การจัดการปัญหา Multicollinearity และ Temporal Mismatch ในการทำนายผลลัพธ์จุดเดียวด้วยข้อมูลหลายช่วงเวลา
พัฒนา ราชวงศ์ อาศรมภูมิวิทยาศาสตร์
สาขาวิชาภูมิศาสตร์ มหาวิทยาลัยนเรศวร
ในการวิเคราะห์ทางสถิติและการเรียนรู้ของเครื่อง (Machine Learning) การนำข้อมูลอนุกรมเวลาที่มีหลายช่วงเวลา (High-Dimensional Time Series) มาเป็นตัวแปรทำนายเพื่อหาความสัมพันธ์กับผลลัพธ์ที่เป็นค่าเดี่ยว ณ จุดเวลาใดเวลาหนึ่ง (Scalar Output) นับเป็นความท้าทายสำคัญที่ต้องอาศัยความระมัดระวังเป็นพิเศษ การป้อนข้อมูลตัวแปรทำนายดิบแบบจุดต่อจุด (Point-wise Evaluation) เข้าสู่แบบจำลองโดยตรง มักนำไปสู่ปัญหาการจับคู่มิติข้อมูลผิดพลาด (Temporal Mismatch) และปัญหาความสัมพันธ์กันเองสูงระหว่างช่วงเวลา (Severe Multicollinearity) ซึ่งส่งผลให้แบบจำลองเกิดการจับรูปแบบขยะชั่วคราว (Overfitting) และมีความผันผวนสูง (High Variance) ตลอดจนทำให้การทดสอบนัยสำคัญทางสถิติเพี้ยนไปจากความเป็นจริง
ทั้งนี้ แนวทางการแก้ไขที่ได้รับการยอมรับในระดับสากล ไม่ว่าจะเป็นสาขา Functional Data Analysis (FDA) เศรษฐมิติ (Econometrics) หรือวิทยาการข้อมูล (Data Science) ต่างมุ่งเน้นไปที่การลดมิติข้อมูลและแปลงโครงสร้างเวลาดิบให้อยู่ในรูปของรูปแบบพฤติกรรมรวม (Pattern & Feature Extraction) เช่น การทำ Functional Principal Component Analysis (FPCA) การใช้ Distributed Lag Models หรือการลดมิติด้วยเทคนิค Regularization เพื่อให้แบบจำลองมีความเสถียร สะท้อนความสัมพันธ์เชิงเหตุและผลที่แท้จริง และให้ผลลัพธ์ที่น่าเชื่อถือทางสถิติ
1. จุดเริ่มต้นของปัญหา (The Core Dilemma)
เมื่อเรามีข้อมูลฝั่งผลลัพธ์ (Y) แค่จุดเดียว แต่มีข้อมูลฝั่งเหตุ (X) เคลื่อนไหวต่อเนื่องกันมาหลายช่วงเวลา ความผิดพลาดแรกที่เรามักจะทำคือ การหั่นข้อมูลอนุกรมเวลาออกมาเป็นชิ้นๆ (Columns) แล้วจับโยนใส่โมเดลตรงๆ
ในมุมสถิติ สิ่งนี้คือการปฏิบัติกับข้อมูลเวลาประหนึ่งว่าเป็นตัวแปรอิสระที่ไม่เกี่ยวข้องกัน ทั้งที่ในความเป็นจริง พฤติกรรมของข้อมูลในอดีตมักจะ "มีเงาของตัวเอง" ตามมาเสมอ (อุณหภูมิวันนี้ย่อมใกล้เคียงกับเมื่อวาน ยอดขายเดือนนี้ย่อมผูกกับเดือนที่แล้ว) การทลายมิติของเวลาให้กลายเป็นจุดดิบๆ จึงทำให้เกิดผลกระทบตามมาอย่างหลีกเลี่ยงไม่ได้
2. ผลกระทบที่เกิดขึ้นในโมเดล ( The Consequences)
เมื่อเราฝืนใส่ข้อมูลดิบหลายช่วงเวลาลงไปพร้อมกัน โมเดลสถิติและ Machine Learning จะเกิดอาการเอ๋อ ใน 2 รูปแบบหลัก คือ
