บทนำ: ทำไมความเชื่อมโยงถึงสำคัญในโลกธุรกิจ

ยินดีต้อนรับเข้าสู่ส่วนที่นำไปใช้งานได้จริงที่สุดส่วนหนึ่งของหลักสูตร BA1! ในโลกของธุรกิจ เหตุการณ์ต่างๆ แทบไม่เคยเกิดขึ้นอย่างโดดเดี่ยว ตัวอย่างเช่น ถ้าบริษัทลดราคาสินค้า ยอดขายมักจะเพิ่มขึ้น หรือถ้าอุณหภูมิสูงขึ้น ร้านไอศกรีมก็จะขายดีขึ้น ความเชื่อมโยงเหล่านี้คือสิ่งที่เราเรียกว่า ความสัมพันธ์ระหว่างตัวแปร (relationships between variables)

ในบทนี้ เราจะเรียนรู้วิธีการสังเกตความสัมพันธ์เหล่านี้ วัดระดับความแข็งแกร่งของความสัมพันธ์ และที่สำคัญที่สุดคือ การหลีกเลี่ยงกับดักที่ว่า "ถ้าสองสิ่งเกิดขึ้นพร้อมกัน แสดงว่าสิ่งหนึ่งเป็นสาเหตุของอีกสิ่งหนึ่ง" การเข้าใจเรื่องนี้จะช่วยให้ผู้นำธุรกิจพยากรณ์สถานการณ์ได้แม่นยำขึ้นและตัดสินใจได้อย่างชาญฉลาด

ไม่ต้องกังวลถ้าคณิตศาสตร์ไม่ใช่เรื่องโปรดของคุณ! เราจะเน้นไปที่ความหมายของตัวเลขที่มีต่อผู้นำธุรกิจ มากกว่าการมุ่งเน้นไปที่การคำนวณตัวเลขที่ยุ่งยากเพียงอย่างเดียว

1. ทำความเข้าใจเรื่องความสัมพันธ์ (Correlation)

ความสัมพันธ์ (Correlation) คือตัววัดทางสถิติที่บ่งบอกถึงระดับที่ตัวแปรสองตัวแปรแปรผันตามกัน หากอธิบายให้ง่ายขึ้น มันคือวิธีตอบคำถามว่า: "เมื่อตัวแปร A เปลี่ยนไป ตัวแปร B จะมีพฤติกรรมอย่างไร?"

ประเภทของความสัมพันธ์
  • ความสัมพันธ์เชิงบวก (Positive Correlation): ตัวแปรทั้งสองเคลื่อนที่ไปใน ทิศทางเดียวกัน ถ้า A เพิ่ม B ก็เพิ่มตาม ตัวอย่าง: ยิ่งใช้งบโฆษณามากขึ้น ยอดขายรายได้ก็ยิ่งสูงขึ้น
  • ความสัมพันธ์เชิงลบ (Negative Correlation): ตัวแปรเคลื่อนที่ไปใน ทิศทางตรงกันข้าม ถ้า A เพิ่ม B จะลดลง ตัวอย่าง: เมื่อราคารถหรูสูงขึ้น จำนวนรถที่ขายได้มักจะลดลง
  • ไม่มีความสัมพันธ์ (No Correlation): ไม่เห็นความสัมพันธ์ที่ชัดเจน การเคลื่อนไหวของตัวแปรหนึ่งไม่ได้บอกอะไรเกี่ยวกับอีกตัวแปรเลย ตัวอย่าง: ปริมาณน้ำฝนในลอนดอนกับราคาใบชาในประเทศจีน

กล่องสรุปด่วน:
บวก (Positive) = ทิศทางเดียวกัน (เพิ่มทั้งคู่ หรือ ลดทั้งคู่)
ลบ (Negative) = ทิศทางตรงกันข้าม (ตัวหนึ่งเพิ่ม อีกตัวลด)
ศูนย์ (Zero) = ไม่มีรูปแบบที่ชัดเจน

2. การแสดงภาพความสัมพันธ์: แผนภาพกระจาย (Scatter Diagrams)

ก่อนเริ่มคำนวณ นักเศรษฐศาสตร์มักจะนำข้อมูลมาพล็อตลงบน แผนภาพกระจาย (Scatter Diagram หรือ Scatter Plot) ซึ่งเป็นกราฟที่ให้ตัวแปรหนึ่งอยู่บนแกนนอน (x) และอีกตัวแปรหนึ่งอยู่บนแกนตั้ง (y)

วิธีอ่านแผนภาพกระจาย:
1. หากจุดเรียงตัวเป็นแนว ลาดขึ้น จากซ้ายไปขวา แสดงว่ามีความสัมพันธ์ เชิงบวก
2. หากจุดเรียงตัวเป็นแนว ลาดลง จากซ้ายไปขวา แสดงว่ามีความสัมพันธ์ เชิงลบ
3. หากจุดกระจัดกระจายเหมือน "กลุ่มเมฆ" หรือ "ท้องฟ้าที่เต็มไปด้วยดาว" โดยไม่มีทิศทาง แสดงว่า ไม่มีความสัมพันธ์
4. หากจุดอยู่ใกล้กันจนเกือบจะเป็นเส้นตรง แสดงว่าความสัมพันธ์นั้น แข็งแกร่ง (Strong) หากจุดกระจายห่างกัน แสดงว่าความสัมพันธ์นั้น อ่อน (Weak)

