บทนำ: การตีความข้อมูลให้มีความหมาย

ยินดีต้อนรับสู่โลกของคณิตศาสตร์ประกันภัย! ในสายอาชีพนี้ เรามักจะต้องสวมบทบาทเป็นนักสืบเพื่อวิเคราะห์ข้อมูลและตั้งคำถามว่า "ผลลัพธ์ที่เห็นนี้เป็นเพียงแค่ความบังเอิญ หรือมีแนวโน้มที่เกิดขึ้นจริงกันแน่?" ตัวอย่างเช่น หากโครงการด้านสุขภาพใหม่ดูเหมือนจะช่วยลดจำนวนการเคลมประกันลงได้ เราจะพิสูจน์ได้อย่างไรว่ามันไม่ใช่แค่เรื่องของโชคชะตาหรือความบังเอิญ?

ในบทนี้เราจะเน้นไปที่ การทดสอบสมมติฐาน (Hypothesis Testing) สำหรับสถานการณ์เฉพาะต่างๆ เราจะมาดูวิธีการทดสอบข้อมูลกลุ่มเดียว, การเปรียบเทียบกลุ่มตัวอย่างสองกลุ่มที่เป็นอิสระต่อกัน, การจัดการกับข้อมูลที่มีความเชื่อมโยงกัน (ข้อมูลแบบจับคู่) และการใช้เทคนิค "การสลับข้อมูล" ที่ชาญฉลาดซึ่งเรียกว่าการทดสอบแบบพีระมิดสลับเปลี่ยน (Permutation test) ในกรณีที่เราไม่อยากตั้งสมมติฐานเกี่ยวกับการแจกแจงของข้อมูล

หมายเหตุ: บทนี้ถือว่าคุณมีความคุ้นเคยกับแนวคิดพื้นฐานอย่างสมมติฐานหลัก (\(H_0\)) และค่า p (p-values) มาบ้างแล้ว หากคุณต้องการทบทวน ลองกลับไปดูบทเรื่อง "แนวคิดการทดสอบสมมติฐาน ความคลาดเคลื่อน และอำนาจการทดสอบ" ได้เลยครับ


1. การทดสอบแบบกลุ่มตัวอย่างเดียว (One-Sample Tests): การตรวจสอบข้อมูลกลุ่มเดียว

เราจะใช้การทดสอบแบบกลุ่มตัวอย่างเดียวเมื่อต้องการเปรียบเทียบกลุ่มตัวอย่างจากประชากรชุดเดียวกับค่าที่เราทราบอยู่แล้ว (หรือที่เรียกว่า "ค่ามาตรฐาน")

การทดสอบค่าเฉลี่ย (\(\mu\)) ของการแจกแจงปกติ

หากเราสมมติว่าข้อมูลมีการแจกแจงแบบปกติ (Normal distribution) โดยทั่วไปเราจะต้องการทดสอบค่าเฉลี่ย ซึ่งมี 2 กรณีหลักๆ ดังนี้:

  • กรณี A: ทราบความแปรปรวน (\(\sigma^2\)) เราจะใช้ Z-test โดยมีสถิติทดสอบคือ:
    \(Z = \frac{\bar{X} - \mu_0}{\sigma / \sqrt{n}} \sim N(0, 1)\)
  • กรณี B: ไม่ทราบความแปรปรวน (\(\sigma^2\)) ซึ่งเป็นกรณีที่พบบ่อยกว่ามากในชีวิตจริง! เราจะใช้ t-test โดยใช้ส่วนเบี่ยงเบนมาตรฐานของกลุ่มตัวอย่าง (\(s\)) แทนค่า \(\sigma\) ของประชากร สถิติทดสอบคือ:
    \(t = \frac{\bar{X} - \mu_0}{s / \sqrt{n}} \sim t_{n-1}\)

การทดสอบความแปรปรวน (\(\sigma^2\)) ของการแจกแจงปกติ

ในบางครั้งนักคณิตศาสตร์ประกันภัยจะให้ความสำคัญกับความเสี่ยง (ความผันผวน) มากกว่าค่าเฉลี่ย หากต้องการทดสอบว่าความแปรปรวนเท่ากับค่าที่กำหนด (\(\sigma^2_0\)) หรือไม่ เราจะใช้ การทดสอบไคสแควร์ (Chi-square test):
\(\chi^2 = \frac{(n-1)S^2}{\sigma^2_0} \sim \chi^2_{n-1}\)

การทดสอบสัดส่วน (Binomial) และอัตราการเกิด (Poisson)

สำหรับข้อมูลแบบทวินาม (\(p\)) และปัวซง (\(\lambda\)) เรามักจะใช้ การประมาณด้วยการแจกแจงปกติ (Normal Approximation) หากขนาดของกลุ่มตัวอย่างใหญ่เพียงพอ
สำหรับทวินาม (Binomial): \(Z = \frac{\hat{p} - p_0}{\sqrt{\frac{p_0(1-p_0)}{n}}} \sim N(0, 1)\)
สำหรับปัวซง (Poisson): \(Z = \frac{\bar{X} - \lambda_0}{\sqrt{\lambda_0 / n}} \sim N(0, 1)\)

ทบทวนสั้นๆ: ให้ตรวจสอบเสมอว่าเราทราบค่าความแปรปรวนหรือไม่ หากไม่ทราบและข้อมูลมีการแจกแจงปกติ ให้เลือกใช้การแจกแจงแบบ \(t\) (t-distribution) ทันที!


