Evaluating Regression Model Fit and Interpreting Model Results

ยินดีต้อนรับสู่บทเรียนการประเมินแบบจำลองการถดถอย (Evaluating Regression Models)!

สวัสดีครับ! ถ้าคุณมาถึงจุดนี้ใน CFA Level II คุณก็น่าจะทราบดีแล้วว่าวิชา Quantitative Methods นั้นเปรียบเสมือนภูเขาสูงที่ต้องปีนป่าย แต่ไม่ต้องกังวลไปครับ การประเมินแบบจำลอง Regression จริงๆ แล้วก็เหมือนกับการสวมบทเป็นนักสืบ เรามี "ผู้ต้องสงสัย" (ตัวแปรอิสระของเรา) และเราต้องการรู้ว่า "ผู้ต้องสงสัยคนนี้อธิบายสิ่งที่เกิดขึ้นได้ดีแค่ไหนกันนะ?"

ในบทนี้ เราจะไม่ใช่แค่สร้างแบบจำลองขึ้นมาเฉยๆ แต่เราจะมาตรวจสอบกันว่ามันใช้งานได้จริงไหม เราจะได้เรียนรู้วิธีอ่าน "สมุดพก" (ตาราง ANOVA) ตรวจเช็ค "สัญญาณชีพ" ของค่าสัมประสิทธิ์ และตัดสินว่าแบบจำลองของเรานั้นเป็นผลงานระดับมาสเตอร์พีซ หรือเป็นเพียงแค่เสียงรบกวน (Noise) เท่านั้น มาเริ่มกันเลยครับ!

1. พื้นฐาน: เรากำลังดูอะไรกันอยู่?

เมื่อเราทำ Multiple Linear Regression (MLR) เรากำลังดูสมการในรูปแบบนี้:
\( Y_i = b_0 + b_1X_{1,i} + b_2X_{2,i} + ... + b_kX_{k,i} + \epsilon_i \)

คำศัพท์สำคัญที่ต้องจำ:
• Dependent Variable (\( Y \)): สิ่งที่เราพยายามทำนาย (เช่น ผลตอบแทนของหุ้น)
• Independent Variables (\( X \)): "ตัวขับเคลื่อน" หรือปัจจัยที่เราคิดว่ามีผลต่อ \( Y \) (เช่น อัตราดอกเบี้ย, การเติบโตของ GDP)
• Intercept (\( b_0 \)): ค่าของ \( Y \) ในกรณีที่ \( X \) ทุกตัวมีค่าเป็นศูนย์
• Slope Coefficients (\( b_j \)): ค่าที่บอกว่า \( Y \) จะเปลี่ยนไปเท่าไหร่เมื่อ \( X \) ตัวนั้นเปลี่ยนไปหนึ่งหน่วย โดยที่สมมติให้ตัวแปรอื่นๆ คงที่

การเปรียบเทียบในชีวิตจริง: ลองจินตนาการว่าคุณกำลังทำนายราคาบ้าน ขนาดบ้าน (ตารางฟุต) และจำนวนห้องนอน คือตัวแปร \( X \) ของคุณ Intercept คือราคาฐานของที่ดิน ส่วน Slope ของ "จำนวนห้องนอน" จะบอกคุณว่าราคาบ้านจะเพิ่มขึ้นเท่าไหร่ต่อการเพิ่มขึ้นของห้องนอน 1 ห้อง โดยสมมติว่าขนาดพื้นที่บ้านเท่าเดิม

สรุป: Regression ช่วยให้เราหาความสัมพันธ์เชิงปริมาณระหว่างปัจจัยหลายๆ อย่างกับผลลัพธ์หนึ่งอย่างได้

2. การประเมินความเหมาะสม (Goodness of Fit): แบบจำลองนี้ใช้งานได้ดีไหม?

เมื่อคอมพิวเตอร์ประมวลผล Regression ออกมาแล้ว เราต้องรู้ว่ามันดีพอหรือไม่ โดยใช้ตัววัดค่าสำคัญๆ ดังนี้

A. สัมประสิทธิ์การตัดสินใจ (Coefficient of Determination - \( R^2 \))

\( R^2 \) บอกเราว่าร้อยละเท่าไหร่ของการเปลี่ยนแปลงในตัวแปรตาม (\( Y \)) ที่ถูกอธิบายได้ด้วยตัวแปรอิสระ (\( X \))
• ค่าจะอยู่ระหว่าง 0 ถึง 1
• ถ้า \( R^2 \) เท่ากับ 0.80 หมายความว่าแบบจำลองของเราอธิบายการเคลื่อนไหวของ \( Y \) ได้ถึง 80% เยี่ยมไปเลย!

