ยินดีต้อนรับสู่การสำรวจข้อมูลตัวแปรเดียว (Univariate Data Exploration)!
สวัสดีครับ! ยินดีต้อนรับสู่หนึ่งในก้าวแรกที่สำคัญที่สุดสำหรับการสอบ Exam PA ของคุณ ก่อนที่เราจะไปสร้างแบบจำลองคาดการณ์ (Predictive Models) สุดล้ำ เราต้องเริ่มจากการทำความรู้จักกับข้อมูลของเราเสียก่อน ให้ลองนึกภาพว่าการสำรวจข้อมูลตัวแปรเดียวเปรียบเสมือนการออกเดทครั้งแรกกับชุดข้อมูลของคุณ—คุณแค่กำลังพยายามเรียนรู้ข้อมูลพื้นฐานทีละตัวแปร ("Uni" แปลว่าหนึ่ง) เมื่อจบบทนี้ คุณจะรู้วิธีสรุปและสร้างภาพข้อมูลสำหรับแต่ละตัวแปรเพื่อมองหาแพทเทิร์น ข้อผิดพลาด หรือสิ่งที่น่าประหลาดใจที่ซ่อนอยู่
ถ้ารู้สึกยากในตอนแรก ไม่ต้องกังวลนะ เราจะค่อยๆ ย่อยทุกอย่างให้เป็นเรื่องง่ายด้วยตัวอย่างที่เข้าใจได้ไม่ยากครับ!
1. ข้อมูลเชิงกลุ่ม (Categorical) กับ ข้อมูลเชิงตัวเลข (Numeric): สองตะกร้าใบใหญ่
ก่อนจะทำอะไร เราต้องรู้ก่อนว่าเรากำลังมองข้อมูลประเภทไหนอยู่ ในโลกของคณิตศาสตร์ประกันภัย ข้อมูลมักจะแบ่งออกเป็น 2 ประเภทหลักๆ คือ:
ข้อมูลเชิงกลุ่ม (Categorical / Qualitative Data)
คือข้อมูลที่เป็นฉลากหรือชื่อเรียก ซึ่งไม่สามารถนำมาคำนวณทางคณิตศาสตร์ได้ (คุณไม่สามารถเอา "สีแดง" + "สีน้ำเงิน" ได้)
- Nominal (นามบัญญัติ): กลุ่มที่ไม่มีลำดับความสำคัญในตัวมันเอง (เช่น เพศ, รัฐที่อาศัยอยู่, สีรถ)
- Ordinal (ลำดับขั้น): กลุ่มที่มีลำดับที่ชัดเจน (เช่น ระดับการศึกษา: มัธยมปลาย, ปริญญาตรี, ปริญญาโท)
ข้อมูลเชิงตัวเลข (Numeric / Quantitative Data)
คือตัวเลขที่ใช้แสดงค่าการวัดหรือจำนวนนับ
- Discrete (ไม่ต่อเนื่อง): จำนวนที่นับได้เป็นค่าจำนวนเต็ม (เช่น จำนวนครั้งที่เคลม, จำนวนบุตร)
- Continuous (ต่อเนื่อง): ค่าที่สามารถเป็นตัวเลขใดก็ได้ในช่วงค่าหนึ่ง (เช่น จำนวนเงินที่เคลม, อายุของผู้ถือกรมธรรม์)
ทบทวนสั้นๆ: ถ้าคุณสามารถคำนวณ "ค่าเฉลี่ย" ที่มีความหมายได้ ข้อมูลนั้นมักจะเป็นเชิงตัวเลข แต่ถ้าคุณกำลังจัดกลุ่มสิ่งต่างๆ เข้าเป็น "ประเภท" นั่นคือข้อมูลเชิงกลุ่มครับ
2. การสำรวจข้อมูลเชิงกลุ่ม
ในเมื่อเราหา "ค่าเฉลี่ย" ของสีหรือรัฐไม่ได้ เราจึงใช้ความถี่ (Frequencies) ในการสำรวจข้อมูลกลุ่มแทน
ตารางแจกแจงความถี่ (Frequency Tables)
คือการนับจำนวนว่าแต่ละกลุ่มปรากฏขึ้นมากี่ครั้ง เรามักจะดูความถี่สัมพัทธ์ (Relative Frequency) ซึ่งก็คือสัดส่วนเปอร์เซ็นต์ของจำนวนทั้งหมดนั่นเอง
การสร้างภาพด้วยแผนภูมิแท่ง (Bar Charts)
แผนภูมิแท่งคือเพื่อนสนิทของคุณในหัวข้อนี้ แท่งแต่ละแท่งแทนแต่ละกลุ่ม และความสูงของแท่งแทนจำนวนหรือเปอร์เซ็นต์ที่นับได้
ตัวอย่าง: แผนภูมิแท่งแสดงจำนวนกรมธรรม์ที่ขายได้ในแต่ละ "ภูมิภาค" (เหนือ, ใต้, ออก, ตก) ถ้าแท่ง "เหนือ" สูงเป็นสองเท่าของ "ใต้" คุณจะรู้ทันทีว่าธุรกิจของคุณกระจุกตัวอยู่ที่ไหน
