Regression with Multiple Explanatory Variables

Q: สัมประสิทธิ์การถดถอยบางส่วน (Partial Regression Coefficient) มีวิธีการตีความอย่างไร?

ตีความภายใต้เงื่อนไข "ceteris paribus" ซึ่งหมายความว่าสัมประสิทธิ์จะบอกถึงการเปลี่ยนแปลงของ Y เมื่อตัวแปร X นั้นเปลี่ยนไป 1 หน่วย โดยที่ตัวแปรอิสระอื่นๆ ทั้งหมดในโมเดลต้อง คงที่

Q: การทดสอบ t-test ในบริบทของ Multiple Regression มีไว้เพื่ออะไร?

ใช้เพื่อทดสอบ ความมีนัยสำคัญทางสถิติรายตัว ของแต่ละสัมประสิทธิ์ ($\beta_i$) ว่าแตกต่างจากศูนย์อย่างมีนัยสำคัญหรือไม่

Q: F-test ในโมเดลการถดถอยพหุคูณใช้ทดสอบอะไรและแตกต่างจาก t-test อย่างไร?

F-test ใช้ทดสอบ ความมีนัยสำคัญโดยรวม (Overall Significance) ของโมเดล โดยตรวจสอบว่าตัวแปรอิสระ ทั้งหมด รวมกันแล้วมีอิทธิพลต่อ Y หรือไม่

Q: สมมติฐานใดของ Gauss-Markov ที่สำคัญที่สุดในการป้องกันความเอนเอียง (Bias) ใน MLR?

สมมติฐาน Zero Conditional Mean ($E(\epsilon | X) = 0$) ซึ่งหมายความว่าค่าความคลาดเคลื่อนต้องไม่มีความสัมพันธ์กับตัวแปรอิสระใดๆ

FRM Part I · FRM · อ่านประมาณ 2 นาที

ยินดีต้อนรับสู่การวิเคราะห์การถดถอยพหุคูณ (Multiple Regression)!

ในการเรียนรู้ที่ผ่านมา เราได้ทำความรู้จักกับ การถดถอยเชิงเส้นอย่างง่าย (Simple Linear Regression หรือ SLR) ซึ่งเราใช้ตัวแปรเพียงตัวเดียว (เช่น ผลตอบแทนของตลาด) ในการทำนายอีกตัวแปรหนึ่ง (เช่น ผลตอบแทนของหุ้น) แต่ถ้าจะพูดกันตามตรง โลกความเป็นจริงมักไม่ได้เรียบง่ายขนาดนั้น! ราคาหุ้นไม่ได้ขึ้นอยู่กับตลาดเพียงอย่างเดียว แต่มันได้รับอิทธิพลจากอัตราดอกเบี้ย ราคาน้ำมัน และกำไรของบริษัทไปพร้อมๆ กัน

ในบทนี้ เราจะก้าวเข้าสู่โลกแห่งความเป็นจริงด้วยการเรียนรู้ การถดถอยเชิงเส้นพหุคูณ (Multiple Linear Regression หรือ MLR) ซึ่งช่วยให้เราสามารถใช้ตัวแปรอิสระหลายตัวเพื่ออธิบายตัวแปรตามเพียงตัวเดียวได้ ไม่ต้องกังวลไปนะครับหากเนื้อหาดูหนักไปทางคณิตศาสตร์ในตอนแรก เราจะค่อยๆ เจาะลึกไปทีละส่วน แล้วคุณจะพบว่ามันเป็นเพียงส่วนต่อขยายของสิ่งที่คุณรู้อยู่แล้ว!