B. ปัญหาของ \( R^2 \) และทางออกคือ "Adjusted \( R^2 \)"

คุณรู้ไหมครับ? ถ้าคุณยิ่งใส่ตัวแปรเข้าไปในแบบจำลองเรื่อยๆ แม้จะเป็นตัวแปรที่ไม่เกี่ยวข้องเลยอย่างเช่น "จำนวนกระรอกในสวนสาธารณะ" ค่า \( R^2 \) ของคุณก็จะเพิ่มขึ้นเกือบตลอดเวลา นี่คือกับดักครับ! เพื่อแก้ไขปัญหานี้ เราจึงใช้ Adjusted \( R^2 \)

Adjusted \( R^2 \) จะทำหน้าที่ลงโทษคุณหากคุณใส่ตัวแปรที่ไม่ค่อยมีประโยชน์เข้าไป โดยมีสูตรคือ:
\( \bar{R}^2 = 1 - [(\frac{n-1}{n-k-1}) \times (1-R^2)] \)

กฎสำคัญ: ค่า Adjusted \( R^2 \) จะต้องน้อยกว่าหรือเท่ากับ \( R^2 \) เสมอ ถ้าคุณเพิ่มตัวแปรเข้าไปแล้วค่า Adjusted \( R^2 \) ลดลง แสดงว่าตัวแปรนั้นเป็น "น้ำหนักส่วนเกิน" ที่ไม่ควรมีอยู่ในแบบจำลอง

C. ค่าความคลาดเคลื่อนมาตรฐานของการประมาณการ (Standard Error of Estimate - SEE)

SEE บอกเราว่าโดยเฉลี่ยแล้ว จุดข้อมูลจริงอยู่ห่างจากเส้น Regression เท่าไหร่ ให้มองว่ามันคือ "ความผิดพลาดเฉลี่ย" ของแบบจำลองครับ
• SEE ต่ำ = ความแม่นยำสูง (จุดข้อมูลอยู่ใกล้เส้น)
• SEE สูง = ความแม่นยำต่ำ (จุดข้อมูลกระจัดกระจายไปทั่ว)
\( SEE = \sqrt{\frac{SSE}{n-k-1}} \)

ทบทวนสั้นๆ: \( R^2 \) คือ "เราอธิบายได้เท่าไหร่" ส่วน SEE คือ "เราพลาดไปเท่าไหร่"

3. ตาราง ANOVA: สมุดพกของแบบจำลอง

อย่าให้คำว่า "ANOVA" (Analysis of Variance) ทำให้คุณกลัวเลยครับ มันก็แค่ตารางที่แตกย่อยความแปรปรวนทั้งหมดออกเป็นส่วนที่ "อธิบายได้" กับ "อธิบายไม่ได้"

1. Total Sum of Squares (SST): ความแปรปรวนทั้งหมดในข้อมูล
2. Regression Sum of Squares (RSS): ความแปรปรวนที่แบบจำลองของเรา อธิบายได้
3. Sum of Squared Errors (SSE): ความแปรปรวนที่ "เหลือตกค้าง" ซึ่งเรา อธิบายไม่ได้ (Noise)

กฎทอง: \( SST = RSS + SSE \)

เทคนิคการจำ: ลองนึกถึงพิซซ่า (SST) ส่วนที่คุณกินเข้าไปคือ RSS (ความสำเร็จ!) และขอบที่คุณทิ้งไปคือ SSE (ความผิดพลาด/ของเสีย)

ประเด็นสำคัญ: จากตาราง ANOVA เราสามารถคำนวณ \( R^2 \) ได้จาก \( RSS / SST \)

4. การทดสอบสมมติฐาน (Hypothesis Testing): ผลลัพธ์นี้ของจริงไหม?

เราใช้การทดสอบหลักๆ 2 วิธี เพื่อดูว่าผลลัพธ์ของเรามีนัยสำคัญทางสถิติ หรือเป็นแค่เรื่องบังเอิญ

A. การทดสอบ t-Test (ทดสอบสัมประสิทธิ์รายตัว)

เราใช้ t-test เพื่อดูว่าตัวแปรอิสระ ตัวเดียว นั้นมีประโยชน์จริงหรือไม่
Null Hypothesis (\( H_0 \)): สัมประสิทธิ์เป็นศูนย์ (\( b_j = 0 \)) หมายความว่าไม่มีผลใดๆ
Alternative Hypothesis (\( H_a \)): สัมประสิทธิ์ไม่ใช่ศูนย์ (\( b_j \neq 0 \))

Test Statistic: \( t = \frac{\hat{b}_j - 0}{s_{\hat{b}_j}} \)
(ค่าสัมประสิทธิ์หารด้วยค่า Standard Error ของตัวมันเอง)

กฎการตัดสินใจ: หากค่าสมบูรณ์ (Absolute value) ของค่า \( t \) ที่คำนวณได้ มากกว่า ค่า t วิกฤต (critical t-value) (จากตาราง) เราจะ ปฏิเสธสมมติฐานว่าง (Reject null) นั่นหมายความว่าตัวแปรนั้น "มีนัยสำคัญทางสถิติ"

