ยินดีต้อนรับสู่การวิเคราะห์ข้อมูลสองตัวแปร (Bivariate Data Exploration)!
ในหัวข้อที่แล้ว เราได้เรียนเรื่องการวิเคราะห์ ตัวแปรเดียว (Univariate) ซึ่งเป็นการทำความเข้าใจตัวแปรทีละตัวไปแล้ว คราวนี้ได้เวลาอัปเลเวลกันครับ! การสำรวจข้อมูลสองตัวแปร (Bivariate Data Exploration) คือการดูตัวแปรสองตัวไปพร้อมๆ กันเพื่อดูว่าพวกมันมีปฏิสัมพันธ์กันอย่างไร
ทำไมเรื่องนี้ถึงเปรียบเสมือน "หัวใจ" ของการสอบ Exam PA? ก็เพราะว่าการทำ Predictive Modeling คือการพยายามทำความเข้าใจความสัมพันธ์ระหว่าง ตัวแปรต้น (Predictors/Features) กับ ตัวแปรเป้าหมาย (Target) ที่เราต้องการทำนายยังไงล่ะครับ ถ้าคุณสามารถมองเห็นความสัมพันธ์เหล่านี้ได้ทั้งในเชิงภาพและเชิงตัวเลข คุณก็ทำคะแนนไปได้กว่าครึ่งทางของการสร้างโมเดลที่ดีแล้ว! ไม่ต้องกังวลไปถ้าคุณไม่ได้เป็นเซียนคณิตศาสตร์ เราจะค่อยๆ ย่อยเรื่องนี้ให้เป็นขั้นตอนที่เห็นภาพและเข้าใจง่ายที่สุดครับ
1. ข้อมูลตัวเลข vs. ข้อมูลตัวเลข: คู่หูจอมพลัง
เมื่อคุณมีตัวแปรต่อเนื่องสองตัว (เช่น อายุ และ รายได้) คุณคงอยากรู้ว่าพวกมันเคลื่อนที่ไปในทิศทางเดียวกันไหม พวกมันเป็นเพื่อนซี้ที่ไปไหนมาไหนด้วยกัน หรือเป็นคนแปลกหน้าที่คอยหลบหน้ากันแน่?
แผนภาพการกระจาย (Scatterplot)
Scatterplot คือเพื่อนที่ดีที่สุดของคุณในกรณีนี้ มันจะนำตัวแปรหนึ่งไว้ที่แกน X และอีกตัวไว้ที่แกน Y
- ความสัมพันธ์เชิงบวก (Positive Relationship): จุดจะเรียงตัว "เฉียงขึ้นไปทางขวา" ยิ่ง \(X\) เพิ่มขึ้น \(Y\) ก็เพิ่มขึ้นตาม
- ความสัมพันธ์เชิงลบ (Negative Relationship): จุดจะเรียงตัว "เฉียงลงมาทางขวา" ยิ่ง \(X\) เพิ่มขึ้น \(Y\) จะลดลง
- ไม่มีความสัมพันธ์: จุดจะกระจายตัวเหมือนฝูงผึ้งที่บินมั่วไปหมด
ค่าสหสัมพันธ์ (Correlation: \(r\))
นี่คือตัวเลขตัวเดียวที่สรุปความแข็งแกร่งของความสัมพันธ์แบบ เส้นตรง (Linear)
- มีค่าตั้งแต่ -1 ถึง +1
- +1 หมายถึง ความสัมพันธ์เชิงบวกแบบเส้นตรงที่สมบูรณ์แบบ
- -1 หมายถึง ความสัมพันธ์เชิงลบแบบเส้นตรงที่สมบูรณ์แบบ
- 0 หมายถึง ไม่มีความสัมพันธ์แบบเส้นตรงเลย
กล่องทบทวนด่วน:
ค่าสหสัมพันธ์วัดเฉพาะความสัมพันธ์แบบ เส้นตรง เท่านั้น ถ้าข้อมูลของคุณมีรูปร่างเป็นตัว "U" ค่าสหสัมพันธ์อาจออกมาเป็น 0 ทั้งที่จริงๆ แล้วมันมีความสัมพันธ์ที่ชัดเจน! ดังนั้น อย่าดูแค่ตัวเลข ให้ดูที่แผนภาพประกอบเสมอครับ
รู้หรือไม่? ในการสอบ Exam PA หากตัวแปรต้นสองตัวมีความสัมพันธ์กันสูงมาก (เช่น \(r > 0.8\)) เราจะเรียกว่า ปัญหาความสัมพันธ์กันเองของตัวแปรต้น (Multicollinearity) ซึ่งอาจทำให้โมเดลของคุณไม่มีความเสถียร และคุณอาจจำเป็นต้องตัดตัวแปรตัวใดตัวหนึ่งออกไปครับ!