2. การทดสอบแบบสองกลุ่มตัวอย่าง: การเปรียบเทียบกลุ่มตัวอย่างที่เป็นอิสระต่อกัน

นักคณิตศาสตร์ประกันภัยมักต้องเปรียบเทียบข้อมูลสองกลุ่มที่ต่างกัน เช่น จำนวนเงินเคลมของผู้ถือกรมธรรม์กลุ่ม A เทียบกับกลุ่ม B

การเปรียบเทียบค่าเฉลี่ยของประชากรปกติสองกลุ่ม

ในการทดสอบว่า \(\mu_1 = \mu_2\) หรือไม่ เราจะพิจารณาจากผลต่าง \(\bar{X}_1 - \bar{X}_2\) ในหลักสูตร CS1 เราจะเน้นกรณีพื้นฐานที่สมมติว่าประชากรทั้งสองกลุ่มมี ความแปรปรวนเท่ากันแต่ไม่ทราบค่า (\(\sigma^2_1 = \sigma^2_2\)) โดยเราจะคำนวณ ความแปรปรวนร่วมของกลุ่มตัวอย่าง (Pooled sample variance) (\(s_p^2\)):
\(s_p^2 = \frac{(n_1-1)s_1^2 + (n_2-1)s_2^2}{n_1 + n_2 - 2}\)

สถิติทดสอบคือ:
\(t = \frac{(\bar{X} - \bar{X}_2) - 0}{s_p \sqrt{\frac{1}{n_1} + \frac{1}{n_2}}} \sim t_{n_1+n_2-2}\)

การเปรียบเทียบความแปรปรวนของประชากรปกติสองกลุ่ม

หากต้องการดูว่ากลุ่มหนึ่งมีความผันผวนมากกว่าอีกกลุ่มหรือไม่ เราจะใช้ F-test โดยนำความแปรปรวนของกลุ่มตัวอย่างที่มีค่ามากกว่าหารด้วยกลุ่มที่มีค่าน้อยกว่า:
\(F = \frac{s_1^2}{s_2^2} \sim F_{n_1-1, n_2-1}\)

การทดสอบทวินามและปัวซงแบบสองกลุ่มตัวอย่าง

เมื่อเปรียบเทียบสัดส่วนสองกลุ่ม (\(p_1\) และ \(p_2\)) หรืออัตราปัวซงสองกลุ่ม (\(\lambda_1\) และ \(\lambda_2\)) เราจะใช้การประมาณด้วยการแจกแจงปกติสำหรับกลุ่มตัวอย่างขนาดใหญ่ โดยทั่วไปเราจะใช้ค่าประมาณแบบ "รวมกลุ่ม" (Pooled estimate) สำหรับความคลาดเคลื่อนมาตรฐานภายใต้สมมติฐานหลักที่ว่าทั้งสองกลุ่มไม่มีความแตกต่างกัน

ประเด็นสำคัญ: สำหรับการทดสอบแบบสองกลุ่มตัวอย่าง กลุ่มตัวอย่างทั้งสองต้อง เป็นอิสระต่อกัน แต่ถ้าเป็นคนกลุ่มเดียวกันที่ถูกวัดผลสองครั้ง คุณต้องใช้หัวข้อถัดไปครับ!


3. ข้อมูลแบบจับคู่ (Paired Data): การเปรียบเทียบก่อนและหลัง

จะเป็นอย่างไรถ้าคุณวัดความดันโลหิตของคน 10 คน ก่อน รับการรักษา แล้ววัดผลจากคน 10 คน เดิม นั้น หลัง การรักษา? ข้อมูลเหล่านี้ไม่ใช่กลุ่มตัวอย่างที่เป็นอิสระต่อกัน แต่เป็น ข้อมูลแบบจับคู่

เทคนิคคือ: อย่ามองว่าเป็นข้อมูลสองกลุ่มแยกกัน แต่ให้คำนวณ ผลต่าง (Difference) ของแต่ละคู่แทน:
\(D_i = X_i - Y_i\)

จากนั้น คุณก็แค่ทำการทดสอบ one-sample t-test บนค่าผลต่าง (\(D\)) เหล่านี้ โดยสมมติฐานหลักมักจะเป็น \(H_0: \mu_D = 0\)
\(t = \frac{\bar{D} - 0}{s_D / \sqrt{n}} \sim t_{n-1}\)