ข้อผิดพลาดที่ควรระวัง: อย่าสับสนระหว่าง ความชัน (slope) กับ ความแข็งแกร่ง (strength) กราฟที่ชันมากหรือราบมากก็สามารถแสดงถึงความสัมพันธ์ที่ "สมบูรณ์แบบ" ได้ ตราบใดที่จุดทุกจุดวางอยู่บนเส้นนั้นพอดี!

3. การวัดระดับความแข็งแกร่ง: สัมประสิทธิ์สหสัมพันธ์ (Correlation Coefficient: r)

แม้กราฟจะมีประโยชน์ แต่ธุรกิจต้องการตัวเลขที่เฉพาะเจาะจงเพื่ออธิบายความสัมพันธ์ ตัวเลขนี้เรียกว่า สัมประสิทธิ์สหสัมพันธ์ของเพียร์สัน (Pearson’s Correlation Coefficient) หรือเรียกสั้นๆ ว่า \(r\)

ค่าของ \(r\) จะอยู่ในช่วง -1 ถึง +1 เสมอ

ตัวเลขเหล่านี้บอกอะไรเรา:
  • \(r = +1\): ความสัมพันธ์เชิงบวกที่สมบูรณ์แบบ (เป็นเส้นตรงพุ่งขึ้น)
  • \(r = -1\): ความสัมพันธ์เชิงลบที่สมบูรณ์แบบ (เป็นเส้นตรงพุ่งลง)
  • \(r = 0\): ไม่มีความสัมพันธ์เชิงเส้นใดๆ เลย
  • ระหว่าง 0.7 ถึง 1.0: ความสัมพันธ์เชิงบวกที่แข็งแกร่ง
  • ระหว่าง -0.7 ถึง -1.0: ความสัมพันธ์เชิงลบที่แข็งแกร่ง
  • ระหว่าง 0 ถึง 0.3: ความสัมพันธ์เชิงบวกที่อ่อนมาก

รู้หรือไม่? ค่าสหสัมพันธ์ -0.9 นั้น แข็งแกร่งกว่า ค่า +0.5 เครื่องหมายลบเพียงแค่บอก ทิศทาง เท่านั้น ส่วนตัวเลขคือสิ่งที่บอก ระดับความแข็งแกร่ง

ประเด็นสำคัญ: ยิ่งตัวเลขห่างจากศูนย์มากเท่าใด (ไม่ว่าจะไปทางบวกหรือลบ) ความสัมพันธ์ระหว่างตัวแปรทั้งสองก็จะยิ่งแข็งแกร่งมากขึ้นเท่านั้น

4. สัมประสิทธิ์การตัดสินใจ (Coefficient of Determination: \(r^2\))

ฟังดูซับซ้อน แต่จริงๆ แล้วง่ายมากเมื่อคุณรู้ความลับของมัน: มันก็คือค่าสัมประสิทธิ์สหสัมพันธ์ (\(r\)) คูณด้วยตัวมันเองนั่นเอง

สูตรคำนวณ:
\( \text{Coefficient of Determination} = r \times r \) (หรือ \(r^2\))

ทำไมเราถึงใช้ค่านี้?
ในขณะที่ \(r\) บอกถึงระดับความแข็งแกร่ง แต่ \(r^2\) บอกเราถึง สัดส่วน ของการเปลี่ยนแปลงในตัวแปรหนึ่งที่ ถูกอธิบายได้ ด้วยการเปลี่ยนแปลงของอีกตัวแปรหนึ่ง เรามักแสดงค่านี้เป็นเปอร์เซ็นต์

ตัวอย่าง: ถ้าค่าสหสัมพันธ์ (\(r\)) ระหว่างการใช้งบโฆษณากับยอดขายคือ 0.8:
\( r^2 = 0.8 \times 0.8 = 0.64 \)
นั่นหมายความว่า 64% ของความผันแปรของยอดขายสามารถอธิบายได้ด้วยงบโฆษณา ส่วนอีก 36% ที่เหลือเกิดจากปัจจัยอื่นๆ (เช่น คู่แข่ง สภาพอากาศ หรือคุณภาพสินค้า)

ตัวช่วยจำ: ให้มองว่า \(r^2\) คือ "พลังในการอธิบาย" มันจะบอกคุณว่าคุณเข้าใจเรื่องราวที่เกิดขึ้นได้มากแค่ไหน

5. ความสัมพันธ์ (Correlation) กับ ความเป็นเหตุเป็นผล (Causation) (แนวคิดที่สำคัญมาก!)