1. โมเดลการถดถอยพหุคูณ

ในการทำ Multiple Regression เราพยายามหาเส้นที่ "ฟิตที่สุด" (best fit) ท่ามกลางกลุ่มข้อมูลที่มีมิติซับซ้อน โดยสูตรทางคณิตศาสตร์จะเป็นดังนี้:

$ Y_i = \beta_0 + \beta_1 X_{1i} + \beta_2 X_{2i} + ... + \beta_k X_{ki} + \epsilon_i $

โดยที่:
- $ Y_i $: ตัวแปรตาม (สิ่งที่เราต้องการทำนาย)
- $ \beta_0 $: ค่าจุดตัดแกน (ค่าของ $Y$ หากตัวแปร $X$ ทุกตัวเป็นศูนย์)
- $ \beta_1, \beta_2... $: สัมประสิทธิ์การถดถอยบางส่วน (Partial regression coefficients)
- $ X_1, X_2... $: ตัวแปรอิสระ (ตัวแปรอธิบาย)
- $ \epsilon_i $: ค่าความคลาดเคลื่อน (ปัจจัยอื่นๆ ทั้งหมดที่มีผลต่อ $Y$ แต่ไม่ได้อยู่ในโมเดลของเรา)

ทำความเข้าใจผลกระทบ "บางส่วน" (Partial Effect)

สิ่งที่สำคัญที่สุดสำหรับการสอบ FRM คือวิธีการตีความสัมประสิทธิ์เหล่านี้ เราจะใช้คำว่า "ceteris paribus" (โดยให้ปัจจัยอื่นๆ คงที่)

ตัวอย่าง: สมมติว่าเรากำลังทำนายราคาบ้าน ($Y$) โดยดูจากพื้นที่ใช้สอย ($X_1$) และจำนวนห้องนอน ($X_2$) หาก $\beta_1 = 150$ นั่นหมายความว่าพื้นที่ใช้สอยที่เพิ่มขึ้นทุกๆ 1 หน่วย จะส่งผลให้ราคาบ้านเพิ่มขึ้น $150 โดยที่ยังคงจำนวนห้องนอนไว้เท่าเดิม

ทบทวนสั้นๆ: ใน Multiple Regression สัมประสิทธิ์แต่ละตัวจะบอกเราถึงผลกระทบของตัวแปรนั้นๆ โดยที่ตัวแปรอื่นๆ ในโมเดลถูกกำหนดให้คงที่

2. ความเหมาะสมของโมเดล: $R^2$ เทียบกับ Adjusted $R^2$

ใน Simple Regression เราใช้ $R^2$ เพื่อดูว่าโมเดลของเราอธิบายข้อมูลได้ดีแค่ไหน แต่ใน Multiple Regression มี "กับดัก" ของ $R^2$ แบบมาตรฐานอยู่

ปัญหาที่พบ: ทุกครั้งที่คุณเพิ่มตัวแปรใหม่เข้าไปในโมเดล แม้ว่าตัวแปรนั้นจะไร้ประโยชน์โดยสิ้นเชิง (เช่น การใช้ "จำนวนนกบนท้องฟ้า" มาทำนาย "ราคาหุ้น") ค่า $R^2$ จะ ไม่มีวันลดลง มันจะเท่าเดิมหรือเพิ่มขึ้นเสมอ!

ทางแก้: Adjusted $R^2$

เพื่อแก้ไขปัญหานี้ เราจึงใช้ Adjusted $R^2$ (แสดงด้วย $\bar{R}^2$) ซึ่งตัวนี้จะ "ลงโทษ" (penalize) คุณหากคุณเพิ่มตัวแปรที่ไม่ได้ช่วยอธิบายตัวแปรตามจริงๆ มันจึงช่วยให้เราตัดสินใจได้ว่าการเพิ่มตัวแปรใหม่นั้นคุ้มค่าหรือไม่

$ \bar{R}^2 = 1 - \frac{(1-R^2)(n-1)}{n-k-1} $

โดยที่:
- $ n $ = จำนวนข้อมูล (observations)
- $ k $ = จำนวนตัวแปรอิสระ

คุณรู้หรือไม่? เนื่องจากการหักลบค่าโทษจากการเพิ่มตัวแปร ค่า Adjusted $R^2$ จะน้อยกว่าหรือเท่ากับ $R^2$ เสมอ หากคุณเห็นโจทย์ข้อสอบที่บอกว่า Adjusted $R^2 > R^2$ ให้รู้ไว้เลยว่านั่นคือกับดัก!

