Graduation and graduation tests

ยินดีต้อนรับสู่โลกแห่งการปรับเรียบข้อมูล (Graduation)!

ในการทำงานด้านคณิตศาสตร์ประกันภัย เรามักจะต้องเจอกับข้อมูลที่ "ไม่เป็นระเบียบ" (messy data) เมื่อเราดูอัตราการตายดิบ (raw mortality rates) เรามักจะพบว่าค่าเหล่านี้กระโดดขึ้นลงอย่างสุ่มเนื่องจากขนาดกลุ่มตัวอย่างที่น้อยหรือเหตุการณ์ที่ไม่คาดคิด แต่ในโลกความเป็นจริง เราคาดหวังให้อัตราการตายดำเนินไปในรูปแบบที่ค่อนข้างราบเรียบตามอายุที่เพิ่มขึ้น

การปรับเรียบข้อมูล (Graduation) คือกระบวนการทำให้ค่าดิบที่ "ขรุขระ" เหล่านี้มีความราบเรียบ เพื่อสร้างแบบจำลองที่นำไปใช้งานได้จริงและสะท้อนความเป็นจริง ลองนึกภาพว่าคุณกำลังใช้แอปแต่งรูปเพื่อลบจุดรบกวน (digital noise) ออกจากภาพที่แตกเพื่อให้เห็นภาพที่ชัดเจนที่ซ่อนอยู่ข้างใต้

ในบทนี้ เราจะมาเรียนรู้ว่าทำไมเราต้องปรับเรียบข้อมูล วิธีการที่เราใช้ในการทำ และที่สำคัญที่สุดคือ การทดสอบทางสถิติ ที่เราใช้เพื่อตรวจสอบว่าสิ่งที่เราทำนั้นดีพอหรือยัง!

1. ทำไมเราต้องปรับเรียบข้อมูล (Graduate)?

ลองจินตนาการว่าคุณกำลังดูอัตราการตายของคนอายุ 50 และ 51 ปี ถ้าข้อมูลของคุณแสดงว่าคนอายุ 50 ปีมีโอกาสตายมากกว่าคนอายุ 51 ปีถึงสองเท่า เพียงเพราะอุบัติเหตุแบบสุ่มไม่กี่ครั้งในกลุ่มตัวอย่างเล็กๆ ของคุณ คุณคงไม่อยากใช้อัตรา "ดิบๆ" เหล่านั้นไปคำนวณเบี้ยประกันจริงไหม? มันไม่สมเหตุสมผลเลย!

เราทำการปรับเรียบข้อมูลด้วยเหตุผลหลัก 3 ประการ:

1. เพื่อกำจัดความผันผวนแบบสุ่ม: ข้อมูลดิบมักมี "สัญญาณรบกวน" (noisy) เราต้องการเห็นแนวโน้มที่แท้จริงที่ซ่อนอยู่
2. เพื่อสร้างความสม่ำเสมอ: เราคาดหวังให้อัตรามีการเปลี่ยนแปลงอย่างมีตรรกะ (เช่น อัตราการตายโดยทั่วไปควรเพิ่มขึ้นตามอายุ)
3. เพื่อความสะดวกในการใช้งาน: การคำนวณเบี้ยประกันและเงินสำรองจะทำได้ง่ายขึ้นมาก หากใช้สูตรทางคณิตศาสตร์ที่ราบเรียบหรือตารางที่เชื่อถือได้ มากกว่าการใช้จุดข้อมูลดิบที่ขรุขระ

การรักษาสมดุล: ความแม่นยำ (Fit) vs ความเรียบ (Smoothness)

เมื่อคุณปรับเรียบข้อมูล คุณกำลังเผชิญกับการชักเย่อระหว่างสองเป้าหมาย:

• ความสอดคล้องกับข้อมูล (Goodness of Fit): เส้นโค้งที่ราบเรียบของคุณอยู่ใกล้กับจุดข้อมูลจริงที่สังเกตได้มากน้อยเพียงใด
• ความเรียบ (Smoothness): การเปลี่ยนแปลงของเส้นโค้งนั้น "ราบเรียบ" หรือ "ไม่โค้งงอจนเกินไป" แค่ไหน

การเปรียบเทียบ: ถ้าคุณลากเส้นเชื่อมทุกจุดบนกราฟแบบซิกแซก คุณจะได้ความสอดคล้อง 100% แต่ความเรียบเป็น 0% ในทางกลับกัน ถ้าคุณลากเส้นตรงแนวนอนเป๊ะๆ คุณจะได้ความเรียบ 100% แต่ข้อมูลอาจจะคลาดเคลื่อนไปมาก เราต้องการจุดสมดุลแบบ "โกลดิล็อกส์" (Goldilocks) ที่ดีพอดี!

2. วิธีการปรับเรียบข้อมูล (Methods of Graduation)

หลักสูตรแนะนำ 3 วิธีหลักในการปรับเรียบข้อมูล ไม่ต้องกังวลหากดูเป็นวิชาการเกินไป ให้เน้นทำความเข้าใจ ตรรกะ ของแต่ละวิธีก็พอครับ

A. วิธีเชิงกราฟ (Graphic Method)

นี่คือวิธีแบบ "ดั้งเดิม" คือการพล็อตค่าอัตราดิบลงบนกราฟแล้วใช้มือวาดเส้นให้เรียบผ่านจุดเหล่านั้น (หรือใช้ซอฟต์แวร์ช่วย)
• ข้อดี: เข้าใจง่ายมาก คุณสามารถใช้ดุลยพินิจของผู้เชี่ยวชาญช่วยได้
• ข้อเสีย: มีความเป็นอัตวิสัย (subjective) นักคณิตศาสตร์ประกันภัยสองคนอาจวาดเส้นออกมาไม่เหมือนกัน!

B. วิธีใช้สูตรทางคณิตศาสตร์ (Parametric Graduation)

เราสมมติว่าอัตราการตายเป็นไปตามสูตรเฉพาะ เช่น กฎของ Gompertz-Makeham:
\( \mu_x = A + Bc^x \)
• ข้อดี: ได้ผลลัพธ์ที่เรียบเนียนมากและเขียนโปรแกรมคอมพิวเตอร์ได้ง่าย
• ข้อเสีย: หากกลุ่มประชากรของคุณไม่ได้เป็นไปตามสูตรนั้นจริงๆ "ความแม่นยำ" จะแย่มาก

C. วิธีอ้างอิงจากตารางมาตรฐาน (Graduation by Reference)

เราใช้ตารางมาตรฐานที่เป็นที่รู้จักดี (เช่น ตารางมรณะของประเทศ) มา "ปรับแต่ง" ให้เข้ากับข้อมูลของเรา โดยมักใช้การแปลงเชิงเส้น:
\( \dot{q}_x = a + b \cdot q_x^s \)
(โดยที่ \( q_x^s \) คืออัตราจากตารางมาตรฐาน และ \( \dot{q}_x \) คืออัตราที่เราปรับเรียบแล้ว)
• ข้อดี: เหมาะมากเมื่อมีข้อมูลน้อย เพราะคุณได้ "ยืม" รูปร่างของประชากรกลุ่มใหญ่ที่น่าเชื่อถือกว่ามาใช้
• ข้อเสีย: คุณถูกจำกัดด้วยรูปร่างของตารางมาตรฐานที่คุณเลือก

สรุปสั้นๆ: การปรับเรียบข้อมูลคือศิลปะของการรักษาสมดุลระหว่าง ความเรียบ กับ ความแม่นยำ เราทำได้ทั้งการวาดด้วยมือ (Graphic), การใช้สูตร (Parametric), หรือการยืมตาราง "พี่ใหญ่" มาอ้างอิง (Reference)

3. การทดสอบทางสถิติ: เราทำได้ดีหรือยัง?

