Type of the Article: Seminar SE-AP 02 81 แบบจำลองทางคณติ ศาสตรเกย่ี วกบั โรคชิคุนกนุ ยา ดว ยอบุ ตั ิ การณมาตรฐานและอัตราการเสียชวี ติ เน่อื งจากการติดเชื้อไวรัส A Mathematical Model on Chikungunya Disease with Standard Incidence and Disease Induced Death Rate ผแู ตง : Meena Mandwariya, Pradeep Porwal and Sandeep Tiwari จัดทำโดย: วาสนิ ี อนิ ทรฉตั ร1* 1หลักสตู รสาขาวชิ าคณิตศาสตร, คณะวิทยาศาสตรและเทคโนโลยี, มหาวทิ ยาลัยราชภัฎพิบูลสงคราม, พิษณโุ ลก, 65000, ประเทศไทย *Correspondence: [email protected] บทคดั ยอ ในบทความวจิ ยั [10] ไดขยายงานของ [17] โดยนำเสนออัตราการตายเนอ่ื งจากการตดิ เชือ้ ไวรสั ของโรคชิ คุนกุนยา และพจิ ารณาจดุ สมดลุ ของแบบจำลองที่ศกึ ษา คือจดุ สมดุลท่ีไมม ีเชอื้ ไวรัสและจดุ สมดลุ ท่ีมีเชื้อ ไวรสั เเละวเิ คราะหเสถียรภาพ ผลการศกึ ษาพบวา เสถยี รภาพของจดุ สมดุลสามารถควบคุมดวยคาสบื พนั ธุ พื้นฐาน R0 คำสำคัญ: แบบจำลองคณิตศาสตร, เสถยี รภาพ, คา สืบพนั ธพุ น้ื ฐาน, จุดสมดลุ , โรคชินคนุ กนุ ยา Abstract In this paper, [10] extend the work of [17] by introducing the disease induced death rate of Chikungunya model and consider the equilibrium points of the model, disease free equilib- rium point and endemic equilibrium point and analyzed for stability. The results showed that the stability of equilibrium points can be controlled by the basic reproduction number R0. Keywords: mathematic madeling, stability, reproduction number, equilibrium point, Chikun- gunya disease 1. บทนำ ชิคุนกุนยา เปน โรคที่เกิดจากการติดเช้ือไวรัสชิคุนกนุ ยา โดยมียงุ ลายสวน (Aedes albopic- tus) และยงุ ลายบา น (Aedes aegypti) เปน พาหะนำโรค อาการของโรคคลา ยกบั ไขเลอื ดออก มีผน่ื และมีไขสูงอยางเฉยี บพลัน ทง้ั น้ียังพบผนื่ แดงตามรา งกาย ตาแดง และภาวะปวดตามขอ ที่อาจปวดขอ นานกวาหนึง่ ป ซ่งึ ในบางรายถกู พัฒนาไปสอู าการเลือดออกมากซึ่งอันตรายถึงแกช วี ิต ในป 2004 มกี าร โครงการสัมมนาวิชาการและนำเสนอผลงานดานคณติ ศาสตร ครั้งท่ี 7 มหาวิทยาลัยราชภฏั นครสวรรค
82 วาสนิ ี อนิ ทรฉัตร ระบาดของโรคท่ีสำคญั ในเมอื งลามู ประเทศเคนยา ทำใหมีผูปว ยจำนวน 13,500 คน ในระยะเวลาส่ีป การแพรระบาดของไวรัสเกดิ ขน้ึ ทว่ั เกาะอินเดยี ประเทศอินเดยี และบางสวนของเอเชยี ตะวันออกเฉยี ง ใต ในกรณีนักทอ งเท่ยี วท่ีเดินทางไปยังยโุ รปและอเมรกิ าเหนือเกดิ การแพรระบาดของโรคชิคุนกนุ ยา กวา งขวางข้ึน และเปนโรคประจำถ่นิ ในเอเชยี ทีม่ ผี ปู ว ยหลายรายและบางรายถงึ ขนั้ เสียชีวิต [10] แบบจำลองทางคณิตศาสตรไดกลายเปน เครอ่ื งมอื สำคญั ในการอธิบายการแพรกระจายและ การควบคุมของโรค โดยมีนกั วจิ ยั หลายทานไดศ กึ ษาเกย่ี วกับแบบจำลองทางคณติ ศาสตรข องโรคระบาด ชคิ ุนกุนยา ไดแ ก [1], [3], [5, 6], [8, 9], [11-15], [18] ในการศึกษานี้มีความสนใจท่ีจะศกึ ษาโรคชิคุนกุนยาท่ีมีการเสยี ชีวิตเนื่องจากการตดิ เชือ้ ไวรัส โดยนำเสนอแบบจำลองทางคณติ ศาสตรท่ีพัฒนางานวจิ ัยของ [17] และพิจารณาจุดสมดุลที่ไมม ีเชอ้ื ไวรัสและจดุ สมดุลทม่ี เี ชอ้ื ไวรสั ของแบบจำลอง อกี ทั้งยงั วเิ คราะหเสถียรภาพของแบบจำลองท่ีสรา งขึ้น 2. ความรูพ้นื ฐาน บทนิยาม 2.1. [10] แบบจำลอง เอสh ไอh อารh เอส0 ไอ0 เปน แบบจำลองท่ี แบงกลุมประชากรท่ี ศึกษาออกเปน 5 กลุม ยอย และกำหนดบทบาทของแตล ะกลมุ ประชากรยอย ดงั นี้ 1. กลุมมนษุ ยที่เส่ยี งตอการตดิ เชื้อไวรสั (Susceptibles : Sh) เปนมนษุ ยที่ยังไมไดรบั เช้อื ไวรสั และมโี อกาสทจี่ ะตดิ เชอ้ื ไวรสั ได 2. กลุม มนุษยท่ีตดิ เชือ้ ไวรสั (Infectives : Ih) เปนมนุษยที่รบั เชื้อไวรัสและสามารถแพรเช้ือ ไวรัสไปสผู ูอืน่ ได 3. กลุมมนษุ ยท ีห่ ายจากการติดเชื้อไวรสั (Recovered : Rh) เปนมนษุ ยทม่ี ีภมู ิคมุ กนั 4. กลมุ ยงุ ที่เสี่ยงตอ การตดิ เช้อื ไวรสั (Susceptibles : S0) เปนยุงที่ยงั ไมไดรบั เชอ้ื ไวรัส และมี โอกาสทีจ่ ะตดิ เชือ้ ไวรัสได 5. กลุมยุงทตี่ ดิ เชอ้ื (Infectives : I0) เปน ยุงทรี่ บั เชอื้ ไวรัสและสามารถแพรเ ชื้อไวรัสไปสูผูอ ื่นได บทนิยาม 2.2. [4] Basic reproduction number (R0) หมายถึง จำนวนเฉลยี่ ของผูต ิดเชื้อไวรสั ราย ใหมใ นประชากรทีไ่ มมีภมู ิคุมกนั ทเ่ี กิดขึ้นจากผูปว ยรายแรกแพรเชื้อไวรสั ให บทนยิ าม 2.3. [4] จุดสมดุล (Equilibrium point) ให dx = f (x(t), y(t), z(t)) dt dy (1) = g(x(t), y(t), z(t)) dt dz = h(x(t), y(t), z(t)) dt จุดสมดลุ ของระบบสมการ (1) คือ (x¯, y¯, z¯) ที่ทำให f(x¯, y¯, z¯) = g(x¯, y¯, z¯) = h(x¯, y¯, z¯) = 0 โครงการสมั มนาวชิ าการและนำเสนอผลงานดา นคณิตศาสตร ครงั้ ท่ี 7 มหาวิทยาลัยราชภฏั นครสวรรค
แบบจำลองทางคณิตศาสตรเ กี่ยวกับโรคชคิ นุ กุนยา ดวยอบุ ัตกิ ารณมาตรฐา… 83 บทนิยาม 2.4. [4] เมทริกซจ าโคเบียน (Jacobian matrix) ณ จุด (x¯, y¯, z¯) ของระบบสมการ (1) คอื ∂f ∂f ∂f J (x¯, y¯, z¯) = ∂x ∂y ∂z ∂g ∂g ∂g ∂x ∂y ∂z ∂h ∂h ∂h ∂x ∂y ∂z (x¯,y¯,z¯) บทนิยาม 2.5. [16] ให J = [aij]n×n ที่ซึ่ง i = 1, 2, 3, ..., n และ j = 1, 2, 3, ..., n สมการลกั ษณะเฉพาะ (Characteristic equation) ของเมทรกิ ซ J คอื det(J − λI) = λn + a1λn−1 + ... + an−1λ + an = 0 ทซี่ ง่ึ λ คอื คาราก (Characteristic root) ของเมทริกซ J I คอื เมทรกิ ซเ อกลักษณ (Identity matrix) ai เมือ่ i = 1, 2, 3, ..., n คอื คาคงตวั ทฤษฎบี ท 2.6. [4] ระบบสมการ (1) เปน ระบบท่ีเสถยี รภาพกำกับเฉพาะที่ (Locally asymptoti- cally stable) ก็ตอเมอื่ ทุก ๆ คา ราก λk ของเมทริกซ J(x¯, y¯, z¯) มี Re(λk) < 0 ทฤษฎีบท 2.7. [7] เงือ่ นไขของรูทเฮอรว ทิ ซ (Routh-Hurwitz Criterion) พิจารณาสมการ λn + a1λn−1 + a2λn−2 + ... + an−1λ + an = 0 (2) กำหนดให [] H1 = a1 H2 = a1 1 a3 a2 H3 = aa13 1 a01 a2 a5 a4 a3 และสำหรบั เมทริกซข นาด j × j ที่ j = 1, 2, 3, ..., n โดยที่ l แทนแถว และ m แทนหลัก ... ... ... ... ... ...Hj = a2aaaj531−3a0a−1···a2−j+1 a2−j a2 a1 ··· a4−j+1 a2−j a4 a3 ··· a6−j+1 a6−j a2j−4 a2j−5 ... a2(j−1)−j+1 aj−2 a2j−1 a2j−2 a2j−3 . . . a2j−j+1 aj ซ่ึงสมาชกิ ในเมทรกิ ซ Hj คอื โครงการสมั มนาวิชาการและนำเสนอผลงานดา นคณติ ศาสตร ครงั้ ที่ 7 มหาวทิ ยาลยั ราชภัฏนครสวรรค
84 วาสินี อนิ ทรฉัตร a2l−m เมอ่ื 0 < 2l − m ≤ n 1 เมอื่ 2l = m 0 เมอื่ 2l < m หรอื 2l > m + k คารากทั้งหมดของสมการ (2) จะมสี วนจรงิ ท่เี ปน ลบ (Negative real part) ก็ตอเม่อื ∀det(Hj) > 0 j = 1, 2, 3, ..., n สำหรบั n = 2, 3, 4 สามารถใชเครื่องหมายตอ ไปน้ี แทนการพจิ ารณา ∀det(Hj) > 0 สำหรับ j = 1, 2, 3, ..., n n = 2; a1 > 0, a2 > 0 n = 3; a1 > 0, a3 > 0, a1a2 > a3 3. แบบจำลองคณติ ศาสตร กำหนดให N เปน ประชากรรวมมนุษย โดยท่ี N = S + I + R และ N0 เปน ประชากรรวม ยุง โดยท่ี N0 = S0 + I0 แบบจำลองคณติ ศาสตรข องโรคชิคนุ กนุ ยา มดี งั นี้: dS = B(1 − p)N − (bβ1 I0 + µ)S dt N dI = Bβ1S I0 − (γ + µ + α)I dt N dR = γI − µR (2.1) dt dS0 = A − ( bβ2I + µ0)S0 dt N0 dI0 = bβ2S0I − µ0I0 dt N0 โดยท่ี B คือ อัตราการเกดิ ของมนุษย µ คือ อัตราการตายของมนษุ ย A คือ อตั ราการเขา มาในระบบของประชากรยงุ γ คอื อตั ราการหายจากการตดิ เช้ือไวรัสของมนุษย b คือ อตั ราการกัดของยงุ α คือ อัตราการตายเนอ่ื งจากการติดเช้ือไวรัส β1 คือ อัตราการติดเช้ือ CHIKV จากยุงท่ีติดเชื้อไวรัสไปยงั มนุษย β2 คอื อตั ราการติดเชอื้ CHIKV จากคนท่ตี ดิ เช้อื ไวรัสไปยงั ยุง µ0 คือ อัตราการตายของประชากรยงุ p คือ ประสทิ ธภิ าพของยากันยงุ สำหรบั การปกปอ งยุงในมนษุ ย โครงการสมั มนาวิชาการและนำเสนอผลงานดา นคณิตศาสตร ครั้งท่ี 7 มหาวทิ ยาลยั ราชภัฏนครสวรรค
แบบจำลองทางคณติ ศาสตรเ กย่ี วกับโรคชิคุนกุนยา ดวยอุบตั กิ ารณมาตรฐา… 85 พิจารณาอตั ราการเปลี่ยนแปลงของประชากรรวมยุง คือ dN = A − µ0N0 จะไดวา จุดสมดุล dt ของประชากรรวมยงุ คอื N0 = A µ0 เน่ืองจาก R = N − S − I และ S0 = N0 − I0 ผวู จิ ัยจึงเลือกแบบจำลองโรคชคิ นุ กนุ ยาทีข่ น้ึ อยกู บั ตวั แปร Sh, Ih, Im และพิจารณาสัดสว นประชากรโดย กำหนดให และS I R Sm S0 , Im I0 Sh = N , Ih = N , Rh = N = N0 = N0 ดงั นั้นแบบจำลองทางคณิตศสาสตรข องโรคชิคนุ กนุ ยาท่ีศกึ ษา คือ A bβ1ShIm( µ0 ) dSh = B(1 − p) − N − µSh dt A bβ1ShIm( µ0 ) dIh = N − (γ + µ + α)Ih (2.2) dt dIm = bβ2SmIhN − µ0Im dt N0 จดุ สมดลุ ของแบบจำลอง ให E∗ = (Sh∗, Ih∗, Im∗ ) เปน จดุ สมดุลใด ๆ ของระบบสมการ (2.2) และ จากบทนยิ าม (2.3) จะไดว า bβ1 Sh∗Im∗ ( A ) µ0 0 = B(1 − p) − − µSh∗ N bβ1Sh∗Im∗ ( A ) µ0 0 = − (γ + µ + α)Ih∗ N 0 = bβ2Sm∗ Ih∗N − µ0Im∗ N0 - พจิ ารณา ณ จดุ สมดุลทไี่ มมีเช้ือไวรัส E0 = (Sh0, Ih0, Im0 ) นั่นคือ E∗ = E0 = (Sh0, 0, 0) จะ ไดว าจุดสมดลุ ทไ่ี มมีเชอ้ื ไวรสั คือ E0 = (Sh0, Ih0, Im0 ) = B(1 − p) 0, 0) ( , µ - พิจารณา ณ จดุ สมดลุ ท่ีมีเชื้อไวรัส E+ = (Sh+, Ih+, Im+) น่นั คือ Ih+ ≠ 0 และ Im+ ̸= 0 จะ ไดวาจดุ สมดลุ ทมี่ ีเชื้อไวรัส คือ โครงการสมั มนาวชิ าการและนำเสนอผลงานดา นคณติ ศาสตร ครง้ั ท่ี 7 มหาวิทยาลัยราชภัฏนครสวรรค
86 วาสนิ ี อนิ ทรฉตั ร Sh+ = B(1 − p) µ M1M2Ih+ + Ih+ = M1M2B(1 − p) − (γ + µ + α)µ (γ + µ + α)M1M2 Im+ = M2Ih+ โดยท่ี M1 = bβ1A µ0N bβ2SmN M2 = N0µ0 เสถยี รภาพของแบบจำลอง − เสถียรภาพของจดุ สมดุลทไ่ี มม ีเชือ้ ไวรัส เราพิจารณาสมการตอไปน้ี A ) bβ1ShIm( µ0 F1 = B(1 − p) − N − µSh A bβ1ShIm( µ0 ) N F2 = − (γ + µ + α)Ih F3 = bβ2SmIhN − µ0Im N0 เมทริกซจ าโคเบียนของแบบจำลอง (2.2) ณ จดุ สมดลุ ใด ๆ จะไดวา ∂F1 ∂F1 ∂F1 J = ∂ Sh ∂Ih ∂Im ∂ F2 ∂F2 ∂F2 ∂ Sh ∂Ih ∂Im ∂ F3 ∂F3 ∂F3 ∂Sh ∂Ih ∂Im (Sh∗,Ih∗,Im∗ ) และ J = −bbβµβ1µ01I0NImNmAA 0 − bβ1ShA 0 µ0N −(γ + α + α) bβ2SmN bβ1ShA N0 µ0N −µ0 โครงการสมั มนาวิชาการและนำเสนอผลงานดานคณติ ศาสตร คร้งั ท่ี 7 มหาวทิ ยาลัยราชภัฏนครสวรรค