หัวใจสำคัญ: ใช้ $R^2$ เพื่อดูว่าความแปรปรวนถูกอธิบายไปเท่าไหร่ แต่ให้ใช้ Adjusted $R^2$ เมื่อต้องการเปรียบเทียบโมเดลที่มีจำนวนตัวแปรต่างกัน

3. การทดสอบสมมติฐาน: T-test และ F-test

ตอนนี้เมื่อเรามีโมเดลแล้ว เราต้องรู้ว่าตัวแปรของเรามีนัยสำคัญจริงหรือไม่ โดยเราจะใช้การทดสอบ 2 รูปแบบหลักๆ ดังนี้:

T-test (ความมีนัยสำคัญรายตัว)

เราใช้ t-test เพื่อตรวจสอบว่าตัวแปร ตัวใดตัวหนึ่ง มีความสำคัญทางสถิติหรือไม่
สมมติฐานว่าง ($H_0$): $\beta_i = 0$ (ตัวแปรนั้นไม่มีผลใดๆ)
สูตร: $ t = \frac{\text{Estimated Coefficient} - \text{Hypothesized Value}}{\text{Standard Error of Coefficient}} $

F-test (ความมีนัยสำคัญโดยรวม)

F-test จะตรวจสอบว่าตัวแปรอิสระ ทั้งหมด รวมกันในกลุ่มนั้นมีพลังในการทำนายหรือไม่ โดยทดสอบว่าสัมประสิทธิ์ $\beta$ อย่างน้อยหนึ่งตัวนั้นไม่เท่ากับศูนย์
สมมติฐานว่าง ($H_0$): $\beta_1 = \beta_2 = ... = \beta_k = 0$.
การเปรียบเทียบ: ถ้าเปรียบ t-test เหมือนการดูว่าผู้เล่นแต่ละคนในทีมเก่งไหม F-test ก็เหมือนการดูว่าทั้งทีมสามารถชนะเกมนี้ได้หรือไม่

ข้อผิดพลาดที่พบบ่อย: นักเรียนมักเข้าใจผิดว่าถ้า t-test ของทุกตัวแปรไม่ผ่าน (fail) แสดงว่า F-test ต้องไม่ผ่านด้วย ซึ่งไม่จริงเสมอไป! บางครั้งตัวแปรต่างๆ ทำงานร่วมกันได้ดีกว่าเมื่ออยู่รวมกัน

4. ข้อควรระวัง: Omitted Variable Bias และ Multicollinearity

Multiple regression นั้นทรงพลังมาก แต่ก็มี "ศัตรู" 2 ตัวที่คุณต้องระวังสำหรับการสอบ FRM

ศัตรูตัวที่ 1: Omitted Variable Bias (OVB)

เกิดขึ้นเมื่อคุณละทิ้งตัวแปรที่ มีความสำคัญ (มีผลต่อ $Y$) และ มีความสัมพันธ์ กับตัวแปรที่มีอยู่ในโมเดลไปแล้ว

ผลลัพธ์: สัมประสิทธิ์ที่คุณประมาณการได้จะ เอนเอียง (biased) และ ไม่สม่ำเสมอ (inconsistent) เพราะโมเดลจะไป "ยกความดีความชอบ" (หรือความผิด) ให้กับตัวแปรที่คุณใส่ไว้แทน

ศัตรูตัวที่ 2: Multicollinearity

เกิดขึ้นเมื่อตัวแปรอิสระตั้งแต่สองตัวขึ้นไป มีความสัมพันธ์กันเองสูงมาก เช่น หากคุณพยายามทำนายความสูงของคนโดยใช้ "ความยาวขาซ้าย" และ "ความยาวขาขวา"

วิธีสังเกต:
1. ค่า $R^2$ สูงมาก และ F-test มีนัยสำคัญ
2. แต่ทว่า t-test รายตัวกลับไม่มีนัยสำคัญ (ตัวแปรดูเหมือน "ไร้ประโยชน์" เมื่อมองแยกตัว)
3. ค่าความคลาดเคลื่อนมาตรฐาน (standard error) ของสัมประสิทธิ์มีค่าสูงมาก

