ยินดีต้อนรับสู่ Regression Diagnostics: "การตรวจสุขภาพ" สำหรับโมเดลของคุณ
ในการเดินทางบนเส้นทาง FRM จนถึงตอนนี้ คุณได้เรียนรู้วิธีการสร้างโมเดลการถดถอย (Regression) กันมาแล้ว แต่เราจะรู้ได้อย่างไรว่าโมเดลนั้นเชื่อถือได้จริง? ในโลกของการเงิน โมเดลที่ "พัง" อาจนำไปสู่การตัดสินใจด้านการบริหารความเสี่ยงที่หายนะได้ Regression Diagnostics คือกระบวนการตรวจสอบว่าข้อสมมติฐานต่างๆ ของโมเดลเรานั้นเป็นจริงหรือไม่ ลองจินตนาการว่าบทนี้คือชุดเครื่องมือตรวจวินิจฉัย เหมือนกับที่ช่างยนต์คอยตรวจสอบเครื่องยนต์ เพื่อให้มั่นใจว่าผลลัพธ์ของเราแม่นยำ ไม่ลำเอียง และพร้อมสำหรับการใช้งานจริง
1. ทำความเข้าใจเป้าหมาย: ทำไมต้องมีการตรวจสอบโมเดล?
เพื่อให้การถดถอยแบบกำลังสองน้อยที่สุด (Ordinary Least Squares - OLS) เป็น "ตัวประมาณค่าเชิงเส้นที่ดีที่สุดและไม่ลำเอียง" (BLUE) จำเป็นต้องมีข้อสมมติฐานบางประการที่ต้องเป็นจริง หากข้อสมมติฐานเหล่านี้ถูกละเมิด ผลลัพธ์ของเราอาจดูดีในทฤษฎีแต่ผิดพลาดโดยสิ้นเชิงในทางปฏิบัติ โดยหลักๆ แล้วเรากำลังมองหา "ตัวก่อกวน" 4 อย่าง ได้แก่ Heteroskedasticity (ความแปรปรวนไม่คงที่), Multicollinearity (ความสัมพันธ์กันเองของตัวแปรอิสระ), Serial Correlation (ความสัมพันธ์กันเองของค่าคลาดเคลื่อน), และ Model Specification Errors (ความผิดพลาดในการกำหนดรูปแบบโมเดล)
ทบทวนสั้นๆ: จำไว้ว่าถ้าโมเดลมีความ "ไม่ลำเอียง" (unbiased) หมายความว่าโดยเฉลี่ยแล้วมันให้ผลลัพธ์ตรงเป้าหมาย และถ้ามันมีความ "มีประสิทธิภาพ" (efficient) หมายความว่ามันมีความแปรปรวนต่ำที่สุดเท่าที่จะเป็นไปได้ (มีความแม่นยำสูง)
2. Heteroskedasticity: เมื่อความแปรปรวนไม่คงที่
มันคืออะไร?
ในโลกในอุดมคติ "ค่าความคลาดเคลื่อน" (residuals) ของโมเดลเราควรมีความแปรปรวนที่คงที่ ซึ่งเราเรียกสิ่งนี้ว่า Homoskedasticity ส่วน Heteroskedasticity จะเกิดขึ้นเมื่อค่าความแปรปรวนของค่าความคลาดเคลื่อนนั้น ไม่ คงที่
เปรียบเทียบ: ลองนึกภาพการยิงธนู ถ้าคุณเป็นนักยิงธนูที่แม่นยำ ลูกธนูที่พลาดเป้าของคุณจะกระจายตัวอย่างสม่ำเสมอทั่วรอบๆ จุดกึ่งกลางไม่ว่าคุณจะยืนห่างแค่ไหน นั่นคือ homoskedasticity แต่ถ้าคุณยิ่งยืนไกลแล้วยิ่งยิงสะเปะสะปะมากขึ้นเรื่อยๆ "ความแปรปรวนของความผิดพลาด" ของคุณก็เพิ่มขึ้นตามระยะทาง นั่นแหละคือ heteroskedasticity!
ประเภทของ Heteroskedasticity
1. Unconditional: ความแปรปรวนเปลี่ยนแปลงไปแต่ไม่ได้เกี่ยวข้องกับตัวแปรอิสระของเรา ซึ่งมักจะไม่ใช่ปัญหาใหญ่สำหรับการทดสอบของเรา
2. Conditional: ความแปรปรวนมีความสัมพันธ์กับระดับของตัวแปรอิสระ นี่คือสิ่งที่เรากังวล ใน FRM เพราะมันทำให้การทดสอบทางสถิติของเราใช้ไม่ได้ผล
ผลกระทบและการตรวจสอบ
ผลกระทบ: ค่าสัมประสิทธิ์ (\( \hat{\beta} \)) ยังคงไม่ลำเอียง แต่ ค่าความคลาดเคลื่อนมาตรฐาน (Standard Errors) มักจะถูกประเมินต่ำเกินไป ทำให้ค่า t-statistics ของเราดูสูงกว่าความเป็นจริง ซึ่งนำไปสู่การ "ค้นพบ" ความสัมพันธ์ที่มีนัยสำคัญทั้งที่จริงๆ แล้วมันไม่มี!
