Applications of time series models

ยินดีต้อนรับสู่การประยุกต์ใช้แบบจำลองอนุกรมเวลา (Applications of Time Series)!

ในบทก่อนหน้านี้ เราใช้เวลาไปกับการศึกษา "โครงสร้าง" ของแบบจำลองอนุกรมเวลาอย่าง AR, MA และ ARMA กันมาพอสมควรแล้ว ตอนนี้ถึงเวลาที่เราจะนำแบบจำลองเหล่านั้นมาใช้งานจริงกันแล้ว! ให้มองว่าบทนี้เปรียบเสมือน "สะพานเชื่อมสู่โลกแห่งความเป็นจริง" เรากำลังจะได้เรียนรู้วิธีนำข้อมูลที่ยุ่งเหยิงจากโลกจริงมาหามอดูลทางคณิตศาสตร์ที่เหมาะสมที่สุด เพื่อใช้อธิบายข้อมูลนั้น ตรวจสอบว่าแบบจำลองนั้นใช้ได้จริงหรือไม่ และสุดท้ายคือการใช้มันเพื่อมองไปในอนาคต

ไม่ต้องกังวลไปหากเนื้อหาบทก่อนๆ จะดูเต็มไปด้วยพีชคณิตที่หนักอึ้ง ในบทนี้เราจะเน้นไปที่ "กระบวนการ" ในการประยุกต์ใช้แบบจำลองเหล่านั้น มาเริ่มกันเลย!

1. สามขั้นตอนของ Box-Jenkins

เมื่อนักคณิตศาสตร์ประกันภัยพูดถึงการ "ประยุกต์ใช้" อนุกรมเวลา พวกเขามักจะทำตาม ระเบียบวิธีของ Box-Jenkins (Box-Jenkins Methodology) ซึ่งเป็นวัฏจักร 3 ขั้นตอนง่ายๆ ดังนี้:

1. การระบุแบบจำลอง (Model Identification): การเลือกประเภทของแบบจำลองที่เหมาะสม (เป็น AR, MA หรือ ARMA? และค่า \(p\) กับ \(q\) คือเท่าไหร่?)
2. การประมาณค่าพารามิเตอร์ (Parameter Estimation): การคำนวณตัวเลขจริง (สัมประสิทธิ์) สำหรับแบบจำลอง
3. การตรวจสอบความเหมาะสม (Diagnostic Checking): การตรวจสอบให้แน่ใจว่าแบบจำลองนั้นสามารถอธิบายข้อมูลได้ดีจริงๆ

เปรียบเทียบ: เหมือนกับการซื้อสูทสักชุด ขั้นแรกคือการเลือกสไตล์ (Identification) จากนั้นช่างตัดเสื้อก็จะมาวัดตัวคุณ (Estimation) และสุดท้ายคุณก็ต้องลองสวมดูเพื่อให้แน่ใจว่ามันไม่คับหรือรั้งจนเกินไป (Diagnostic Checking)!

2. ขั้นตอนที่ 1: การระบุแบบจำลอง (การหาค่า \(p\) และ \(q\))

เราจะรู้ได้อย่างไรว่าต้องใช้แบบจำลองไหน? เราใช้ "ลายนิ้วมือ" สองอย่างของข้อมูล ได้แก่ ฟังก์ชันสหสัมพันธ์ในตัวเอง (Autocorrelation Function: ACF) และ ฟังก์ชันสหสัมพันธ์ในตัวเองบางส่วน (Partial Autocorrelation Function: PACF)

ตัวช่วยจำ (Cheat Sheet) สำหรับค่า \(p\) และ \(q\)

หากคุณเห็นรูปแบบเหล่านี้ในกราฟ นี่คือความหมายโดยทั่วไปของมัน:

• แบบจำลอง AR(\(p\)): กราฟ PACF จะ "ตัดขาด" (cuts off) (ตกลงสู่ศูนย์) หลังจากแล็กที่ \(p\) ในขณะที่ ACF จะค่อยๆ ลดลง (tails off)
• แบบจำลอง MA(\(q\)): กราฟ ACF จะ "ตัดขาด" (cuts off) หลังจากแล็กที่ \(q\) ในขณะที่ PACF จะค่อยๆ ลดลง (tails off)
• แบบจำลอง ARMA(\(p, q\)): ทั้ง ACF และ PACF จะ "ค่อยๆ ลดลง" (tail off) โดยไม่มีจุดตัดที่ชัดเจน

ทบทวนด่วน:
ACF คือค่าความสัมพันธ์ระหว่าง \(X_t\) และ \(X_{t-k}\)
PACF คือค่าความสัมพันธ์ระหว่าง \(X_t\) และ \(X_{t-k}\) หลังจาก ที่เรากำจัดผลกระทบของข้อมูลที่อยู่ระหว่างกลางออกไปแล้ว