ข้อผิดพลาดที่พบบ่อย: อย่าสับสนระหว่างแผนภูมิแท่งกับฮิสโตแกรม (Histogram)! แผนภูมิแท่งจะมีช่องว่างระหว่างแท่งเพราะแต่ละกลุ่มแยกจากกันโดยเด็ดขาด ส่วนฮิสโตแกรมจะไม่มีช่องว่างเพราะข้อมูลมีความต่อเนื่อง
3. การสำรวจข้อมูลเชิงตัวเลข: แนวโน้มเข้าสู่ส่วนกลาง (Central Tendency)
เราต้องการรู้ว่า "จุดศูนย์กลาง" ของข้อมูลอยู่ที่ไหน ซึ่งมี 3 วิธีหลักในการวัด:
- ค่าเฉลี่ย (Mean): ค่าเฉลี่ยเลขคณิต โดยนำทุกค่ามารวมกันแล้วหารด้วยจำนวนข้อมูลทั้งหมด
\( \bar{x} = \frac{\sum x_i}{n} \) - มัธยฐาน (Median): ค่าที่อยู่ตรงกลางเมื่อเรียงลำดับข้อมูลแล้ว ถ้าข้อมูลมีค่าผิดปกติ (Outliers) หรือค่าที่โดดมากๆ มัธยฐานมักจะสะท้อนความเป็น "ค่าทั่วไป" ได้ดีกว่าค่าเฉลี่ย
- ฐานนิยม (Mode): ค่าที่ปรากฏขึ้นบ่อยที่สุด
เปรียบเทียบให้เห็นภาพ: ลองจินตนาการว่ามีคน 10 คนในห้องที่มีรายได้ปีละ 50,000 ดอลลาร์ แล้วจู่ๆ มหาเศรษฐีพันล้านเดินเข้ามา ค่าเฉลี่ย รายได้จะพุ่งสูงขึ้นจนทำให้ทุกคนดูรวยไปหมด แต่มัธยฐาน (รายได้ของคนที่อยู่ตรงกลาง) จะแทบไม่เปลี่ยนเลย นี่คือสาเหตุที่บอกว่ามัธยฐานนั้นทนทาน (Robust) ต่อค่าผิดปกติได้ดีครับ!
4. การสำรวจข้อมูลเชิงตัวเลข: การกระจายตัว (Dispersion / Spread)
การรู้แค่จุดศูนย์กลางยังไม่พอ เราต้องรู้ด้วยว่าข้อมูลนั้นเกาะกลุ่มกันแน่นหรือกระจายตัวห่างกัน
ความแปรปรวน (Variance) และส่วนเบี่ยงเบนมาตรฐาน (Standard Deviation)
ค่าเหล่านี้วัดว่าโดยเฉลี่ยแล้ว ข้อมูลอยู่ห่างจากค่าเฉลี่ยมากแค่ไหน
- ความแปรปรวน (\( \sigma^2 \)): ค่าเฉลี่ยของผลรวมกำลังสองของส่วนเบี่ยงเบนจากค่าเฉลี่ย
- ส่วนเบี่ยงเบนมาตรฐาน (\( \sigma \)): รากที่สองของความแปรปรวน ซึ่งจะมีหน่วยเดียวกับข้อมูล (เช่น ดอลลาร์) ทำให้แปลผลได้ง่ายกว่า
สรุปข้อมูล 5 ค่า (Five-Number Summary) และ IQR
เป็นวิธีที่ยอดเยี่ยมในการดูการกระจายตัวโดยไม่ถูกกวนใจจากค่าผิดปกติ:
- ค่าต่ำสุด (Minimum)
- ควอไทล์ที่ 1 (Q1 - เปอร์เซ็นไทล์ที่ 25)
- มัธยฐาน (Q2 - เปอร์เซ็นไทล์ที่ 50)
- ควอไทล์ที่ 3 (Q3 - เปอร์เซ็นไทล์ที่ 75)
- ค่าสูงสุด (Maximum)
ช่วงระหว่างควอไทล์ (IQR): \( Q3 - Q1 \) ซึ่งบอกช่วงของ "ข้อมูล 50% ตรงกลาง" ของคุณ
5. รูปร่างของการแจกแจง (Shape of the Distribution)
เมื่อคุณดูภาพกราฟของข้อมูล "รูปทรง" ของมันบอกอะไรเราบ้าง?
ความเบ้ (Skewness)
ความเบ้บอกเราเกี่ยวกับความสมมาตรของข้อมูล
- เบ้ขวา (Right Skewed / Positive Skew): "หาง" ชี้ไปทางขวา ค่าส่วนใหญ่เป็นค่าเล็กๆ แต่มีค่าที่ใหญ่มากเพียงไม่กี่ค่าที่ดึงค่าเฉลี่ยไปทางขวา (ตัวอย่าง: จำนวนเงินเคลมประกัน—ส่วนใหญ่เคลมน้อย แต่มีบางเคสที่เคลมมหาศาล!)