แบบจำลองทางคณิตศาสตรเ กยี่ วกับโรคชิคนุ กุนยา ดวยอุบัตกิ ารณม าตรฐา… 87 เมทริกซจาโคเบียน ณ จุดสมดุลที่ไมมีเชอ้ื ไวรัส E0 = (Sh0, Ih0, Im0 ) = B(1 − p) 0) ( , 0, จะไดวา µ −µ 0 −M1Sh J0 = 0 M1Sh −(γ + α + α) 0 bβ2SmN −µ0 N0 พิจารณาสมการลักษณะเฉพาะเพ่อื หารากลกั ษณะเฉพาะ จาก det(J0 − λI) = 0 จะไดวา 0 = (−µ − λ)(−(γ + µ + α) − λ)(µ0 − λ) − bβ2SmN (M1Sh)(−µ − λ) N0 [] bβ2SmN 0 = (−µ − λ) (−γ − µ − α − λ)(µ0 − λ) − N0 (M1Sh) 0 = (−µ − λ)(λ2 + a1λ + a2) 0 = (µ + λ)(λ2 + a1λ + a2) โดยที่ a1 = γ + µ + α + µ0 a2 = (γ + µ + α)µ0 − bβ2SmN M1Sh N0 จะเหน็ ไดชัดวา มีรากลกั ษณะเฉพาะคาหนึ่งที่เปน ลบ คอื λ = −µ จงึ เหลอื การพิจารณารากลกั ษณะ เฉพาะของ λ2 + a1λ + a2 = 0 จากเง่ือนไขของรทู เฮอรวิทซ กรณี n = 2 เพอ่ื ใหไ ดร ากลักษณะเฉพาะเปนลบท้งั หมด จะตอ งสอดคลอง กับเงอื่ นไข a1 > 0 และ a2 > 0 ซงึ่ จะเห็นไดช ัดวา a1 > 0 สำหรับ a2 จะมคี า มากวา ศนู ยไ ดห าก R0 = bβ2SmN M1Sh < 1 (γ + µ + α)µ0N0 ดังนนั้ จุดสมดุลทไ่ี มมเี ชื้อไวรัส E0 มเี สถียรภาพกำกับเฉพาะที่ − เสถียรภาพของจดุ สมดุลที่มเี ช้ือไวรัส พิจารณาเมทริกซจ าโคเบียน ณ จุดสมดลุ ทม่ี เี ชือ้ ไวรสั จะไดว า 0 J1 = MM1Im1∗Im−∗ µ −MM11SSh∗h∗ −(γ + µ + α) 0 bβ2SmN −µ0 N0 โครงการสมั มนาวชิ าการและนำเสนอผลงานดานคณิตศาสตร คร้ังที่ 7 มหาวทิ ยาลัยราชภัฏนครสวรรค
88 วาสินี อนิ ทรฉัตร พิจารณาสมการลกั ษณะเฉพาะเพอ่ื หารากลกั ษณะเฉพาะ คือ det(J1 (− λI) = 0 )จะไดวา bβ2SmN 0 = −(M1Im∗ + µ + λ)(γ + µ + α + λ)(µ0 + λ) − (M1Sh∗)(M1Im∗ ) N0 () bβ2SmN +(M1Im∗ + µ + λ)(M1Sh∗) N0 ( ) 0 = (M1Im∗ + µ + λ) [ + µ + α)µ0 + (γ + µ + α + µ0)λ + λ2] − bβ2SmN (γ N0 ( bβ2SmN M1Sh∗ ) ( bβ2SmN M1Sh∗ ) N0 N0 +(M1Im∗ + µ) + λ 0 = (M1Im∗ + µ)(γ + µ + α)µ0 + (M1Im∗ + µ)(γ + µ + α + µ0)λ +(M1Im∗ + µ)λ2 + (γ + µ + α)µ0λ + (γ + µ + α + µ0)λ2 + λ3 ( bβ2SmN M1Sh∗ ) ( bβ2 SmN M1Sh∗ )( bβ2SmN M1Sh∗ ) N0 −(M1Im∗ +µ) N0 − N0 +(M1 Im∗ ) λ 0 = λ3 + [(M1Im∗ + µ) + (γ + µ + α + µ0)] λ2 [ ( bβ2SmN M1Sh∗ )] (M1Im∗ N0 + + µ)(γ + µ + α + µ0) + (γ + µ + α)µ0 − λ [ +(Mµ1+Im∗α))(µ0bβ−2Sµm(NNb0Mβ21SSmhN∗N)0M−1(SMh∗ )1Im∗ ( bβ2SmN M1Sh∗ )] + (M1Im∗ + µ)(γ + µ + N0 α)µ0 + + µ) λ3 + b1λ2 + b2λ + (M1Im∗ + µ)(γ 0 = 0 = λ3 + b1λ2 + b2λ + b3 โดยท่ี b1 = M1Im∗ + γ + 2µ + α + µ0 b2 = (M1Im∗ + µ)(γ + µ + α + µ0) + (γ + µ + α)µ0 − bβ2SmN M1Sh∗ N0 b3 = (M1Im∗ + µ)(γ + µ + α)µ0 − µ bβ2SmN M1Sh∗ N0 จากเงอื่ นไขรูทเฮอรวทิ ซ กรณี n = 3 เพ่อื ใหไดรากลักษณะเฉพาะเปนลบทั้งหมด จะตอ ง สอดคลอ งกับเง่ือนไข b1 > 0, b3 > 0, b1b2 > 0 ดังนั้นจุดสมดลุ ท่ีมีเชื้อไวรสั E+ มีเสถยี รภาพกำกับ เฉพาะท่ี โครงการสมั มนาวิชาการและนำเสนอผลงานดานคณติ ศาสตร คร้ังท่ี 7 มหาวิทยาลัยราชภัฏนครสวรรค
แบบจำลองทางคณิตศาสตรเก่ยี วกบั โรคชคิ นุ กุนยา ดว ยอบุ ตั ิการณม าตรฐา… 89 4. สรุป ในบทความวิจยั นี้ ผูวิจัยไดศกึ ษาการแพรระบาดของโรคชิคุนกนุ ยาดว ยการสรางแบบจำลอง ทางคณติ ศาสตรโรคชิคุนกนุ ยากบั อัตราการตายเน่อื งจากการตดิ เชือ้ ไวรัส และพิจารณาเสถียรภาพของ จุดสมดุลทง้ั สอง พบวา ถา R0 < 1 แลว จดุ สมดลุ ทไี่ มมีเชื้อไวรัส มเี สถียรภาพกำกับเฉพาะที่ ถา R0 > 1 แลวจุดสมดุลท่ีมเี ชอื้ ไวรสั มเี สถียรภาพกำกบั เฉพาะที่ เอกสารอา งอิง [1] A. W. Woodruff , E. T. Bowen and G. S. Platt , ”Viral infections in travellers from tropical Africa,” Br Med J, vol. 1, pp. 956–958, 1987. [2] C. Kuttler, ”Mathematical Models Biology.” http//www.m6.ma.tum.de/-Kuttler/ Script1.pdf, February 5, 2009. Accessed: 2019-11-05. [3] D. Moulay , M.A. Aziz-Alaoui and M. Cadivel, ”The Chikungunya disease: Modeling, vector and transmission global dynamics,” Math Biosci, vol. 229, pp. 50-63, 2011. [4] E. Keshet and Leah, Mathematical Model in Biology. Random House, 1988. [5] E. Martin, S. Moutailler, Y. Madec and A. B. Failloux, ”Differential responses of the mosquito Aedes albopictus from the Indian Ocean region to two chikungunya isolates,” BMC Ecol, vol 10, pp. 1-13, 2010. [6] J. E. Staples, R. F. Breiman and A. M. Powers, ”Chikungunya Fever: An Epidemiolog- ical Review of a Re-Emerging Infectious Disease,” Clinical Infectious Diseases , vol. 49, pp. 942–948, 2014. [7] K. Jack and Hale, Ordinary Differential Equations, Krieger Publishing Company, 2009 [8] M. Chhabra, V. Mittal, D. Bhattacharya, U. Rana and S. Lal, ”Chikungunya fever: a re–emerging viral infection,” Indian J Med Microbiol, vol. 26, pp. 5–12, 2008. [9] M. Dubrulle, L. Mousson, S. Moutailler, M. Vazeille and A. B. Failloux, ”Chikungunya virus and Aedes mosquitoes: Saliva is infectious as soon as two days after oral infection”. PLoS One 4, 2009. [10] M. Mandwariya, P. Porwal and S. Tiwari,”A Mathematical Model on Chikungunya Disease with Standard Incidence and Disease Induced Death Rate,” MAYFEB Journal of Mathematics, vol. 2, pp. 1-6, 2016. โครงการสัมมนาวชิ าการและนำเสนอผลงานดา นคณติ ศาสตร ครัง้ ที่ 7 มหาวทิ ยาลยั ราชภัฏนครสวรรค
90 วาสนิ ี อนิ ทรฉัตร [11] M. Vazeille, S. Moutailler, D. Coudrier , C. Rousseaux ,H. Khun , et al., ”Two Chikun- gunya Isolates from the Outbreak of La Reunion (Indian Ocean) Exhibit Different Patterns of Infection in the Mosquito,” Aedes albopictus, PLoS ONE, pp. 1-9, 2007. [12] M. Vazeille , C. Jeannin, E. Martin, F. Schaffner and A. B. Failloux , ”Chikungunya: a risk for Mediterranean countries?,” Acta Trop, vol. 105, pp. 200–202, 2008. [13] N. Bacaer, ”Approximation of the basic reproduction number R0 for vector-borne diseases with aperiodic vector population,” Bull Math Biol 69, 1067–1091, 2007 [14] P. Porwal and V. H. Badshah, ”Dynamical Study of an Sirs Epidemic Model with Vaccinated Susceptibility,” Canadian Journal of Basic and Applied Sciences, vol. 2, pp. 90-96, 2014. [15] R.M. Anderson, and R.M. May, Infectious Diseases of Humans: Dynamics and Con- trol , Oxford University Press, 1992. [16] S. Barnett and R.G. Cameron, Introduction to Mathematical control theory Univer- sity of Bradford, 1985. [17] S. Naowarat, P. Thongjaem and M. Tang, ”Effect of Mosquito Repellent on the Transmission Model of Chikungunya Fever,” American Journal of Applied Sciences, vol. 9, pp. 563-569, 2012. [18] Y. Dumont, F. Chiroleu and C. Domerg, ”On a temporal model for the Chikungunya disease: modeling, theory and numerics,” Math Biosci, vol. 213, pp. 80–91, 2008. โครงการสมั มนาวชิ าการและนำเสนอผลงานดา นคณติ ศาสตร คร้งั ที่ 7 มหาวิทยาลยั ราชภัฏนครสวรรค
Type of the Article: Seminar SE-AP 03 91 การพยากรณสำหรบั ขอ มูลเชิงปริมาณ Forecasting at Scale ผูแ ตง: Sean J. Taylor and Benjamin Letham จดั ทำโดย: ธีรภทั ร ประจำถิน่ 1, ชดิ ชนก สุขวงคตานนท1* และ สตรวี ิทย ชาลกี ร1 1สาขาวิชาคณิตศาสตรแ ละสถติ ิ คณะวทิ ยาศาสตรแ ละเทคโนโลยี มหาวทิ ยาลยั ราชภัฏนครสวรรค *Correspondence: [email protected] บทคดั ยอ การพยากรณเปนการจัดการขอมูลท่ีชว ยใหองคก รสามารถกำหนดเปาหมาย วางแผนกำลังการผลติ และ ตรวจจับความผดิ ปกติไวลว งหนา แมวา การพยากรณจะมีความสำคญั แตมีความทา ทายเกี่ยวกับการคาด การณที่มีคณุ ภาพและความนา เช่ือถอื โดยเฉพาะอยางยิ่งเมื่อขอ มูลมีการเปล่ียนแปลงตามเวลาที่มีความ หลากหลาย และนักวเิ คราะหที่มีความเช่ยี วชาญในการสรางตวั แบบพยากรณขอ มูลอนกุ รมเวลาคอ นขา ง หายาก เพ่ืออธิบายถงึ ความทา ทายเหลา นี้ในบทความน้ีไดอธิบายแนวปฏิบตั ิในการพยากรณ “ขอมลู เชงิ ปริมาณ” ซงึ่ รวมตวั แบบท่ีกำหนดคาไดกับการวิเคราะหท่ีมีประสทิ ธิภาพแบบวนซำ้ ผูวิจยั ไดนำเสนอตัว แบบการถดถอยแบบแยกสวน ซึง่ สามารถอธบิ ายคา พารามเิ ตอรของตัวแบบ และปรบั ปรุงคา ดงั กลาวได โดยนกั วิเคราะหท่ีมีความรูเกย่ี วกับขอ มูลอนุกรมเวลา ผูวจิ ยั ยงั ไดอธบิ ายถงึ การวิเคราะหประสทิ ธิภาพ เพอื่ นำไปเปรยี บเทยี บและทำการประเมินขัน้ ตอนของการสรางตัวแบบการพยากรณ และกำหนดคา การ พยากรณอตั โนมัติสำหรบั การตรวจสอบและการปรบั คาที่เหมาะสมดวยตนเอง การพยากรณขอมูลอนกุ รม เวลาทางธุรกจิ เปนเครือ่ งมอื ทีช่ ว ยใหนักวเิ คราะหส ว นใหญไ ดใชความเชีย่ วชาญ ของตนเองอยา งมปี ระสิทธิภาพ และมคี วามนาเช่ือถอื ไดมากที่สดุ คำสำคัญ: อนุกรมเวลา, แนวทางปฏบิ ตั ใิ นการพยากรณ, การถดถอยเชงิ เสน Abstract Forecasting is a common data science task that helps organizations with capacity planning, goal setting, and anomaly detection. Despite its importance, there are serious challenges associated with producing reliable and high quality forecasts – especially when there are a variety of time series and analysts with expertise in time series modeling are relatively rare. To address these challenges, we describe a practical approach to forecasting “at scale” that combines configurable models with analyst-in-the-loop performance analysis. We propose a modular regression model with interpretable parameters that can be intu- itively adjusted by analysts with domain knowledge about the time series. We describe performance analyses to compare and evaluate forecasting procedures, and automatically โครงการสัมมนาวิชาการและนำเสนอผลงานดา นคณติ ศาสตร ครั้งที่ 7 มหาวทิ ยาลัยราชภฏั นครสวรรค