หลง Noise คิดว่าเป็น Pattern (Overfitting & High Variance): โมเดลจะพยายามหาเส้นความสัมพันธ์แบบยิบย่อยเพื่อจับคู่ X ของทุกๆ เดือนเข้ากับ Y จุดนั้นให้ได้ ซึ่งสิ่งที่มันจับได้ไม่ใช่เหตุและผลที่แท้จริง แต่เป็นเพียงเรื่องบังเอิญหรือขยะทางสถิติ (Noise) ในช่วงเวลานั้นๆ
เครื่องมือวัดค่าเพี้ยน (Severe Multicollinearity): เนื่องจาก X แต่ละช่วงเวลามันตีกันเองและมีความสัมพันธ์กันสูงมาก อัลกอริทึมจะเริ่มสับสนว่า สรุปแล้วผลลัพธ์ Y ที่เปลี่ยนไป มันเกิดจาก X ของเดือนไหนกันแน่? ส่งผลให้ค่าความน่าเชื่อถือ (p-value) เพี้ยน ตัวแปรสำคัญจริงๆ อาจดูเหมือนไม่มีนัยสำคัญ และโมเดลขาดความเสถียรอย่างรุนแรง
3. ทางออกที่ทั้ง 3 สาขาเห็นตรงกัน ( The Consensus Solution)
แม้วิธีการเรียกชื่อเทคนิคจะต่างกัน แต่ทั้ง 3 สาขามีปรัชญาในการแก้ปัญหาเดียวกันอย่างชัดเจน นั่นคือ ห้ามใช้ข้อมูลดิบ point-by-point แต่ต้อง 'บีบอัด' หรือ 'แปลง' มิติของเวลาก่อนเสมอ
มุมมองแบบเส้นโค้ง (FDA): มองว่าอนุกรมเวลาคือ เส้นโค้งต่อเนื่องเส้นเดียวไม่ใช่จุดแยกกัน ให้แปลงเส้นโค้งนั้นให้อยู่ในรูปฟังก์ชันคลื่นหรือรูปทรงพื้นฐาน (Basis Functions) ก่อน
มุมมองแบบเศรษฐมิติ (Econometrics): มองว่าผลกระทบของอดีตต้องมีโครงสร้างการถดถอยที่เป็นเหตุเป็นผล จึงใช้สมการทางคณิตศาสตร์สั้นๆ (เช่น Polynomial Lag) มาบีบน้ำหนักของแต่ละช่วงเวลาให้ค่อยๆ ลดลงอย่างเป็นธรรมชาติ
มุมมองแบบ Data Science & Machine Learning: มองเป็นเรื่องการจัดการมิติข้อมูล (Dimensionality Reduction) ด้วยการรวบกลุ่มตัวแปรที่ซ้ำซ้อนกัน (PCR/PLS) บีบน้ำหนักตัวแปรขยะให้เป็นศูนย์ (Ridge/Elastic Net) หรือดึงค่าสรุปเชิงสถิติ (Mean, Trend, Volatility) ออกมาเป็นตัวแทน
สรุปได้ว่า ช่วงเวลาไม่ใช่แค่ Column แยกกัน การทำนายผลลัพธ์จุดเดียวจากข้อมูลหลายช่วงเวลา จะน่าเชื่อถือได้ก็ต่อเมื่อเราเปลี่ยนข้อมูลอนุกรมเวลาดิบ ให้กลายเป็น พฤติกรรม/รูปแบบรวม (Pattern & Features) ก่อนนำไปวิเคราะห์เท่านั้น
บรรณานุกรม
Almon, S. (1965). The distributed lag between capital appropriations and expenditures. Econometrica, 33(1), 178–196. https://doi.org/10.2307/1911894
Greene, W. H. (2018). Econometric analysis (8th ed.). Pearson.
Gujarati, D. N., & Porter, D. C. (2009). Basic econometrics (5th ed.). McGraw-Hill/Irwin.
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: Data mining, inference, and prediction (2nd ed.). Springer. https://doi.org/10.1007/978-0-387-84858-7
Ramsay, J. O., & Silverman, B. W. (2005). Functional data analysis (2nd ed.). Springer. https://doi.org/10.1007/b98888
ไม่มีความคิดเห็น:
แสดงความคิดเห็น