ยินดีต้อนรับสู่โลกของอนุกรมเวลา (Time Series)!
สวัสดีครับ! หากคุณเคยดูแผนภูมิราคาหุ้น ติดตามอัตราการเต้นของหัวใจในช่วงหนึ่งชั่วโมงที่ผ่านมา หรือเคยสงสัยว่าพรุ่งนี้ฝนจะตกไหมโดยดูจากข้อมูลไม่กี่วันที่ผ่านมา นั่นแปลว่าคุณได้สัมผัสกับ อนุกรมเวลา (Time Series) เรียบร้อยแล้ว ในวิชา CS2 เราจะเปลี่ยนมุมมองจากการมองข้อมูลเป็น "ภาพนิ่ง" (snapshots) ที่เป็นอิสระต่อกัน มาเป็นการมองข้อมูลเป็น ลำดับ (sequence) ที่ลำดับก่อนหลังมีความสำคัญอย่างยิ่ง
ถ้ารู้สึกว่าเรื่องนี้ดูเป็นนามธรรมไปนิดในช่วงแรก ไม่ต้องกังวลนะ เราจะค่อยๆ เจาะลึก "DNA" ของตัวแบบอนุกรมเวลา ซึ่งก็คือแนวคิดหลักที่ช่วยให้เราทำนายอนาคตได้โดยอาศัยความเข้าใจในอดีต มาเริ่มกันเลย!
1. อนุกรมเวลา คืออะไรกันแน่?
อนุกรมเวลา (Time Series) คือการรวบรวมค่าสังเกต \(X_t\) ที่เกิดขึ้นเรียงลำดับตามเวลา โดยปกติแล้วค่าเหล่านี้จะถูกบันทึกในช่วงเวลาที่ห่างเท่าๆ กัน (เช่น ทุกวัน ทุกเดือน หรือทุกปี)
ในวิชา CS2 เราส่วนใหญ่จะจัดการกับอนุกรมเวลาแบบ ไม่ต่อเนื่อง (discrete-time) ซึ่งหมายความว่าเราพิจารณาจุดเวลาเฉพาะเจาะจงที่ \(t = 1, 2, 3, ...\) โดยเป้าหมายของเรามักจะมีสองส่วนหลักๆ คือ:
1. การอธิบาย (Explanation): ทำความเข้าใจว่าทำไมข้อมูลถึงมีพฤติกรรมเช่นนั้น
2. การทำนาย (Prediction/Forecasting): ใช้ประวัติของข้อมูลเพื่อคาดการณ์ว่าอะไรจะเกิดขึ้นต่อไป
คำศัพท์สำคัญที่ต้องรู้:
เชิงกำหนด (Deterministic): หากชุดข้อมูลเป็นไปตามกฎที่ตายตัว (เช่น \(X_t = 2t\)) เราจะเรียกว่าแบบกำหนดได้ ซึ่งเราสามารถทำนายค่าได้อย่างแม่นยำ แต่ในทางประกันภัยเราแทบไม่เจอแบบนี้หรอกครับ เพราะชีวิตจริงมันซับซ้อนกว่านั้น!
