Variance of estimators and confidence intervals

ยินดีต้อนรับสู่โลกแห่งความไม่แน่นอน (และวิธีรับมือกับมัน!)

ในการเรียนรู้ที่ผ่านมา คุณได้รู้วิธีการหาค่า "ประมาณการที่ดีที่สุด" (Best guess) สำหรับพารามิเตอร์โดยใช้ Maximum Likelihood Estimation (MLE) กันมาแล้ว แต่ในโลกของงานประกันภัย ตัวเลขตัวเดียวอาจไม่เพียงพอ หากคุณบอกหัวหน้าว่าค่าเคลมเฉลี่ยอยู่ที่ 5,000 ดอลลาร์ คำถามแรกที่เขาจะถามคุณคือ: "คุณมั่นใจแค่ไหน?"

บทนี้จะเป็นคำตอบสำหรับคำถามนั้นครับ เราจะมาเรียนรู้วิธีคำนวณ ความแปรปรวน (Variance) ของตัวประมาณการ (Estimators) และการสร้าง ช่วงความเชื่อมั่น (Confidence Intervals) เพื่อบอกให้รู้ว่าค่าพารามิเตอร์ที่แท้จริงน่าจะอยู่ในช่วงใด ถ้ารู้สึกยากในตอนแรก ไม่ต้องกังวลนะ เราจะค่อยๆ ย่อยให้เป็นขั้นตอนที่เรียบง่ายและสมเหตุสมผลครับ!

1. พื้นฐานที่สำคัญ: ข้อมูลและความโค้ง

ในการหาค่าความแปรปรวนของ MLE เราต้องดูที่ ฟังก์ชันภาวะน่าจะเป็น (Likelihood Function) ให้ลองจินตนาการว่าฟังก์ชันนี้เหมือนภูเขาลูกหนึ่ง โดยจุดยอดของภูเขาคือค่า MLE (\(\hat{\theta}\)) ของเรานั่นเอง

• ยอดเขาแหลม: หากภูเขามีความชันและแหลมมาก แสดงว่าเรามั่นใจมากว่าจุดสูงสุดอยู่ที่ \(\hat{\theta}\) จริงๆ ซึ่งความมั่นใจที่สูงหมายถึง ความแปรปรวนที่ต่ำ
• ที่ราบยอดเขา: หากยอดเขาแบนและมน แสดงว่าจุดสูงสุดอาจอยู่ที่ไหนก็ได้ในวงกว้าง ซึ่งความไม่มั่นใจนี้หมายถึง ความแปรปรวนที่สูง

ข้อมูลเชิงประจักษ์ (Observed Information)

ในวิชาแคลคูลัส ความ "ชัน" หรือ "ความโค้ง" วัดได้จากการหาอนุพันธ์อันดับสอง ในวิชาคณิตศาสตร์ประกันภัย เราเรียกสิ่งนี้ว่า ข้อมูลเชิงประจักษ์ (Observed Information) แทนด้วยสัญลักษณ์ \(O(\theta)\) ซึ่งคำนวณได้จากลบของอนุพันธ์อันดับสองของฟังก์ชันลอการิทึมภาวะน่าจะเป็น \(l(\theta)\):

\(O(\theta) = -\frac{d^2}{d\theta^2} l(\theta)\)

ข้อมูลฟิชเชอร์ (Fisher Information)

บ่อยครั้งที่เราต้องการเวอร์ชัน "ค่าเฉลี่ย" ของข้อมูลดังกล่าว ซึ่งเรียกว่า ข้อมูลฟิชเชอร์ (Fisher Information) หรือ ข้อมูลคาดหวัง (Expected Information) แทนด้วย \(I(\theta)\):

\(I(\theta) = E[O(\theta)] = E[-\frac{d^2}{d\theta^2} l(\theta)]\)

หัวใจสำคัญ: ความแปรปรวนของตัวประมาณการของเราจะมีค่าประมาณเป็น ส่วนกลับ ของข้อมูลดังกล่าว
\(\text{Var}(\hat{\theta}) \approx \frac{1}{I(\hat{\theta})}\)

ทบทวนสั้นๆ: ข้อมูลมาก = มั่นใจมาก = ความแปรปรวนน้อย!