92 ธีรภทั ร ประจำถิน่ และคณะ flag forecasts for manual review and adjustment. Tools that help analysts to use their expertise most effectively enable reliable, practical forecasting of business time series. Keywords: Time Series, Statistical Practice, Nonlinear Regression 1. บทนำ 1.1 ความเปน มาและความสำคัญของปญ หา การพยากรณเปนศาสตรการวิเคราะหขอ มูลซง่ึ เปนศนู ยก ลางของการจัดการตา งๆ ภายใน องคกร ตัวอยางเชน ทกุ ภาคสวนขององคกรอตุ สาหกรรม ตองมีสวนรว มในการวางแผนกำลงั การผลติ เพอื่ ตัง้ เปาหมาย และจัดสรรทรพั พยากรในการผลติ เพ่อื วดั ประสทิ ธภิ าพการทำงานการพยากรณ การ ผลิตที่มีคุณภาพสงู เปน ปญหาท่ียากสำหรบั นกั วิเคราะหสว นใหญ สังเกตได 2 ประเด็นหลกั สำหรับการ พยากรณทางธุรกิจ ประเดน็ แรก เทคนิคการพยากรณอตั โนมัติอยางสมบูรณอาจเปน เรื่องยากในการ สรางตัวแบบ และมักรวมสมมตฐิ านท่ีเปนประโยชนหรือการวิเคราะหพฤตกิ รรมตา งๆไวดวย ประเดน็ ที่สอง นกั วิเคราะหที่รบั ผดิ ชอบดา นการวิเคราะหขอ มูลท้ังหมดขององคกร มกั มีความเช่ยี วชาญเกย่ี ว กบั ผลิตภณั ฑหรือการสนับสนนุ บรกิ ารตางๆแตมกั จะไมไดรับการฝก อบรมเก่ียวกบั การพยากรณขอมลู อนุกรมเวลา นักวเิ คราะหทส่ี ามารถสรางตัวแบบการพยากรณที่มคี ุณภาพสงู คอ นขา งหายาก เพราะการ พยากรณเปนทกั ษะทตี่ องการประสบการณอ ยางมาก ผลลัพธก็คือความตองการการพยากรณท่ีมีคณุ ภาพสงู มักจะกาวลำ้ กวากาวที่มีอยูในปจจบุ นั ดว ยเหตุน้ีจงึ เปนแรงจูงใจในการวิจัยครงั้ น้ีที่จะใหคำแนะนำท่ีเปน ประโยชนในการสรางตวั แบบการ พยากรณใ นขอ มลู แขนงตางๆ ขอ มลู เชิงปรมิ าณ 2 ประเภทแรกที่จะกลา วถึงคอื วธิ ีการพยากรณทางธุรกิจที่เหมาะสำหรับ 1)ผคู นจำนวนมากท่ีทำการพยากรณ อาจไมมีความชำนาญในการวเิ คราะหขอมูลอนกุ รมเวลา 2)ปญ หา การพยากรณท่ีหลากหลายกับคณุ สมบตั ิที่อาจจะเปน ไปได หรืออาจจะเปน ไปไมได ในสว นท่3ี เปน การ นำเสนอตัวแบบเกี่ยวกับขอมลู อนกุ รมเวลา ซ่ึงมีความเสถียรเพยี งพอสำหรับขอ มูลอนกุ รมเวลาทาง ธรุ กิจซึ่งหลากหลาย แตเชื่อมั่นไดโดยผูเชีย่ วชาญที่มีความรูเกยี่ วกบั การสรา งขอมลู แมจะมีความรูเพียง เล็กนอ ยเก่ียวกบั ตวั แบบและวธิ กี ารวเิ คราะหข อมูลอนุกรมเวลา ขอ มลู เชงิ ปริมาณประเภทท่ี 3จะกลาวถึง การกำหนดจำนวนขอ มลู ที่สมจริงทสี่ ุด สำหรบั การ สรางตวั แบบการพยากรณ ซงึ่ จำเปนตอ งใชว ิธกี ารอัตโนมัติในการประเมนิ และเปรียบเทยี บการพยากรณ เหลานนั้ รวมถงึ การตรวจจบั เมือ่ มีแนวโนมวา จะทำงานไดไมดี เมอื่ มีการพยากรณซำ้ หลายๆรอบ เปน ส่ิงสำคญั ท่ีทำใหเครอ่ื งจักรทำงานหนักในการประเมนิ และการเปรียบเทยี บประสิทธิภาพ โดยใชความ คิดเหน็ ของมนษุ ยเพือ่ แกไขปญ หาประสิทธภิ าพการทำงาน ในสวนท4ี่ จะอธบิ ายระบบการตรวจสอบ ตัวแบบการพยากรณท่ีใชพยากรณขอ มลู ในอดีต เพอ่ื ประเมนิ ประสทิ ธภิ าพของตัวอยา ง และระบุการ พยากรณท่ีมีปญหาสำหรับนกั วิเคราะห เพื่อทำความเขาใจและทำการปรบั ปรุงตัวแบบท่ีจำเปน เปน ท่ี นาสงั เกตวา กระบวนการน้ีไมไดมุงเนนที่จะพิจารณาจำนวนของการทำซ้ำ การคำนวณและการจัดเก็บ โครงการสมั มนาวชิ าการและนำเสนอผลงานดานคณิตศาสตร คร้ังที่ 7 มหาวิทยาลัยราชภัฏนครสวรรค
การพยากรณส ำหรบั ขอมลู เชิงปริมาณ 93 รูปที่ 1. แผนผงั ของการวิเคราะหการวนซำ้ ซง่ึ จะทำงานโดยอัตโนมตั ิและวนซำ้ จนกวา จะไดตัวแบบที่ดที ี่สดุ หากแตพบปญ หาของการคำนวณและโครงสรางพนื้ ฐานของการพยากรณขอ มลู อนุกรมเวลาจำนวน มากใหตรงไปตรงมาโดยทั่วไปแลว สิ่งเหลานี้ มีข้นั ตอนการกำหนดคาคอนขา งงา ยและการพยากรณคา ตา งๆไมไดถูกจดั เก็บไวในรปู แบบของขอ มูลเชิงสัมพนั ธ ปญหาที่เกดิ ขน้ึ จริงท่ีสงั เกตไดในทางปฏิบัติน้ัน เก่ยี วของกบั ความซบั ซอน ซึ่งเกิดจากความหลากหลายของปญ หาการพยากรณและการสรางความเชอื่ มัน่ ในการพยากรณเม่ือมีการผลติ จำนวนมาก กระบวนการวธิ ีวเิ คราะหขอ มลู แบบวนซำ้ เพื่อการพยากรณขอ มูลทางธูรกจิ ดังแสดงในรปู ท่1ี เร่ิมตน จากการสรา งตวั แบบการพยากรณ สำหรบั แบบจำลองน้ีและเสน ขอบเขตที่เหมาะสมในการ พยากรณ การจำลองวันที่ท่ีหลากหลายในอดีต การพยากรณมีประสทิ ธิภาพตำ่ เม่อื มีการแทรกแทรง ความตองการของมนุษย ปญหาเหลาน้ีเกดิ ข้นึ กับนกั วิเคราะหในซงึ่ มีความสำคัญ นกั วิเคราะหสามารถ ตรวจสอบการพยากรณแ ละปรบั ปรุงตวั แบบตามความเหมาะสม รปู ที่ 2. จำนวนการดำเนินการธุรกจิ ผานทาง Facebook สำหรับแตล ะวนั ซง่ึ จะกำหนดสีตามวันรอบสปั ดาห คุณลักษณะของขอมูลอนุกรมวลาน้ีเปน ตัวแทนของการเปลย่ี นแปลงตามเวลาของการดำเนินการทางธุรกิจ จำนวนมาก ; ฤดูกาลที่มีความหลากหลาย แนวโนม การเปล่ียนแปลงของคา ที่ผิดปกติ และผลกระทบของวนั หยดุ 1.2 วัตถุประสงคของงานวจิ ยั 1.เพื่ออธบิ ายแนวปฏิบัตใิ นการพยากรณข อ มลู เชงิ ปริมาณ โครงการสัมมนาวิชาการและนำเสนอผลงานดานคณติ ศาสตร ครง้ั ท่ี 7 มหาวทิ ยาลัยราชภฏั นครสวรรค
94 ธรี ภทั ร ประจำถนิ่ และคณะ 2.เพอื่ นำไปเปรยี บเทยี บและทำการประเมนิ ข้นั ตอนของการสรา งตัวแบบการพยากรณ และการ กำหนดคา การพยากรณอ ัตโนมัติ 2. แนวคิด/ทฤษฎี ทเ่ี กยี่ วขอ ง 2.1 การพยากรณขอมูลอนกุ รมเวลา (Time Series Data Forecasting) ขอ มูลอนกุ รมเวลา (Time Series Data) หมายถึง ขอมลู ท่ีมีการเปล่ยี นแปลงไปตามเวลาเปน ชว งๆ อยา งตอ เนื่องกนั ซง่ึ อาจเก็บขอมูลเปน รายวนั รายเดือน รายไตรมาส หรือรายป ข้นึ อยูกับ ประโยชนท่ีจะนำไปใช ลักษณะขอมูลอนุกรมเวลา โดยทวั่ ไปแลว ประกอบดวย 4 องคประกอบ ดวยกนั ไดแ ก 1) แนวโนม (Trend: T) เปน การเปล่ียนแปลงเคลือ่ นไหวขน้ึ หรอื ลงของขอ มูลอยา งชาๆ ในชว งเวลา นานๆ มีหลายรูปแบบอาจเปน เสนตรง เสน โคง หรือลกั ษณะอ่นื ๆ ก็ได เชน ปริมาณการใชไฟฟา ของ ประเทศไทย เปนตน 2) ฤดูกาล (Seasonality: S) เปน การเปล่ยี นแปลงเคลอ่ื นไหวของ ขอ มลู ทีเ่ กิดข้ึนเน่ืองจากอิทธิพลของ ฤดกู าล ซึ่งจะเคลอื่ นไหวข้ึนๆลงๆ ซ้ำกันในชวงเวลาเดยี วกันของ แตล ะป มกั พบในขอ มลู ชวงเวลานอย กวา 1 ป โดยอาจจะ 3เดือน 1 เดือน หรือรายสัปดาหก็ได เชน ภมู ิอากาศ หรือจากสภาวะทม่ี นษุ ยส ราง ขน้ึ เอง เชน การเกดิ อุบัตเิ หตใุ น ชว งเทศกาลตางๆ อตั ราการจองหองของโรงแรม รสี อรท ในชว งเทศกาล เปน ตน การที่สามารถหา ลกั ษณะของการเปลี่ยนแปลงตามฤดกู าลไดจ ะเปนประโยชนแ กผูค วบคุมดูแล ในการวางแผนลว งหนา เก่ยี วกับการลดจำนวนการเกิดอุบตั ิเหตุ 3) วฏั จกั ร (Cycle : C) เปน การเปลย่ี นแปลงเคลอ่ื นไหวของขอ มูล ท่ีเกดิ ขนึ้ ซ้ำๆกนั คลายกบั การ เปลย่ี นแปลงความเคล่อื นไหวตามฤดูกาล เพียงแตความเคล่อื นไหวนี้เกดิ ขนึ้ เปนวัฏจักร ในระยะเวลา มากกวา 1 ป และมักจะเกิดขอมลู รายป วัฏจักรเหลานี้มีแบบแผนการเปล่ียนแปลงไมแนนอนจึงทำให ยากท่ีจะพยากรณ และมกั จะมีสาเหตุจาก สภาพทางเศรษฐกิจโดยท่ัวไป การเปลยี่ นแปลงนโยบาย ของรัฐ หรือการเปลย่ี นแปลงในรสนยิ มของผูบริโภคและนสิ ัยการจับจา ย ใชส อย ซึ่งวฏั จักรโดยทั่วไป จะประกอบดวย 4 ระยะเวลาคอื ท่ีรงุ เรอื ง (Prosperity) ระยะ ฝด เคอื ง (Recession) ระยะตกต่ำ (Depression) และระยะฟน ตัว (Recovery) แลว จะยอนกลับมาสูระยะ รุงเร่อื งอีกคร้งั หน่งึ หมนุ เวียน เปนวัฏจกั รเชนนีเ้ ปน เร่อื ยๆ เชน วัฏจักรธุรกิจ (Business Cycle) วฏั จกั รเศรษฐกจิ (Economic Cycle) วัฏจกั รสภาพอากาศ (Weather Cycle) 4) ความผิดปกติ (Irregularity : I) เปน การเปลีย่ นแปลงเคลอื่ นไหวที่ไมแนน อนและไมสามารถคาด การณไดลว งหนา ซ่งึ อาจเกดิ ข้นึ เนื่องจากสาเหตุตามปจ จัยเฉพาะ เชน ภยั ธรรมชาติ สงคราม การนดั หยดุ งาน การประทว ง ปฏิวตั ิรฐั ประหาร การเลอื กตั้ง เปนตนซึง่ การเปลย่ี นแปลงนี้มไิ ดเกิดข้นึ เปน ประจำ ตวั แบบของอนกุ รมเวลาที่นยิ มใชมีอยู 2 แบบ คือ ตวั แบบผลคณู (Multiplicative Model) และตัวแบบผลบวก (Additive Model) กลาวคอื ถา กำหนดให Yแทนขอ มูลอนุกรมเวลาจะไดวา โครงการสมั มนาวิชาการและนำเสนอผลงานดา นคณติ ศาสตร ครง้ั ท่ี 7 มหาวทิ ยาลยั ราชภฏั นครสวรรค
