บทนำ: ประวัติศาสตร์ของคุณมีความหมาย!
ยินดีต้อนรับสู่โลกของ แบบจำลองถดถอยในตัวเอง (Autoregressive - AR models)! หากคุณเคยคิดว่า "วันนี้ฉันเหนื่อยจังเพราะเมื่อคืนนอนดึก" คุณก็เข้าใจหัวใจสำคัญของแบบจำลอง AR เรียบร้อยแล้ว ในอนุกรมเวลา สิ่งที่เกิดขึ้นเมื่อวานมักส่งผลโดยตรงต่อสิ่งที่เกิดขึ้นในวันนี้
ในบทนี้ เราจะมาเรียนรู้วิธีเปลี่ยนความรู้สึกเชิงสัญชาตญาณนั้นให้กลายเป็นสูตรทางคณิตศาสตร์ ไม่ต้องกังวลหากตัวเลขดูน่ากลัวในตอนแรก เราจะค่อยๆ ถอดรหัสไปทีละส่วน เมื่ออ่านจบบทนี้ คุณจะเห็นว่าแบบจำลอง AR ก็เป็นเพียงเวอร์ชันพิเศษของสมการถดถอยเชิงเส้น (Linear Regression) ที่คุณคุ้นเคยกันดีอยู่แล้วนั่นเอง!
1. แบบจำลองถดถอยในตัวเอง (Autoregressive Model) คืออะไร?
คำว่า "Autoregressive" ฟังดูหรูหรา แต่ถ้าแยกรากศัพท์: Auto (ตัวเอง) และ Regressive (ถอยหลัง/การถดถอย) โดยพื้นฐานแล้ว มันก็คือการทำ Regression ของตัวแปรตัวหนึ่งกับตัวมันเองในอดีต (Time steps ก่อนหน้า)
แบบจำลอง AR(1): พื้นฐานที่สำคัญ
เวอร์ชันที่ง่ายที่สุดคือ แบบจำลอง AR(1) ซึ่งค่าปัจจุบัน (\(x_t\)) จะขึ้นอยู่กับค่าที่อยู่ก่อนหน้ามันทันที (\(x_{t-1}\)) เพียงค่าเดียว
สูตรของแบบจำลอง AR(1) คือ:
\(x_t = c + \phi x_{t-1} + \epsilon_t\)
เจาะลึกส่วนประกอบต่างๆ:
- \(x_t\): ค่าของข้อมูลในเวลา \(t\) (เช่น ราคาหุ้นวันนี้)
- \(c\): ค่าคงที่ (จุดตัดแกน หรือ Intercept)
- \(\phi\) (phi): สัมประสิทธิ์ถดถอยในตัวเอง ซึ่งบอกเราว่าวันนี้กับเมื่อวาน "เชื่อมโยง" กันมากน้อยแค่ไหน
- \(x_{t-1}\): ค่าของข้อมูลในเวลาที่ผ่านมาหนึ่งช่วง (ราคาของเมื่อวาน)
- \(\epsilon_t\): "White noise" หรือพจน์ความคลาดเคลื่อน (Error term) ซึ่งแทนการเปลี่ยนแปลงแบบสุ่มที่เราไม่สามารถทำนายได้
เปรียบเทียบ: ลองนึกถึงเทอร์โมสตัท ถ้าเมื่อวานห้องมีอุณหภูมิ 70 องศา (\(x_{t-1}\)) วันนี้ก็มีแนวโน้มที่จะอยู่ใกล้ 70 องศา บวกหรือลบด้วยการเปลี่ยนแปลงแบบสุ่ม (\(\epsilon_t\)) ตามสภาพอากาศ
ทบทวนสั้นๆ: พจน์ความคลาดเคลื่อน (\(\epsilon_t\))
เราสมมติว่าพจน์ความคลาดเคลื่อนมีการแจกแจงแบบปกติ (Normal Distribution) โดยมีค่าเฉลี่ยเป็น 0 และมีความแปรปรวนคงที่ (\(\sigma^2\)) นี่คือส่วนที่เรา "ทำนายไม่ได้" ของแบบจำลอง
2. ความคงที่ (Stationarity): กฎของ "หนังยาง"
เพื่อให้แบบจำลอง AR(1) มีประโยชน์สำหรับการพยากรณ์ระยะยาว ข้อมูลนั้นจำเป็นต้องมี ความคงที่ (Stationary) หมายความว่าคุณสมบัติทางสถิติ (เช่น ค่าเฉลี่ยและความแปรปรวน) จะไม่เปลี่ยนแปลงไปตามกาลเวลา
กฎทองสำหรับความคงที่ของ AR(1):
แบบจำลองจะมีสถานะคงที่ก็ต่อเมื่อ \(|\phi| < 1\) เท่านั้น
ทำไมเรื่องนี้ถึงสำคัญ?