2. เดลตาเมธอด (The Delta Method): อาวุธลับของนักคณิตศาสตร์ประกันภัย

บางครั้งเราไม่ได้สนใจแค่พารามิเตอร์ \(\theta\) (เช่น ค่าเฉลี่ยของข้อมูล) แต่เราอาจสนใจฟังก์ชันของพารามิเตอร์นั้น เช่น \(g(\theta)\) (เช่น ความน่าจะเป็นที่ค่าเคลมจะเกิน 10,000 ดอลลาร์) ถ้าเรารู้ความแปรปรวนของ \(\hat{\theta}\) แล้ว เราจะหาความแปรปรวนของ \(g(\hat{\theta})\) ได้อย่างไร?

เราจะใช้ เดลตาเมธอด (Delta Method) ซึ่งโดยเนื้อแท้แล้วคือการประมาณค่าเชิงเส้นโดยใช้อนุกรมเทย์เลอร์ (Taylor series) อันดับหนึ่งครับ

สูตรคำนวณ:
\(\text{Var}(g(\hat{\theta})) \approx [g'(\hat{\theta})]^2 \text{Var}(\hat{\theta})\)

ขั้นตอนการทำงาน:
1. หาค่า MLE \(\hat{\theta}\) ให้ได้ก่อน
2. หาความแปรปรวนของ \(\hat{\theta}\) โดยใช้เมทริกซ์ข้อมูล (ส่วนกลับของลบอนุพันธ์อันดับสอง)
3. กำหนดฟังก์ชัน \(g(\theta)\) ของคุณ แล้วหาอนุพันธ์ \(g'(\theta\))
4. แทนค่าทั้งหมดลงในสูตรเดลตาเมธอด

ตัวอย่าง: หากคุณกำลังประมาณความแปรปรวนของฟังก์ชันการอยู่รอด (Survival Function) \(S(x)\) ตัว \(g(\theta)\) ของคุณก็คือตัวสูตรการอยู่รอดนั่นเอง!

3. การสร้างช่วงความเชื่อมั่น (Confidence Intervals)

ช่วงความเชื่อมั่น (CI) จะให้ช่วงตัวเลขแก่เรา (เช่น "เรามั่นใจ 95% ว่าค่าที่แท้จริงอยู่ระหว่าง A และ B") ด้วยผลของ ทฤษฎีขีดจำกัดส่วนกลาง (Central Limit Theorem) ทำให้ MLE มีลักษณะ "การแจกแจงปกติเชิงเส้นกำกับ" (Asymptotically normal) หมายความว่าเมื่อขนาดกลุ่มตัวอย่างใหญ่ขึ้น ค่าจะเกาะกลุ่มเป็นรูปทรงระฆังคว่ำ!

ช่วงความเชื่อมั่นแบบมาตรฐาน (Wald Confidence Interval)

นี่คือสูตรคลาสสิกที่คุณน่าจะเคยเห็นในวิชาสถิติเบื้องต้น:
\(\hat{\theta} \pm z_{\alpha/2} \sqrt{\text{Var}(\hat{\theta})}\)

ค่า \(\sqrt{\text{Var}(\hat{\theta})}\) นี้ยังเป็นที่รู้จักกันในชื่อ ค่าความคลาดเคลื่อนมาตรฐาน (Standard Error หรือ SE)

ช่วงความเชื่อมั่นแบบแปลงค่าลอการิทึม (Log-Transformed Confidence Interval)

คุณทราบหรือไม่? ในงานประกันภัย พารามิเตอร์หลายอย่าง (เช่น ความรุนแรงของการเคลม) ไม่สามารถเป็นค่าติดลบได้ ช่วงความเชื่อมั่นแบบปกติอาจทำให้คุณได้ค่าช่วงที่ติดลบโดยไม่ได้ตั้งใจ (เช่น -500 ถึง 2,000 ดอลลาร์) ซึ่งในทางปฏิบัติมันเป็นไปไม่ได้! เพื่อแก้ไขปัญหานี้ เราจึงใช้การ แปลงค่าลอการิทึม (Log-Transform)

แทนที่จะสร้าง CI สำหรับ \(\theta\) เราจะสร้างสำหรับ \(\ln(\theta)\) แล้วค่อยแปลงกลับ วิธีนี้จะรับประกันว่าขอบเขตของเราจะเป็นบวกเสมอ

