ยินดีต้อนรับสู่โลกแห่งความไม่เป็นเส้นตรง (Non-Linearity)!

ที่ผ่านมาในการเตรียมตัวสอบ Exam SRM คุณน่าจะได้ศึกษาเกี่ยวกับ โมเดลเชิงเส้น (Linear Models) ในรูปแบบที่ง่ายที่สุดไปแล้ว นั่นคือ "เมื่อ \(X\) เพิ่มขึ้น \(Y\) จะเพิ่มขึ้นในอัตราที่คงที่" แม้ว่านั่นจะเป็นจุดเริ่มต้นที่ดี แต่ในโลกความเป็นจริง (และข้อมูลทางคณิตศาสตร์ประกันภัย) ความสัมพันธ์มักไม่ได้ตรงไปตรงมาขนาดนั้น บางครั้งความสัมพันธ์อาจเป็นเส้นโค้ง หรือบางครั้งผลกระทบของตัวแปรหนึ่งอาจขึ้นอยู่กับอีกตัวแปรหนึ่งอย่างสิ้นเชิง

ในบทนี้ เราจะมาเจาะลึกเรื่อง การแปลงตัวแปร (Variable Transformations) (การเปลี่ยนรูปทรงของตัวแปร) และ ปฏิสัมพันธ์ (Interactions) (การดูว่าตัวแปรส่งผลร่วมกันอย่างไร) เครื่องมือเหล่านี้จะช่วยให้โมเดลเชิงเส้นของเราสามารถจับรูปแบบข้อมูลในโลกจริงที่ซับซ้อนได้มากขึ้น โดยที่ยังคงความ "มหัศจรรย์" ทางคณิตศาสตร์ของวิธีการหาค่ากำลังสองน้อยที่สุดปกติ (Ordinary Least Squares - OLS) เอาไว้ได้

1. การแปลงตัวแปร (Variable Transformations)

การแปลงตัวแปรคือการประยุกต์ใช้ฟังก์ชันทางคณิตศาสตร์กับตัวแปรพยากรณ์ \(X\), ตัวแปรตอบสนอง \(Y\), หรือทั้งคู่ เราทำเช่นนี้เมื่อข้อมูลดิบไม่ได้มีความสัมพันธ์กันเป็นเส้นตรง

ก. การแปลงด้วยลอการิทึม (Logarithmic Transformations)

การ แปลงด้วย Log (โดยปกติคือ Natural Log, \( \ln \)) เป็นหนึ่งในเครื่องมือที่นักคณิตศาสตร์ประกันภัยใช้บ่อยที่สุด มันมีประโยชน์มากเมื่อข้อมูลมีความเบ้ (Skewed) สูง หรือเมื่อเราคาดหวังว่าการเปลี่ยนแปลงจะเกิดขึ้นในรูปของ เปอร์เซ็นต์ มากกว่าหน่วยดิบ

  • โมเดล Log-Linear: \( \ln(Y) = \beta_0 + \beta_1 X + \epsilon \) ในกรณีนี้ การเปลี่ยนแปลงของ \(X\) ไป 1 หน่วย จะสัมพันธ์กับการเปลี่ยนแปลงของ \(Y\) ประมาณ \( (e^{\beta_1} - 1) \times 100\% \)
  • โมเดล Log-Log: \( \ln(Y) = \beta_0 + \beta_1 \ln(X) + \epsilon \) ในที่นี้ \( \beta_1 \) จะแสดงถึง ความยืดหยุ่น (Elasticity) ซึ่งหมายความว่าการเปลี่ยนแปลงของ \(X\) ไป 1% จะนำไปสู่การเปลี่ยนแปลงของ \(Y\) ไป \( \beta_1 \)%

เคล็ดลับน่ารู้: หากคุณเห็นกราฟที่จุดกระจายตัวกว้างขึ้นเรื่อยๆ เหมือนปากแตร (Heteroscedasticity) การแปลง \(Y\) ด้วย Log มักจะช่วยให้ความแปรปรวนนั้น "คงที่" (Stabilize) มากขึ้นได้!

ข. การถดถอยพหุนาม (Polynomial Regression)

บางครั้งความสัมพันธ์ระหว่าง \(X\) และ \(Y\) มีความโค้ง (เช่น รูปตัว U หรือรูปตัว S) เพื่อจะเก็บข้อมูลส่วนนี้ เราสามารถเพิ่ม พจน์พหุนาม (Polynomial terms) เช่น \(X^2\) หรือ \(X^3\) เข้าไปในโมเดล

\( Y = \beta_0 + \beta_1 X + \beta_2 X^2 + \dots + \beta_p X^p + \epsilon \)

