ยินดีต้อนรับสู่อนาคต: การพยากรณ์ด้วยอนุกรมเวลา (Time Series)

ในบทก่อนหน้านี้ของส่วน แบบจำลองอนุกรมเวลา (Time Series Models) คุณได้เรียนรู้วิธีการระบุรูปแบบ การตรวจสอบความคงที่ (Stationarity) และการสร้างแบบจำลองอย่าง AR, MA และ ARMA ไปแล้ว แต่สงสัยไหมว่าเราทำทั้งหมดนั้นไปทำไม? เหตุผลหลักก็คือ เราต้องการรู้ว่า จะเกิดอะไรขึ้นต่อไป ต่างหากล่ะ

ในบทนี้ เราจะเน้นไปที่ ค่าพยากรณ์ (Predicted Values) ซึ่งคือการคาดการณ์ที่ดีที่สุดของเราสำหรับอนาคต และ ช่วงความเชื่อมั่น (Confidence Intervals) ซึ่งบอกเราว่าเรามั่นใจกับการคาดการณ์นั้นแค่ไหน ถ้าคุณเคยเห็นแผนที่พยากรณ์เส้นทางพายุเฮอริเคนที่มี "กรวยแห่งความไม่แน่นอน" (cone of uncertainty) ซึ่งจะค่อยๆ กว้างขึ้นเมื่อพายุเคลื่อนตัวออกไปไกลขึ้น นั่นแหละคือหัวใจสำคัญของบทนี้เลย!

ถ้ารู้สึกว่าคณิตศาสตร์ในตอนแรกดูน่ากลัว ไม่ต้องกังวลนะ เราจะค่อยๆ ย่อยให้เข้าใจทีละขั้นตอน เพื่อให้คุณเตรียมตัวสอบ SRM ได้อย่างมั่นใจ


1. การพยากรณ์จุด (Point Forecasts): การคาดเดาที่ดีที่สุด

การพยากรณ์จุด (Point Forecast) คือตัวเลขเพียงค่าเดียวที่เป็นการประมาณการที่ดีที่สุดของเราสำหรับค่าในอนาคตของอนุกรมเวลา ในข้อสอบ SRM เรามักจะแทนการพยากรณ์ที่ทำ ณ เวลา \(T\) สำหรับเวลาในอนาคต \(T+h\) ว่า \(\hat{y}_{T+h}\)

กฎทองของการพยากรณ์

เมื่อเราก้าวจากอดีต (ที่เรามีข้อมูลอยู่แล้ว) ไปสู่อนาคต (ที่เราไม่มีข้อมูล) เราจะใช้กฎง่ายๆ ข้อหนึ่งสำหรับเทอมความคลาดเคลื่อน (\(\epsilon\)):
เราสมมติให้ค่าความคลาดเคลื่อนสุ่มในอนาคตเป็นศูนย์

ทำไมต้องเป็นศูนย์? เพราะค่าคาดหมาย (Expected value) ของ White Noise คือศูนย์ เราไม่สามารถพยากรณ์ "ผลกระทบแบบสุ่ม" (random shocks) ได้ ดังนั้นสิ่งที่ดีที่สุดที่เราทำได้คือสมมติว่ามันจะไม่ผลักดันให้อนุกรมเวลาเอนเอียงไปในทิศทางใดทิศทางหนึ่ง

วิธีการคำนวณการพยากรณ์สำหรับแบบจำลองต่างๆ

1. แบบจำลอง AR(1):
สูตรของ AR(1) คือ \(y_{t} = \phi_0 + \phi_1 y_{t-1} + \epsilon_t\)
สำหรับการพยากรณ์ล่วงหน้าหนึ่งขั้น (\(h=1\)):
\(\hat{y}_{T+1} = \phi_0 + \phi_1 y_T\)
สำหรับการพยากรณ์ล่วงหน้าสองขั้น (\(h=2\)):
\(\hat{y}_{T+2} = \phi_0 + \phi_1 \hat{y}_{T+1}\)

2. แบบจำลอง MA(1):
สูตรคือ \(y_t = c + \epsilon_t + \theta_1 \epsilon_{t-1}\)
สำหรับการพยากรณ์ล่วงหน้าหนึ่งขั้น:
\(\hat{y}_{T+1} = c + \theta_1 \epsilon_T\) (โดยที่ \(\epsilon_T\) คือค่า Residual จากจุดสุดท้ายที่เราสังเกตได้)
สำหรับการพยากรณ์ล่วงหน้าสองขั้น:
\(\hat{y}_{T+2} = c\)
เอ๊ะ ทำไมเทอม \(\theta\) ถึงหายไปล่ะ? ก็เพราะว่าเมื่อเรามองไปล่วงหน้าสองขั้น เรากำลังเกี่ยวข้องกับ \(\epsilon_{T+1}\) ซึ่งเราสมมติให้เป็นศูนย์ไปแล้วนั่นเอง!

