Selecting appropriate frequency distributions

ยินดีต้อนรับสู่การเลือกการแจกแจงความถี่ (Selecting Frequency Distributions)!

สวัสดีว่าที่นักคณิตศาสตร์ประกันภัยทุกคน! ในการเรียนที่ผ่านมา น้องๆ คงคุ้นเคยกับการแจกแจงแบบต่างๆ มาบ้างแล้ว เช่น Poisson หรือ Negative Binomial แต่ในโลกแห่งความเป็นจริง (และในข้อสอบ Exam FAM) ข้อมูลที่ให้มาจะไม่มีป้ายบอกหรอกนะว่าต้องใช้การแจกแจงแบบไหน บทนี้เปรียบเสมือนการฝึกเป็น "นักสืบหาการแจกแจง" เราจะมาเรียนรู้วิธีดูคุณลักษณะของข้อมูลและรูปแบบทางคณิตศาสตร์เพื่อเลือกโมเดลที่สมบูรณ์แบบที่สุดสำหรับจำนวนการเคลมประกัน (ความถี่) ถ้ารู้สึกว่ามีคณิตศาสตร์เยอะในตอนแรก ไม่ต้องกังวลนะ เมื่อเห็นรูปแบบของมันแล้ว มันจะเหมือนการเล่นเกมจับคู่สนุกๆ เลยล่ะ!

1. การเปรียบเทียบ "สามทหารเสือ": ค่าเฉลี่ย vs ความแปรปรวน

วิธีที่ง่ายที่สุดในการคัดเลือกตัวเลือกให้แคบลงคือการดูความสัมพันธ์ระหว่าง ค่าเฉลี่ย (Mean) \( E[N] \) และ ความแปรปรวน (Variance) \( Var(N) \) ในโลกของคณิตศาสตร์ประกันภัย เราเรียกความสัมพันธ์ระหว่างสองค่านี้ว่า "การกระจายตัว (Dispersion)"

ลองจินตนาการแบบนี้: ถ้าคุณคาดการณ์ว่าจะมีเคลม 10 รายต่อเดือน จำนวนนี้มันแกว่งแค่ไหนกันนะ? มันมักจะอยู่ที่ 9, 10, หรือ 11 ตลอดเลย หรือว่ามันแกว่งกว้างมากตั้งแต่ 0 ถึง 50?

• การแจกแจง Poisson (โมเดลที่สมดุล): ในกรณีนี้ ค่าเฉลี่ยจะเท่ากับความแปรปรวนพอดี \( E[N] = Var(N) = \lambda \) เราเรียกสิ่งนี้ว่า Equidispersion
• การแจกแจง Binomial (โมเดลที่คงเส้นคงวา): ในกรณีนี้ ความแปรปรวนจะ น้อยกว่า ค่าเฉลี่ย \( Var(N) < E[N] \) เราเรียกสิ่งนี้ว่า Underdispersion ซึ่งมักจะเกิดขึ้นเมื่อจำนวนเคลมมีเพดานจำกัด (เหมือนคน 10 คนในห้อง คุณไม่มีทางเคลมได้เกิน 10 ครั้งแน่นอน)
• การแจกแจง Negative Binomial (โมเดลที่ผันผวนสูง): ในกรณีนี้ ความแปรปรวนจะ มากกว่า ค่าเฉลี่ย \( Var(N) > E[N] \) เราเรียกสิ่งนี้ว่า Overdispersion ซึ่งพบบ่อยมากในการประกันภัยเพราะการเคลมมักจะ "เกาะกลุ่มกัน" (Clumping)

ตารางทบทวนด่วน:
ถ้าค่าเฉลี่ยตัวอย่าง \(\approx\) ความแปรปรวนตัวอย่าง \(\rightarrow\) Poisson
ถ้าค่าเฉลี่ยตัวอย่าง \(>\) ความแปรปรวนตัวอย่าง \(\rightarrow\) Binomial
ถ้าค่าเฉลี่ยตัวอย่าง \(<\) ความแปรปรวนตัวอย่าง \(\rightarrow\) Negative Binomial