เมื่อเราได้อัตราที่ปรับเรียบแล้ว (\( \dot{E}_x \)) เราต้องพิสูจน์ว่ามันดีจริง เราใช้การทดสอบหลายอย่างเพื่อตรวจสอบว่าค่าที่ปรับเรียบของเรานั้นตรงกับข้อมูลที่สังเกตได้ (\( d_x \)) โดยไม่มีอคติ (bias)

ในการทดสอบทั้งหมดนี้ เราจะดูที่ ส่วนเหลือ (residuals) (ความแตกต่างระหว่างสิ่งที่เราสังเกตได้กับสิ่งที่แบบจำลองของเราทำนายไว้)

การทดสอบ Chi-Square (\( \chi^2 \)) (การทดสอบความแม่นยำโดยรวม)

การทดสอบนี้ดูความแตกต่าง ทั้งหมด ในทุกช่วงอายุ เราต้องการให้ "ความคลาดเคลื่อน" โดยรวมมีค่าน้อย
สูตรคือ: \( \sum \frac{(d_x - E_x \dot{q}_x)^2}{E_x \dot{q}_x(1 - \dot{q}_x)} \)
• สมมติฐานหลัก (\( H_0 \)): อัตราที่ปรับเรียบแล้วคืออัตราที่ "ถูกต้อง"
• การตัดสินใจ: หากค่าที่คำนวณได้ น้อยกว่า ค่าวิกฤต (critical value) จากตาราง เราจะ "ยอมรับ" การปรับเรียบนั้น ถือว่าความแม่นยำใช้ได้!

การทดสอบค่าเบี่ยงเบนมาตรฐาน (Standardised Deviations Test - การทดสอบค่าผิดปกติ)

เราตรวจสอบว่าค่าเบี่ยงเบน (ความผิดพลาด) ในแต่ละช่วงอายุมีการแจกแจงปกติมาตรฐาน \( N(0, 1) \) หรือไม่
• สิ่งที่ต้องสังเกต: เราคาดหวังว่าประมาณ 95% ของค่าเบี่ยงเบนจะอยู่ระหว่าง -1.96 ถึง +1.96 ถ้าเราเจอค่าอย่าง +4.0 แสดงว่าการปรับเรียบของเราล้มเหลวในช่วงอายุนั้น

การทดสอบเครื่องหมาย (Signs Test - การทดสอบอคติ)

นี่เป็นการทดสอบที่เรียบง่ายแต่ทรงพลัง เรานับจำนวนครั้งที่อัตราที่ปรับเรียบของเรา สูงกว่า ข้อมูลจริง (+) และจำนวนครั้งที่ ต่ำกว่า (-)
• ตรรกะ: ถ้าแบบจำลองของเราไม่มีอคติ มันควรจะเป็นเหมือนการโยนเหรียญ เราควรได้จำนวนบวกและลบพอๆ กัน
• ข้อผิดพลาดที่พบบ่อย: นักศึกษามักสับสนกับการทดสอบกลุ่มของเครื่องหมาย (Grouping of Signs) จำไว้ว่า: Signs Test สนใจแค่ จำนวนรวม ของบวกเทียบกับลบ

การทดสอบกลุ่มของเครื่องหมาย (Grouping of Signs Test - การทดสอบการเกาะกลุ่ม)

การทดสอบนี้มองหา แนวต่อเนื่อง (runs) ของเครื่องหมายเดียวกัน เช่น ถ้าแบบจำลองของคุณต่ำกว่าข้อมูลต่อเนื่องกัน 10 ช่วงอายุ แสดงว่าเส้นโค้งของคุณ "อยู่ต่ำกว่า" ข้อมูลในส่วนนั้นๆ
• การเปรียบเทียบ: ถ้าคุณโยนเหรียญ 20 ครั้งแล้วได้หัว 10 ก้อย 10 นั่นคือเรื่องปกติ (Signs Test) แต่ถ้าคุณได้หัว รวดเดียว 10 ครั้งแล้วค่อยได้ก้อยรวดเดียว 10 ครั้ง แสดงว่ามีอะไรผิดปกติเกิดขึ้น (Grouping of Signs Test)!