เชิงสุ่ม (Stochastic): นี่คือสิ่งที่เราให้ความสนใจครับ กระบวนการเชิงสุ่มจะเกี่ยวข้องกับ ความสุ่ม (randomness) เราไม่สามารถทำนายค่าที่แน่นอนได้ แต่เราสามารถสร้างแบบจำลองความน่าจะเป็นของผลลัพธ์ต่างๆ ได้
2. แนวคิดของสเตชันนารี (กฎแห่ง "ความคงที่")
สเตชันนารี (Stationarity) อาจเป็นแนวคิดที่สำคัญที่สุดในบทนี้ ลองจินตนาการว่าคุณกำลังหัดขับรถ แต่ทุกๆ 5 นาที พวงมาลัยและคันเร่งดันเปลี่ยนหน้าที่การทำงานไปเรื่อยๆ คงไม่มีใครขับได้ใช่ไหมครับ! สเตชันนารี จึงหมายถึงการที่ "กฎ" ของอนุกรมเวลาไม่มีการเปลี่ยนแปลงตามเวลา
Weak Stationarity (Second-Order Stationarity)
เพื่อให้เป็น สเตชันนารีแบบอ่อน อนุกรมเวลาต้องเป็นไปตามเงื่อนไขที่เข้มงวด 3 ข้อ:
1. ค่าเฉลี่ยคงที่ (Constant Mean): ค่าเฉลี่ย \(E[X_t]\) ต้องเป็นค่าคงที่ \(\mu\) และไม่ขึ้นกับเวลา \(t\)
2. ความแปรปรวนคงที่ (Constant Variance): การกระจายของข้อมูล \(\text{Var}(X_t)\) ต้องมีค่าจำกัดและคงที่
3. ความแปรปรวนร่วมที่สอดคล้องกัน (Consistent Covariance): ความสัมพันธ์ระหว่างจุดสองจุด (\(X_t\) และ \(X_{t+k}\)) ควรขึ้นอยู่กับเพียงแค่ ระยะห่าง (lag) ระหว่างจุดนั้นๆ (คือ \(k\)) ไม่ใช่ขึ้นอยู่กับเวลา \(t\) จริงๆ
เปรียบเทียบ: ลองนึกถึงน้ำพุ น้ำอาจจะกระเซ็นไปมา (ความสุ่ม) แต่ความสูงและรูปร่างโดยรวมของน้ำพุยังคงเดิมตลอดเวลา แบบนี้เรียกว่าเป็นสเตชันนารี ทีนี้ลองนึกถึงการปล่อยจรวด ตำแหน่งของมันเปลี่ยนไปเรื่อยๆ และพุ่งออกไปไกลขึ้นเรื่อยๆ แบบนี้เรียกว่า ไม่เป็นสเตชันนารี (non-stationary)
ทบทวนสั้นๆ: ถ้าคุณเห็นกราฟที่ข้อมูลมี "แนวโน้ม" (trend) ขาขึ้นหรือขาลง หรือมีการแกว่งที่กว้างขึ้นเรื่อยๆ กราฟนั้น ไม่เป็น สเตชันนารีแน่นอน!
3. การวัดความสัมพันธ์: ACVF และ ACF
เนื่องจากข้อมูลอนุกรมเวลาเรียงลำดับกัน ค่าในวันนี้มักจะมีความสัมพันธ์กับค่าเมื่อวาน เราจึงวัด "ความจำ" ของข้อมูลด้วยเครื่องมือสองตัวนี้:
ฟังก์ชันความแปรปรวนร่วมตัวเอง (Autocovariance Function: ACVF)
ACVF เขียนแทนด้วย \(\gamma_k\) เป็นการวัดความแปรปรวนร่วมระหว่าง \(X_t\) และ \(X_{t+k}\)
\(\gamma_k = \text{Cov}(X_t, X_{t+k}) = E[(X_t - \mu)(X_{t+k} - \mu)]\)
สังเกตว่า \(\gamma_0\) (ที่ระยะห่าง 0) ก็คือ ความแปรปรวน (variance) ของอนุกรมนั้นเอง!
ฟังก์ชันสหสัมพันธ์ตัวเอง (Autocorrelation Function: ACF)
ACF เขียนแทนด้วย \(\rho_k\) เป็นเวอร์ชันที่ "ปรับมาตรฐานแล้ว" ของ ACVF ซึ่งบอกเราถึงความสัมพันธ์ระหว่างอนุกรมเวลากับตัวมันเองในเวลาที่ต่างออกไป โดยจะมีค่าอยู่ระหว่าง -1 ถึง 1 เสมอ
สูตร: \(\rho_k = \frac{\gamma_k}{\gamma_0}\)
รู้หรือไม่? ACF เป็นเครื่องมือวิเคราะห์ที่ทรงพลังมาก ถ้า \(\rho_1\) มีค่าสูง แสดงว่าค่าของวันนี้คล้ายกับค่าของเมื่อวานมาก แต่ถ้าค่า \(\rho_k\) ทุกตัวใกล้ศูนย์ แสดงว่าข้อมูลชุดนั้นไม่มี "ความจำ" เลย!