ถึงแม้ความสัมพันธ์กับ \(X\) จะเป็นเส้นโค้ง แต่โมเดลนี้ ยังคงเป็นโมเดลเชิงเส้น เพราะอะไรน่ะหรือ? เพราะโมเดลนี้ "เป็นเส้นตรงในส่วนของพารามิเตอร์" (\(\beta\)) เราแค่ปฏิบัติกับ \(X^2\) เหมือนกับว่ามันเป็นตัวแปรใหม่ตัวหนึ่งเท่านั้นเอง

ข้อควรระวัง: อย่าใส่เยอะจนเกินไป! การเพิ่มพหุนามดีกรีสูงมากๆ (เช่น \(X^8\)) อาจนำไปสู่ปัญหา Overfitting ซึ่งเป็นสภาวะที่โมเดลพยายามวิ่งไล่ตาม "สัญญาณรบกวน" (Noise) ในข้อมูล มากกว่าที่จะจับรูปแบบที่แท้จริง

สรุปสั้นๆ: การแปลงตัวแปร
  • การแปลงด้วย Log ใช้จัดการกับความสัมพันธ์เชิงการคูณและข้อมูลที่เบ้
  • พหุนาม (Polynomials) ใช้จัดการกับเส้นโค้ง (Quadratic, Cubic)
  • อย่าลืมตรวจสอบ กราฟเศษเหลือ (Residual plots) หลังการแปลง เพื่อดูว่า "รูปแบบ" ในค่าความคลาดเคลื่อนหายไปแล้วหรือยัง

2. พจน์ปฏิสัมพันธ์ (Interaction Terms)

ในโมเดลเชิงเส้นมาตรฐาน เราสมมติว่าผลกระทบของ \(X_1\) ที่มีต่อ \(Y\) จะคงที่เสมอ ไม่ว่าค่าของ \(X_2\) จะเป็นเท่าใดก็ตาม แต่ถ้ามันไม่เป็นอย่างนั้นล่ะ?

ตัวอย่าง: ลองนึกถึงผลของการ ออกกำลังกาย (\(X_1\)) และ การคุมอาหาร (\(X_2\)) ที่มีต่อ น้ำหนักที่ลดลง (\(Y\)) การออกกำลังกายอาจได้ผลในการลดน้ำหนักมากขึ้นหากบุคคลนั้นคุมอาหารควบคู่ไปด้วย "การส่งเสริมกัน" นี้แหละคือ ปฏิสัมพันธ์ (Interaction)

ก. สูตรของปฏิสัมพันธ์

เราเขียนแทนปฏิสัมพันธ์ได้ด้วยการนำตัวแปรพยากรณ์สองตัวมาคูณกัน:

\( Y = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + \beta_3 (X_1 \times X_2) + \epsilon \)

ในโมเดลนี้:

  • \( \beta_1 \) และ \( \beta_2 \) คือ ผลหลัก (Main effects)
  • \( \beta_3 \) คือ ผลจากปฏิสัมพันธ์ (Interaction effect)

ข. การตีความการเปลี่ยนแปลง

คุณสามารถจัดรูปสมการใหม่เพื่อให้เห็นว่า "ความชัน" ของ \(X_1\) เปลี่ยนไปอย่างไร:

\( Y = \beta_0 + (\beta_1 + \beta_3 X_2) X_1 + \beta_2 X_2 + \epsilon \)

ตอนนี้ "ความชันที่มีผลจริง" ของ \(X_1\) คือ \( (\beta_1 + \beta_3 X_2) \) ซึ่งหมายความว่าผลกระทบของ \(X_1\) นั้น ขึ้นอยู่กับ ค่าของ \(X_2\) นั่นเอง

ค. ปฏิสัมพันธ์กับตัวแปรเชิงคุณภาพ (Dummy Variables)

นี่เป็นหัวข้อที่ออกสอบ SRM บ่อยมาก! หากคุณมีตัวแปรเชิงปริมาณ (เช่น อายุ) และตัวแปรหุ่น (เช่น เพศ โดยให้ผู้ชาย = 1) การเพิ่มพจน์ปฏิสัมพันธ์จะทำให้โมเดลมี ความชันที่แตกต่างกัน ในแต่ละกลุ่ม

  • ไม่มีปฏิสัมพันธ์: เส้นขนานกัน (จุดตัดแกนต่างกัน แต่ความชันเท่ากัน)
  • มีปฏิสัมพันธ์: เส้นไม่ขนานกัน (มีทั้งจุดตัดแกน และ ความชันที่แตกต่างกัน)

รู้หรือไม่? ในการกำหนดราคาเบี้ยประกัน เรามักใช้ปฏิสัมพันธ์ระหว่าง "พื้นที่" และ "อายุ" เพราะผู้ขับขี่ที่อายุน้อยอาจมีความเสี่ยงในเขตเมืองมากกว่าในเขตชนบท

3. หลักลำดับชั้น (The Hierarchical Principle)