การทดสอบความสัมพันธ์เชิงอนุกรม (Serial Correlations Test - การทดสอบรูปแบบ)

ตรวจสอบความสัมพันธ์ระหว่างค่าความผิดพลาดที่อายุ \( x \) กับอายุ \( x+1 \)
• เป้าหมาย: เราต้องการให้ความผิดพลาดเป็นแบบสุ่ม หากความผิดพลาดที่เป็นบวกในวันนี้หมายความว่าจะมีโอกาสเกิดบวกในวันพรุ่งนี้อีก แสดงว่าแบบจำลองของคุณยังขาดแนวโน้มสำคัญไป

รู้หรือไม่? วิธี Stevens-Dodd มักถูกนำมาใช้คำนวณการกระจายตัวของ runs สำหรับการทดสอบ Grouping of Signs นี่เป็นหนึ่งในเครื่องมือทางคณิตศาสตร์ประกันภัยที่ช่วยให้การทดสอบแม่นยำขึ้น!

4. สรุปการทดสอบแบบรวดเร็ว

1. Chi-Square: ตรวจสอบขนาดความผิดพลาดโดยรวม
2. Signs Test: ตรวจสอบว่ามีค่าบวกหรือลบมากเกินไปหรือไม่ (อคติโดยรวม)
3. Grouping of Signs: ตรวจสอบว่าค่าบวกหรือลบมีการ "เกาะกลุ่ม" กันหรือไม่ (อคติเฉพาะจุด)
4. Standardised Deviations: ตรวจสอบว่ามีช่วงอายุใดที่มีความผิดพลาดรุนแรงหรือไม่
5. Serial Correlation: ตรวจสอบว่ามีความสัมพันธ์ซ่อนอยู่ในลำดับความผิดพลาดหรือไม่

5. ข้อควรระวังที่พบบ่อย

• องศาอิสระ (Degrees of Freedom): ในการทดสอบ Chi-Square อย่าลืมลบจำนวนพารามิเตอร์ที่คุณประมาณค่าออกไป ถ้าคุณใช้สูตรที่มี 3 ค่าคงที่ (\( A, B, c \)) คุณต้องลบ 3 ออกจากองศาอิสระของคุณ!
• กลุ่มตัวอย่างขนาดเล็ก: หากจำนวนผู้เสียชีวิตมีน้อยมาก (น้อยกว่า 5) การทดสอบ Chi-Square อาจไม่ถูกต้อง คุณอาจต้องรวมช่วงอายุเข้าด้วยกัน
• การปรับเรียบมากเกินไป (Over-smoothing): หากคุณผ่านการทดสอบเรื่องความเรียบทุกข้อ แต่ค่า Chi-Square สูงลิ่ว แสดงว่าคุณได้ปรับเรียบจนทำลายลักษณะเด่นที่แท้จริงของข้อมูลทิ้งไปแล้ว!

ข้อคิดสำคัญ: การปรับเรียบข้อมูลจะสำเร็จก็ต่อเมื่ออัตราที่ได้มีความ ราบเรียบ แสดงถึง แนวโน้มที่แท้จริง ของข้อมูล และผ่านการ ทดสอบทางสถิติ เรื่องอคติและความแม่นยำ อย่ามองแค่การทดสอบใดการทดสอบหนึ่ง นักคณิตศาสตร์ประกันภัยที่ดีจะดูทุกอย่างประกอบกันเพื่อให้ได้ภาพที่ครบถ้วน

ฝึกคำนวณ Chi-Square ให้คล่องนะ! นี่เป็นหัวใจสำคัญในข้อสอบ CS2 เลย คุณทำได้แน่นอน!