การพยากรณส ำหรับขอ มลู เชิงปรมิ าณ 95 ตัวแบบผลคณู ของ Y คือ Y =T ×S×C×I และตวั แบบผลบวกของ Y คอื Y =T +S+C+I ส่งิ ที่สำคัญของการเลือกวธิ ีที่ใชในการพยากรณขอมลู อนุกรมเวลาก็คือ ความถูกตอง ของการ พยากรณ คำวา ความถูกตอ งในท่ีน้ีหมายถึง คา พยากรณที่ไดเมื่อนำไปเปรยี บเทยี บกบั คา ขอ มูลจรงิ มี ความใกลเคียงกนั หรอื กลา วอกี นัยหน่งึ วา คาความคลาดเคลือ่ นของการพยากรณ (Forecast Error) มีคา นอยๆ คาที่ใชวัดความถกู ตอ งของการพยากรณมีหลายคาดว ยกนั แตท่ีนยิ มใชก็มี คา เฉล่ยี คลาด เคลื่อนกำลงั สองเฉลย่ี ของคาพยากรณ (Prediction Mean Square Error : PMSE) กำลังสองของ ความคลาดเคลื่อน (Mean Squared Error หรือ MSE) หรอื คา เฉลีย่ ของคาสัมบูรณ ของความเบย่ี ง เบน (Mean Absolute Deviation หรือ MAD) ฯลฯ เนอื่ งจากวธิ กี ารพยากรณ ทางธรุ กจิ มีหลากหลาย วิธีดวยกัน ดงั นน้ั การเลือกวธิ ีพยากรณใหเหมาะสมกับขอมลู ที่จะพยากรณ ก็เปน สิง่ ท่ีสำคัญ ทัง้ นี้อาจ ตอ งคำนงึ ถงึ ในเรอื่ งของความถกู ตองของการพยากรณ ลกั ษณะของขอมลู ระดับความรูของผูพยากรณ และหนว ยเวลาท่จี ะใชในการพยากรณ 2.2 Generalized Additive Model (GAM) GAM ซึ่งเปนแบบจำลองที่มีประสทิ ธิภาพดานการวิเคราะหความถดถอยแบบ Non-Parametric มีความยืดหยนุ ในการกำหนดความสัมพนั ธระหวางตวั แปรอิสระและตัวแปรตามมีความยดื หยนุ ในการ คน หารูปแบบของฟง กช่ันการเชือ่ มโยง ( Link Function ) สำหรับการสรา งความสมั พนั ธระหวาง ตัวแปรอิสระและตวั แปรตามในลักษณะของเสน โคงโดยที่ตัวแปรตามจะตอ งมีลักษณะการกระจาย ตวั ภายในรปู แบบของ Exponential Family Distribution ซึง่ ตางออกไปจากการวิเคราะหดวยแบบ จำลองเชงิ เสน แบบปกติท่ีจำกดั การใชเฉพาะลักษณะการกระจายตัวบางประเภทรายละเอียดแบบ จำลอง Generalized Additive Model แสดงดงั สมการที่ 1 ∑ E(Y |Xp) = S0 + Sp(Xp) เมือ่ S0, ..., Sn = ฟง กช น่ั ทท่ี ำใหเ สน โคง ราบเรียบ แบบจำลอง GAM จะปรบั ปรงุ ปญหาดงั กลา วดว ยการเพิ่มฟง กช ั่นใหส ามารถวเิ คราะหวเิ คราะห รปู แบบการกระจายตัวไดหลากหลายประเภทไปจำกดั เฉพาะการกระจายตวั แบบปกติ ซง่ึ ทำใหแบบ จำลอง GAM สามารถนำไปใชใ นการวิเคราะหขอมูลหรอื แกไขปญ หาไดห ลากหลายมากกวา รปู แบบอน่ื ๆ อยางไรก็ตาม แบบจำลอง GAM ยังมีความคลา ยคลงึ กับแบบจำลอง Generalized Liner Model (GLM) โดยมีองคประกอบ ตัวแปรสุม (Random),ตัวแปรเสริม (Additive) และฟงกชันในการ เช่อื มตอ ระหวางตัวแปรแตกตางกันที่ในการวิเคราหตวั แปร Y คา ของตัวแปรสุม (Random) จะถกู โครงการสัมมนาวิชาการและนำเสนอผลงานดานคณติ ศาสตร ครงั้ ท่ี 7 มหาวิทยาลัยราชภฏั นครสวรรค
96 ธรี ภัทร ประจำถิ่น และคณะ สมมติใหมีลักษณะการกระจายตวั ภายในรปู แบบของ Exponentail Family Distribution ซงึ่ สามารถ แสดงไดดงั สมการท่ี 2 yθ − bθ fY (y; θ; ϕ) = exp a(ϕ) + c(y, θ) เม่อื θ = ตัวแปรตามธรรมชาติ ϕ = scale parameter แมวา แบบจำลอง GAM และ GLM จะสามารถนำไปใชไ ดในสถานการณท คี่ ลา ยคลงึ กนั แตก าร ตอบสนองตอวตั ถุประสงคในการวิเคราะหจะแตกตา งกนั โดยที่ GLM เนน ไปท่ีการประมาณคาสำหรบั พารามิเตอรของแบบจำลอง ในขณะที่ GAM เนนไปท่ีสรา งความสมั พันธของขอมลู ในลักษณะ Non- Paramrter ทำให GAM มีความเหมาะสมมากกวา แบบจำลองประเภทอืน่ ๆ สำหรบั ใชในการวเิ คราะห ขอ มลู และสรา งความสัมพนั ธระหวา งตัวแปรตามและตัวแปรอสิ ระ 3. วธิ ดี ำเนินการวจิ ยั 3.1 ตวั อยางท่ีใชในงานวิจัย ขอมลู ที่ใชในการศึกษาครงั้ นี้ไดแ ก ขอมลู ในการดำเนินการทางธรุ กิจบน Facebook ต้ังแตป ตนปข อง ปค.ศ2013 ถงึ กลางปของ ปค.ศ.2016 3.2 ขน้ั ตอนการดำเนินการวจิ ัย 1.เก็บรวบรวมขอ มลู ของการดำเนนิ การทางธรุ กจิ ท่เี กดิ ข้ึนบน Facebook 2.นำขอมลู มาพล็อตกราฟเพ่อื วเิ คราะหแ ละดูการกระจายตวั ของขอมูล 3.สรา งตวั แบบ 4.สรางแบบจำลองการวิเคราะหแ บบวนซำ้ 5.ประเมินผลการพยากรณอ ัตโนมตั ิ 5.1เปรยี บเทียบการพยากรณกับการพยากรณพ ้นื ฐาน 5.2ตรวจสอบความแมน ยำ 6.ทำการจำลองการพยากรณใ นอดตี 4. ผลการศึกษา 4.1 คุณสมบัตขิ องอนกุ รมเวลาทางธุรกจิ ปญหาการพยากรณทางธรุ กิจมีหลากหลาย และมคี ุณสมบตั ิหลาย ๆอยา งที่เหมือนกนั ตวั อยา ง เชน ขอมลู ปญ หา ในรปู ที่ 2 แสดงขอมูลของการดำเนนิ การทางธุรกจิ ท่ีเกิดขน้ึ บน Facebook ซึง่ ผูใช โครงการสมั มนาวิชาการและนำเสนอผลงานดานคณิตศาสตร ครง้ั ที่ 7 มหาวทิ ยาลยั ราชภฏั นครสวรรค
การพยากรณส ำหรับขอ มลู เชงิ ปรมิ าณ 97 Facebook สามารถสรา งเพจของตัวเองบน Facebook เพอื่ ชวนเชญิ ผูอน่ื และมีการสือ่ สารสำหรบั การ ดำเนินทางธรุ กิจ ขอมลู ชดุ น้ีเปนรายวนั ของจำนวนกิจกรรมท่ีเกิดขึน้ บน Facebook ซึง่ จะเหน็ ไดวามี ลกั ษณะการเคลอ่ื นไหวขน้ึ ลงท่ีเปน รปู แบบหรือกลาวไดวา มีการเปลีย่ นแปลงตามฤดกู าลท่ีสามารถมอง เห็นไดชัดเจน โดยฤดูกาลในท่ีนี้เกิดขึ้นแบบ รอบรายสปั ดาห และยังมีจำนวนลดลงอยา งชดั เจนในชวง คริสตมาสและปใหม ผลกระทบตามฤดูกาลเหลา นี้เกดิ ขึน้ ตามธรรมชาติและสามารถพยากรณขอมลู อนุกรมเวลาท่ีเกดิ จากการกระทำของมนุษยได ขอ มูลอนกุ รมเวลายังแสดงการเปลี่ยนแปลงที่ชัดเจน ของแนวโนมในชวง 6 เดือนที่ผานมา ซ่งึ เกดิ ขึ้นในขอ มลู อนกุ รมเวลาท่ีไดรับผลกระทบจากการเปลี่ยน ผลติ ภัณฑใหมหรือการเปลยี่ นแปลงของเศรษฐกิจ ชดุ ขอมลู จริงของอนุกรมเวลามกั จะมีคาผดิ ปกติและ ไมมีขอยกเวน ขอมลู อนุกรมเวลาชดุ น้ีแสดงผลของการวเิ คราะหท่ีทำใหเห็นความยากในการพยากรณที่สม เหตุสมผลดวยวิธกี ารอตั โนมัตทิ ้ังหมดในรปู ที่ 3 ซง่ึ เปน การพยากรณโ ดยใชก ระบวนการอัตโนมตั ิทง้ั หมด 4 วิธี ขัน้ ตอนการพยากรณโดยใชโปรแกรม R อธิบายรายละเอยี ดไวในงานวิจยั ของ Hyndman และ คณะ (2007) การพยากรณถูกสรา งข้นึ สามชวงในอดตี แตล ะชวงใชขอ มูลเฉพาะสว นของชว งเวลาน้นั ๆ ในการสรางตวั แบบการพยากรณของชวง วิธีการในรูปคือ auto.arima ซงึ่ เปน สว นหน่งึ ของตวั แบบ ARIMA และจะเลือกรปู แบบที่ดีที่สดุ โดยอตั โนมัติ วิธี Exponential Smoothing ซงึ่ เปน ตัวแบบมีการ ปรบั ใหเรยี บแบบเอ็กโพเนนเชียล และเลอื กสิง่ ท่ีดีทส่ี ุด (Hyndman และคณะ 2002) snaive เปน ตวั แบบการเดินแบบสมุ ที่ทำใหการพยากรณคงท่ีตามฤดกู าลรายสปั ดาหและตวั แบบ TBATS ที่มีท้ัง ฤดกู าลรายสปั ดาหแ ละรายป( De Livera et al. 2011) เม่อื การพยากรณมขี อผดิ พลาดผวู จิ ยั ตอ งการทจี่ ะปรบั พารามเิ ตอรข องตัวแบบเพือ่ แกไ ขปญ หา ทีเ่ กิดขนึ้ การปรบั วิธกี ารเหลานจี้ ำเปนตองมีความเขาใจอยา งละเอียดเกีย่ วกับวธิ กี ารทำงานของอนกุ รม เวลาพ้ืนฐาน การนำขอ มลู พารามเิ ตอรตวั แรกเขา ไปยัง ARIMA อตั โนมตั ิ ตวั อยา งเชนเปนการกำหนด ของการสง่ั ซ้ือสงู สดุ สว นประกอบการถดถอยอตั โนมัติ และสว นประกอบคาเฉล่ยี เคล่ือนที่ นักวิเคราะห ทวั่ ไปจะไมทราบวิธีการปรบั คำสงั่ เหลาน้ี เพื่อหลกี เลี่ยงปญหาท่ีเกิดในรปู ที่ 3 ซ่ึงตอ งอาศัยความ เชย่ี วชาญเนือ่ งจากเปนการยากที่จะปรับคา พารามเิ ตอรต า งๆ โดยท่ัวไปวิธีการที่แสดงในรูปที่ 3 มกั จะทำการพยากรณที่ตรงกบั ลักษณะของขอมลู อนกุ รม เวลา การพยากรณ ARIMA อตั โนมัติมีแนวโนมท่ีจะมีแนวโนม ท่ีมีขอ ผดิ พลาดขนาดใหญ เมอ่ื มีการ เปล่ยี นแปลงของแนวโนม ใกลชวงเวลาท่ีถกู ตัดออกและตัวแบบการพยากรณไดไมดีนักเม่อื มีการจบั ภาพฤดกู าลใด ๆการปรับใหเรยี บแบบเอกซโปเนนเชยี ลและการพยากรณตามฤดูกาลอยา งเทยี่ งตรงที่ เปน ไปตามฤดูกาลรายสัปดาห แตไมเทยี่ งตามฤดูกาลในระยะยาว วิธีการเหลา น้ีไม สามารถรวบรวม ขอ มูลทเี่ พยี งพอของฤดกู าลเมื่อถงึ สน้ิ ป 4.2 ตัวแบบการพยากรณ การสรา งตวั แบบการพยากรณขอ มลู อนกุ รมเวลาที่ออกแบบมาเพ่ือจัดการกับคุณสมบัติทว่ั ไป ของชุดขอ มูลที่แสดงในรูปที่ 2 สง่ิ ท่ีสำคญั คือ ตัวแบบท่ีไดควรจะใชงานงา ยและคาพารามิเตอรสามารถ โครงการสมั มนาวชิ าการและนำเสนอผลงานดานคณิตศาสตร ครัง้ ที่ 7 มหาวิทยาลยั ราชภฏั นครสวรรค
98 ธีรภทั ร ประจำถ่ิน และคณะ ปรับไดโดยไมทราบคารายละเอยี ดของตวั แบบพื้นฐาน เปนสง่ิ สำคัญสำหรับนกั วิเคราะหในการปรบั ตวั แบบไดอยางมีประสทิ ธิภาพตามท่ีอธบิ ายไวในรปู ท่ี 1 การใชงานตัวแบบ ARIMA สามารถรวมตวั แปร ตามฤดูกาลได การเพิ่มตวั เเปรเหลา น้ีเขา ในตัวแบบจะทำใหตัวแบบมีความเหมาะสมมากข้ึน แตตอ ง รูปท่ี 3. เปน การพยากรณในอนกุ รมเวลาจากรูปท่ี 2 โดยใชการรวบรวมขนั้ ตอน การคาดการณถูกสรางขน้ึ ที่จดุ ตัวอยา งสามจุดในอดตี แตล ะการใชงานเฉพาะสว นของอนุกรมเวลาจนถงึ จดุ น้นั การคาดการณสำหรบั แตละวนั จะถูกจดั กลมุ และสีตามวนั ในสัปดาห เพ่ือใหเหน็ ภาพฤดูกาลรายสัปดาห เราลบคา ผดิ ปกติในระหวาง พล็อตเพ่อื ใหมพี ืน้ ทแ่ี นวต้ังในรูปมากขน้ึ ใชความเช่ยี วชาญในการสรา งตวั แบบดังกลา ว และนำสวนประกอบหลกั ใสในตัวแบบ ไดแ ก แนวโนม ฤดูกาลและวนั หยดุ ไดเปน ตัวแบบตอ ไปนี้ y(t) = g(t) + s(t) + h(t) + εt (1) g( t ) หมายถึง ฟง กช ันแนวโนม s( t ) หมายถึง การเปล่ียนแปลงเนือ่ งจากฤดกู าล เชน รายสัปดาห รายป h( t ) หมายถึง อทิ ธพิ ลของวนั หยดุ ท่ีเกิดขึ้น ตามวนั เวลาท่ไี มแนนอน εt หมายถงึ ความคลาดเคล่ือน ซ่งึ มีการแจกแจงแบบปกติ ตวั แบบในสมการท1่ี มีลกั ษณะคลายกับตัวแบบ Generalized Additive Model(GAM)ซึ่ง เปนตวั แบบการถดถอยที่ประยุกตใชก ับ non-linear ในงานวิจัยน้ีใชเ วลาเปน ตัวถดถอย ซึ่งองคป ระกอบ ฟง กช ันของเวลาอาจเปนเชงิ เสน และไมเชงิ เสน อาจมีความสัมพันธ ฤดกู าลถกู ใชเปน องคประกอบเพ่มิ เตมิ ซึ่งเปนวิธีเดยี วกับวธิ ีการปรับใหเรยี บแบบเอก็ ซโพเนนเชยี ล (Gardner,1998)อทิ ธพิ ลของฤดูกาล เปนปจจยั หนึ่งทส่ี ามารถทำไดโ ดยการแปลงลอการิทมึ สตู ร GAM มีขอดีคอื สามารถแยกออกเปนสวนยอยๆไดงา ยและรองรับสว นประกอบใหมตาม ความจำเปน ตวั อยางเชนเมือ่ มีการระบุแหลง ทมี่ าของฤดูกาลใหม GAM ยังใชไดดี และรวดเรว็ ไมวาจะ เปน การยอ นกลบั หรือ L-BFGS ดงั นัน้ ผูใ ชสามารถเปลยี่ นพารามเิ ตอรของตวั แบบได ในงานวิจัยนี้กำหนดกรอบของการพยากรณเปน เสนโคง ซึ่งแตกตา งจากตวั แบบอนกุ รมเวลาที่ มีการอธิบายโครงสรง ของขอมูลอยา งชดั เจน ขอ ไดเปรียบของการใชตวั แบบทวั่ ไป เชน ตวั แบบARIMA ตัวแบบGAM มขี อไดเ ปรียบในทางปฎิบตั ิดงั น้ี โครงการสัมมนาวชิ าการและนำเสนอผลงานดานคณติ ศาสตร คร้ังท่ี 7 มหาวทิ ยาลัยราชภฏั นครสวรรค