เกณฑ์สารสนเทศ (Information Criteria: AIC และ BIC)

บางครั้งแค่การดูด้วยตาเปล่าอาจไม่เพียงพอ เราจึงใช้ "คะแนนปรับโทษ" เพื่อเลือกระหว่างแบบจำลองต่างๆ เราต้องการแบบจำลองที่อธิบายข้อมูลได้ดีแต่ไม่ซับซ้อนจนเกินไป (มีจำนวนพารามิเตอร์มากเกินจำเป็น)
- AIC (Akaike Information Criterion)
- BIC (Bayesian Information Criterion)

กฎทั่วไป: ยิ่งค่า AIC หรือ BIC ต่ำ ยิ่งถือว่าแบบจำลองนั้นดี! เครื่องมือเหล่านี้ช่วยให้เราหลีกเลี่ยงการเกิด Overfitting (การสร้างแบบจำลองที่ซับซ้อนจนไปอธิบาย "สัญญาณรบกวน" หรือ Noise มากกว่าแนวโน้มจริงๆ ของข้อมูล)

3. ขั้นตอนที่ 2: การประมาณค่าพารามิเตอร์

เมื่อเราตัดสินใจเลือกแบบจำลอง เช่น AR(1) ได้แล้ว เราต้องหาค่าของ \(\alpha\) ซึ่งมีวิธีมาตรฐาน 3 วิธี:

1. วิธีโมเมนต์ (Method of Moments): เราตั้งสมการให้โมเมนต์ของกลุ่มตัวอย่าง (เช่น ค่าเฉลี่ยและค่าความแปรปรวนที่เราพบในข้อมูล) เท่ากับโมเมนต์เชิงทฤษฎีของแบบจำลอง เป็นวิธีที่ง่ายที่สุดแต่บ่อยครั้งจะให้ความแม่นยำน้อยกว่าวิธีอื่น
2. วิธีกำลังสองน้อยที่สุด (Least Squares): เราเลือกค่าพารามิเตอร์ที่ทำให้ผลรวมของผลต่างกำลังสองระหว่างข้อมูลจริงกับค่าที่พยากรณ์โดยแบบจำลองมีค่าน้อยที่สุด
3. วิธีภาวะน่าจะเป็นสูงสุด (Maximum Likelihood Estimation: MLE): วิธีนี้จะค้นหาค่าพารามิเตอร์ที่ทำให้เหตุการณ์ที่สังเกตพบในข้อมูล "มีโอกาสเกิดขึ้นได้มากที่สุด" ในข้อสอบ IFoA วิธีนี้มักถือว่าเป็นวิธีที่แข็งแกร่งและน่าเชื่อถือที่สุดสำหรับชุดข้อมูลขนาดใหญ่

รู้หรือไม่? สำหรับแบบจำลอง AR(1) อย่างง่าย ค่าประมาณของ \(\alpha\) จากวิธีโมเมนต์ ก็คือค่าสัมประสิทธิ์สหสัมพันธ์ในตัวเองตัวแรกของข้อมูลตัวอย่าง (\(\hat{\rho}_1\)) นั่นเอง!

4. ขั้นตอนที่ 3: การตรวจสอบความเหมาะสม

หลังจากสร้างแบบจำลองเสร็จแล้ว เราต้องดูที่ ค่าเศษเหลือ (residuals) หรือความคลาดเคลื่อน หากแบบจำลองสมบูรณ์แบบ ค่าเศษเหลือควรเป็น White Noise

วิธีตรวจสอบค่าเศษเหลือ:
- การตรวจสอบด้วยสายตา: พล็อตค่าเศษเหลือ ซึ่งควรมีลักษณะเหมือน "สัญญาณรบกวน" บนจอทีวีที่สุ่มกระจายตัวโดยไม่มีรูปแบบใดๆ
- ACF ของค่าเศษเหลือ: ค่าสหสัมพันธ์ในตัวเองของค่าเศษเหลือควรมีค่าใกล้ศูนย์ทั้งหมด
- การทดสอบ Portmanteau (เช่น Ljung-Box test): เป็นการทดสอบทางสถิติที่ตรวจสอบว่ากลุ่มของค่าสหสัมพันธ์ในตัวเองของค่าเศษเหลือมีความแตกต่างจากศูนย์อย่างมีนัยสำคัญหรือไม่

ข้อผิดพลาดที่ควรเลี่ยง: อย่าลืมว่าหากค่าเศษเหลือของคุณแสดงให้เห็นรูปแบบบางอย่าง (เช่น เป็นคลื่นหรือมีแนวโน้ม) แสดงว่าแบบจำลองของคุณยัง ไม่สมบูรณ์ คุณยังมีข้อมูลบางอย่างที่ตกหล่นไป!