นี่คือ "กฎเหล็ก" สำหรับการสอบ SRM เลยทีเดียว หลักลำดับชั้น (Hierarchical Principle) ระบุว่า หากเราใส่ พจน์ปฏิสัมพันธ์ (\(X_1 X_2\)) ลงในโมเดล เราควรใส่ ผลหลัก (\(X_1\) และ \(X_2\)) ลงไปด้วย เสมอ

ทำไมล่ะ? เพราะต่อให้ค่า p-value ของ \(X_1\) หรือ \(X_2\) จะไม่มีนัยสำคัญด้วยตัวมันเอง แต่พจน์ปฏิสัมพันธ์จะตีความได้ยากมากหากไม่มีพวกมันอยู่ด้วย ผลหลักจะเป็นฐานอ้างอิงที่ทำให้เราเห็นว่าปฏิสัมพันธ์นั้นเบี่ยงเบนออกไปอย่างไร

ตัวอย่าง: หากผลลัพธ์จากโปรแกรมสถิติแสดงว่า \(X_1 X_2\) มีค่า p-value น้อยมาก (มีนัยสำคัญ) แต่ \(X_1\) มีค่า p-value สูง (ไม่มีนัยสำคัญ) คุณต้อง เก็บไว้ทั้งคู่ ในโมเดล!

4. ข้อควรพิจารณาในการเลือกโมเดล

เมื่อคุณเพิ่มการแปลงตัวแปร (เช่น \(X^2\)) หรือปฏิสัมพันธ์ (\(X_1 X_2\)) คุณกำลังเพิ่ม ความซับซ้อน (Complexity) ให้กับโมเดล ซึ่งจะทำให้จำนวนตัวแปรพยากรณ์ \(d\) เพิ่มขึ้น

จำจากการศึกษาเรื่องการเลือกโมเดลได้ไหมว่า การเพิ่มตัวแปรจะทำให้ ผลรวมกำลังสองของส่วนเหลือ (RSS) ในข้อมูลชุดฝึกฝน (Training data) ลดลงเสมอ แต่มันอาจส่งผลเสียต่อประสิทธิภาพเมื่อนำไปใช้กับข้อมูลใหม่ เพื่อตัดสินใจว่าการแปลงตัวแปรหรือปฏิสัมพันธ์นั้น "คุ้มค่า" จริงหรือไม่ เราจะใช้:

  • T-tests: เพื่อดูว่าค่าสัมประสิทธิ์ของพจน์ใหม่แตกต่างจากศูนย์อย่างมีนัยสำคัญหรือไม่
  • F-tests: เพื่อดูว่ากลุ่มของพจน์ใหม่ (เช่น \(X^2\) และ \(X^3\)) ช่วยทำให้โมเดลดีขึ้นโดยรวมหรือไม่
  • AIC/BIC: เพื่อลงโทษ (Penalize) โมเดลที่มีพารามิเตอร์มากเกินไป (ย้อนกลับไปดูบท เกณฑ์การเลือกโมเดล สำหรับสูตรเฉพาะเหล่านี้)
ข้อควรระวัง: การตีความ

อย่าลืมว่า เมื่อมีพจน์ปฏิสัมพันธ์อยู่ คุณจะไม่สามารถพูดได้ว่า "การเพิ่มขึ้นของ \(X_1\) ไป 1 หน่วย จะนำไปสู่การเปลี่ยนแปลงของ \(Y\) ไป \( \beta_1 \) หน่วย" คุณ ต้อง ระบุด้วยว่าการเปลี่ยนแปลงนั้นขึ้นอยู่กับระดับของตัวแปรอีกตัวที่อยู่ในพจน์ปฏิสัมพันธ์นั้นด้วย!

ประเด็นสำคัญที่ต้องจำ

1. การแปลงตัวแปร: ใช้ Log สำหรับข้อมูลที่เป็นเปอร์เซ็นต์หรือมีความเบ้ และใช้พหุนามสำหรับเส้นโค้ง สิ่งเหล่านี้ช่วยให้โมเดลเชิงเส้นสามารถปรับเข้ากับรูปทรงที่ไม่เป็นเส้นตรงได้

2. ปฏิสัมพันธ์: ใช้เมื่อผลกระทบของตัวแปรหนึ่งเปลี่ยนแปลงตามอีกตัวแปรหนึ่ง จะปรากฏในรูปของผลคูณ (เช่น \(X_1 \times X_2\)) ในสมการการถดถอย

3. ลำดับชั้น: ถ้ามีปฏิสัมพันธ์ ต้องมีผลหลักอยู่ด้วยเสมอ ไม่มีข้อยกเว้น!

4. ความซับซ้อน vs การปรับพอดี: ใช้การทดสอบทางสถิติ (t-tests, F-tests) และเกณฑ์ต่างๆ (AIC, BIC) เพื่อให้แน่ใจว่าการแปลงตัวแปรและปฏิสัมพันธ์ของคุณเพิ่มคุณค่าให้กับโมเดลจริงๆ ไม่ใช่แค่การสร้างสัญญาณรบกวน