วิธีตรวจสอบ:
- Residual Plots: มองหารูปทรงแบบ "พัด" หรือ "กรวย" ในแผนภาพกระจาย (scatter plot) ของ residuals
- Breusch-Pagan Test: การทดสอบทางสถิติที่เป็นทางการ โดยนำค่า squared residuals มาถดถอยกับตัวแปรอิสระ
- White Test: การทดสอบที่เข้มข้นกว่า ซึ่งไม่จำเป็นต้องสมมติรูปแบบเฉพาะของ heteroskedasticity
วิธีแก้ไข: ใช้ White’s Heteroskedasticity-Consistent Standard Errors (หรือที่เรียกว่า robust standard errors) ซึ่งจะช่วยแก้ไขค่า t-statistics โดยไม่เปลี่ยนแปลงค่าสัมประสิทธิ์
ประเด็นสำคัญ: Heteroskedasticity ทำให้โมเดลของคุณดู "แน่นอน" กว่าความเป็นจริง จงใช้ robust standard errors เพื่อความปลอดภัย
3. Multicollinearity: เมื่อตัวแปรอิสระคล้ายกันเกินไป
มันคืออะไร?
Multicollinearity เกิดขึ้นเมื่อตัวแปรอิสระตั้งแต่สองตัวขึ้นไปมีความสัมพันธ์กันเองสูงมาก
เปรียบเทียบ: นึกภาพงานกลุ่มที่มีเพื่อนสองคนมีความรู้เหมือนกันเป๊ะและพูดแต่เรื่องเดียวกันตลอดเวลา มันจะกลายเป็นเรื่องยากที่จะบอกว่าใครกันแน่ที่มีส่วนร่วมเสนอไอเดียไหนในรายงานฉบับสุดท้าย "การมีส่วนร่วม" ของแต่ละคนจึงพร่าเลือนไป
ผลกระทบและการตรวจสอบ
ผลกระทบ: โมเดลโดยรวมอาจดูดีมาก (ค่า R-squared สูง) แต่ค่า t-stats รายตัวจะต่ำมาก ค่าสัมประสิทธิ์จะ ไม่เสถียร (unstable) — เพียงแค่เปลี่ยนข้อมูลนิดเดียว อาจทำให้ค่าสัมประสิทธิ์พลิกจากบวกเป็นลบได้เลย!
วิธีตรวจสอบ:
- R-squared สูง + t-statistics ต่ำ: นี่คือสัญญาณเตือน "คลาสสิก"
- Correlation Matrix: ตรวจสอบว่าความสัมพันธ์ระหว่างตัวแปรอิสระสูงเกินไปหรือไม่ (เช่น > 0.8 หรือ 0.9)
- Variance Inflation Factor (VIF): ค่า VIF ที่เกิน 5 หรือ 10 บ่งชี้ว่ามีปัญหา multicollinearity ร้ายแรง
วิธีแก้ไข: วิธีที่ง่ายที่สุดคือ ลบตัวแปรที่มีความสัมพันธ์สูงกันออกไปหนึ่งตัว เพราะอย่างไรเสียมันก็ซ้ำซ้อนกันอยู่ดี!
ประเด็นสำคัญ: Multicollinearity ไม่ได้ทำให้ผลลัพธ์ของคุณลำเอียง แต่มันทำให้คุณไม่สามารถระบุได้ว่าตัวแปรไหนกันแน่ที่เป็นตัวขับเคลื่อนผลลัพธ์จริงๆ
4. Serial Correlation (Autocorrelation): ความผิดพลาดที่ติดเป็นนิสัย
มันคืออะไร?