การเปรียบเทียบ: ลองจินตนาการถึงคนสองคนที่ตะโกนข้อความเดียวกันพร้อมกัน คุณรู้ว่ามีการส่งข้อความอยู่ ( $R^2$ สูง) แต่คุณไม่สามารถบอกได้ว่าใครเป็นคนพูดส่วนไหนกันแน่ (t-stat ต่ำ)

ทบทวนสั้นๆ: OVB ทำให้ผลลัพธ์ของคุณ ผิดพลาด (biased) ส่วน Multicollinearity ทำให้ผลลัพธ์ของคุณ ไม่น่าเชื่อถือ (ความแปรปรวน/standard error สูง)

5. สมมติฐานของโมเดลการถดถอยพหุคูณ

เพื่อให้การประมาณการ OLS (Ordinary Least Squares) ของเราเป็นตัวประมาณการที่ดีที่สุด (BLUE - Best Linear Unbiased Estimator) จำเป็นต้องมีสมมติฐานบางประการ ซึ่งก็คือ Gauss-Markov Assumptions ที่ขยายมาสู่ MLR:

1. ความเป็นเส้นตรง (Linearity): ความสัมพันธ์ระหว่างตัวแปรต้องเป็นเส้นตรง
2. การสุ่มตัวอย่าง (Random Sampling): ข้อมูลเป็นตัวแทนที่ดีของประชากร
3. ไม่มีภาวะร่วมเส้นตรงที่สมบูรณ์ (No Perfect Collinearity): ไม่มีตัวแปรอิสระใดที่เป็นผลรวมเชิงเส้นที่สมบูรณ์ของตัวแปรอื่น
4. ค่าคาดหมายของความคลาดเคลื่อนเป็นศูนย์ (Zero Conditional Mean): ค่าความคลาดเคลื่อนมีค่าคาดหมายเป็นศูนย์เมื่อกำหนดค่า $X$ ไว้ $E(\epsilon | X) = 0$ (ข้อนี้สำคัญที่สุดสำหรับป้องกันความเอนเอียง!)
5. ความแปรปรวนคงที่ (Homoskedasticity): ความแปรปรวนของค่าความคลาดเคลื่อนต้องคงที่ตลอดการสังเกตการณ์ทุกชุด

สรุปหัวใจสำคัญ:
- สัมประสิทธิ์: ตีความโดย "ให้ปัจจัยอื่นๆ คงที่เสมอ"
- Adjusted $R^2$: ใช้เปรียบเทียบโมเดล เพราะจะหักคะแนนความซับซ้อนที่เกินจำเป็น
- F-test: ทดสอบภาพรวมของโมเดล ส่วน T-test ทดสอบเป็นรายตัว
- Multicollinearity: ความสัมพันธ์ระหว่างตัวแปร $X$ สูงเกินไป ทำให้ค่าความคลาดเคลื่อนมาตรฐานสูงและ t-stat ต่ำ
- OVB: เกิดจากการลืมใส่ตัวแปรที่สำคัญเข้าไป ทำให้การประมาณการเกิดความเอนเอียง

เช็กเร็ว

ตอนนี้ตอบได้ไหม?

เปิดแต่ละคำถามเพื่อตรวจว่าคุณเข้าใจประเด็นสำคัญของบทนี้แล้วหรือยัง

สมการโมเดลการถดถอยพหุคูณ (Multiple Linear Regression) มีหน้าตาอย่างไรและประกอบด้วยส่วนประกอบใดบ้าง?

สมการคือ $ Y_i = \beta_0 + \beta_1 X_{1i} + \beta_2 X_{2i} + ... + \beta_k X_{ki} + \epsilon_i $ ประกอบด้วยตัวแปรตาม (Y), จุดตัดแกน ($\beta_0$), สัมประสิทธิ์การถดถอย ($\beta_k$), ตัวแปรอิสระ ($X_k$) และค่าความคลาดเคลื่อน ($\epsilon$)

สัมประสิทธิ์การถดถอยบางส่วน (Partial Regression Coefficient) มีวิธีการตีความอย่างไร?

