บทนำ: แบบจำลองของคุณใช้งานได้จริงหรือเปล่า?

เอาล่ะ หลังจากที่คุณเลือกการแจกแจง (Distribution) เลือกฟังก์ชันเชื่อมโยง (Link function) และให้โปรแกรม (เช่น R) คำนวณค่าพารามิเตอร์สำหรับแบบจำลองเชิงเส้นทั่วไป (GLM) เสร็จเรียบร้อยแล้ว ยินดีด้วยนะ! แต่ก่อนที่คุณจะเริ่มใช้แบบจำลองนั้นไปทำนายการเคลมประกันหรืออัตราการเสียชีวิต คุณต้องตั้งคำถามสำคัญข้อหนึ่งก่อนว่า: แบบจำลองนี้เหมาะสมกับข้อมูลจริงๆ หรือเปล่า?

ในบทนี้ เราจะมาทำความรู้จักกับ "เครื่องมือวินิจฉัย" ในโลกของคณิตศาสตร์ประกันภัย เหมือนที่คุณหมอต้องตรวจเลือดหรือเอ็กซเรย์เพื่อเช็กสุขภาพคนไข้ เราก็นำ ค่าคงเหลือ (Residuals) และ การทดสอบทางสถิติ (Statistical tests) มาใช้ตรวจสอบสุขภาพของแบบจำลองของเราเช่นกัน เราต้องมั่นใจว่ารูปแบบที่เราเห็นในข้อมูลนั้นถูกจับประเด็นไว้ในแบบจำลองจริงๆ ไม่ใช่แค่เห็นเพียง "สัญญาณรบกวน" (Noise) เท่านั้น

หมายเหตุ: บทนี้สมมติว่าคุณคุ้นเคยกับพื้นฐานของ GLM มาบ้างแล้ว เช่น ตัวพยากรณ์เชิงเส้น (Linear predictor) และฟังก์ชันเชื่อมโยง (Link function) ซึ่งได้กล่าวถึงไปแล้วในบทก่อนหน้าของส่วนการถดถอย (Regression)


1. ค่าคงเหลือใน GLM: "สิ่งที่เหลืออยู่"

ในการถดถอยเชิงเส้นอย่างง่าย (Simple linear regression) ค่าคงเหลือก็คือส่วนต่างระหว่างค่าที่สังเกตได้กับค่าที่ทำนายไว้: \(y_i - \hat{y}_i\) อย่างไรก็ตาม ใน GLM เรื่องนี้จะซับซ้อนขึ้นเล็กน้อย เพราะความแปรปรวน (Variance) ของข้อมูลมักจะเปลี่ยนไปตามค่าเฉลี่ย (ตัวอย่างเช่น ในการแจกแจงแบบปัวซง ความแปรปรวนจะเท่ากับค่าเฉลี่ย)

เพื่อจัดการกับเรื่องนี้ เราจึงใช้ค่าคงเหลือสองประเภทเฉพาะใน GLM ดังนี้:

ก. ค่าคงเหลือแบบเพียร์สัน (Pearson Residuals)

ค่าคงเหลือแบบเพียร์สัน คือค่าความผิดพลาดดิบที่ถูกทำให้เป็น "มาตรฐาน" แล้ว โดยการนำค่าคงเหลือดิบมาหารด้วยค่าส่วนเบี่ยงเบนมาตรฐานที่ประมาณการได้จากการสังเกต

สูตรสำหรับค่าคงเหลือแบบเพียร์สันตัวที่ \(i\) คือ:
\(r_i = \frac{y_i - \hat{\mu}_i}{\sqrt{V(\hat{\mu}_i)}}\)

โดยที่:
\(y_i\) คือค่าจริงที่สังเกตได้
\(\hat{\mu}_i\) คือค่าที่แบบจำลองของเราทำนายไว้
\(V(\hat{\mu}_i)\) คือ ฟังก์ชันความแปรปรวน (ซึ่งขึ้นอยู่กับการแจกแจงที่เราเลือก เช่น ปัวซง หรือ แกมมา)

เคล็ดลับ: ถ้าคุณนำค่าคงเหลือแบบเพียร์สันทั้งหมดมายกกำลังสองแล้วบวกกัน คุณจะได้ สถิติไคสแควร์ของเพียร์สัน (\(X^2\)) ซึ่งเรานำไปใช้ทดสอบความเหมาะสมของแบบจำลองได้!

