรวมคอลัมน์})}{\text{ผลรวมทั้งหมด}} \)
2. หาผลต่าง: ในแต่ละช่อง ให้เอาค่าสังเกตจริงลบด้วยค่าที่คาดหวัง (\(O - E\))
3. ยกกำลังสองและหารด้วย \(E\): นำผลต่างที่ได้มายกกำลังสอง แล้วหารด้วยค่าที่คาดหวัง
4. รวมผลรวม: นำค่าที่คำนวณได้จากทุกช่องมาบวกกัน ก็จะได้ค่าสถิติ \(\chi^2\)

องศาความเป็นอิสระ (Degrees of Freedom, \(df\))

สำหรับการทดสอบความเป็นอิสระด้วย Chi-Square องศาความเป็นอิสระคำนวณได้ดังนี้:
\( df = (r - 1) \times (c - 1) \)
โดยที่ \(r\) คือจำนวนแถว และ \(c\) คือจำนวนคอลัมน์

รู้หรือไม่? การแจกแจงแบบ Chi-Square จะเป็นค่าบวกเสมอและเบ้ขวา ยิ่งองศาความเป็นอิสระมากขึ้น รูปร่างก็จะเริ่มคล้ายกับการแจกแจงแบบปกติมากขึ้น!

ประเด็นสำคัญ: หากค่า \(\chi^2\) ที่คำนวณได้มีค่ามากกว่า "ค่าวิกฤต (Critical Value)" จากตารางอย่างมาก เราจะ ปฏิเสธสมมติฐานหลัก (Reject Null Hypothesis) และสรุปได้ว่าตัวแปรเหล่านั้นมีความสัมพันธ์กันครับ


3. สัมประสิทธิ์สหสัมพันธ์แบบลำดับของ Spearman (\(r_s\))

บางครั้งเราต้องการทราบระดับความแข็งแกร่งของความสัมพันธ์ แต่ข้อมูลของเราเป็นแบบ ลำดับ (Ordinal) หรือมีค่าสุดโต่ง (Outliers) ที่จะทำให้การคำนวณสหสัมพันธ์แบบมาตรฐานผิดเพี้ยนไป นี่คือที่มาของ Spearman’s Rank Correlation ครับ

เปรียบเทียบ: ลองจินตนาการว่ากรรมการสองคนจัดอันดับผู้เข้าแข่งขัน 10 คนในรายการประกวดพรสวรรค์ แม้ว่ากรรมการอาจจะให้คะแนนไม่เท่ากันเป๊ะ แต่ถ้าทั้งคู่เห็นตรงกันว่าผู้เข้าแข่งขัน A เก่งกว่าผู้เข้าแข่งขัน B แล้ว ลำดับ (Rank) ของทั้งคู่ก็จะมีความสัมพันธ์กันครับ

ทำไมต้องใช้?

  • เป็นทางเลือกแบบ Non-Parametric แทนที่สหสัมพันธ์แบบ Pearson
  • ใช้เมื่อข้อมูลมีลักษณะ ไม่เป็นเส้นตรง (Non-linear) แต่ยังมีแนวโน้มเป็นทิศทางเดียวกัน (Monotonic)
  • ทนทานต่อ ค่าผิดปกติ (Outliers) เพราะใช้การดู ลำดับ ของข้อมูลแทนค่าจริง

วิธีคำนวณ:

1. จัดลำดับข้อมูลสำหรับทั้งสองตัวแปร จากน้อยไปมาก (หรือมากไปน้อย)
2. คำนวณผลต่าง (\(d_i\)) ระหว่างลำดับของคู่ข้อมูลแต่ละคู่
3. ใช้สูตร:
\( r_s = 1 - \frac{6 \sum d_i^2}{n(n^2 - 1)} \)

การตีความผลลัพธ์:
ค่าของ \(r_s\) จะอยู่ระหว่าง -1 ถึง +1 เสมอ
- +1: มีสหสัมพันธ์เชิงบวกแบบสมบูรณ์ (ลำดับหนึ่งเพิ่ม อีกอันก็เพิ่มตามเสมอ)
- -1: มีสหสัมพันธ์เชิงลบแบบสมบูรณ์
- 0: ไม่มีความสัมพันธ์กันระหว่างลำดับ

ข้อผิดพลาดที่พบบ่อย: อย่าลืมเลข "6" ในตัวเศษนะครับ! เป็นค่าคงที่ของสูตร ไม่ว่ากลุ่มตัวอย่างของคุณจะขนาดเท่าไหร่ก็ตาม

ประเด็นสำคัญ: Spearman’s Rank Correlation คือเครื่องมือที่ควรนึกถึงเมื่อข้อมูลไม่ได้แจกแจงแบบปกติ หรือเมื่อคุณกำลังจัดการกับข้อมูลที่เป็นลำดับมากกว่าข้อมูลวัดค่าดิบ


4. ควรใช้ Non-Parametric Tests เมื่อไหร่? (คู่มือฉบับย่อ)

ในการสอบ CFA คุณอาจถูกถามว่าเมื่อไหร่ที่การทดสอบแบบ Non-Parametric เหมาะสมกว่าการทดสอบแบบปกติ ให้จำ 4 สถานการณ์นี้ไว้ครับ:

  1. ข้อมูลเป็นเชิงกลุ่ม (Categorical): ใช้ Chi-Square เมื่อนับจำนวนสิ่งของในกลุ่ม
  2. ข้อมูลเป็นลำดับ (Ordinal/Ranked): ใช้ Spearman Rank Correlation
  3. กลุ่มตัวอย่างขนาดเล็ก: เมื่อกลุ่มตัวอย่างเล็กเกินกว่าจะสมมติว่ามีการแจกแจงแบบปกติ
  4. มีค่าสุดโต่ง (Extreme Outliers): เมื่อมีจุดข้อมูลบางจุดที่แปลกประหลาดเกินไป ซึ่งอาจดึงค่าเฉลี่ยหรือสหสัมพันธ์ให้เบี่ยงเบนไปมากเกินควร

ถ้ารู้สึกยากในตอนแรก ไม่ต้องกังวลนะ! แค่จำไว้ว่า: Parametric = แม่นยำ/เข้มงวด, Non-Parametric = ลำดับ/ยืดหยุ่น


สรุปและกล่องทบทวนความเข้าใจ

Chi-Square Test: ใช้ทดสอบความเป็นอิสระระหว่างตัวแปร เชิงกลุ่ม สองตัว โดยใช้ตารางสรุปผล และใช้ \(df = (r-1)(c-1)\)

Spearman Rank Correlation: วัดความแข็งแกร่งของความสัมพันธ์ระหว่างข้อมูลแบบ จัดลำดับ มีค่าตั้งแต่ -1 ถึง +1

Independence (ความเป็นอิสระ): สมมติฐานหลักมักระบุว่า ไม่มีความสัมพันธ์กัน ถ้าค่าสถิติทดสอบของเราสูง เราจะ "ไล่ (Reject)" สมมติฐานหลักทิ้งไป!

เช็คความเข้าใจของคุณ:
ถ้าคุณกำลังเปรียบเทียบ "ระดับการจัดอันดับของนักวิเคราะห์" (ซื้อ/ถือ/ขาย) และ "อุตสาหกรรม" (เทคโนโลยี/ค้าปลีก) คุณจะใช้การทดสอบแบบไหน?
คำตอบ: ใช้การทดสอบความเป็นอิสระด้วย Chi-Square (เพราะนี่เป็นข้อมูลเชิงกลุ่มนั่นเอง!)