- เบ้ซ้าย (Left Skewed / Negative Skew): "หาง" ชี้ไปทางซ้าย (ตัวอย่าง: อายุเกษียณ—คนส่วนใหญ่เกษียณตอนอายุเยอะ แต่มีบางคนเกษียณตั้งแต่อายุน้อย)
- สมมาตร (Symmetric): ซ้ายและขวาเป็นภาพสะท้อนของกันและกัน (เช่น การแจกแจงปกติ Normal Distribution)
เทคนิคช่วยจำ: "หางบอกเรื่องราว" ถ้าหางยาวๆ ชี้ไปทางขวา ก็คือเบ้ขวานั่นเอง!
ความโด่ง (Kurtosis)
อธิบายว่าหางของกราฟ "หนา" แค่ไหน ค่าความโด่งสูงหมายถึงความเสี่ยงที่จะเกิดค่าผิดปกติสุดโต่งมีสูงขึ้น (หางหนัก)
6. การสร้างภาพข้อมูลเชิงตัวเลข
ฮิสโตแกรม (Histograms)
ฮิสโตแกรมจะจัดกลุ่มข้อมูลตัวเลขเป็น "ถัง" (ช่วง) แล้วแสดงความถี่ เหมาะมากสำหรับการดูรูปร่าง (Shape) และความเบ้ (Skewness)
แผนภูมิกล่อง (Boxplots)
แผนภูมิกล่องจะแสดง "สรุปข้อมูล 5 ค่า" ออกมาเป็นภาพ:
- ตัวกล่อง (Box) แสดงค่า IQR (ข้อมูล 50% ตรงกลาง)
- เส้นในกล่อง คือค่ามัธยฐาน
- หนวด (Whiskers) แสดงช่วงของข้อมูล (ปกติคือ 1.5 เท่าของ IQR)
- จุดภายนอก (Dots) คือค่าที่อาจเป็นค่าผิดปกติ (Outliers)
รู้หรือไม่? แผนภูมิกล่องมีประโยชน์มากในการหาค่าผิดปกติ หากคุณเห็นจุดอยู่ไกลจากหนวด นั่นคือจุดที่คุณควรตรวจสอบในการสอบ Exam PA ของคุณ!
7. การมองหาปัญหา: ค่าผิดปกติและข้อมูลที่หายไป
การสำรวจข้อมูลตัวแปรเดียวคือโอกาสแรกที่คุณจะพบ "ข้อมูลที่ไม่สะอาด"
- ค่าผิดปกติ (Outliers): ข้อมูลที่แตกต่างจากกลุ่มอื่นอย่างเห็นได้ชัด อาจเป็นข้อผิดพลาด (เช่น ผู้ถือกรมธรรม์อายุ 200 ปี) หรือเป็นกรณีที่เกิดขึ้นจริงแต่สุดโต่ง (เช่น การเคลมมูลค่า 10 ล้านดอลลาร์)
- ข้อมูลที่หายไป (Missing Values): คอยสังเกตค่า "NA" หรือช่องว่าง บางครั้งอาจใช้ "0" หรือ "999" แทนข้อมูลที่ขาดหายไป ต้องระวังให้ดี!
ตารางสรุปสั้นๆ:
คุณลักษณะ: แนวโน้มเข้าสู่ส่วนกลาง | ตัววัด: ค่าเฉลี่ย, มัธยฐาน, ฐานนิยม
คุณลักษณะ: การกระจายตัว | ตัววัด: ส่วนเบี่ยงเบนมาตรฐาน, IQR, พิสัย
คุณลักษณะ: รูปร่าง | ตัววัด: ความเบ้, ความโด่ง
คุณลักษณะ: การทำภาพ | ตัววัด: ฮิสโตแกรม, แผนภูมิกล่อง, แผนภูมิแท่ง
ประเด็นสำคัญสำหรับ Exam PA
1. ตรวจสอบประเภทของตัวแปรก่อนเสมอ (เชิงกลุ่ม vs เชิงตัวเลข)
2. สำหรับข้อมูลเชิงตัวเลข ให้เปรียบเทียบค่าเฉลี่ยกับมัธยฐาน ถ้าค่าห่างกันมาก แสดงว่าข้อมูลมีความเบ้
3. ใช้ฮิสโตแกรมเพื่อดูรูปร่างของการแจกแจง และใช้แผนภูมิกล่องเพื่อหาค่าผิดปกติ
4. ข้อมูลที่เบ้ขวาพบได้บ่อยมากในงานประกันภัย (เช่น ยอดเคลม/ความเสียหาย) คุณอาจต้องแปลงข้อมูล (เช่น ใช้ Log transform) ในขั้นตอนการสร้างแบบจำลองในภายหลัง
สู้ต่อไปครับ! คุณกำลังสร้างรากฐานที่สำคัญสำหรับการอธิบายข้อมูลให้กรรมการตรวจข้อสอบเข้าใจ คุณทำได้แน่นอน!