ประเด็นสำคัญ: สำหรับแบบจำลอง MA(q) ค่าพยากรณ์จะกลับเข้าสู่ค่าเฉลี่ยทันทีหลังจากผ่านไป \(q\) ขั้น ส่วนในแบบจำลอง AR(p) ค่าพยากรณ์จะค่อยๆ ลู่เข้าหาค่าเฉลี่ยตามกาลเวลา


2. ช่วงของการพยากรณ์ (Prediction Intervals): การวัดความไม่แน่นอน

แม้แต่แบบจำลองที่ดีที่สุดก็ไม่สามารถแม่นยำได้ 100% ช่วงของการพยากรณ์ (Prediction Interval) (ในบริบทนี้มักถูกเรียกว่าช่วงความเชื่อมั่น) จะให้ช่วงของค่าที่เราคาดว่าค่าในอนาคตมีโอกาสจะตกลงไปอยู่ในนั้น

โครงสร้างของช่วงการพยากรณ์

เช่นเดียวกับในการถดถอยเชิงเส้น (Linear Regression) ช่วงนี้สร้างขึ้นจาก:
ค่าพยากรณ์ \(\pm\) (ค่าวิกฤต \(\times\) ค่าความคลาดเคลื่อนมาตรฐาน)

สำหรับช่วง 95% สูตรจะเป็น:
\(\hat{y}_{T+h} \pm 1.96 \times \sqrt{Var(e_{T+h})}\)

โดยที่ \(e_{T+h}\) คือ ค่าความคลาดเคลื่อนของการพยากรณ์ (Forecast error) (ผลต่างระหว่างค่าจริงในอนาคตกับค่าที่เราพยากรณ์ไว้)

ทำไม "กรวย" ถึงกว้างขึ้น

ลองคิดแบบนี้ดู: คุณอาจจะเดาอุณหภูมิในอีก 1 ชั่วโมงข้างหน้าได้แม่นยำสูงมาก แต่การเดาอุณหภูมิในอีก 10 วันข้างหน้าให้แม่นยำนั้นยากกว่ามาก

ในอนุกรมเวลา:

  • ค่าความคลาดเคลื่อนมาตรฐาน (Standard Error) มักจะเพิ่มขึ้นเมื่อระยะเวลาที่พยากรณ์ล่วงหน้า (\(h\)) เพิ่มขึ้น
  • เมื่อเราพยากรณ์ไปไกลในอนาคต เราจะมี "การสุ่มที่คาดเดาไม่ได้" สะสมมากขึ้น
  • ผลที่ตามมาคือ ช่วงที่กว้างขึ้น (กลายเป็นรูป "พัด" หรือ "กรวย")

ทบทวนด่วน: - Point forecast = "ตรงกลาง" ของช่วงเวลาอนาคตที่เราคาดการณ์ - Prediction interval = "ความกว้าง" ที่สะท้อนถึงความไม่แน่นอนของเรา - ยิ่ง \(h\) มาก ความไม่แน่นอนยิ่งสูงขึ้น


3. การคำนวณความแปรปรวนของค่าความคลาดเคลื่อนในการพยากรณ์

จุดนี้เป็นที่ที่นักเรียนมักจะติดขัด แต่จริงๆ แล้วมันมีรูปแบบที่ชัดเจน! ลองดูแบบจำลอง AR(1): \(y_t = \phi y_{t-1} + \epsilon_t\) (สมมติให้ค่าเฉลี่ยเป็น 0 เพื่อความง่าย)

พยากรณ์ล่วงหน้าหนึ่งขั้น (h=1):

ค่าความคลาดเคลื่อนคือค่าสุ่มที่จะเกิดขึ้นถัดไปนั่นเอง: \(\epsilon_{T+1}\)
ความแปรปรวนก็คือ \(\sigma^2_\epsilon\)