การพยากรณส ำหรับขอ มูลเชงิ ปริมาณ 99 - ความยดื หยุน : สามารถรองรับฤดกู าลท่ีมีหลายชวงเวลาและอนุญาติใหนักวิเคราะหต้ัง สมมติฐานตา งๆเก่ยี วกับแนวโนม - แตกตา งจากตวั แบบ ARIMA การตรวจสอบไมจำเปนตองเวน ระยะเสมอและไมจำเปนตอง แกไ ขคา ที่สญู หายไป เชน การตดั คา ผดิ ปกติออก - การสรางตัวแบบทำไดรวดเร็ว นกั วิเคราะหสามารถสรา งตวั แบบได ตัวอยางเชนในแอพพลิ เคชัน่ Shiny (Chang et al.2015) - ตัวแบบการพยากรณมพี ารามิเตอรท ี่ตีความไดง าย ซ่งึ สามารถเปล่ยี นแปลงไดนักวเิ คราะหตัง้ สมมตฐิ านบนการพยากรณ นอกจากน้ีนักวิเคราะหที่มีประสบการณเกย่ี วกบั การถดถอย และสามารถขยายตวั แบบไดงาย โดยการเพิ่มองคประกอบใหมในตวั แบบการพยากรณอัตโนมัติมีประวตั ิอันยาวนาน โดยมีวธิ ีการสรา ง ตัวแบบมากมายรวมถงึ ขอมลู อนกุ รมเวลาท่ีมีลักษณะเฉพาะ (Tashman and Leach 1991, De Gooi- jer and Hyndman 2006) วธิ ีการในงานวจิ ัยน้ีประกอบดว ยธรรมชาติของขอ มลู อนุกรมเวลาซ่งึ จะใช ขอ มูล Facebook(แนวโนม ฤดกู าล วันหยดุ ) รวมทง้ั ความทา ทายที่เก่ยี วขอ งกบั การพยากรณข อ มลู เชงิ ปริมาณ 4.2.1 ตวั แบบแนวโนม (The Trend Model) ในงานวิจยั น้ีไดนำตวั แบบแนวโนมสองรปู แบบคือตัวแบบการเตบิ โตแบบอิ่มตัว(Saturating Growth Model)และตวั แบบเชิงเสน(Piecewise Linear Model)ที่ครอบคลุมแอปพลิเคชัน Face- book มาใช (1). การเตบิ โตทีอ่ ม่ิ ตัวแบบไมเ ชิงเสน(Nonlinear,Saturating Growth) สำหรับการพยากรณการเตบิ โต องคประกอบหลกั ของกระบวนการสรางขอ มลู เปน ตัวแบบ สำหรับการเตบิ โตของประชากรและคาดวา จะเตบิ โตตอ ไปไดอยางไร ตวั แบบการเติบโตของการดำเนนิ การธุรกิจบนFacebook มักจะคลา ยกับการเติบโตของประชากรในระบบนิเวศธรรมชาติ (e.g., Hutchin- son 1978) ท่ีมีการเตบิ โตแบบไมเชิงเสนท่ีอมิ่ ตวั บนขดี ความสามารถ ตวั อยางเชน ขีดความสามารถใน การรองรับจำนวนผูใช Facebook ในพ้ืนท่ีเฉพาะซ่งึ อาจมีจำนวนคนที่สามารถเขา ถงึ อนิ เทอรเ นต็ โดย ทั่วไปแลวการเติบโตแบบนมี้ ักใชต วั แบบการเตบิ โตแบบโลจิสติกส ซ่ึงมีรูปแบบพน้ื ฐานดังน้ี C (2) g(t) = 1 + exp(−k(t − m))′ เม่ือ C คอื ขีดความสามารถ , K คอื อตั ราการเตบิ โต และ m พารามเิ ตอร Facebook มีการเตบิ โตท่ีสำคัญสองประการ ท่ีไมไดรวมอยูในสมการที2่ ประการแรกคือ ความสามารถในการรองรบั คา ไมค งท่ี กลา วคือจำนวนคนในโลกทีส่ ามารถเขา ถงึ อนิ เทอรเน็ตไดมีจำนวน เพิม่ ขน้ึ เชน เดียวกบั การเติบโตจนถงึ ขดี สงู สดุ ดงั นนั้ จงึ แทนท่ีขีดความสามารถท่ีจำกดั C ดว ยขดี ความ สามารถท่ีเปล่ยี นไปตามเวลา C(t) ประการท่ีสองคือ อตั ราการเตบิ โตไมคงที่ ผลิตภัณฑใหมสามารถ เปลยี่ นแปลงอัตราการเติบโต ดงั น้นั ตัวแบบจะตองสามารถรวมอตั ราตางๆเหลา น้ี เพ่ือใหเหมาะสมกบั โครงการสมั มนาวิชาการและนำเสนอผลงานดานคณติ ศาสตร คร้ังที่ 7 มหาวทิ ยาลัยราชภฏั นครสวรรค
100 ธรี ภัทร ประจำถ่ิน และคณะ ขอ มูลในอดีต ผวู จิ ัยรวมการเปลยี่ นแปลงของแนวโนมในตัวแบบการเตบิ โตโดยกำหนดจุดเปลย่ี นอยา งชดั เจน ซ่ึงอนุญาตใหอัตราการเตบิ โตเปลยี่ นแปลงได สมมติวาจุดเปลี่ยน S จุดท่ีเวลา sj โดยที่ j = 1,2,3,…,S กำหนดเวกเตอรข องการปรบั คาอัตราตางๆ δ ϵ R2 โดยท่ี δj คืออตั ราการเปลย่ี นแปลงทีเ่ กดิ ขน้ึ ในเวลา sj อตั รา ณ เวลาใดๆ t คืออตั ราการเตบิ โต k รวมถงึ การปรับท้งั หมดจนถึงจุด k + Σj:t>sjδjสงิ่ น้ีแสดง ใหเห็นอยา งชัดเจนยิ่งขนึ้ โดยการหาเวกเตอร a(t) ∈ 0, 1s ดงั นน้ั if t ≥ sj, 1, otherwise. aj(t) = 0, อัตรา ณ เวลา t คือ k + a(t)T δ เมือ่ ปรับอตั รา k แลว ชดุ พารามิเตอร m จะตอ งมีการปรบั เพ่ือเชื่อม ตอจุดสิ้นสุดของกลมุ การปรับท่ถี ูกตองทีจ่ ุดเปล่ียน j สามารถคำนวณไดงายจากสมการ γj = (sj − m − ∑ − k + ∑ δl γl)(1 k + ∑l<j ) l<j l≤j δl ดงั น้ันตวั แบบการเติบโตโลจิสติกแบบเชิงเสนคอื C (t) (3) g(t) = 1 + exp(−(k + a(t)T δ)(t − (m + a(t)T γ))). ชดุ พารามิเตอรท่ีสำคัญในตวั แบบคือ (t) หรือความสามารถท่ีคาดหวงั ของระบบ ณ จดุ ใดกไ็ ด นักวเิ คราะหมกั เขา ใจถงึ ขนาดของตลาดและสามารถตั้งคาเหลานี้ตามลำดับ อาจมีแหลงขอมูลภายนอก ท่ีสามารถรองรับขีดความสามารถ เชน การพยากรณป ระชากรจากธนาคารโลก ตวั แบบการเตบิ โตแบบโลจิสติกท่ีนำเสนอน้ีเปนกรณีพิเศษของแนวโนมการเตบิ โตแบบโลจิสติ กท่วั ไปซึ่งเปน เสน โคง sigmoid การขยายของตวั แบบแนวโนม นี้ไปยังเสน โคงชนิดอนื่ ๆนั้นเปน ไปอยา ง เหมาะสม (2).แนวโนมเชงิ เสนทีม่ จี ดุ เปลี่ยน สำหรบั ปญ หาของการพยากรณที่ไมแสดงการเติบโตท่ีอม่ิ ตัว อัตราการเตบิ โตท่ีคงท่ีคงท่ีแบบ ตอ เนอื่ ง จัดเปน ตัวแบบท่ีเปนทางเลือกและมปี ระโยชน ตัวแบบแนวโนม ดังกลา วเขยี นไดด งั น้ี g(t) = (k + a(t)T δ)t + (m + a(t)T γ). (4) เมื่อ k คอื อตั ราการเตบิ โต , δ คอื การปรับอตั รา, m คอื พารามิเตอร และ γj มีคา เปน −sjδj เพ่ือทำใหฟงกช นั ตอ เนอ่ื ง (3).การเลือกจดุ เปล่ียนอัตโนมัติ จดุ เปลยี่ น sj สามารถระบุไดโดยใชวนั ท่ีของการเปด ตวั ผลิตภัณฑแ ละเหตกุ ารณท่ีเปล่ยี นแปลง การเตบิ โตอื่น ๆหรอื อาจถกู เลอื กโดยอัตโนมัติจากชดุ ของขอมลู ที่นำเสนอ การเลือกอตั โนมตั ิสามารถ ทำไดค อ นขา งเปน ธรรมชาติโดยใชสมการที่ (3) และ (4) โดยแยกการวเิ คราะหกอน δ. โครงการสัมมนาวชิ าการและนำเสนอผลงานดา นคณติ ศาสตร ครัง้ ท่ี 7 มหาวทิ ยาลยั ราชภัฏนครสวรรค
การพยากรณสำหรบั ขอมลู เชิงปริมาณ 101 จุดเปลย่ี นมักจะถูกระบุไวเปนจำนวนมาก(เชนหนงึ่ ครง้ั ตอเดอื นสำหรบั ขอมูลในอดตี หลาย ป)และใชคา δj ซึง่ มีการแจกแจงแบบ Laplace(0,τ) พารามเิ ตอร τ ควบคมุ ความยดื หยุนของตวั แบบ ในการเปล่ียนแปลงอตั ราของมัน ท่ีสำคัญการกระจายของการปรบั คา δ ไมม ีผลกระทบตออัตราการ เติบโตของ k ดังนน้ั เมอ่ื τ มีคา เขาสู 0 คาพยากรณจะลดรูปเหลอื การเตบิ โตแบบโลจิสติกสหรอื การ เตบิ โตแบบเชิงเสน (4). การพยากรณค วามไมแ นนอนของแนวโนม เมอ่ื ตวั แบบถกู พยากรณผา นขอมูลในอดตี เพ่อื ทำการพยากรณ แนวโนมจะมีอัตราคงที่ การ ประมาณคาความไมแนนอนของแนวโนม การพยากรณโดยขยายการกำเนดิ ตวั แบบไปขางหนา ตวั แบบกำเนิดสำหรบั แนวโนม คือมีจดุ เปลีย่ นท้งั หมด S จุดซง่ึ ครอบคลุมขอ มลู ในอดีต T จดุ แตล ะจดุ มีอตั ราการเปลย่ี นแปลง δj มีการแจกแจง Laplace(0, τ). อัตราการเปล่ยี นแปลงในอนาคตถูกจำลอง โดยการเลียนแบบขอ มลู ในอดตี โดยแทนคา τ ดว ยความแปรปรวนที่อนมุ านจากขอ มูล ภายใตกรอบ ของเบส (สถติ ิเบยเซยี น) สง่ิ น้ีสามารถทำไดดว ยการหาคาช้นั กอ นของ τ เพ่ือท่ีจะหาคา สวนหลังของ มนั มิฉะนั้น สามารถใชการประมาณคาภาวะความนาจะเปนสงู สุดของพารามเิ ตอร มาตราสว นอตั รา ∑S λ = 1 |δj |. จดุ เปลยี่ นในอนาคตจะถูกเลอื กอยางสุม ในลกั ษณะท่ีความถี่เฉลย่ี ของจดุ เปล่ียนท่ี S j=1 ตรงกบั ในอดีต δj = 0w.p. T −S δj ∼ T ∀j > t Laplace(0, λ)w.p. S . T จากนน้ั จึงวัดความไมแนน อนในแนวโนมการพยากรณโดยสมมติวาในอนาคตจะเหน็ ความถี่ เฉลี่ยและขนาดของอตั ราการเปลยี่ นแปลงที่เหน็ ในอดตี เทาเดิม เมอื่ คา λ ถูกอนุมานจากขอ มลู แลว จะ ใชต วั แบบนเ้ี พอื่ พยากรณแ นวโนมในอนาคตทเี่ ปนไปได และใชต วั แบบแนวโนมดังกลาวเพ่อื คำนวณชว ง ความไมแ นนอน จากขอกำหนดท่ีวา แนวโนมจะยังคงเปลีย่ นแปลงดว ยความถี่เดยี วกันและขนาดท่ีมีอยูในอดตี นัน้ คอ นขา งมัน่ คง ดงั น้นั จงึ ไมคาดหวังวาชว งเวลาท่ีไมแนน อนจะไดรับความคมุ ครองที่แนน อน อยางไร กต็ ามส่ิงเหลา นี้ เปน ตัวบง ชี้ท่ีเปนประโยชนของระดบั ความไมแนน อน และโดยเฉพาะตวั บง ช้ที ม่ี ีคา มาก เกนิ ไป เม่อื คา τ เพิม่ ขน้ึ ตัวแบบมีความยืดหยนุ มากข้นึ ในการตัง้ คาในอดตี และขอ ผดิ พลาดในการสรา ง ตัวแบบจะลดลง อยา งไรก็ตามเม่ือมีการพยากรณไวลวงหนาความยืดหยนุ เหลา นี้จะทำใหชวงความไม แนนอนกวา งมากขน้ึ 4.2.2 ฤดูกาล(Seasonality) ขอ มูลอนกุ รมเวลาทางธรุ กจิ มักมีฤดูกาลหลายชวงเวลาซ่งึ เปนผลมาจากพฤตกิ รรมของมนษุ ย เชน การทำงาน 5 วนั /สัปดาห สามารถผลิตขอมูลอนุกรมเวลาท่ีทำซ้ำในแตล ะสปั ดาห ซึ่งวันหยุดและ วันปด ภาคเรียนของโรงเรยี น ก็สามารถผลติ ขอมลู อนุกรมเวลาท่ีทำซ้ำในแตละป เพ่อื ใหก ารพยากรณ เหมาะสมตอผลกระทบเหลาน้ี ผูวิจัยตอ งระบุแบบจำลองตามฤดกู าลที่ t เปนฟงกช นั คาบของเวลา โครงการสมั มนาวิชาการและนำเสนอผลงานดา นคณติ ศาสตร ครั้งท่ี 7 มหาวิทยาลยั ราชภัฏนครสวรรค
102 ธีรภทั ร ประจำถิ่น และคณะ ผูวจิ ยั ใชแบบจำลองขอมูลอนุกรมเวลาของฟูริเยรท่ีสามารถทำการพยากรณไดทงั้ แบบจุดและ แบบชวง เพอ่ื ทำแบบจำลองที่สามารถตัดผลกระทบตามระยะเวลาได ให P เปนชว งเวลาท่ีเราคาดหวัง อนกุ รมเวลาจะมี ( เชน P = 365.25 สำหรับขอ มูลรายป หรอื P = 7 สำหรับขอ มูลรายสัปดาห เม่อื เรา ปรบั ขนาดตวั แปรเวลาเปนวัน ) เราสามารถทำการประมาณคา ตามฤดกู าลไดอยางงายดายดวยอนุกรม ฟรู ิเยรมาตรฐาน ∑n 2πnt 2πnt s(t) = (an cos( P ) + bn sin( P )) n=1 ฤดูกาลท่ีเหมาะสมตอ งมีการประมาณคา พารามเิ ตอร 2N β = [a1, b1, , an, b1]T คา พารา- มิเตอรเหลา นี้สามารถทำไดโดยการสรา งเมทริกซของเวกเตอร สำหรบั แตละคาของ t ในขอมลู ของอดตี และอนาคต เชน ฤดกู าลรายป (P=365.25) และ N = 10 แทนคาลงในสมการขา งตนจะได X(t) = [cos( 2π(1)t ), ..., sin( 2π(10)t )] (5) (6) 365.25 365.25 สวนประกอบฤดกู าลคอื s(t) = X(t)β ในการสรา งตัวแบบผูวจิ ัยใช β ∼ Normal(0, σ2) เพื่อกำหนดคาใหเรยี บของฤดกู าล การตัดขอมูลอนุกรมเวลาที่ N ในฤดกู าลท่ีตำ่ ทำใหตวั แบบฤดูกาลราบเรยี บขน้ึ ดังนน้ั การเพ่มิ N ทำใหตวั แบบของฤดูกาลเปล่ียนแปลงเร็วข้นึ แมจะมีความเสย่ี งเพ่ิมข้นึ สำหรบั ฤดูกาลรายปและราย สัปดาหเราพบวา N = 10 และ N = 3 ตามลำดบั การเลือกพารามเิ ตอรเปนไปโดยอัติโนมัติ โดยใชข้ัน ตอนการเลือกแบบจำลอง เชน AIC 4.2.3 เหตกุ ารณสำคญั และวันหยดุ (Holidays and Events) เหตุการณสำคัญและวนั หยดุ มีผลกระทบคอ นขา งมากสำหรับการพยากรณขอ มลู อนุกรมเวลา ทางธุรกจิ จำนวนมาก และมกั มีขอ มูลบางชว งท่ีไมเปน ไปตามรปู แบบของฤดูกาล ดงั น้ันจึงไมมีวฏั จักร ทร่ี าบเรยี บ เชน วันขอบคณุ พระเจาในสหรฐั อเมรกิ า ในวันพฤหัส ท่ี 4 พฤศจิกายน , วันซปุ เปอรโบว ในวนั อาทติ ยสดุ ทายของเดือนมกราคมหรอื เดือนกมุ ภาพันธ หนึง่ ในกจิ กรรมถายทอดสดทางโทรทัศน ท่ีใหญท่ีสดุ ในสหรฐั อเมรกิ าซ่ึงจะประกาศโดยโปรแกรม หลายประเทศทว่ั โลกมีวนั หยุดที่สำคญั ตาม ปฏทิ ินจนั ทรคติมกั คลายกนั ทกุ ป โดยวันหยุดจะมีผลกระทบกบั ขอ มูลอนุกรมเวลา ดังน้ันจึงมีความ สำคัญที่จะรวมวันหยุดเขา ไปไวใ นตวั แบบการพยากรณ ในท่ีน้ีอนุญาติใหนักวิเคราะหจดั ทำรายการวนั หยดุ ทงั้ เหตุการณในอดตี และที่จะเกิดข้นึ ใน อนาคต โดยระบุชือ่ ของเหตกุ ารณหรอื วนั หยุด ดังแสดงในตารางที่ 1 ซ่งึ รวมหัวขอสำหรับการเกบ็ รายการวันหยดุ เฉพาะของแตล ะประเทศเพม่ิ เตมิ จากวนั หยุดของทั่วโลก ปญ หาสำหรบั การพยากรณ ที่เราใชคือการรวบรวมความหลากหลายของวนั หยุดสากลและวันหยุดเฉพาะของแตละประเทศเขาไว ดว ยกัน การรวบรวมรายการวนั หยดุ ไวในแบบจำลองนน้ั ถกู สรา งขน้ึ โดยใหสมมติวา วันหยุดมีความ โครงการสมั มนาวิชาการและนำเสนอผลงานดา นคณิตศาสตร คร้ังท่ี 7 มหาวิทยาลยั ราชภัฏนครสวรรค