- หาก \(|\phi| < 1\): อนุกรมเวลาจะเปรียบเหมือนหนังยาง ถ้ามีแรงสุ่ม (\(\epsilon_t\)) มาดึงให้ค่ากระเด็นออกไป สุดท้ายมันจะถูกดึงกลับเข้าหาค่าเฉลี่ยในระยะยาว
- หาก \(\phi = 1\): เราเรียกว่า Random Walk จะไม่มี "แรงดึง" กลับเข้าสู่จุดศูนย์กลาง การเปลี่ยนแปลงแต่ละครั้งจะส่งผลอยู่ตลอดไป
- หาก \(|\phi| > 1\): ข้อมูลจะ "ระเบิด" (Explode) พุ่งเข้าสู่ค่าอนันต์ ซึ่งเราไม่ต้องการสิ่งนี้ในการวิเคราะห์ความเสี่ยง!
รู้หรือไม่? Random Walk (\(\phi = 1\)) มักถูกใช้บรรยายราคาหุ้น เพราะราคาของวันนี้ถือเป็นการเดาที่ดีที่สุดสำหรับวันพรุ่งนี้ และการเปลี่ยนแปลงที่เกิดขึ้นนั้นเป็นการสุ่มโดยสิ้นเชิง
3. สถิติที่สำคัญของแบบจำลอง AR(1)
เมื่อคุณทำงานกับแบบจำลอง AR(1) ที่มีสถานะคงที่ (\(|\phi| < 1\)) คุณต้องจำสูตร 3 ข้อนี้ให้ขึ้นใจสำหรับการสอบ:
1. ค่าเฉลี่ย (Long-run Average):
\(\mu = \frac{c}{1 - \phi}\)
ข้อผิดพลาดที่พบบ่อย: คิดว่าค่าเฉลี่ยคือ \(c\) ซึ่งไม่ใช่! คุณต้องหารด้วย \((1 - \phi)\) เสมอ
2. ความแปรปรวน (Variance):
\(Var(x_t) = \frac{\sigma^2}{1 - \phi^2}\)
หมายเหตุ: \(\sigma^2\) คือความแปรปรวนของ Error term
3. ความสัมพันธ์ในตัวเอง (Autocorrelation - ACF):
ค่าสหสัมพันธ์ระหว่าง \(x_t\) และ \(x_{t-k}\) (โดยที่ \(k\) คือจำนวนช่วงเวลาที่ย้อนกลับไป) คือ:
\(\rho_k = \phi^k\)
หมายความว่าค่าสหสัมพันธ์จะค่อยๆ ลดลงแบบ Exponential เมื่อระยะเวลาห่าง (\(k\)) เพิ่มขึ้น
ประเด็นสำคัญ: ในแบบจำลอง AR(1) อิทธิพลของอดีตจะจางหายไปตามกาลเวลา แต่ในทางคณิตศาสตร์มันจะไม่เป็นศูนย์อย่างสมบูรณ์
4. ก้าวไปอีกขั้น: แบบจำลอง AR(p)
บางครั้งข้อมูลเมื่อวานแค่วันเดียวอาจไม่เพียงพอ อาจจะต้องใช้ข้อมูลย้อนหลัง 3 วัน! นี่คือ แบบจำลอง AR(p) โดยที่ \(p\) คือจำนวนของ "Lag" หรือช่วงเวลาในอดีตที่เรานำมาคิด
สมการ AR(p):
\(x_t = c + \phi_1 x_{t-1} + \phi_2 x_{t-2} + ... + \phi_p x_{t-p} + \epsilon_t\)
ความคงที่สำหรับ AR(p):
มีความซับซ้อนกว่า AR(1) แม้ว่า "ผลรวมของ \(\phi < 1\)" จะเป็นแนวทางที่ช่วยให้จำง่าย แต่เงื่อนไขที่เป็นทางการจริงๆ คือ "รากของสมการลักษณะเฉพาะ" ต้องอยู่นอกวงกลมหนึ่งหน่วย สำหรับการสอบ SRM ให้จำไว้ว่า \(\phi\) ทุกตัวต้องมีค่าเล็กพอที่จะไม่ทำให้กระบวนการระเบิดออก