2. ตระกูล (a, b, 0): อาวุธลับทางคณิตศาสตร์

นักคณิตศาสตร์ประกันภัยใช้สูตรพิเศษเพื่อระบุการแจกแจงภายใน ตระกูล (a, b, 0) ซึ่งครอบคลุม "สามทหารเสือ" ของเราข้างต้น กฎบอกไว้ว่าอัตราส่วนของความน่าจะเป็นที่ต่อเนื่องกันจะเป็นไปตามรูปแบบเชิงเส้น:

\( \frac{p_k}{p_{k-1}} = a + \frac{b}{k} \) สำหรับ \( k = 1, 2, 3, \dots \)

เพียงแค่มองดูค่าของ a คุณก็สามารถระบุการแจกแจงได้ทันที:

1. Poisson: \( a = 0 \) (อัตราส่วนขึ้นอยู่กับ \( b/k \) เท่านั้น)
2. Binomial: \( a < 0 \)
3. Negative Binomial: \( a > 0 \)

ช่วงเปรียบเทียบ! ลองจินตนาการว่าคุณกำลังเดินขึ้นบันได ความสูงของขั้นบันไดถัดไปเมื่อเทียบกับขั้นปัจจุบันจะเป็นไปตามกฎ หากกฎนั้นคงที่ (Poisson) บันไดก็จะคาดเดาได้ง่าย ถ้าขั้นบันไดค่อยๆ เตี้ยลงเรื่อยๆ (Binomial) ในที่สุดคุณก็จะเจอเพดาน แต่ถ้าขั้นบันไดค่อยๆ สูงขึ้นเรื่อยๆ (Negative Binomial) คุณก็เตรียมพุ่งทะยานไปถึงดวงจันทร์ได้เลย!

จุดสำคัญที่ต้องจำ:

ถ้าโจทย์ให้รายการความน่าจะเป็นมา (เช่น \( p_0, p_1, p_2 \)) ให้คำนวณอัตราส่วน \( \frac{p_k}{p_{k-1}} \) ถ้าค่ามันลดลงเมื่อ \( k \) เพิ่มขึ้น แต่ยังคงเป็นบวก ให้ตรวจสอบค่า a ถ้า \( a > 0 \) นั่นคือ Negative Binomial แน่นอน!

3. การจัดการกับ Zero-Inflation: ตระกูล (a, b, 1)

บางครั้งข้อมูลในโลกจริงอาจมีเลข "0" มากเกินไป หรือไม่มีเลข "0" เลยก็ได้ ตัวอย่างเช่น หากคุณกำลังดู "จำนวนครั้งที่เข้าพักรักษาตัวในโรงพยาบาล" คุณอาจตัดกลุ่มคนที่เข้าพัก 0 ครั้งออกไป (Zero-Truncated) หรือคุณอาจพบว่ามีคนเข้าพัก 0 ครั้งมากกว่าที่โมเดล Poisson มาตรฐานควรจะเป็น (Zero-Modified)

ตระกูล (a, b, 1) จะเริ่มรูปแบบที่ \( k = 2 \) หมายความว่า \( p_1 \) จะถูกคำนวณต่างจาก \( p_0 \)

• Zero-Truncated (ZT): การแจกแจงเริ่มที่ \( k=1 \) โดยไม่มีความน่าจะเป็นสำหรับ \( k=0 \) เปรียบเหมือนชมรมที่มีป้ายติดว่า "ต้องมีการเคลมอย่างน้อย 1 ครั้งถึงจะเข้าได้"
• Zero-Modified (ZM): เราจะกำหนดค่าความน่าจะเป็นของศูนย์ \( p_0^M \) ขึ้นมาเอง แล้วค่อย "ปรับจูน" ส่วนที่เหลือของการแจกแจงให้เข้ากับความน่าจะเป็นที่เหลืออยู่