การพยากรณส ำหรบั ขอมูลเชิงปริมาณ 103 อิสระตอ กัน ให Di เปนขอ มูลของวนั หยดุ ในอดีตและอนาคต สำหรบั วนั หยุดท่ี i ตารางที่ 1 : ตัวอยางรายการวันหยุด ระบุไวเนือ่ งจากวันหยุดของแตล ะประเทศมคี วามแตกตา งกนั เราเพ่มิ ฟง กชันตวั บงช้เี วลาวา t = ชว งวันหยดุ ของ i และกำหนดพารามิเตอร วันหยุด ประเทศ ป วนั /เดือน/ป วนั ขอบคณุ พระเจา สหรฐั อเมรกิ า 2015 26 พฤศจกิ ายน 2015 วันขอบคณุ พระเจา สหรัฐอเมรกิ า 2016 24 พฤศจิกายน 2016 วนั ขอบคุณพระเจา สหรัฐอเมรกิ า 2017 23 พฤศจิกายน 2017 วันขอบคณุ พระเจา สหรัฐอเมริกา 2018 22 พฤศจกิ ายน 2018 วนั ครสิ ตมาส * 2015 25 ธันวาคม 2015 วนั คริสตมาส * 2016 25 ธันวาคม 2016 วันคริสตมาส * 2017 25 ธันวาคม 2017 วันคริสตม าส * 2018 25 ธนั วาคม 2018 เพม่ิ ฟงกช ันตัวบง ชี้เวลา t = เปนชว งวนั หยดุ ที่ i และกำนดพารามิเตอร ki ในแตล ะชว งวนั หยุด ซงึ่ เปน การเปล่ียนแปลงท่ีสอดคลองกับการพยากรณทำไดเชน เดยี วกบั การหาคาฤดูกาล โดยการ สรา งเมทริกซของการถดถอยดงั นี้ Z(t) = [1(t ϵ D1), ..., 1(t ϵ DL)] และกำหนดให h(t) = Z(t)κ (7) เชน เดียวกับฤดูกาลใหใช κ ∼ Normal(0, ν2) น่ีเปนสิ่งสำคญั ท่ีจะรวมอิทธิพลของวันหยุดไวในตัวแบบโดยกำหนดเปนพารามิเตอรเพม่ิ เตมิ เชน วนั หยดุ สุดสปั ดาหของวันขอบคณุ พระเจา 4.2.4 การสรางตวั แบบ เมื่อลักษณะของฤดูกาลและวันหยุดสำหรับคา สังเกตแตละคา ถูกรวมเปน เมทริกซ X และตวั ชี้ วดั จดุ เปลี่ยน a (t) ในเมทริกซ A ตวั แบบในสมการ (1) สามารถแสดงเปน รหสั stan ไมกี่บรรทดั (Car- penter et al. 2017) ดังแสดงใน Listing 1 สำหรบั การสรา งตวั แบบใช L-BFGS ของ Stan เพ่ือหา คา ประมาณ posteriori ท่ีสงู ที่สุด แตยังสามารถทำรายการ 1: ตัวอยา งรหสั Stan สำหรับแบบจำลอง ท่ีสมบูรณของเรา การอนุมานคา posterior เพ่ือรวมความไมแนนอนของพารามเิ ตอรของตวั แบบใน ความไมแนนอนของการพยากรณ Listing 1: Example Stan code for our complete model. model // Priors k ∼ normal(0, 5); โครงการสัมมนาวิชาการและนำเสนอผลงานดานคณิตศาสตร ครัง้ ท่ี 7 มหาวทิ ยาลยั ราชภัฏนครสวรรค
104 ธีรภัทร ประจำถ่ิน และคณะ m ∼ normal(0, 5); epsilon ∼ normal(0, 0.5); delta ∼ (0,doubleexponential tau); beta ∼ normal(0, sigma); // Logistic likelihood y ∼ normal(C ./ (1 + exp(-(k + A * delta) .* (t - (m + A * gamma)))) + X * beta, epsilon); // Linear likelihood y ∼ normal((k + A * delta) .* t + (m + A * gamma) + X * beta, sigma); รปู ท่ี 4 แสดงตัวแบบการพยากรณอนุกรมเวลาของเหตุการณบน Facebook ของรูปที่ 3การ พยากรณเหลา นี้จัดทำขนึ้ โดยใหสามวนั เดยี วกบั ท่ีใชในรปู ที่ 3 สำหรบั การพยากรณสามารถทำนายทั้ง ฤดูกาลรายสปั ดาหและรายป และไมเหมอื นกบั เสน เขตแดนในรูปที่ 3 ไมไดทำเกินจริงไปวนั หยดุ ปแรก ในการคาดการณครง้ั แรกตวั แบบพยากรณมีคา ฤดูกาลรายปมีคาเกินจรงิ เล็กนอ ยเม่ือใชขอมลู เพียงป เดยี ว ในการคาดการณครั้งท่ีสามตวั แบบยังไมไดเรียนรูวาแนวโนม มีการเปล่ยี นแปลง รูปท่ี 5 แสดงการ คาดการณผสมผสานขอ มลู สามเดือนลา สดุ ท่แี นวโนมมีการเปลย่ี นแปลงแนวโนม (เสน ประ) ประโยชนท่ีสำคญั ของแบบจำลองแยกองคประกอบคือสามารถแยกพจิ ารณาทีละองคป ระกอบ ไดรปู ที่ 6 แสดงแนวโนม ฤดูกาลรายสัปดาหและ ฤดูกาลรายปที่สอดคลองกับการพยากรณคร้ังสดุ ทาย ในรปู ท่ี 4 สิ่งน้ีใหเครือ่ งมอื ท่ีมีประโยชนสำหรับนกั วเิ คราะหเพือ่ ทำความเขาใจปญ หาของการพยากรณ นอกเหนือจากเพียงแคการพยากรณ พารามิเตอร tau และ sigma ใน Listing 1 ตกควบคมุ สำหรบั ปรมิ าณของการทำใหเปน มาตรฐานบนจุดเปลี่ยนและฤดกู าลของตัวแบบ การทำใหเปนมาตรฐานเปนสง่ิ สำคญั สำหรบั ท้งั สอง คานี้ เพ่ือหลกี เล่ยี งการประมาณคาเกินจรงิ รูปที่ 4. การพยากรณที่สอดคลองกบั ขอมลู ในรปู ท่ี 3 เชน เดยี วกบั กอนหนาน้ีการพยากรณถกู จดั กลุมตามวนั ใน รอบ 1 สปั ดาหเ พ่ือใหเห็นฤดูกาลแบบรายสปั ดาห อยา งไรกต็ ามมีแนวโนม วา ขอมูลในอดีตไมเ พยี งพอทจี่ ะเลือกพารามิเตอรก ารทำใหเ ปน มาตรฐาน โครงการสัมมนาวิชาการและนำเสนอผลงานดานคณิตศาสตร ครง้ั ท่ี 7 มหาวิทยาลัยราชภฏั นครสวรรค
การพยากรณสำหรับขอ มูลเชงิ ปรมิ าณ 105 รูปที่ 5. การพยากรณโดยใชขอมูลท่ีมีท้งั หมดรวมถึงการใชขอ มลู ในอดีต เสน ทึบอยูในตัวอยา งพอดี เสน ประคือ การพยากรณที่ไมอ ยใู นกลุมตัวอยาง รปู ที่ 6. สวนประกอบของการพยากรณในรูปท่ี 5 จุดเปล่ียนของตวั แบบและฤดูกาล ทำใหเปน มาตรฐานเปน ส่ิง สำคญั สำหรบั ทง้ั สองคานี้เพอื่ หลีกเลีย่ งการพยากรณเ กนิ จริง ที่ดีทีส่ ดุ ผานการตรวจสอบการกำหนดเรม่ิ ตนท่ีเหมาะสมสำหรับปญ หาการพยากรณสวนใหญและ พารามเิ ตอรเหลานีจ้ ำเปน ตอ งทำการประมาณโดยใชการวนลูป 4.2.5 การสรา งตัวแบบการวิเคราะหแ บบวนซ้ำ นกั วิเคราะหทท่ี ำการพยากรณจะมีความรูเก่ยี วกบั ปรมิ าณของขอมูลทพี่ วกเขาทำการพยากรณ แตมีความรูทางสถิติไมมากนัก ในการระบุแบบจำลองหลายมีตำแหนงท่ีนักวิเคราะหท่ที ำการพยากรณ สามารถปรบั เปลี่ยนตัวแบบ เพ่อื ใชความรูและความเช่ียวชาญของตนเอง โดยไมตองมีความเขาใจใน สถติ พิ ้ืนฐาน ความสามารถ : นักวิเคราะหอาจมีขอมูลเชิงปริมาณภายนอกทางธรุ กิจท้งั หมด และสามารถ ใชค วามรโู ดยผา นขอ มลู เชงิ ปริมาณภายนอกทางธรุ กจิ ท่มี อี ยู โครงการสมั มนาวชิ าการและนำเสนอผลงานดานคณิตศาสตร ครั้งท่ี 7 มหาวทิ ยาลยั ราชภฏั นครสวรรค
106 ธรี ภัทร ประจำถ่ิน และคณะ จดุ เปลี่ยนของขอ มลู : สามารถระบุวันที่ขอมลู มีการเปลี่ยนแปลงอยา งกระทนั หนั เชน วนั ที่มี การเปล่ยี นแปลงผลติ ภณั ฑ วันหยุดและฤดูกาล : นักวิเคราะหที่มีประสบการณพบวาวันหยุดสง ผลกระทบตอ การเติบโต ในบริเวณใดบรเิ วณหน่ึง และสามารถระบุวนั หยุดและชว งเวลาของฤดูกาลทีเ่ กีย่ วของไดโ ดยตรง การปรับพารามเิ ตอรใหเรยี บ : นักวเิ คราะหสามารถเลอื กปรับ τ ภายในชว งของตัวแบบ ทั้งหมดหรือเฉพาะสวน คาพารามิเตอรการปรับใหเรียบของ ฤดกู าลและวนั หยุด ( σ, ν ) ยอมใหนกั วเิ คราะหระบุวาตัวแบบการพยากรณมีความแปรผนั ตามฤดูกาลในอดีตมากนอ ยเพยี งใด ซ่งึ จะเปนการ คาดการณค า ในอนาคต นกั วเิ คราะหสามารถใชพารามิเตอรเหลานี้เพอ่ื ปรบั ปรุงตัวแบบ เมอื่ ตวั แบบถูกพลอ็ ตโดยใช ขอ มลู ในอดีตจะเหน็ ไดอยา งรวดเร็ว หากมีจุดเปล่ยี นหายไปก็จะเลอื กจดุ เปลยี่ นใหมม าแทนโดยอัตโนมัติ พารามิเตอร τ สามารถปรบั เพ่อื เพิม่ หรอื ลดความยดื หยนุ ของแนวโนม และ σ สามารถปรับเพอื่ เพมิ่ หรอื ลดประสทิ ธิภาพขององคประกอบฤดกู าล นกั วเิ คราะหสามารถทำการสรา งขอมลู ไดมากมาย : แนวโนมเชิงเสน หรอื การเติบโตทางโลจิสติก,การระบุชวงเวลาของฤดูกาล และการระบุชว งเวลาท่ีอยู สูงกวา ปกติที่ควรเอาออกจากการสรา งตัวแบบเล็กนอ ยเพ่ือความเหมาะสม ส่ิงตา งๆ เหลานี้สามารถ ทำไดโดยไมตอ งมีความเชย่ี วชาญทางสถิติและเปน วิธีที่มีความสำคัญสำหรบั นกั วเิ คราะหในการใชความ รูเชงิ ลกึ หรือความรูข องตนเอง วรรณกรรมการพยากรณทำใหเกิดความแตกตา งระหวา งการพยากรณเชงิ สถิติ ซงึ่ สรางโดยใช ขอมลู ในอดีต และการพยากรณเชงิ ตดั สนิ ( เรยี กอีกอยางหนึง่ วาการพยากรณเชิงการจดั การ ) ซ่ึงผู เชย่ี วชาญอาศัยประสบการณการทำงานของตนเองในการพยากรณขอ มูลอนุกรมเวลา สองวิธีดงั กลา ว ตา งก็มขี อ ดี การพยากรณเชิงสถิติตอ งใชความรูเ ก่ยี วกับขอบเขตของขอ มลู และตอ งอาศัยความพยายาม จากนักพยากรณ ซึง่ ทำใหสามารถสามารถปรับการพยากรณจำนวนมากไดอยา งงาย การพยากรณเชงิ ตดั สนิ ประกอบดวยขอมลู จำนวนมาก และตอบสนองตอ เงือ่ นไขที่มีเปลี่ยนแปลงไดมากแตนกั วเิ คราะห อาจจะตอ งทำงานหนัก(Sanders,2005) วิธีการสรา งตัวแบบการวเิ คราะหแบบวนซำ้ เปนทางเลือกที่เกดิ จากการผสมผสานขอ ดีของการ พยากรณเชิงสถิติและการพยากรณเชงิ ตดั สิน โดยมุงเนน การปรับปรุงตัวแบบเมื่อมีความจำเปนมากกวา ท่ีจะสรา งการพยากรณ โดยผานขนั้ ตอนท่ีไมไดแสดงใหเห็น เราพบวา วิธีการนี้ใกลเคยี งกับ “ตัวแบบ การแปลงภาพ” แบบวนซำ้ ที่เสนอโดย Wickham and Grolemund (2016) ซงึ่ ขอบเขตความรูของ มนุษยเ ปน การรวบรวมตัวแบบทป่ี รับปรงุ ใหมห ลงั จากการทำซ้ำหลายๆ รอบ การเพมิ่ ปรมิ าณขอ มลู ของการพยากรณโดยทว่ั ไปขน้ึ อยูกับขน้ั ตอนอตั โนมตั ิอยางสมบรู ณ แต การพยากรณเชงิ ตัดสินแสดงใหเห็นวา มีความแมนยำสูงในหลายๆ แอปพลิเคช่นั (Lawrence et al., 2006) วิธีการท่ีนำเสนออนุญาติใหนกั วเิ คราะหประยุกตใชการตัดสินใจในการพยากรณผา นขอมูล พารามเิ ตอรของตัวแบบ และเลอื กตวั แบบที่ใชงานงา ย ในขณะที่ยังคงรักษาความสามารถในการ พยากรณทางสถติ ิโดยอตั โนมัติเม่อื จำเปน จากงานเขียนน้ีเรามีหลักฐานท่ีชดั เจนเพยี งอยางเดยี วสำหรับ การปรับปรงุ ความถูกตองทีเ่ ปนไปได แตเ ราหวงั วาจะมีการวิจยั ในอนาคตทส่ี ามารถประเมินการปรับปรุง โครงการสัมมนาวิชาการและนำเสนอผลงานดา นคณติ ศาสตร คร้ังที่ 7 มหาวทิ ยาลยั ราชภัฏนครสวรรค