พยากรณ์ล่วงหน้าสองขั้น (h=2):

ค่าความคลาดเคลื่อนจะรวมเอาผลกระทบจากการสุ่มในขั้นที่ 1 และ ขั้นที่ 2 เข้าด้วยกัน
ความแปรปรวนคือ \(\sigma^2_\epsilon (1 + \phi^2)\)

พยากรณ์ล่วงหน้า h ขั้น:

ความแปรปรวนคือ \(\sigma^2_\epsilon \sum_{j=0}^{h-1} \psi_j^2\)
หมายเหตุ: ค่าน้ำหนัก \(\psi\) (psi) คือการเขียนแบบจำลองใหม่ให้อยู่ในรูป Infinite MA สำหรับข้อสอบ SRM คุณเพียงแค่ต้องรู้ว่าเมื่อ \(h \rightarrow \infty\) ความแปรปรวนของค่าความคลาดเคลื่อนในการพยากรณ์จะเข้าใกล้ ความแปรปรวนของกระบวนการ (Process Variance) (ความแปรปรวนรวมของอนุกรมเวลานั้นๆ)

รู้หรือไม่? หากอนุกรมเวลาเป็นแบบ Stationary (คงที่) ช่วงของการพยากรณ์จะไม่กว้างออกไปเรื่อยๆ จนถึงอนันต์ แต่มันจะค่อยๆ นิ่งที่ความกว้างสูงสุดตามความแปรปรวนรวมของข้อมูล


4. ข้อผิดพลาดที่ควรหลีกเลี่ยง

ข้อผิดพลาดที่ 1: ลืมค่าคงที่ (Constant)
เมื่อคำนวณ \(\hat{y}_{T+1}\) อย่าลืมค่า Intercept (\(\phi_0\) หรือ \(c\)) หากคุณลืมใส่ ค่าพยากรณ์ของคุณจะมีความเอนเอียง (Bias) เข้าหาศูนย์เสมอ

ข้อผิดพลาดที่ 2: สับสนระหว่าง "Residual" กับ "Error"
ในแบบจำลอง MA(q) คุณใช้ค่า Residual ที่คำนวณได้จากข้อมูลที่มีอยู่แล้ว แต่สำหรับขั้นตอนในอนาคต ให้ใช้ค่าเป็น 0 อย่าพยายามไป "เดา" ค่าความคลาดเคลื่อนในอนาคต!

ข้อผิดพลาดที่ 3: ใช้ Z-score ผิดตัว
สำหรับช่วงความเชื่อมั่น 95% ให้ใช้ 1.96 ถ้าเป็น 90% ให้ใช้ 1.645 ตรวจสอบโจทย์ให้ดีว่าถามหาช่วงความมั่นใจระดับไหน!


5. สรุปและประเด็นสำคัญ

"ภาพรวม" สำหรับการสอบ SRM:

  • การพยากรณ์เป็นกระบวนการทำซ้ำ (Iterative): ใช้ค่าปัจจุบันพยากรณ์ค่าถัดไป แล้วใช้ค่านั้นไปพยากรณ์ค่าถัดไปอีกที
  • การกลับเข้าสู่ค่าเฉลี่ย (Mean Reversion): ในแบบจำลองที่เป็น Stationary การพยากรณ์ระยะยาวจะมุ่งเข้าหา ค่าเฉลี่ย ของกระบวนการเสมอ
  • ความคลาดเคลื่อนสะสม: ช่วงของการพยากรณ์จะกว้างขึ้นเมื่อคุณมองไกลออกไปในอนาคต เพราะจะมี "การสุ่ม" (\(\epsilon\)) ที่เรามองไม่เห็นสะสมมากขึ้น
  • ข้อจำกัดของแบบจำลอง MA: แบบจำลอง MA จะสูญเสียความจำของข้อมูลอย่างรวดเร็ว หลังจากผ่านไป \(q\) ขั้น ค่าพยากรณ์จะกลายเป็นค่าเฉลี่ย และช่วงการพยากรณ์จะคงที่

คุณทำได้อยู่แล้ว! ลองฝึกคำนวณการพยากรณ์ AR(1) ด้วยตัวเองสักสองสามข้อ แล้วรูปแบบเหล่านี้จะกลายเป็นเรื่องธรรมชาติสำหรับคุณเอง