B. การทดสอบ F-Test (ทดสอบทั้งแบบจำลอง)

F-test ใช้เช็คว่ามีตัวแปรอิสระ อย่างน้อยหนึ่งตัว ที่มีประโยชน์หรือไม่ เป็นการทดสอบภาพรวมของแบบจำลอง
Null Hypothesis (\( H_0 \)): สัมประสิทธิ์ของความชันทั้งหมดเป็นศูนย์ (\( b_1 = b_2 = ... = b_k = 0 \))
Alternative Hypothesis (\( H_a \)): มีสัมประสิทธิ์ความชันอย่างน้อยหนึ่งตัวที่ไม่เป็นศูนย์

\( F = \frac{MSR}{MSE} = \frac{RSS/k}{SSE/(n-k-1)} \)

ความผิดพลาดที่พบบ่อย: นักเรียนมักสับสนว่าจะใช้ \( t \) หรือ \( F \) ตอนไหน จำไว้ว่า: T ใช้สำหรับ Tracking Tiny details (เจาะจงรายตัวแปร) และ F ใช้สำหรับ Full Frame (ดูภาพรวมทั้งเฟรม)

5. ข้อสมมติฐานของ Linear Regression

เพื่อให้ผลลัพธ์ของ Regression ของเราถูกต้อง เราต้องเล่นตามกฎครับ หากผิดข้อสมมติฐานเหล่านี้ แบบจำลองอาจโกหกเราได้! ใช้คำช่วยจำว่า "LINE" เพื่อทวนความจำครับ:

• L - Linearity: ความสัมพันธ์ระหว่าง \( X \) และ \( Y \) ต้องเป็นเส้นตรง
• I - Independence: ข้อมูล (ความผิดพลาด) ต้องไม่สัมพันธ์กันเอง
• N - Normality: ค่าความคลาดเคลื่อน (Error terms) ต้องมีการแจกแจงแบบปกติ
• E - Equal Variance (Homoskedasticity): การกระจายตัวของความผิดพลาดต้องคงที่ ไม่แปรปรวนตามขนาดของ \( X \)

สรุป: ถ้าเข้าเงื่อนไข "LINE" แบบจำลองของเรามักจะเป็น "BLUE" (Best Linear Unbiased Estimator)

6. ช่วงความเชื่อมั่น (Confidence Intervals) สำหรับค่าที่ทำนาย

เมื่อเราได้แบบจำลองแล้ว เราสามารถทำนาย \( Y \) ในอนาคตได้ แต่เนื่องจากโลกเต็มไปด้วยความไม่แน่นอน เราจึงไม่ให้ตัวเลขตัวเดียว แต่ให้เป็นช่วง (Range)

การคำนวณ:
\( \hat{Y} \pm (t_c \times s_f) \)
โดยที่ \( \hat{Y} \) คือการทำนายของเรา, \( t_c \) คือค่า t วิกฤต และ \( s_f \) คือ standard error of the forecast

ข้อควรจำ: ยิ่งค่า \( X \) ของคุณอยู่ห่างจากค่าเฉลี่ยในอดีตมากเท่าไหร่ ช่วงความเชื่อมั่นก็จะกว้างขึ้น (ไม่มั่นใจมากขึ้น) การทำนายสิ่งที่อยู่นอกเหนือปกติทำได้ยากกว่าช่วงปกติครับ!

สรุปทบทวนท้ายบท

• \( R^2 \): เราเล่า "เรื่องราว" ได้กี่เปอร์เซ็นต์ (0 ถึง 1)
• Adjusted \( R^2 \): เหมือน \( R^2 \) แต่จะหักคะแนนหากใส่ตัวแปรไร้ประโยชน์เข้าไป
• t-test: เช็คว่า 1 ตัวแปรมีนัยสำคัญไหม (df = \( n - k - 1 \))
• F-test: เช็คว่าทั้งแบบจำลองมีนัยสำคัญไหม (df = \( k \) และ \( n - k - 1 \))
• SEE: "ความผิดพลาด" หรือสิ่งที่แบบจำลองทายพลาดเฉลี่ยเท่าไหร่
• Degrees of Freedom (\( df \)): \( n \) คือจำนวนข้อมูล, \( k \) คือจำนวนตัวแปรอิสระ

ไม่ต้องกังวลถ้าสูตรดูน่ากลัว ในข้อสอบ CFA คุณมักจะถูกถามให้ ตีความ (interpret) ตาราง ANOVA หรือค่า t-stat มากกว่าที่จะต้องคำนวณทุกอย่างตั้งแต่ศูนย์ โฟกัสไปที่การทำความเข้าใจว่าตัวเลขเหล่านั้นกำลังบอกอะไรคุณครับ!