นี่คือกฎที่สำคัญที่สุดในสถิติธุรกิจ: ความสัมพันธ์ไม่ได้หมายถึงความเป็นเหตุเป็นผล

เพียงเพราะสองสิ่งเคลื่อนที่ไปพร้อมกัน ไม่ได้แปลว่าสิ่งหนึ่ง เป็นสาเหตุ ที่ทำให้เกิดอีกสิ่งหนึ่ง เมื่อคุณเห็นความสัมพันธ์ จะมีความเป็นไปได้ 3 ประการ:

  1. ความเป็นเหตุเป็นผลโดยตรง: ตัวแปร A เป็นสาเหตุที่ทำให้เกิด B จริงๆ (เช่น ฝนตกหนักทำให้ยอดขายร่มเพิ่มขึ้น)
  2. ความเป็นเหตุเป็นผลย้อนกลับ: เราคิดว่า A ทำให้เกิด B แต่จริงๆ แล้ว B ต่างหากที่ทำให้เกิด A
  3. ปัจจัยที่สาม (Third Factor): A และ B เคลื่อนที่ไปพร้อมกันเพราะมี ตัวแปรที่สาม ส่งผลต่อทั้งคู่

การเปรียบเทียบแบบคลาสสิก: มีความสัมพันธ์ระดับสูงระหว่างยอดขายไอศกรีมกับการถูกฉลามกัด การกินไอศกรีมทำให้ฉลามกัดคนหรือเปล่า? ไม่ใช่แน่นอน! "ปัจจัยที่สาม" คือ สภาพอากาศที่แดดจัด เมื่ออากาศดี ผู้คนจะซื้อไอศกรีมมากขึ้น และในขณะเดียวกันผู้คนก็ไปว่ายน้ำในทะเลมากขึ้นด้วย

ประเด็นสำคัญสำหรับนักศึกษา CIMA: ในข้อสอบ หากคุณเห็นค่าความสัมพันธ์ที่สูง อย่าเพิ่งด่วนสรุปว่าสิ่งหนึ่งเป็นสาเหตุของอีกสิ่งหนึ่งโดยไม่มีหลักฐานทางธุรกิจมายืนยันเพิ่มเติม

6. การวิเคราะห์การถดถอยเชิงเส้นอย่างง่าย (Simple Linear Regression): การพยากรณ์

หากเราพบความสัมพันธ์ที่แข็งแกร่ง เราสามารถใช้เทคนิคที่เรียกว่า การวิเคราะห์การถดถอยเชิงเส้น (Linear Regression) เพื่อสร้างสมการสำหรับ "เส้นที่เหมาะสมที่สุด (Line of Best Fit)" เส้นนี้จะช่วยให้เราคาดการณ์ค่าในอนาคตได้

สมการมีหน้าตาแบบนี้:
\( y = a + bx \)

ความหมายของตัวอักษร:
\(y\): ตัวแปรตาม (สิ่งที่เราต้องการพยากรณ์ เช่น ยอดขาย)
\(x\): ตัวแปรอิสระ (สิ่งที่เราทราบค่า เช่น งบโฆษณา)
\(a\): จุดตัดแกน (Intercept) (ค่าของ \(y\) เมื่อ \(x\) เป็นศูนย์)
\(b\): ความชัน (Gradient หรือ Slope) (ปริมาณที่ \(y\) เปลี่ยนไปทุกๆ 1 หน่วยที่ \(x\) เปลี่ยนไป)

ตัวอย่าง: หากสมการยอดขายของบริษัทคือ \( \text{Sales} = 500 + 5(\text{Ad Spend}) \) และพวกเขาทุ่มงบโฆษณา £100:
\( \text{Sales} = 500 + 5(100) = 1,000 \)

สรุปเรื่องการวิเคราะห์การถดถอย: การวิเคราะห์การถดถอยมีไว้เพื่อ การพยากรณ์ ส่วนความสัมพันธ์มีไว้เพื่อดู ความเชื่อมโยง

สรุปทบทวนด่วน

  • แผนภาพกระจาย (Scatter Diagrams) ช่วยให้เราเห็น "ภาพรวม" ของข้อมูล
  • สัมประสิทธิ์สหสัมพันธ์ (\(r\)) วัดระดับความแข็งแกร่งและทิศทาง (-1 ถึง +1)
  • สัมประสิทธิ์การตัดสินใจ (\(r^2\)) บอกเราว่าเปอร์เซ็นต์ของความผันแปรที่อธิบายได้คือเท่าใด
  • ความเป็นเหตุเป็นผล (Causation) ไม่เหมือนกับความสัมพันธ์—ระวังปัจจัยที่สามให้ดี!
  • การวิเคราะห์การถดถอย (\(y = a + bx\)) ใช้สำหรับพยากรณ์อนาคตจากข้อมูลในอดีต

เยี่ยมมาก! คุณได้เรียนรู้พื้นฐานวิธีที่ตัวแปรทางธุรกิจมีอิทธิพลต่อกันและกันแล้ว หมั่นฝึกตีความค่า \(r\) และ \(r^2\) อยู่เสมอ เพราะนี่เป็นหัวข้อที่พบบ่อยมากในการประเมินผล BA1