การพยากรณส ำหรับขอ มูลเชงิ ปริมาณ 107 ทนี่ กั วิเคราะหสามารถทำได ความสามารถในการวิเคราะหแบบวนซำ้ ขนึ้ อยูกับการประเมนิ คุณภาพการพยากรณโดยอัต- โนมัตแิ ละเครื่องมือการสรา งขอมลู ภาพทด่ี ี ตอนน้เี ราอธบิ ายวาการประเมินการพยากรณสามารถดำเนิน การอตั โนมัติ เพ่อื ใหน กั วเิ คราะหส ามารถระบขุ อ มูลทเี่ กยี่ วขอ งกบั การพยากรณมากทส่ี ุด 4.3 การประเมนิ ผลการพยากรณอัตโนมัติ ในสวนนี้นำเสนอขัน้ ตอนสำหรับการประเมินประสิทธิภาพการพยากรณ โดยการเปรยี บเทยี บ วธิ ีตา ง ๆ และระบุการพยากรณท่ีอาจรับประกนั การแทรกแซงดว ยตนเอง สว นน้ีไมเชอื่ เร่อื งวิธีการ พยากรณท่ีใช และมีแนวทางการปฏบิ ตั ิท่ีดีทส่ี ดุ ท่ีไดเลง็ ไว ในขณะที่การพยากรณทางธุรกจิ เกย่ี วกับ การผลติ การจัดสงสนิ คาผา นทางแอปพลิเคชันที่หลากหลาย 4.3.1 การใชการพยากรณพ้ืนฐาน ในการประเมินข้ันตอนของการพยากรณสิง่ สำคัญคอื การเปรยี บเทียบการพยากรณกับวธิ ีการ พยากรณพ้นื ฐาน ในงานวจิ ัยนี้เลอื กใชก ารพยากรณแ บบงายทม่ี ีขอ กำหนดเบ้อื งตนเก่ียวกับกระบวนการ พ้นื ฐาน แตสามารถสรางการพยากรณท่ีสมเหตุสมผลในทางปฏบิ ตั ิ ซง่ึ พบวามีประโยชนในการเปรียบ เทยี บตัวแบบแบบงาย (คาสดุ ทายและคา เฉลี่ยของตวั อยา ง) รวมถงึ ขนั้ ตอนการพยากรณอัตโนมตั ิท่ี อธบิ ายไวในบทนำ 4.3.2 ความแมน ยำของตัวแบบการพยากรณ การพยากรณเกดิ ข้นึ ในชว งระยะเวลาหนึง่ กำหนดใหเปน H ระยะเวลาการพยากรณคอื จำนวน วนั ในอนาคตทเ่ี ก่ยี วกับการพยากรณ โดยทัว่ ไปแลว ในแอปพลเิ คชนั คือ 30 วัน หรือ 1 เดือน 90 วนั หรอื 1 ไตรมาส 180 วนั หรือครึง่ ป 365 วัน หรือหน่ึงป ดังน้นั สำหรบั การพยากรณใด ๆ ท่ีมีขอมลู เปน ราย วนั จะสรา งคาประมาณของอนาคตสูงสุดจนถึงคา H ซึ่งแตล ะคา จะมีความสมั พนั ธกับความผดิ พลาด จงึ จำเปน ตองแสดงวตั ถปุ ระสงคของการพยากรณเพื่อเปรียบเทียบวิธีการและตรวจสอบประสทิ ธิภาพ นอกจากน้ีการทำความเขาใจวา ขน้ั ตอนการพยากรณของเราเกดิ ขอผิดพลาดไดอยางไร สามารถชว ยให ผูใชการพยากรณทางธรุ กจิ เลอื กวา จะเชอ่ื ถอื ไดหรอื ไม กำหนดให yˆ(t|T )แทนการพยากรณสำหรบั เวลาt จากขอ มูลในอดตี จนถงึ T และ d(y, y′) เปน ตัวชี้วดั ระยะทาง เชน คา เฉลย่ี สัมบูรณ d(y, y′) = |y − y′| ทางเลอื กของฟง กช นั ระยะทางควรเปน ปญหาเฉพาะ De Gooijer and Hyndman (2006) ไดทบทวนเกย่ี วกับความคลาดเคล่อื นดังกลาว พบ วาในทางปฏิบตั ิคา เฉลย่ี คลาดเคลือ่ นสมบูรณ(MAPE)จะถูกนำไปใชอธบิ ายหรือแปลผลความแมน ยำเชงิ ประจักษของการพยากรณ h ϵ (0, H) พยากรณไป T ชว งเวลาขางหนา หาไดจาก ϕ(T, h) = d(yˆ(T + h|T ), y(T + h)) โครงการสัมมนาวิชาการและนำเสนอผลงานดา นคณติ ศาสตร ครง้ั ที่ 7 มหาวทิ ยาลัยราชภฏั นครสวรรค
108 ธรี ภัทร ประจำถนิ่ และคณะ เพอ่ื จดั ทำประมาณการความถูกตองนี้และ h มีคาท่ีหลากหลาย มันเปน เรือ่ งธรรมดาท่ีจะระบุ รูปแบบพารามิเตอรสำหรับความผดิ พลาดและเพอ่ื ประเมินพารามเิ ตอรจากขอมลู ยกตัวอยางเชน เรา ใชต ัวแบบ AR(1), y(t) = α + βy(t − 1) + ν(t), เราสมมตวิ า ν(t) ∼ Normal(0, σv2)และมุง เนน ไป ที่การประมาณคา ความแปรปรวนของ σν2 จากขอมลู นัน้ เราสามารถสรา งความคาดหวังโดยใชฟงกช นั ระยะทางผานตัวแบบ หรอื โดยใชนิพจนการวเิ คราะหสำหรบั คาคาดหมายของผลรวมคา คลาดเคลื่อน นา เสยี ดายท่ีวธิ ีเหลาน้ีใหการประมาณคาท่ีถูกตองของขอ ผดิ พลาดตามเงอื่ นไข โดยระบุแบบตวั แบบที่ ถกู ตองสำหรบั กระบวนการซ่ึงเปนเงอ่ื นไขทีไ่ มนาจะถอื ไดในทางปฏิบตั ิ เราตองการวิธีท่ีไมใชพารามิเตอรเพอ่ื ประเมินความคลาดเคล่ือนของคาคาดหวงั จะมีผลบังคับ ใชในรุนตา งๆ วธิ ีน้ีคลา ยกบั การใชการตรวจสอบขา มเพื่อประเมนิ ขอผิดพลาดท่ีมีอยูในกลมุ ตัวอยาง สำหรบั ตวั แบบทีท่ ำการพยากรณในขอมูลที่เปน อสิ ระกนั และมีการแจกแจงเหมือนกัน เมือ่ ไดรับชุดการ พยากรณเชงิ อดีตเราไมไดเปนแบบจำลองของความคลาดเคล่อื นท่ีคาดหวัง เราจะทำในชวงระยะการ พยากรณใ นอนาคต h ξ(h) = E[ϕ(T, h)]. (8) ตวั แบบนี้ควรมีความยืดหยุน แตสามารถกำหนดสมมตฐิ านบางอยา งได อนั ดับแรกฟงกช นั ควรราบรื่นในระดับทอ งถนิ่ เนอ่ื งจากเราคาดวาขอ ผิดพลาดใดๆที่เราทำในวนั ตดิ ตอกนั จะคอนขาง คลายคลงึ กนั ประการที่2 เราอาจกำหนดสมมตฐิ านวาฟง กช นั ควรเพมิ่ ขน้ึ เล็กนอยในh แมวา ส่งิ น้ีไม จำเปน ทกุ กรณีสำหรบั ตวั แบบการพยากรณ ในทางปฏบิ ัติเราใช local regression (Cleveland and Devlin 1998)หรอื isotonic regression (Dykstra 1981) เปน ตัวแบบ non-parametric ท่ีสามารถ ยดื หยนุ ไดของเสน โคง ท่ีคลาดเคลื่อน เพอ่ื สรา งขอ ผดิ พลาดการคาดการณในอดีต เราใชขัน้ ตอนที่เรียก วา การจำลองการพยากรณใ นอดตี 4.4 ตัวแบบการพยากรณข อ มลู ในอดีต เราตอ งการตัวแบบท่ีมีขอมูลท่ีมีการเปล่ียนแปลงอยา งกระทนั หนั ที่คาดหวังไวใน (8) เพ่ือ ทำการประเมนิ และเลือกตัวแบบ แตการใชวิธีการตรวจสอบแบบขา มขอ มลู ไมสามารถแลกเปล่ียนคา สังเกตได เราจึงไมสามารถสุมแบง ขอมลู ไดอ ยา งงายดาย เราใชแบบจำลองการพยากรณใ นอดตี เพื่อสราง K พยากรณ ทีเ่ ลอื กจุดตัดทแ่ี ตกตางกันในอดีต เพอื่ ใหขอบเขตการพยากรณในอดตี กวา งข้ึนและสามารถประเมินขอ ผดิ พลาดทง้ั หมดได ขน้ั ตอนนี้ขน้ึ อยูกบั ข้ันตอนการประเมินการพยากรณพืน้ ฐาน “ จุดเร่ิมตนของการพยากรณแบบวนซำ้ ” แตใชการ ตดั ลำดบั วนั ที่ออกเลก็ นอ ยแทนท่ีจะทำการพยากรณหนึ่งคร้งั ตอวนั ในอดีต ขอดีของการใชงานของการ จำลองจำนวนวันที่นอ ยลง ( การประเมนิ จดุ เรม่ิ ตนของการพยากรณแบบวนซำ้ ทำใหเกิดการพยากรณ หน่งึ คร้ังตอ วัน ) คือมีการคำนวณนอยลง แตขอเสยี ของมันคอื ความแมน ยำก็จะนอยลง การจำลองการพยากรณขอมูลที่เปลีย่ นแปลงอยา งกระทนั หันท่ีเกิดขึน้ ในอดตี ถาเราใชวิธี การพยากรณที่จดุ ในอดตี เหลา นน้ั การพยากรณในรปู ที่ 3 และ รูปที่4 เปน ตวั อยา งของการจำลอง โครงการสัมมนาวิชาการและนำเสนอผลงานดานคณิตศาสตร คร้ังที่ 7 มหาวทิ ยาลัยราชภฏั นครสวรรค
การพยากรณส ำหรบั ขอ มูลเชิงปรมิ าณ 109 การคาดการณในอดีต ขอดีของวิธีนี้คือ สามารถใหนักวเิ คราะหและผูตัดสินใจเขา ใจถงึ ขอมลู ท่ีมีการ เปลีย่ นแปลงอยางกระทนั หนั ในการพยากรณ มีสองประเดน็ หลกั ท่ีควรระวังเมอ่ื ใชวธิ ีการจำลองการ พยากรณในอดตี เพื่อประเมินและเปรียบเทยี บการพยากรณ ประเด็นแรกคอื หากการจำลองการพยากรณมีจำนวนมากขนึ้ ขอผดิ พลาดในการพยากรณก็ จะมากขน้ึ ในกรณีที่การพยากรณอยูนอกขอบเขตที่กำหนด การพยากรณจะไมคอ ยมีการเปล่ียนแปลง เนอื่ งจากเราเก็บขอมูลวันตอ วนั และเมอ่ื ระยะวันใกลเคยี งกันขอ ผดิ พลาดก็จะใกลเคยี งกนั (ขอ ผิดพลาด ก็จะนอย) แตถา วันมีระยะเวลาของวันหางกันมากขอผิดพลาดก็จะมาก ในทางกลบั กนั หากเราทำการ จำลองการพยากรณจำนวนวันไวนอย แลว จำนวนวันท่ีเราทำการพยากรณไมมีคา ผิดปกติ (เหตกุ ารณ สำคญั หรือวนั หยุด) เมื่อนำมาเปรยี บเทยี บกับเหตุการณจริง หากเหตุการณจริงมีคา ผดิ ปกติ (เหตกุ ารณ สำคัญหรอื วันหยดุ ) จะทำใหคาการพยากรณกับคาเหตกุ ารณจรงิ มีคา แตกตางกนั มาก ดังน้นั เราจะมี การสงั เกตขอ มูลท่มี กี ารเปล่ียนแปลงอยางกระทันหันในการพยากรณในอดตี นอยลง เพอื่ เปน พื้นฐานใน การเลือกตัวแบบของเรา ในขณะทกี่ ารแกป ญหาสำหรับขอบเขตการพยากรณ H โดยท่วั ไปเราสรางการ จำลองการพยากรณทุกๆ ระยะ H/2 แมว าการพยากรณท่ีมีความสมั พันธกนั จะไมทำใหเกิดความเอน เอียงในการประเมินความถูกตองของแบบจำลอง เราทำการพยากรณท ่มี จี ำนวนวันนอ ยและทำการคาด การณอยา งชาๆ ประเดน็ ท่2ี การพยากรณจ ะสามารถทำไดด ีหรอื แยลงขึ้นอยกู ับจำนวนขอมลู จำนวนเหตุการณ ในอดีตท่มี ากข้ึนอาจทำใหก ารพยากรณแยล ง หรืออาจจะทำใหค วามผดิ พลาดในการพยากรณ เนื่องจาก เราใชระยะเวลาในอดีตมากเกินไป ตัวอยา งเชน การใชคาเฉล่ยี ของตวั อยางเพ่อื พยากรณอนุกรมเวลาที่ มแี นวโนม รูปท่ี 7. คา MAPE ของวธิ ีการพยากรณและขอมูลอนุกรมเวลาของรปู ที่ 3 และ 4 ตัวแบบการพยากรณดวย auto.arima มขี อผิดพลาดในการพยากรณต ำ่ กวา วิธีการพยากรณอ ตั โนมตั ิอนื่ ๆ โครงการสัมมนาวิชาการและนำเสนอผลงานดา นคณิตศาสตร ครงั้ ท่ี 7 มหาวิทยาลัยราชภัฏนครสวรรค
110 ธีรภทั ร ประจำถ่ิน และคณะ รูปที่ 7 แสดงคาประมาณ ξ(h), คา MAPE ท่ีคาดหวงั ในชวงเวลาทที่ ำการพยากรณโดยใช โปรแกรม LOESS สำหรบั ชดุ ขอ มลู อนุกรมเวลาของรูปท่3ี และรูปท4ี่ การประมาณคาเหลานี้เกดิ จาก จำลองการพยากรณ 9 วันตอ 1 ไตรมาส เร่มิ ตน หลงั จากปแรก ผูทำการพยากรณพบวา มีขอ มลู ที่ เปลย่ี นแปลงอยา งกระทันหนั ในการพยากรณนอยกวา ขอบเขตที่ กำหนดเม่ือเทียบกับการพยากรณอ่ืน ๆ การพยากรณนี้ถกู สรางขึน้ ดวยการกำหนดและปรบั เปล่ียนพารามเิ ตอรเรม่ิ ตน ซงึ่ สามารถชวยในการ ปรับปรุงประสทิ ธภิ าพการทำงานตอ ไป เมอื่ สามารถมองเห็นเสนการพยากรณแลว เราตองใชจ ดุ แทนเสนเพื่อแสดงขอ มลู ในอดตี เนื่องจาก สงิ่ เหลา นี้เปนตัวแทนของการวดั ความแมนยำซ่ึงไมเคยถกู แกไ ข จากนน้ั เราจะวางจดุ ทับเสน ที่มีการ พยากรณ การจำลองการพยากรณในอดตี มีประโยชนในการแสดงภาพท่ีตวั แบบทำขอ ผิดพลาดท่ีเกดิ ขึ้นในขอบเขตตา งๆ ทงั้ ในแบบอนกุ รมเวลา (ดังรูปที่3) และรวมเขากับการจำลองการคาดการณในอดตี (ดงั รูปที7่ ) แมแ ตในชุดขอ มลู เวลาเดียวกนั การจำลองการพยากรณในอดีตก็ตอ งการการพยากรณจำนวน มากและขอมลู เชิงปริมาณท่ีเราตอ งการดารพยากรณ อาจมีตัวช้ีวดั หลายๆแบบท่ีมีการรวบรวมขอ มลู ไว มากๆ การจำลองการพยากรณในอดตี สามารถคำนวณไดอยางอสิ ระบนเครอื่ งแยกตา งหากเทา ท่ีเคร่ือง เหลานัน้ สามารถเขียนไปยงั ขอมลู เดียวกนั ได เราจัดเกบ็ การพยากรณและขอ มลู ท่ีเปลี่ยนแปลงอยา ง กระทันหันไวใน Hive หรอื MySQL ขึน้ อยกู ับการใชง าน 4.5 การระบุขอ ผิดพลาดขนาดใหญข องการพยากรณ เม่อื การพยากรณมีคา เกนิ จรงิ มากเกินไป ส่ิงสำคัญที่นกั วเิ คราะหจะตอ งทำการตรวจสอบคอื ตองระบุปญ หาการพยากรณที่อาจเกดิ ข้ึนโดยอตั โนมตั ิ สิ่งนี้สามารถชว ยใหนักวเิ คราะหใชเวลาท่ีมีอยู อยา งจำกัดไดม ากท่ีสดุ และใชความเช่ียวชาญของตนเองแกปญหาได วธิ ีท่ใี ชตัวแบบการพยากรณข อมูล ในอดีตเพื่อระบปุ ญ หาทีอ่ าจเกดิ ขนึ้ กับการพยากรณ มีดงั นี้ -เม่ือการพยากรณมีขอมูลท่ีผิดพลาดสูงกวา เสนขอบเขตที่กำหนด ซงึ่ อาจจะเกิดขอ ผิดพลาด จากตวั แบบการพยากรณ นักวิเคราะหสามารถปรบั ตวั แบบการพยากรณหรอื ฤดกู าลไดตามความตองการ -เมื่อขอ มูลมีคาผดิ ปกติจำนวนมาก นักวิเคราะหจะตองระบุวนั ที่ไวในคาผดิ ปกติ และสามารถ เอาคาผดิ ปกตอิ อกได -เมอ่ื มีขอ ผิดพลาดเกดิ ข้นึ ในตวั แบบการพยากรณขอ มลู ในอดีต ซ่ึงเกิดจากการตัดขอผดิ พลาด ตวั หน่ึงออกไป บงชี้วา การสรางตวั แบบทำใหขอ มลู มีการเปลี่ยนแปลงจาก การเพิม่ จดุ เปลี่ยน ซ่ึงการ สรา งแบบตวั แบบแบบแยกขน้ั ตอนสามารถแกไ ขปญ หาได มีความผดิ ปกติท่ีแกไ ขไดยาก แตปญ หาสว นใหญท่ีพบสามารถแกไขไดโดยการระบุจดุ เปลี่ยน และการตดั คา out liner ส่ิงตางๆเหลาน้ีสามารถกำหนดและแกไขไดอยา งงา ย เมอ่ื การพยากรณมีการ ทบทวนแบบวนซ้ำและเมอ่ื ตรวจจับคา ผิดปกตไิ ด โครงการสมั มนาวชิ าการและนำเสนอผลงานดานคณิตศาสตร ครงั้ ท่ี 7 มหาวทิ ยาลัยราชภัฏนครสวรรค