4. รากฐานสำคัญ: ไวท์นอยส์ (White Noise)
ไวท์นอยส์คือแบบจำลองอนุกรมเวลาที่ง่ายที่สุด มันคือ "ความสุ่มบริสุทธิ์" ที่หลงเหลืออยู่หลังจากที่เราอธิบายส่วนอื่นๆ ของข้อมูลไปหมดแล้ว กระบวนการ \(\epsilon_t\) จะเป็น ไวท์นอยส์ ก็ต่อเมื่อ:
1. มีค่าเฉลี่ยเป็นศูนย์เสมอ: \(E[\epsilon_t] = 0\)
2. มีความแปรปรวนคงที่: \(\text{Var}(\epsilon_t) = \sigma^2\)
3. ไม่มีความสัมพันธ์ ระหว่างจุดเวลาที่ต่างกัน: \(\text{Cov}(\epsilon_s, \epsilon_t) = 0\) สำหรับ \(s \neq t\)
ตัวช่วยจำ: ลองนึกถึง "สัญญาณซ่า" (static) บนทีวีรุ่นเก่า มันคือการกระโดดของจุดภาพที่สุ่มไปมาโดยไม่มีรูปแบบ และไม่มีทางที่เราจะทำนาย "จุด" ต่อไปจากจุดปัจจุบันได้เลย
5. กล่องเครื่องมือของนักคณิตศาสตร์ประกันภัย: ตัวดำเนินการ (Operators)
เพื่อให้การคำนวณอนุกรมเวลาง่ายขึ้น เราใช้ "ทางลัด" หรือตัวดำเนินการสองตัว หากคุณคล่องสองตัวนี้ การเรียนแบบจำลอง AR และ MA ในภายหลังจะกลายเป็นเรื่องกล้วยๆ เลยครับ!
ตัวดำเนินการย้อนหลัง (Backward Shift Operator: \(B\))
ตัวดำเนินการ \(B\) ทำหน้าที่หมุนเข็มนาฬิกาย้อนกลับไปหนึ่งก้าว
\(B X_t = X_{t-1}\)
หากใช้สองครั้ง ก็คือย้อนกลับไปสองก้าว: \(B^2 X_t = X_{t-2}\)
ตัวดำเนินการผลต่าง (Difference Operator: \(\nabla\))
ตัวนี้ใช้สำหรับกำจัดแนวโน้ม (trend) เพื่อทำให้ข้อมูลกลายเป็นสเตชันนารี มันใช้วัด การเปลี่ยนแปลง ระหว่างก้าว
\(\nabla X_t = X_t - X_{t-1}\)
สังเกตว่า \(\nabla = 1 - B\) ความสัมพันธ์นี้สำคัญมากสำหรับการแก้สมการในข้อสอบ!
ข้อผิดพลาดที่พบบ่อย: นักเรียนมักสับสนระหว่าง \(B\) และ \(\nabla\) จำไว้นะครับ: \(B\) คือ เครื่องย้อนเวลา (แค่เปลี่ยนชื่อเรียก) ในขณะที่ \(\nabla\) คือ ตัวลบ (ทำหน้าที่คำนวณหาผลต่างค่าใหม่)
6. สรุปประเด็นสำคัญ
เช็คลิสต์สรุปเนื้อหา:
• อนุกรมเวลา คือลำดับของตัวแปรสุ่มที่เรียงตามเวลา
• สเตชันนารีแบบอ่อน (Weak Stationarity) ต้องประกอบด้วยค่าเฉลี่ยคงที่ ความแปรปรวนคงที่ และความแปรปรวนร่วมที่ขึ้นอยู่กับระยะห่าง \(k\) เท่านั้น
• ACF (\(\rho_k\)) บอกเราว่าอดีตมีอิทธิพลต่อปัจจุบันมากแค่ไหน
• ไวท์นอยส์ (White Noise) คือกระบวนการที่สเตชันนารีสมบูรณ์และไม่มี "ความจำ" เลย
• ใช้ ตัวดำเนินการย้อนหลัง (\(B\)) เพื่อทำให้สมการดูง่ายขึ้น
ไม่ต้องกังวลถ้าคณิตศาสตร์ของ ACF จะดูหนักไปนิดในช่วงนี้ สิ่งที่สำคัญที่สุดคือการเข้าใจ แนวคิด ของสเตชันนารีครับ ถ้าคุณสามารถระบุได้ว่าทำไมอนุกรมเวลาชุดหนึ่งถึงเป็นหรือเป็นไม่เป็นสเตชันนารี นั่นแปลว่าคุณเอาชนะส่วนที่ยากที่สุดของบทนี้ไปได้แล้ว!