สรุปใจความสำคัญ: หากค่าเศษเหลือเป็น White Noise แสดงว่าแบบจำลองของคุณได้ "ดึง" ข้อมูลที่เป็นประโยชน์ทั้งหมดออกมาจากชุดข้อมูลเรียบร้อยแล้ว เก่งมาก!

5. การพยากรณ์: การทำนายอนาคต

นี่คือเหตุผลหลักที่เราต้องวิเคราะห์อนุกรมเวลา! เราต้องการคำนวณ การพยากรณ์ช่วงนำ \(l\) (Lead-\(l\) forecast) ซึ่งเราเขียนแทนด้วย \(\hat{x}_n(l)\)

วิธีการคำนวณการพยากรณ์:

การพยากรณ์ที่ดีที่สุดคือ ค่าคาดหมายแบบมีเงื่อนไข (Conditional Expectation) โดยมีขั้นตอนดังนี้:
1. เขียนสมการของแบบจำลองสำหรับช่วงเวลาในอนาคต (เช่น \(X_{n+1} = \alpha X_n + \epsilon_{n+1}\))
2. ใส่ค่าคาดหมาย (Expectation) ให้กับทุกตัวแปร
3. แทนค่า White Noise ในอนาคต (\(\epsilon_{n+1}, \epsilon_{n+2}...\)) ด้วย 0 (เพราะค่าคาดหมายของมันคือศูนย์)
4. แทนค่า White Noise ในอดีตด้วย ค่าเศษเหลือ ที่คำนวณได้ (หากทราบค่า)
5. แทนค่าข้อมูลในอดีต (\(X_n, X_{n-1}...\)) ด้วย ค่าจริงที่ทราบ

ตัวอย่าง (AR(1)):
ถ้า \(X_t = 0.8 X_{t-1} + \epsilon_t\) และเราทราบว่า \(X_n = 10\):
การพยากรณ์ 1 ก้าวข้างหน้า: \(\hat{x}_n(1) = 0.8(10) + 0 = 8\)
การพยากรณ์ 2 ก้าวข้างหน้า: \(\hat{x}_n(2) = 0.8(8) + 0 = 6.4\)

ความเชื่อมั่นในการพยากรณ์

"การพยากรณ์จุด" (ตัวเลขเดี่ยวๆ) มักจะไม่แม่นยำร้อยเปอร์เซ็นต์ เราจึงใช้ ช่วงการพยากรณ์ (Prediction Intervals) เพื่อแสดงช่วงที่ค่าในอนาคตมีโอกาสเกิดขึ้น ยิ่งเราพยากรณ์ไปไกลในอนาคตเท่าไหร่ ความไม่แน่นอนก็จะยิ่งเพิ่มขึ้น ทำให้ ช่วงการพยากรณ์กว้างขึ้น

ประเด็นสำคัญ: สำหรับแบบจำลอง ARMA ที่มีสถานะคงที่ (stationary) เมื่อระยะเวลา \(l\) เข้าใกล้ infinity ค่าการพยากรณ์จะค่อยๆ ลู่เข้าสู่ ค่าเฉลี่ยของกระบวนการ (Mean of the process) ในที่สุด

6. สรุปการประยุกต์ใช้

เพื่อปิดท้ายบทนี้ จำลำดับขั้นตอนให้แม่นยำนะครับ:
1. Identify (ระบุ): ใช้กราฟ ACF/PACF หรือค่า AIC/BIC เพื่อเลือกค่า \(p\) และ \(q\)
2. Estimate (ประมาณค่า): ใช้ MLE หรือ Least Squares เพื่อหาสัมประสิทธิ์
3. Check (ตรวจสอบ): ตรวจสอบให้แน่ใจว่าค่าเศษเหลือเป็น White Noise (ใช้ Ljung-Box test)
4. Forecast (พยากรณ์): ใช้สมการแบบจำลองและค่าคาดหมายเพื่อทำนายอนาคต

ให้กำลังใจส่งท้าย: การประยุกต์ใช้อนุกรมเวลาเป็นทั้งศิลปะและวิทยาศาสตร์ หมั่นฝึกฝนดูพล็อต ACF และ PACF ให้บ่อย—ยิ่งเห็นบ่อยเท่าไหร่ คุณก็จะยิ่งจับทางรูปแบบของข้อมูลได้เก่งขึ้นเท่านั้น คุณทำได้อยู่แล้ว!