ช่วงที่ได้:
\([\hat{\theta} / U, \hat{\theta} \times U]\)
โดยที่ \(U = \exp \left( \frac{z_{\alpha/2} \text{SE}(\hat{\theta})}{\hat{\theta}} \right)\)

ข้อควรจำ: ใช้ช่วงความเชื่อมั่นแบบแปลงค่าลอการิทึมเมื่อพารามิเตอร์ของคุณต้องเป็นค่าบวกเสมอ เพื่อให้ผลลัพธ์ทางคณิตศาสตร์สอดคล้องกับความเป็นจริง!

4. การทำงานกับพารามิเตอร์หลายตัว

จะเกิดอะไรขึ้นถ้าโมเดลของเรามีสองพารามิเตอร์ เช่น \(\alpha\) และ \(\theta\) ในการแจกแจงแบบแกมมา (Gamma distribution)? เราจะต้องใช้ เมทริกซ์ข้อมูล (Information Matrix) ซึ่งเป็นตารางอนุพันธ์ครับ

การตั้งค่าเมทริกซ์:
เมทริกซ์ \(I(\theta)\) จะประกอบด้วย:
• ซ้ายบน: ลบของอนุพันธ์อันดับสองเทียบกับ \(\theta_1\)
• ขวาล่าง: ลบของอนุพันธ์อันดับสองเทียบกับ \(\theta_2\)
• ช่องอื่นๆ: ลบของอนุพันธ์ย่อยผสม (Mixed partial derivatives)

ในการหาค่าความแปรปรวน คุณต้อง หาเมทริกซ์ผกผัน (Invert the matrix) โดยค่าในแนวทแยงของเมทริกซ์ที่ได้จากการหาผกผันนั้นแหละคือค่าความแปรปรวนของพารามิเตอร์แต่ละตัว

ข้อผิดพลาดที่ควรระวัง: อย่าแค่กลับเศษเป็นส่วนของแต่ละตัวเลขนะ! คุณ ต้อง ทำการหาเมทริกซ์ผกผันทั้งก้อนก่อน แล้วค่อยดูค่าในแนวทแยง

5. สรุปและเคล็ดลับสั้นๆ

ขั้นตอนการทำงาน:
1. ลอการิทึมภาวะน่าจะเป็น \(\rightarrow\) 2. อนุพันธ์อันดับสอง \(\rightarrow\) 3. ข้อมูล \(\rightarrow\) 4. ความแปรปรวน \(\rightarrow\) 5. ช่วงความเชื่อมั่น

เทคนิคช่วยจำ:
• "ลบเจอลบเป็นบวก": จำไว้ว่าข้อมูล (Information) คือ ลบ ของอนุพันธ์อันดับสอง เนื่องจากฟังก์ชันลอการิทึมภาวะน่าจะเป็นมักจะมีลักษณะเว้าลง (เหมือนปากคว่ำ) อนุพันธ์อันดับสองจึงมีค่าเป็นลบ ดังนั้นการใส่เครื่องหมายลบเข้าไปอีกทีจะทำให้ได้ค่าข้อมูลที่เป็น บวก เสมอ! ถ้าคุณคำนวณได้ค่าความแปรปรวนติดลบ แสดงว่าลืมขั้นตอนนี้แน่นอน
• "Delta = Derivative": เดลตาเมธอดเกี่ยวข้องกับการนำอนุพันธ์มายกกำลังสองเสมอ

ให้กำลังใจทิ้งท้าย:
การประเมินความแปรปรวนและช่วงความเชื่อมั่นคือสะพานเชื่อมระหว่าง "คณิตศาสตร์บริสุทธิ์" กับ "การประยุกต์ใช้จริง" มันช่วยยอมรับว่าเราไม่ได้รู้ทุกอย่างอย่างสมบูรณ์แบบ แต่เราสามารถวัดได้ว่าเรา ไม่รู้อะไร มากน้อยแค่ไหน ฝึกฝนการใช้เดลตาเมธอดและเมทริกซ์ข้อมูลให้คล่อง แล้วคุณจะผ่านการสอบ ASTAM ได้อย่างแน่นอน!