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!)