ข้อผิดพลาดที่พบบ่อย: การใช้การทดสอบแบบสองกลุ่มตัวอย่าง (Two-sample test) กับข้อมูลแบบจับคู่ นี่คือกับดักยอดฮิตในข้อสอบเลยครับ! จำไว้ว่าถ้าข้อมูล "จับคู่กัน" หรือเป็นเรื่องของคนคนเดียวกันในเวลาที่ต่างกัน ให้ใช้การทดสอบแบบจับคู่เสมอ


4. การทดสอบแบบพีระมิดสลับเปลี่ยน (Permutation Tests): วิธีการแบบน็อนพารามิตริก

การทดสอบทั้งหมดข้างต้นล้วนสมมติว่าข้อมูลมีการแจกแจงเฉพาะเจาะจง (เช่น การแจกแจงปกติ) แต่ถ้าข้อมูลดูแปลกๆ หรือกลุ่มตัวอย่างมีขนาดเล็กเกินกว่าที่ทฤษฎีบทขีดจำกัดลางกลาง (Central Limit Theorem) จะใช้ได้ล่ะ? เราจะใช้ การทดสอบแบบพีระมิดสลับเปลี่ยน (Permutation Test) แทน

แนวคิด: "การสลับสำรับไพ่"

สมมติว่าคุณมีข้อมูลสองกลุ่มคือ A และ B และคุณพบว่าค่าเฉลี่ยของทั้งสองต่างกัน การทดสอบแบบพีระมิดสลับเปลี่ยนจะตั้งคำถามว่า: "ถ้าป้ายชื่อกลุ่ม (A หรือ B) ไม่ได้มีความหมายจริงๆ โอกาสที่เราจะเห็นผลต่างมากขนาดนี้จากการสุ่มสลับป้ายชื่อกลุ่มไปมาจะเป็นเท่าไหร่?"

ขั้นตอนการทดสอบ:
  1. คำนวณค่าสถิติทดสอบที่สังเกตได้จริง (เช่น ผลต่างของค่าเฉลี่ยระหว่างกลุ่ม A และ B)
  2. รวมข้อมูลทั้งหมดจากทั้งสองกลุ่มเข้าด้วยกันเป็น "กองกลาง" กองเดียว
  3. Permute (สลับเปลี่ยน): สุ่มสลับข้อมูลทั้งหมดแล้วแบ่งออกเป็นสองกลุ่มใหม่ โดยให้มีขนาดเท่ากับกลุ่มตัวอย่างเดิม
  4. คำนวณผลต่างของค่าเฉลี่ยสำหรับข้อมูลฉบับสลับกลุ่มนี้
  5. ทำกระบวนการ "สุ่มสลับ" นี้ซ้ำๆ เป็นพันๆ ครั้งเพื่อสร้างการแจกแจงของผลต่างขึ้นมา
  6. ค่า p (p-value) คือสัดส่วนของผลต่างจากการสุ่มสลับที่มีค่าสุดโต่งเท่ากับ (หรือมากกว่า) ผลต่างเดิมที่เราสังเกตได้จริง

รู้หรือไม่? การทดสอบแบบพีระมิดสลับเปลี่ยนนั้นทรงพลังมาก เพราะไม่ต้องอาศัยสมมติฐานเกี่ยวกับ "รูปร่าง" หรือการแจกแจงของข้อมูลเลย และมักจะเป็นหัวข้อที่ใช้สอบใน Paper B โดยใช้โปรแกรม R


สรุปรายการตรวจสอบสำหรับเตรียมสอบ

  • พิจารณาจำนวนกลุ่มตัวอย่าง: เป็นการทดสอบกลุ่มเดียวเทียบกับค่าคงที่, สองกลุ่มที่เป็นอิสระต่อกัน หรือข้อมูลแบบจับคู่?
  • ตรวจสอบการแจกแจง: ถ้าเป็นการแจกแจงปกติและไม่ทราบความแปรปรวน ให้ใช้ \(t\)-test
  • กลุ่มตัวอย่างขนาดใหญ่หรือไม่? สำหรับทวินามและปัวซง ให้ใช้การประมาณด้วยการแจกแจงปกติ
  • กลุ่มตัวอย่างมีความเชื่อมโยงกันหรือไม่? ถ้าใช่ ให้คำนวณผลต่าง (\(D_i\)) และใช้ paired \(t\)-test
  • ไม่ได้ระบุการแจกแจงมาให้? ให้พิจารณาใช้วิธีการสลับเปลี่ยน (Permutation approach)

เคล็ดลับสำคัญ: ใน Paper A คุณมักจะต้องคำนวณด้วยมือโดยใช้ตารางสถิติ แต่ใน Paper B คุณจะต้องใช้ฟังก์ชันใน R เช่น t.test() ดังนั้นต้องมั่นใจว่าคุณสามารถแปลความหมายผลลัพธ์ (Output) ได้ทั้งสองแบบนะครับ!