สรุปประเด็นสำคัญ:
ใช้ Scatterplot เพื่อดูเทรนด์ และใช้ค่าสหสัมพันธ์ (Correlation) เพื่อวัดความแน่นแฟ้นของความสัมพันธ์เชิงเส้นระหว่างสองตัวแปรที่เป็นตัวเลข
2. ข้อมูลตัวเลข vs. ข้อมูลกลุ่ม: เปรียบเทียบระหว่างกลุ่ม
บ่อยครั้งที่คุณต้องการทราบว่าค่าที่เป็นตัวเลข (เช่น จำนวนเงินเคลม) แตกต่างกันไปตามกลุ่มข้อมูล (เช่น เพศ หรือ ภูมิภาค) หรือไม่
แผนภาพกล่องแบบเคียงข้างกัน (Side-by-Side Boxplot)
นี่คือ "มาตรฐานทองคำ" สำหรับการสอบ Exam PA เลยครับ คุณนำตัวแปรกลุ่มไว้ที่แกน X และตัวเลขไว้ที่แกน Y
- สิ่งที่ต้องดู: "กล่อง" อยู่ที่ระดับเดียวกันไหม? ถ้ากล่องของ "กลุ่ม A" อยู่สูงกว่า "กลุ่ม B" มากๆ แสดงว่าตัวแปรกลุ่มนั้นน่าจะเป็นตัวพยากรณ์ที่ดีสำหรับเป้าหมายของคุณ!
แผนภาพความหนาแน่น (Density Plots แบบซ้อนทับกัน)
ลองจินตนาการถึงเนินเขาโค้งมนสองลูกที่วาดอยู่บนกราฟเดียวกัน ถ้าเนินเขาทั้งสองทับซ้อนกันสนิท แสดงว่าตัวแปรกลุ่มนั้นไม่มีผลเท่าไหร่ แต่ถ้าเนินเขาลูกหนึ่งเลื่อนห่างไปทางขวาของอีกลูก นั่นแสดงว่าคุณพบความสัมพันธ์ที่มีนัยสำคัญแล้ว
เปรียบเทียบ: นักบาสเกตบอล vs. นักยิมนาสติก
ถ้าเราพล็อต ความสูง (ตัวเลข) แบ่งตาม กีฬา (กลุ่ม) กล่องของนักบาสเกตบอลจะอยู่สูงกว่ากล่องของนักยิมนาสติกมาก นั่นบอกเราว่า ประเภทกีฬา เป็นตัวแปรที่ดีมากในการพยากรณ์ ความสูง
ข้อผิดพลาดที่พบบ่อย: อย่ามองแค่ค่า "กลาง" (ค่าเฉลี่ย/มัธยฐาน) ให้มอง การกระจายตัว (Spread) หรือความกว้างของกล่องด้วย ถ้ากลุ่มหนึ่งมีการกระจายตัวกว้างกว่าอีกกลุ่ม นั่นเป็นข้อมูลเชิงลึกที่สำคัญสำหรับการจัดการความเสี่ยง!
สรุปประเด็นสำคัญ:
หากต้องการดูว่าข้อมูลกลุ่มส่งผลต่อตัวเลขอย่างไร ให้ใช้ Side-by-Side Boxplots โดยสังเกตความแตกต่างของเส้นมัธยฐานและตำแหน่งโดยรวมของกล่อง
3. ข้อมูลกลุ่ม vs. ข้อมูลกลุ่ม: ค้นหารูปแบบ
ถ้าตัวแปรทั้งสองตัวเป็นข้อมูลกลุ่มล่ะ? เช่น สถานะการสูบบุหรี่ (ใช่/ไม่ใช่) สัมพันธ์กับ ประเภทกรมธรรม์ (พื้นฐาน/พรีเมียม) หรือไม่?