ตีความภายใต้เงื่อนไข "ceteris paribus" ซึ่งหมายความว่าสัมประสิทธิ์จะบอกถึงการเปลี่ยนแปลงของ Y เมื่อตัวแปร X นั้นเปลี่ยนไป 1 หน่วย โดยที่ตัวแปรอิสระอื่นๆ ทั้งหมดในโมเดลต้อง คงที่

เพราะเหตุใดเราจึงต้องใช้ Adjusted $R^2$ แทน $R^2$ แบบปกติในโมเดล MLR?

เพราะ $R^2$ ปกติจะมีค่าเพิ่มขึ้นเสมอเมื่อเพิ่มตัวแปรใหม่เข้าไป แม้ตัวแปรนั้นจะไม่มีประโยชน์ แต่ Adjusted $R^2$ จะมีการ หักคะแนน (Penalty) สำหรับการเพิ่มตัวแปรที่ไม่ได้เพิ่มพลังในการอธิบายโมเดล

การทดสอบ t-test ในบริบทของ Multiple Regression มีไว้เพื่ออะไร?

ใช้เพื่อทดสอบ ความมีนัยสำคัญทางสถิติรายตัว ของแต่ละสัมประสิทธิ์ ($\beta_i$) ว่าแตกต่างจากศูนย์อย่างมีนัยสำคัญหรือไม่

F-test ในโมเดลการถดถอยพหุคูณใช้ทดสอบอะไรและแตกต่างจาก t-test อย่างไร?

F-test ใช้ทดสอบ ความมีนัยสำคัญโดยรวม (Overall Significance) ของโมเดล โดยตรวจสอบว่าตัวแปรอิสระ ทั้งหมด รวมกันแล้วมีอิทธิพลต่อ Y หรือไม่

Omitted Variable Bias (OVB) คืออะไร และผลกระทบที่ร้ายแรงที่สุดของมันคืออะไร?

คือการลืมใส่ตัวแปรที่สำคัญเข้าไปในโมเดล ผลกระทบคือทำให้สัมประสิทธิ์ของตัวแปรที่เหลืออยู่เกิดความ เอนเอียง (Bias) และ ไม่สม่ำเสมอ (Inconsistent)

ลักษณะอาการของปัญหา Multicollinearity ในโมเดล Regression คืออะไร?

ค่า $R^2$ สูงและ F-test มีนัยสำคัญ แต่ t-test ของตัวแปรรายตัวกลับไม่มีนัยสำคัญ และค่า Standard Error ของสัมประสิทธิ์จะสูงมาก

สมมติฐานใดของ Gauss-Markov ที่สำคัญที่สุดในการป้องกันความเอนเอียง (Bias) ใน MLR?

สมมติฐาน Zero Conditional Mean ($E(\epsilon | X) = 0$) ซึ่งหมายความว่าค่าความคลาดเคลื่อนต้องไม่มีความสัมพันธ์กับตัวแปรอิสระใดๆ

พร้อมทดสอบตัวเองหรือยัง?

เปลี่ยนบันทึกเหล่านี้เป็นข้อสอบจริง รับข้อสอบ AI ไม่จำกัด ตรวจให้ทันทีพร้อมคำอธิบาย

ฝึกทำหัวข้อนี้

บทอื่น ๆ ของFRM Part I

* เนื้อหาของ thinka สร้างโดย AI อาจไม่ถูกต้องสมบูรณ์ในทุกกรณี กรุณาใช้เป็นสื่อเสริมและตรวจสอบกับเอกสารอ้างอิงอย่างเป็นทางการ

นำสิ่งที่เรียนมาฝึกจริง

อย่าแค่อ่าน ลองฝึกทำข้อสอบ AI ไม่จำกัด พร้อมรับฟีดแบ็กทันที นักเรียนกว่า 100,000 คนเห็นผลลัพธ์จริง

เริ่มทำข้อสอบฟรี ดูราคา

อ่านจบแล้ว? ลองทำข้อสอบ AI เลย

ฝึกทำหัวข้อนี้เลย