บทนำ: แผนที่สู่ช่วงความเชื่อมั่นแบบเบย์ (Bayesian Credible Intervals)
ยินดีต้อนรับ! จนถึงตอนนี้ในการเดินทางสู่โลกของสถิติแบบเบย์ (Bayesian statistics) คุณได้เรียนรู้วิธีการรวมสิ่งที่คุณรู้อยู่แล้ว (Prior) เข้ากับข้อมูลใหม่ที่ได้รับมา (Likelihood) เพื่อให้ได้มุมมองที่ปรับปรุงใหม่เกี่ยวกับโลก (Posterior) แต่เมื่อเราได้การแจกแจงแบบ Posterior มาแล้ว เราจะนำมันไปใช้ในการตัดสินใจหรือการประมาณค่าได้อย่างไร?
ในบทนี้ เราจะมาสำรวจเรื่อง Credible Intervals ให้ลองคิดว่านี่คือช่วงความเชื่อมั่นในเวอร์ชันของ Bayesian ที่คล้ายกับ "Confidence Intervals" ที่คุณเคยเจอในสถิติแบบความถี่ (Frequentist statistics) แต่เดี๋ยวคุณจะพบว่าช่วงแบบ Bayesian นั้นเข้าใจง่ายและเป็นมิตรกับผู้ใช้มากกว่าเยอะเลย ไม่ต้องกังวลนะถ้าเห็นคณิตศาสตร์แล้วรู้สึกหนักใจ เดี๋ยวเราค่อยๆ ไปด้วยกันทีละขั้นตอน!
1. Credible Interval คืออะไร?
Credible Interval คือช่วงของค่าที่พารามิเตอร์ที่ไม่ทราบค่า (ให้แทนด้วย \( \theta \)) จะมีโอกาสตกอยู่ในช่วงนั้นด้วยความน่าจะเป็นค่าหนึ่ง ภายใต้ข้อมูลที่เราสังเกตการณ์มา
ถ้าเราคำนวณ 95% Credible Interval ของความถี่ของการเคลม \( \lambda \) ได้เป็น [0.02, 0.08] เราสามารถพูดได้ตรงตัวเลยว่า: "มีโอกาส 95% ที่ค่าที่แท้จริงของ \( \lambda \) จะอยู่ระหว่าง 0.02 ถึง 0.08"
เดี๋ยวสิ นั่นไม่ใช่ Confidence Interval หรอกหรือ?
จริงๆ แล้วไม่ใช่เลย! ในสถิติแบบความถี่ (Confidence Intervals) พารามิเตอร์เป็นค่าคงที่ และ ช่วง (interval) คือตัวแปรสุ่ม คุณจะต้องพูดว่า "ในการสุ่มตัวอย่างซ้ำๆ 95% ของช่วงที่ได้จะครอบคลุมค่าพารามิเตอร์จริง"
แต่ในสถิติแบบเบย์ พารามิเตอร์คือตัวแปรสุ่ม และ ข้อมูลคือสิ่งที่คงที่ ทำให้เราสามารถกล่าวถึงความน่าจะเป็นของพารามิเตอร์ได้โดยตรง ซึ่งเป็นวิธีคิดที่เป็นธรรมชาติสำหรับคนส่วนใหญ่มากกว่า!
จุดสำคัญที่ต้องจำ:
ช่วง \( 100(1-\alpha)\% \) Bayesian credible interval สำหรับ \( \theta \) คือช่วงใดๆ \((a, b)\) ที่ทำให้:
\( P(a < \theta < b | \text{data}) = 1 - \alpha \)
2. "กรณีอย่างง่าย": Central Credible Intervals
แม้ว่าจะมีหลายวิธีในการเลือกช่วง (เพราะมีหลายช่วงที่อาจรวมกันได้ 95%) แต่หลักสูตรของ IFoA จะเน้นไปที่ Central Credible Intervals (หรือบางครั้งเรียกว่า equal-tailed intervals)
ในการหา \( 100(1-\alpha)\% \) central credible interval เราก็แค่แบ่งความน่าจะเป็นที่ "ขาดไป" (\( \alpha \)) ออกเป็นสองส่วนเท่าๆ กัน คือครึ่งหนึ่ง (\( \alpha/2 \)) ไว้ที่หางด้านซ้าย และอีกครึ่งหนึ่งไว้ที่หางด้านขวา
ขั้นตอนการทำทีละขั้น:
1. หา Posterior Distribution ของพารามิเตอร์ของคุณ (เช่น มันคือการแจกแจงแบบปกติ? Gamma? หรือ Beta?)
2. ระบุค่าความน่าจะเป็นรวมที่คุณต้องการ (เช่น 95% ดังนั้น \( \alpha = 0.05 \))
3. หาเปอร์เซ็นไทล์ที่ \( \alpha/2 \) (ขอบล่าง, \( a \))
4. หาเปอร์เซ็นไทล์ที่ \( 1 - \alpha/2 \) (ขอบบน, \( b \))
ตัวอย่าง: สำหรับช่วง 95% คุณต้องหาเปอร์เซ็นไทล์ที่ 2.5 และ 97.5 ของการแจกแจงแบบ Posterior นั้น
3. การทำงานกับ Normal Distribution
กรณีอย่างง่ายที่พบบ่อยที่สุดคือการใช้ Normal Posterior เนื่องจาก Normal distribution มีความสมมาตร การหาช่วงจึงตรงไปตรงมามาก
ถ้า Posterior distribution สำหรับ \( \theta \) ของคุณคือ \( N(\mu_{post}, \sigma^2_{post}) \), ช่วง \( 100(1-\alpha)\% \) credible interval คือ:
\( (\mu_{post} - z_{\alpha/2} \cdot \sigma_{post}, \mu_{post} + z_{\alpha/2} \cdot \sigma_{post}) \)
รู้หรือไม่?