Serial correlation เกิดขึ้นเมื่อค่าความคลาดเคลื่อนในงวดหนึ่งมีความสัมพันธ์กับค่าความคลาดเคลื่อนในงวดก่อนหน้า ซึ่งพบได้บ่อยมากใน ข้อมูลอนุกรมเวลา (Time-Series data)
เปรียบเทียบ: ถ้าวันนี้คุณอารมณ์ไม่ดีเพราะคุณอารมณ์ไม่ดีมาตั้งแต่เมื่อวาน "ความผิดพลาดทางอารมณ์" ของคุณก็ถือว่ามีความสัมพันธ์กันเอง (serially correlated) ไม่ใช่เหตุการณ์ที่เป็นอิสระต่อกัน
ผลกระทบและการตรวจสอบ
ผลกระทบ: คล้ายกับ heteroskedasticity ค่าสัมประสิทธิ์ OLS ยังคงไม่ลำเอียง แต่ standard errors จะถูกประเมินต่ำเกินไป ส่งผลให้ t-statistics สูงเกินจริงและทำให้คุณเกิดความมั่นใจผิดๆ เกี่ยวกับความแม่นยำของโมเดล
วิธีตรวจสอบ:
- Durbin-Watson (DW) Test: เป็นวิธีที่นิยมที่สุด
- ถ้า \( DW \approx 2 \): ไม่มี serial correlation
- ถ้า \( DW < 2 \): มี positive serial correlation (พบได้บ่อยที่สุดในการเงิน)
- ถ้า \( DW > 2 \): มี negative serial correlation
วิธีแก้ไข: ใช้ Newey-West adjusted standard errors ซึ่งจะช่วยแก้ไขปัญหาทั้ง heteroskedasticity และ serial correlation ไปพร้อมกัน
ตารางทบทวนสั้นๆ:
ปัญหา: Heteroskedasticity | วิธีแก้: White Standard Errors
ปัญหา: Serial Correlation | วิธีแก้: Newey-West Standard Errors
5. Model Specification: การสร้างโมเดลให้ถูกจุด
บางครั้งปัญหาไม่ได้อยู่ที่ตัวข้อมูล แต่อยู่ที่วิธีที่เราสร้างโมเดล ซึ่งเรียกว่า Specification Error
ข้อผิดพลาดที่พบบ่อย
1. Omitted Variable Bias: คุณละทิ้งตัวแปรที่สำคัญและมีความสัมพันธ์กับตัวแปรอิสระของคุณออกไป ซึ่งการทำแบบนี้ ทำให้เกิดความลำเอียง (bias) ในค่าสัมประสิทธิ์แน่นอน!
2. Including Irrelevant Variables: คุณใส่ตัวแปรที่ไม่เกี่ยวข้องกันเข้าไป สิ่งนี้จะไม่ทำให้เกิด bias แต่จะลดประสิทธิภาพ (ความแม่นยำ) ของโมเดลลง
3. Functional Form Mis-specification: คุณใช้เส้นตรง (linear) เพื่อสร้างโมเดลความสัมพันธ์ที่เป็นเส้นโค้ง (non-linear)
การทดสอบความเป็นปกติ (Normality)
เรามักสมมติว่าค่า residuals ของเรามีการแจกแจงแบบ Normal Distribution เพื่อทดสอบสิ่งนี้ เราใช้ Jarque-Bera (JB) Test
การทดสอบ JB ดูจากค่า Skewness (ความสมมาตร) และ Kurtosis (ความหนาของหาง) สำหรับการแจกแจงแบบปกติ Skewness ควรเท่ากับ 0 และ Kurtosis ควรเท่ากับ 3 หากค่าสถิติ JB สูง เราจะปฏิเสธสมมติฐานเรื่องความเป็นปกติ
ถ้ารู้สึกยากในตอนแรก ไม่ต้องกังวลนะ: แค่จำไว้ว่าข้อมูลทางการเงินส่วนใหญ่มี "หางที่หนา" (high kurtosis) ดังนั้นการทดสอบ JB จึงมักจะล้มเหลวในการนำไปใช้จริงบ่อยๆ!
6. สรุปบททดสอบการตรวจสอบโมเดล
เพื่อช่วยให้คุณจำได้แม่นขึ้น นี่คือตารางสรุปสำหรับเตรียมสอบ:
- Heteroskedasticity: Breusch-Pagan หรือ White Test แก้ไขด้วย White SE
- Serial Correlation: Durbin-Watson Test แก้ไขด้วย Newey-West SE
- Multicollinearity: สังเกตจาก R-squared สูงแต่ t-stats ต่ำ แก้ไขโดยการลบตัวแปรออก
- Normality: Jarque-Bera Test
- Functional Form: Ramsey RESET test (ตรวจสอบว่าควรเพิ่มส่วนประกอบแบบ non-linear เข้าไปหรือไม่)
คำแนะนำทิ้งท้าย: คุณไม่จำเป็นต้องเป็นอัจฉริยะทางคณิตศาสตร์ถึงจะเชี่ยวชาญเรื่องนี้ได้! แค่โฟกัสไปที่การระบุ อาการ (การทดสอบต่างๆ) และ การรักษา (วิธีแก้ไข) ให้ได้ ถ้าคุณทำจุดนี้ได้ คุณก็จะเตรียมตัวมาดีมากสำหรับการสอบวิชา Quantitative Analysis ของ FRM Part I แล้ว!