ไม่ต้องกังวลถ้าดูเหมือนซับซ้อน! สูตรสำหรับความน่าจะเป็นที่ปรับปรุงแล้ว \( p_k^M \) ก็เป็นเพียงการปรับขนาด (Scaled) ของ \( p_k \) เดิมเท่านั้นเอง:
\( p_k^M = \frac{1 - p_0^M}{1 - p_0} p_k \)
โดยที่ \( p_0^M \) คือค่าความน่าจะเป็นของศูนย์ที่ปรับใหม่ และ \( p_0 \) คือค่าความน่าจะเป็นของศูนย์จากการแจกแจง "สามทหารเสือ" แบบดั้งเดิม

4. ทีละขั้นตอน: วิธีเลือกการแจกแจง

เมื่อต้องเจอกับโจทย์ข้อสอบที่ถามให้คุณเลือกการแจกแจงจากตารางความถี่ ให้ทำตามขั้นตอนดังนี้:

ขั้นที่ 1: คำนวณค่าเฉลี่ยตัวอย่าง (\( \bar{x} \)) และความแปรปรวนตัวอย่าง (\( s^2 \))
ขั้นที่ 2: เปรียบเทียบค่าทั้งสอง หาก \( s^2 > \bar{x} \) ให้เอนเอียงไปทาง Negative Binomial หาก \( s^2 \approx \bar{x} \) ให้เอนเอียงไปทาง Poisson
ขั้นที่ 3: ตรวจสอบอัตราส่วน \( k \cdot \frac{p_k}{p_{k-1}} \) ถ้าคุณพล็อตค่าเหล่านี้เทียบกับ \( k \) ความชันของเส้นกราฟจะช่วยระบุค่า a และ b ได้
ขั้นที่ 4: พิจารณา \( p_0 \) หากค่า \( p_0 \) จริงในข้อมูลมีค่าสูงกว่าที่โมเดลคาดการณ์ไว้มาก คุณก็น่าจะต้องใช้เวอร์ชัน Zero-Modified

ข้อผิดพลาดที่พบบ่อย: นักเรียนหลายคนลืมว่าสูตรความแปรปรวนของ Negative Binomial คือ \( r \beta (1+\beta) \) และด้วยตัวประกอบ \( (1+\beta) \) นี้เอง ความแปรปรวนจะ มากกว่า ค่าเฉลี่ย \( r \beta \) เสมอ ดังนั้นถ้าข้อมูลของคุณมีความแปรปรวนที่น้อยกว่าค่าเฉลี่ย อย่าเลือก Negative Binomial เด็ดขาด!

5. วิธีการเชิงกราฟ (การเช็กด้วยสัญชาตญาณ)

รู้หรือไม่? นักคณิตศาสตร์ประกันภัยมักใช้ "Ratio Plot" เพื่อดูว่าการแจกแจงแบบไหนเหมาะสมที่สุด ถ้าคุณพล็อต \( k \frac{p_k}{p_{k-1}} \) เทียบกับ \( k \) แล้วจุดที่ได้เรียงเป็นเส้นตรง นั่นเป็นการยืนยันว่าคุณกำลังดูการแจกแจงแบบ (a, b, 0) หรือ (a, b, 1) อยู่

• เส้นแนวนอน: Poisson (\( a=0 \))
• เส้นเฉียงขึ้น: Negative Binomial (\( a>0 \))
• เส้นเฉียงลง: Binomial (\( a<0 \))

สรุปจุดสำคัญ:

การเลือกการแจกแจงความถี่คือเรื่องของการจับคู่ รูปแบบ (Patterns) ให้ใช้ความสัมพันธ์ระหว่างค่าเฉลี่ยและความแปรปรวนเพื่อเดาในเบื้องต้น ใช้ความสัมพันธ์เวียนเกิด \( (a, b, 0) \) เพื่อพิสูจน์ทางคณิตศาสตร์ และใช้การปรับศูนย์ (Zero-modification) หากหมวดหมู่ "0" ดูผิดปกติเมื่อเทียบกับข้อมูลส่วนอื่น เมื่อเชี่ยวชาญเครื่องมือทั้งสามนี้แล้ว คุณก็จะเป็น Sherlock Holmes แห่งโมเดลความถี่ได้อย่างแน่นอน!