สำหรับช่วง 95%, ค่า \( z_{\alpha/2} \) คือ 1.96 ส่วนสำหรับช่วง 90% ค่าคือ 1.6449 คุณสามารถหาค่าเหล่านี้ได้ใน Formulae and Tables (Gold Book) ของคุณ!
ตัวอย่างการคำนวณ:
สมมติว่าคุณคำนวณ Posterior distribution ของค่าเฉลี่ยความเสียหาย \( \mu \) ได้เป็น \( N(500, 100) \) สังเกตว่าความแปรปรวน (variance) คือ 100 ดังนั้นส่วนเบี่ยงเบนมาตรฐาน (standard deviation) คือ 10
ในการหา 95% credible interval:
ขอบล่าง: \( 500 - (1.96 \times 10) = 480.4 \)
ขอบบน: \( 500 + (1.96 \times 10) = 519.6 \)
การตีความ: มีโอกาส 95% ที่ค่าเฉลี่ยความเสียหายที่แท้จริงจะอยู่ระหว่าง 480.4 และ 519.6
4. การแจกแจงอื่นๆ (Gamma และ Beta)
บางครั้ง Posterior ของคุณอาจไม่เป็น Normal ตัวอย่างเช่น:
- ถ้าคุณใช้ Poisson likelihood ร่วมกับ Gamma prior ผลที่ได้คือ Gamma posterior
- ถ้าคุณใช้ Binomial likelihood ร่วมกับ Beta prior ผลที่ได้คือ Beta posterior
ในกรณีเหล่านี้ คุณไม่สามารถใช้สูตรทางลัด "บวกหรือลบ" ได้ เพราะการแจกแจงพวกนี้มักไม่สมมาตร แต่คุณต้องใช้ตารางหรือคุณสมบัติของการแจกแจงเพื่อหาจุดที่ฟังก์ชันการแจกแจงสะสม (CDF) เท่ากับ \( \alpha/2 \) และ \( 1 - \alpha/2 \)
เคล็ดลับสำหรับ Gamma distributions:
ตารางของ IFoA มีค่าสำหรับ Chi-squared ($\chi^2$) ให้ อย่าลืมว่า Gamma distribution สามารถแปลงเป็น Chi-squared ได้!
ถ้า \( \theta \sim Gamma(\alpha, \lambda) \) แล้ว \( 2\lambda\theta \sim \chi^2_{2\alpha} \) นี่คือตัวช่วยชีวิตในห้องสอบเลยนะ!
สรุปทบทวน:
- Prior: สิ่งที่เราคิดก่อนเห็นข้อมูล
- Posterior: ความเชื่อที่เราอัปเดตหลังจากเห็นข้อมูลแล้ว
- Credible Interval: ช่วงของค่าจาก Posterior ที่ครอบคลุมพารามิเตอร์ด้วยความน่าจะเป็นที่กำหนด
5. ข้อควรระวังที่พบบ่อย
1. ใช้ Prior ผิด: นักเรียนมักคำนวณช่วงโดยใช้พารามิเตอร์จาก Prior แทนที่จะเป็น Posterior อย่าลืมตรวจสอบงานของคุณเสมอ! ช่วงต้องอิงจากความรู้ที่ "อัปเดตแล้ว" ของคุณเท่านั้น
2. สับสนระหว่าง Variance กับ Standard Deviation: ในสูตร Normal distribution อย่าลืมใช้ standard deviation (\( \sigma \)) ไม่ใช่ความแปรปรวน (\( \sigma^2 \))
3. ใช้ภาษาแบบ Frequentist: ระวังการใช้คำเวลาตอบข้อสอบ อย่าพูดว่า "95% ของกลุ่มตัวอย่าง..." ให้พูดว่า "ความน่าจะเป็นที่พารามิเตอร์จะอยู่ในช่วงนี้คือ 95%"
สรุปขั้นตอนเพื่อความสำเร็จในการสอบ
1. ระบุ Likelihood และ Prior เพื่อหา Posterior distribution และพารามิเตอร์ของมัน
2. ตัดสินใจเลือกระดับนัยสำคัญ \( \alpha \) (เช่น สำหรับ 90% credible interval, \( \alpha = 0.10 \))
3. หาค่า \( a \) และ \( b \) ที่ทำให้พื้นที่ทางซ้ายของ \( a \) เท่ากับ \( \alpha/2 \) และพื้นที่ทางขวาของ \( b \) เท่ากับ \( \alpha/2 \)
4. ระบุช่วงให้ชัดเจนว่าคือ \( (a, b) \) และเขียนการตีความสั้นๆ หากโจทย์ต้องการ
ไม่ต้องกังวลถ้าตอนแรกจะดูยาก! คณิตศาสตร์ส่วนใหญ่เป็นแค่เรื่องพีชคณิตนิดหน่อยเมื่อคุณรู้แล้วว่ากำลังใช้การแจกแจงแบบไหน ฝึกหาพารามิเตอร์ของ Posterior ให้คล่อง แล้วช่วงเหล่านี้ก็จะง่ายสำหรับคุณเอง สู้ๆ!