ข. ค่าคงเหลือแบบส่วนเบี่ยงเบน (Deviance Residuals)

ค่าคงเหลือแบบส่วนเบี่ยงเบน มักจะเป็นที่นิยมสำหรับนักคณิตศาสตร์ประกันภัย เพราะมีความเกี่ยวข้องโดยตรงกับ "ฟังก์ชันความน่าจะเป็นสูงสุด" (Likelihood) ของแบบจำลอง ค่านี้จะวัดว่าข้อมูลแต่ละตัวส่งผลต่อ ส่วนเบี่ยงเบนรวม (Total deviance) (ซึ่งเป็นตัววัด "ความไม่เหมาะสม") มากน้อยเพียงใด

แม้ว่าสูตรจะค่อนข้างซับซ้อน แต่สิ่งสำคัญที่ควรรู้คือ โดยปกติแล้วค่าเหล่านี้จะมีการแจกแจงที่ "ใกล้เคียงแบบปกติ" มากกว่าค่าคงเหลือแบบเพียร์สัน ทำให้เหมาะมากสำหรับการตรวจสอบด้วยภาพ (Visual checks)

เราจะใช้ค่าคงเหลือเหล่านี้อย่างไร?

ปกติเราจะนำค่าคงเหลือเหล่านี้ไปพล็อตลงกราฟ หากแบบจำลองของเรา "เหมาะสมดี" เราควรจะเห็น:
1. ค่าคงเหลือกระจายตัวแบบ สุ่ม รอบเส้นศูนย์
2. ไม่มีรูปแบบที่ชัดเจน (เช่น รูปทรงกรวย หรือเส้นโค้ง)
3. ไม่มี ค่าผิดปกติ (Outliers) ที่รุนแรง (จุดที่อยู่ห่างจากศูนย์มาก)

ประเด็นสำคัญ: ค่าคงเหลือจะบอกเราว่าแบบจำลองของเราผิดพลาดตรงไหน ถ้าค่าคงเหลือทั้งหมดสำหรับ "ผู้ขับขี่ที่อายุน้อย" เป็นบวก แสดงว่าแบบจำลองของคุณกำลังประเมินความเสี่ยงของพวกเขาต่ำเกินไปอย่างสม่ำเสมอ!


2. การทดสอบทางสถิติเพื่อความยอมรับได้ของแบบจำลอง

การตรวจสอบด้วยภาพนั้นดีมาก แต่บางครั้งเราต้องการคำตอบที่ชัดเจนประเภท "ใช่ หรือ ไม่ใช่" เราจึงใช้การทดสอบทางสถิติหลักๆ สองอย่างเพื่อตัดสินว่าแบบจำลอง GLM นั้นยอมรับได้หรือไม่

ก. การทดสอบอัตราส่วนความน่าจะเป็น (Likelihood-Ratio Test - LRT)

การทดสอบอัตราส่วนความน่าจะเป็น ใช้เมื่อเราต้องการเปรียบเทียบแบบจำลองสองชุด ได้แก่ แบบจำลอง "ขนาดเล็ก" (ที่มีตัวแปรน้อยกว่า) และแบบจำลอง "ขนาดใหญ่" (ซึ่งเป็นแบบจำลองเดิมแต่เพิ่มตัวแปรพิเศษเข้าไป)

คำถามคือ: ตัวแปรที่เพิ่มเข้ามาเหล่านั้นช่วยได้จริง หรือแค่เพิ่ม "สัญญาณรบกวน" (Noise) เข้ามาเฉยๆ?

สถิติทดสอบ:
\(LRT = 2 \times (l_{big} - l_{small})\)
โดยที่ \(l\) แทน log-likelihood ของแบบจำลอง

หากพิจารณาในแง่ของ ส่วนเบี่ยงเบน (Deviance) (\(D\)) มักเขียนได้เป็น:
\(LRT = D_{small} - D_{big}\)

การแจกแจง: ภายใต้สมมติฐานหลัก (ที่ว่าตัวแปรที่เพิ่มมานั้นไม่มีประโยชน์) สถิตินี้จะมีการ แจกแจงแบบไคสแควร์ (\(\chi^2\)) โดยมีองศาอิสระ (Degrees of freedom) เท่ากับจำนวนพารามิเตอร์ที่เพิ่มเข้ามา

เกณฑ์การตัดสินใจ: ถ้าค่า \(LRT\) สูงมาก (สูงกว่าค่าวิกฤตจากตารางไคสแควร์) เราจะปฏิเสธสมมติฐานหลัก ซึ่งหมายความว่าแบบจำลองขนาดใหญ่นั้นดีกว่าอย่างมีนัยสำคัญ!

ข. การทดสอบไคสแควร์ของเพียร์สัน (Pearson’s Chi-square Test)

การทดสอบนี้ใช้ตรวจสอบ ความเหมาะสมในภาพรวม ของแบบจำลอง โดยจะตั้งคำถามว่า "ความแตกต่างรวมระหว่างข้อมูลจริงกับแบบจำลองของฉันนั้น เล็กพอที่จะอธิบายได้ว่าเป็นเพียงความบังเอิญหรือไม่?"