5. การระบุแบบจำลอง AR: เคล็ดลับ PACF
เราจะรู้ได้อย่างไรว่าชุดข้อมูลเป็นแบบจำลอง AR หรือแบบอื่น (เช่น MA)? เราต้องดูที่กราฟสองชนิดนี้:
- ACF (Autocorrelation Function): สำหรับแบบจำลอง AR กราฟ ACF จะ ค่อยๆ ลู่เข้าหาศูนย์ (Tails off)
- PACF (Partial Autocorrelation Function): นี่คือเครื่องมือ "วิเศษ" สำหรับแบบจำลอง AR เพราะกราฟ PACF จะ ตัดฉับเป็นศูนย์ (Cuts off) หลังจากผ่านไป \(p\) ช่วงเวลา
เทคนิคช่วยจำ:
AR model = PACF cuts off. (ลองนึกถึงคำว่า "AP" เหมือนชื่อคลาสเรียน Advance Placement)
ถ้ากราฟ PACF มีแท่งนัยสำคัญอยู่ 2 แท่ง แล้วจากนั้นตกลงมาที่ศูนย์ นั่นคือแบบจำลอง AR(2)
6. การพยากรณ์ด้วยแบบจำลอง AR
การทำนายอนาคตด้วย AR คือกระบวนการที่ทำไปทีละขั้นตอน เพื่อหาค่าถัดไป เราก็แค่แทนค่าที่ทราบล่าสุดลงในสูตร
ตัวอย่างแบบทีละขั้นตอน (AR(1)):
สมมติว่า \(x_t = 5 + 0.5 x_{t-1} + \epsilon_t\) และค่าของวันนี้ (\(x_t\)) คือ 10
1. พยากรณ์สำหรับ \(t+1\): เนื่องจากเราไม่รู้ Error ในอนาคต (\(\epsilon_{t+1}\)) เราจึงสมมติให้เป็น 0
\(\hat{x}_{t+1} = 5 + 0.5(10) = 10\)
2. พยากรณ์สำหรับ \(t+2\): ใช้ค่าที่พยากรณ์ได้สำหรับ \(t+1\) มาเป็นอินพุตใหม่
\(\hat{x}_{t+2} = 5 + 0.5(10) = 10\)
หมายเหตุ: ในตัวอย่างนี้ การพยากรณ์ยังคงเท่ากับ 10 เพราะ 10 คือค่าเฉลี่ยระยะยาว (\(5 / (1 - 0.5) = 10\)) ถ้าค่าเริ่มต้นต่างออกไป ค่าพยากรณ์ก็จะค่อยๆ ขยับเข้าหา 10
7. สรุปประเด็นสำคัญ
อย่าให้สัญลักษณ์ทางคณิตศาสตร์ทำให้คุณกลัว! นี่คือสิ่งที่คุณต้องจำให้ได้สำหรับการสอบ:
- สูตร AR(1): \(x_t = c + \phi x_{t-1} + \epsilon_t\)
- ความคงที่ (Stationarity): ต้องมี \(|\phi| < 1\) หาก \(\phi = 1\) นั่นคือ Random Walk ซึ่งไม่คงที่
- ค่าเฉลี่ย: \(\mu = c / (1 - \phi)\)
- การระบุแบบจำลอง: แบบจำลอง AR จะมี ACF ที่ ค่อยๆ ลู่เข้า (Tails off) และ PACF ที่ ตัดฉับ (Cuts off) ที่ lag \(p\)
- การพยากรณ์: นำค่าในอดีตที่ทราบล่าสุดใส่ในสูตร และกำหนดให้ Error เป็นศูนย์
ส่งท้ายด้วยกำลังใจ: แบบจำลอง AR เปรียบเสมือน "บล็อกตัวต่อ" ของแทบทุกอย่างในอนุกรมเวลา ขอให้เข้าใจสูตรของ AR(1) ให้แม่น แล้วเนื้อหาที่เหลือในบทนี้จะกลายเป็นเรื่องง่ายสำหรับคุณ คุณทำได้แน่นอน!