ตารางสรุปผล (Contingency Tables / Crosstabs)
นี่คือตารางง่ายๆ ที่แสดงผลรวมของจำนวนข้อมูล
- เคล็ดลับ: อย่าดูแค่จำนวนเต็ม ให้ดู สัดส่วน (Proportions) ถ้าพบว่า 80% ของผู้สูบบุหรี่เลือกแบบ "พื้นฐาน" แต่มีผู้ไม่สูบบุหรี่เพียง 20% ที่เลือกแบบเดียวกัน แสดงว่าคุณพบความสัมพันธ์แล้ว!
แผนภูมิแท่งแบบซ้อน (Stacked) หรือแบบแบ่งกลุ่ม (Grouped Bar Charts)
- Stacked Bar Chart: แต่ละแท่งแสดงถึงหมวดหมู่ และ "เติมสี" ด้วยตัวแปรที่สอง ถ้าสีมีการกระจายตัวต่างกันในแต่ละแท่ง แสดงว่ามีความสัมพันธ์กัน
- Filled (Proportional) Bar Chart: ทุกแท่งจะมีความสูงเท่ากันหมด (100%) วิธีนี้ดีมากสำหรับการดูว่า อัตราส่วน ของกลุ่มเปลี่ยนไปอย่างไร
เทคนิคช่วยจำ: "กฎ 100%"
เมื่อเปรียบเทียบกลุ่มที่มีขนาดต่างกันมาก (เช่น ผู้ชาย 1,000 คน vs. ผู้หญิง 10 คน) ให้ใช้ สัดส่วน (เปอร์เซ็นต์) เสมอ แทนที่จะใช้จำนวนเต็ม ไม่เช่นนั้นกลุ่มที่เล็กกว่าจะถูก "กลืนหายไป" ในกราฟ
สรุปประเด็นสำคัญ:
ใช้ Proportional Stacked Bar Charts เพื่อดูว่าการกระจายตัวของตัวแปรกลุ่มหนึ่ง เปลี่ยนไปตามอีกตัวแปรหนึ่งหรือไม่
4. ทำไมเรื่องนี้ถึงสำคัญต่อการสอบ?
ในการสอบ Exam PA คุณไม่ได้แค่ทำกราฟเล่นๆ นะครับ แต่คุณกำลังทำ การคัดเลือกตัวแปร (Feature Selection)
1. Predictor vs. Target: ถ้าเห็นความสัมพันธ์ ให้เก็บตัวแปรนั้นไว้! เพราะมันมีประโยชน์
2. Predictor vs. Predictor: ถ้าเห็นความสัมพันธ์ที่รุนแรงมาก ระวังเรื่อง ความซ้ำซ้อน (Redundancy) การใช้ตัวแปรทั้งสองตัวอาจทำให้โมเดลของคุณอ่านค่าได้ยากขึ้น
ไม่ต้องกังวลถ้าตอนแรกจะรู้สึกว่ามันยาก! ยิ่งคุณฝึกดูแผนภาพเหล่านี้ใน R บ่อยเท่าไหร่ คุณก็จะยิ่งอ่าน "เรื่องราว" ที่ข้อมูลบอกได้เร็วขึ้นเท่านั้น เวลาทำข้อสอบ ให้เขียนอธิบายสิ่งที่คุณเห็นด้วยภาษาธรรมดาๆ เหมือนที่เราคุยกันเรื่องนักบาสเกตบอลนี่แหละครับ!
สรุปเครื่องมือสำหรับข้อมูลสองตัวแปร:
1. ตัวเลข + ตัวเลข: Scatterplot, ค่าสหสัมพันธ์ \(r\)
2. ตัวเลข + กลุ่ม: Side-by-side Boxplots, Overlaid Density Plots
3. กลุ่ม + กลุ่ม: Contingency Tables, Stacked Bar Charts
กล่องทบทวนด่วน:
Bivariate = สองตัวแปร
เป้าหมาย: ค้นหาความสัมพันธ์ ตรวจจับปัญหา Multicollinearity และระบุตัวแปรต้นที่สำคัญที่สุดสำหรับโมเดลของคุณ