สถิติทดสอบ:
\(X^2 = \sum \frac{(y_i - \hat{\mu}_i)^2}{V(\hat{\mu}_i)}\)

การเปรียบเทียบ: เราเปรียบเทียบ \(X^2\) กับการแจกแจงแบบ \(\chi^2\) ที่มีองศาอิสระ \(n - p\) (โดยที่ \(n\) คือจำนวนข้อมูล และ \(p\) คือจำนวนพารามิเตอร์ในแบบจำลอง)

รู้หรือไม่? สำหรับแบบจำลองที่เหมาะสมดี ค่า ส่วนเบี่ยงเบนปรับสเกล (Scaled deviance) และ สถิติไคสแควร์ของเพียร์สัน ควรจะมีค่าใกล้เคียงกับองศาอิสระ (\(n - p\)) หากค่าเหล่านี้สูงกว่ามาก แบบจำลองของคุณอาจเกิดภาวะ "Over-dispersion" (ข้อมูลมีการกระจายตัวมากกว่าที่แบบจำลองคาดการณ์ไว้)


3. การตีความผลลัพธ์จากโปรแกรม (เน้นการสอบ Paper B)

ในการสอบ CS1B คุณน่าจะได้ใช้ R เพื่อสร้างแบบจำลอง GLM เมื่อคุณรันคำสั่งอย่าง summary(my_model) คุณต้องรู้ว่าควรดูที่จุดไหนบ้าง:

  • Null Deviance: ความเหมาะสมของแบบจำลองที่มีเพียง "ค่าคงที่" เท่านั้น (กรณีที่แย่ที่สุด)
  • Residual Deviance: ความเหมาะสมของแบบจำลอง ของคุณ คุณย่อมต้องการให้ค่านี้ต่ำกว่า Null Deviance อย่างชัดเจน
  • AIC (Akaike Information Criterion): มาตรวัดความพอดีแบบ "ทางสายกลาง" โดยจะให้คะแนนแบบจำลองที่เหมาะสมกับข้อมูลได้ดี แต่จะหักคะแนนหากใส่ตัวแปรมากเกินไป ค่า AIC ยิ่งต่ำยิ่งดี!
  • p-values สำหรับสัมประสิทธิ์: หากค่า p-value ของตัวแปรใดน้อยกว่า \(0.05\) ตัวแปรนั้นมักจะถือว่า "มีนัยสำคัญทางสถิติ"

ข้อผิดพลาดที่ควรหลีกเลี่ยง: อย่าดูแค่ค่า p-value เท่านั้น! แบบจำลองอาจมีตัวแปรที่มีนัยสำคัญ แต่ภาพรวมอาจจะ "ไม่เหมาะสม" ก็ได้ ให้ตรวจสอบค่าคงเหลือ (Residuals) และส่วนเบี่ยงเบนรวมเสมอ


สรุปสั้นๆ: "รายการตรวจสอบ" ความเหมาะสมของแบบจำลอง

เมื่อต้องประเมิน GLM ให้ทำตามขั้นตอนเหล่านี้:

  1. ตรวจค่าคงเหลือ (Residuals): มีลักษณะสุ่มหรือไม่? มีค่าผิดปกติไหม? โดยใช้ Pearson หรือ Deviance residuals
  2. เปรียบเทียบส่วนเบี่ยงเบน (Deviance): ใช้การทดสอบอัตราส่วนความน่าจะเป็น (LRT) เพื่อดูว่าการเพิ่มตัวแปรนั้นคุ้มค่าหรือไม่
  3. ตรวจความสำคัญ: พารามิเตอร์แต่ละตัว (\(\beta\)) แตกต่างจากศูนย์อย่างมีนัยสำคัญหรือไม่?
  4. ความเหมาะสมในภาพรวม: ใช้การทดสอบไคสแควร์ของเพียร์สันเพื่อดูว่าแบบจำลองโดยรวมยอมรับได้หรือไม่
  5. เปรียบเทียบ AIC: หากคุณมีแบบจำลองสองชุดที่แตกต่างกัน แบบจำลองที่มี AIC ต่ำกว่า มักจะเป็นตัวเลือกที่ได้รับความนิยมมากกว่า

ประเด็นสำคัญ: ไม่มีแบบจำลองใดที่สมบูรณ์แบบ! เป้าหมายของเราไม่ใช่การหาแบบจำลองที่ไร้ที่ติ แต่คือการหาแบบจำลองที่มี ประโยชน์ และ มีความน่าเชื่อถือทางสถิติ ดังคำกล่าวทางสถิติที่ว่า: "แบบจำลองทั้งหมดล้วนผิด แต่บางแบบจำลองก็มีประโยชน์"