การพยากรณส ำหรับขอมูลเชงิ ปริมาณ 111 5. สรุปผลการวิจยั สง่ิ ที่สำคญั ของการสรา งตัวแบบการพยากรณขอมูลเชิงปริมาณคอื นกั วเิ คราะหควรจะมีความ รูพน้ื ฐานที่หลากหลายและสามารถนำเทคนิคการสรา งตัวแบบการพยากรณตา งๆ มาประยุกตใชกบั ขอมูลจริง สวนประกอบแรกของการพยากรณคอื ตัวแบบใหมท่ีถูกปรบั ปรงุ และพัฒนาดว ยเทคนิคการ วนซำ้ หลายรอบ ในการพยากรณข อมูลทีม่ คี วามหลากหลายเชน การทำธุรกจิ บน Facebook ถกู นำมาส รา งตวั แบบพยากรณโดยใชตัวแบบการถดถอยแบบแยกสว น ซึง่ ทำงานไดดีกับพารามเิ ตอรเร่ิมตน ของ ตวั แบบ และอนุญาตใหนักวเิ คราะหเลอื กองคประกอบท่ีมีความสัมพนั ธกบั ปญ หาของการพยากรณ ได นอกจากน้ียังทำการปรบั ปรงุ ความเหมาะสมของตัวแบบไดงายตามความตอ งการของผูใช สว น ประกอบท่ีสองคอื ระบบสำหรับการวัดและการตรวจสอบคาความแมนยำของตัวแบบการพยากรณ เพ่ือชวยนักวเิ คราะหทำการปรับปรุงตวั แบบใหมีประสิทธิภาพเพม่ิ มากขึ้น ซึง่ เปน สว นสำคัญท่ีอนุญาต ใหนกั วเิ คราะหระบุไดวา เม่อื ใดตองมีการปรับปรุงตัวแบบ หรอื เมือ่ ใดท่ีตวั แบบมีความแตกตางกันอยาง เหมาะสม ดงั นัน้ ในการพิจารณาการพยากรณขอมูลเชงิ ปริมาณ สำหรบั ขอ มูลอนกุ รมเวลาท่ีมีความ หลากหลาย นกั วเิ คราะหจำนวนมากจะเลอื กใชตวั แบบที่ปรบั ปรงุ หรอื พฒั นาไดงา ย และมีระบบการ ตรวจสอบความเหมาะสมของตวั แบบท่ีมีประสิทธิภาพ เอกสารอางอิง [1] Taylor S. and Letham B.”Forecasting at scale.”(2017) [2] เฉลมิ สิน สงิ หส นอง. ”การจัดการการพยากรณข อมลู ทางธุรกจิ เมอื่ พบคา นอกเกณฑ” ฉบับท่ี 29, เลม ที่ 91, หนาที่ 33–36, 2015. [3] “Fourier series.” https://en.m.wikipedia.org/wiki/Fourier_series. Accessed: 2019-10-30. [4] พรณรงค เคลอ่ื นเพ็ชร, เทอดศักดิ์ รองวริ ยิ ะพาณชิ , และศักด์ิดา พรรณไวย.”การพัฒนาแบบ จำลองการใชไ หลท างบนทางพิเศษ.” โครงการสัมมนาวิชาการและนำเสนอผลงานดา นคณิตศาสตร ครงั้ ที่ 7 มหาวทิ ยาลัยราชภัฏนครสวรรค
112 ธีรภัทร ประจำถิน่ และคณะ โครงการสัมมนาวิชาการและนำเสนอผลงานดา นคณติ ศาสตร ครั้งที่ 7 มหาวทิ ยาลยั ราชภัฏนครสวรรค
Type of the Article: Seminar SE-AP 04 113 ตวั ประมาณคา แบบอัตราสวนเม่ือใชแผนการสมุ ตัวอยา งแบบ ชน้ั ภูมโิ ดยทีแ่ ตละชน้ั ภมู สิ มุ ตัวอยา งแบบงา ยและแบบเรยี งอนั ดับ Ratio Estimators Using Stratified Random Sampling and Stratified Ranked Set Sampling ผแู ตง: Monika Saini and Ashish Kumar จดั ทำโดย: ชูเกยี รติ โพนแกว1* และ วริ าวรรณ ไชยรบ1 1หลักสตู รสาขาวิชาคณิตศาสตร คณะวทิ ยาศาสตรแ ละเทคโนโลยี มหาวิทยาลยั ราชภฏั เพชรบูรณ *Correspondence: [email protected] บทคัดยอ การศึกษาในครั้งนม้ี วี ัตถุประสงคเ พื่อนำเสนอตัวประมาณแบบอัตราสว นสำหรบั ประมาณคา เฉลีย่ ประชากร เมอื่ ทราบขอ มลู ของตวั แปรชวย ภายใตการสมุ ตวั อยางแบบชัน้ ภูมิโดยที่แตล ะชั้นภมู ิสุมตัวอยา งแบบงาย และสุมตวั อยา งแบบเรยี งอนั ดบั รวมถงึ หาคาความเอนเอียงและคาเฉล่ียของความคลาดเคลอ่ื นยกกำลัง สอง ของตวั ประมาณคา ที่นำเสนอภายใตแ ผนการสมุ ดังกลา ว คำสำคัญ: ประชากรขนาดจำกัด แผนการสมุ ตัวอยางแบบช้ันภูมิ แผนการสุมตวั อยางแบบเรียงอันดบั ตวั แปรชวย ตวั ประมาณอตั ราสวน Abstract The aim of present study is to propose ration estimators for the population mean using auxiliary information efficiently under stratified random sampling (SRS) and stratified ranked set sampling (SRSS). Here,bias and mean square error (MSE) for the proposed estimators have been obtained. Keywords: Finite population, stratified random sampling, stratified ranked set sampling, Auxiliary Variable 1. บทนำ พจิ ารณาประชากร U = {1, 2, ..., N} ขนาด N และตัวอยาง S = {i1, i2, ..., in} ขนาด n เมอื่ li ∈ U เม่ือ l = {1, 2, .., n} y แทนตัวแปรที่สนใจศึกษา (study Variable) สวน x แทน ตวั แปรชว ย (Auxiliary Variable) ที่มีความสมั พันธกับ y พารามเิ ตอรท่ีสนใจจะศึกษา ไดแกคา เฉลย่ี โครงการสมั มนาวิชาการและนำเสนอผลงานดานคณติ ศาสตร ครง้ั ท่ี 7 มหาวทิ ยาลัยราชภฏั นครสวรรค
114 ชูเกยี รติ โพนแกว และ วิราวรรณ ไชยรบ ประชากร (Population Mean) เขียนแทนดว ย µy และมีคา ทแ่ี สดงในสมการท่ี (1.1) 1 1N yi (1.1) µy = N yi = N 1∈U i=1 ภายใตก ารสุมอยางงายและไมใสค นื (Simple random sampling without replacement) ตวั ประมาณคา เฉล่ียของประชากร เขยี นแทน (△SRS) และมคี า ตามท่ีแสดงในสมการ (1.2) (△SRS ) = y¯ (1.2) x¯ µx เม่ือ 1 1 n n n y¯ = yi = yi i∈S i=1 n 1 1 x¯ = n xi = n xi i∈S i=1 ความแปรปรวนของ (△SRS) เขยี นแทนดวย V (△SRS) และมีคาตามทีแ่ สดงใน (1.3) V (△SRS ) =∼ 1−f N 1 (yi − Rxi)2 (1.3) n −1 i∈U ภายใตการแผนการสุม ตัวอยา งแบบชน้ั ภูมิ (Stratified sampling : ST) ประชากร U ถกู แบงออกเปน K ช้นั ภมู ิ U = U1 ∪ U2 ∪ U3 ∪ ... ∪ UK โดยท่ี Ui ∩ Uj = ϕ เม่อื i ̸= j และ Uh = {1, 2, 3, ..., Mh} กำหนดใหตัวอยาง S = S1 ∪ S2 ∪ S3 ∪ ... ∪ Shโดยท่ี Si ∩ Sj = ϕ เม่อื i ≠ j Sh = {1, 2, 3, ..., mh} เมือ่ Mh และ mh เปน ขนาดของประชากรและตวั อยา งตามลำดับ Cochran [6] นำเสนอคาตวั ประมาณคาของคา เฉลี่ยของประชากร ตามท่แี สดงในสมการท่ี (1.4) (△SRS )T R = y¯st µx = Rˆµx (1.4) x¯st เมื่อ m = K mh แทนขนาดตวั อยางและ M = K Mh แทน ขนาดของประชากร Y¯h = 1 Mh yhi = h=1 h=1 Mh i=1 Mh K xhi y¯st = Qhy¯h i=1 h=1 1 X¯h = 1 1 x¯st = Mh Mh และ ตามลำดับ ให และMh yhi = xhi i∈U i∈U mh mh yhi xhi i=1 i=1 K y¯h = 1 = 1 1 = 1 Mh mh mh mh mh M ท่ี และ และQhx¯h h=1 yhi x¯h = xhi Qh = i∈S i∈S สำหรับคาความแปรปรวนของ (△SRS )T R = y¯st µx = Rˆµx เขยี นแทนดว ย V (△SRS )T R x¯st และมคี าตามที่แสดงใน (1.5) K (1.5) V (△SRS) =∼ Q2hδh Sy2h + Rh2 Sx2h − 2RhρSxhSyh TR h=1 Mh Mh (yhi (xhi i=1 i=1 เมื่อ และ , และδh Y¯h = ( 1 ) Rh = X¯h Sy2h = 1 − Y¯h)2 Sx2h = 1 − X¯h)2 mh Mh−1 Mh−1 Mh (yhi i=1 และSyxh Syx = 1 − Y¯h)(xhi − X¯h) ρ = Sy Sx Mh−1 โครงการสัมมนาวิชาการและนำเสนอผลงานดา นคณิตศาสตร ครงั้ ที่ 7 มหาวิทยาลัยราชภฏั นครสวรรค
ตวั ประมาณคาแบบอัตราสว นเมือ่ ใชแผนการสมุ ตัวอยางแบบ ช้นั ภูมิโดย… 115 นอกจากตัวประมาณคา ที่ Cochran [6] นำเสนอ Takshasi และ wakimoto [17] Mclntyre [10] Swami และ Muttlak [14] Bouza [4, 5],Patil [11],Jemain และ Al-Omari [8],Tien-suwan และคณะ,Al-Omariและ Jaber [1],Al-Omari และคณะ [2],Kadilar et al [9],Saini และ Kumar [12]ฯลฯ ไดกลาวถึงการประมาณคา เฉลย่ี ของประชากรภายใตการสมุ ชน้ั ภมู ิและแตละชั้นภมู ิสุมแบบ เรียงอันดับ (Stratified ranked set sampling :SRSS) และ Samawi [13]ไดนำเสนอตัวประมาณคา เฉลยี่ ประชากร ภายใตการสุม ดงั กลาว กำหนดให (yh[i : nh]j, xh[i : nh]j) หมายถงึ หนวยอนั ดบั ที่ i ในตวั อยางที่ j ของช้ันภมู ิที่ h ของตวั แปรท่ีสนใจศกึ ษาและตัวแปรชวย เมอ่ื h = 1, 2, ..., K; j = 1, 2, ..., d; i = 1, 2, ..., nd และ mh = nhd ตัวประมาณคา ที่เสนอโดย Samawi และ Siam [15] นำ เสอนแสดงดังสมการท่ี (1.6) (△SRSS )T R = Y¯srss µx = Rˆµx (1.6) X¯srss เมือ่ และK K y¯srss = Qhy¯h[rss] x¯srss = Qhx¯h[rss] h=1 h=1 y¯h[rss] = 1 nh d : nh]j และ x¯h[rss] = 1 nh d : nh]j สำหรบั คา ความแปรปรวน nhd nhd yh[i xh[i i=1 j=1 i=1 j=1 ของ (△SRSS )T R = µY¯srss x = Rˆµx เขยี นแทนดวย V (△SRSS )T R มีคาทีแ่ สดงใน (1.7) X¯srss K 1 nhd V (△SRSS )T R =∼ Qh2 {Sy2h + R2Sx2h − 2RhSyxh} h=1 − 1 nh △2yh[i] + Rh2 nh △2xh[i] − 2Rh nh △2yxh[i]] (1.7) n2hd [ i=1 i=1 i=1 เมอ่ื KK V (y¯srss) = Qh 1 Sy2h − 1 △2yh[i] nhd nh h=1 i=1 KK 1 Sy2h 1 △x2h[i] V (x¯srss) = Qh nhd − nh i=1 h=1 KK 1 Sy2h 1 △2yxh[i] C ov (y¯srss x¯srss ) = Qh nhd − nh i=1 h=1 △yh[i] = (µyh[i] − Y¯h), △xh[i] = (µxh[i] − X¯h), △yxh[i] = (µyh[i] − Y¯h)(µxh[i] − X¯h) 2. ความรูพ้นื ฐาน บทนิยาม 2.1. ถา y เปนตัวแปรสุม และ f(y) เปนฟง กช ันความนา จะเปน ของ y แลว µy คือ คาคาด หวัง (Expectation) ของ y โดย (1) µy = E(y) = yf(y) เม่ือ y เปนตัวแปรสุมวยิ ุต ∀y (2) µy = E(y) = ∀y yf(y)dy เมอื่ y เปน ตัวแปรสมุ ชนิดตอ เนอื่ ง โครงการสมั มนาวิชาการและนำเสนอผลงานดานคณติ ศาสตร ครง้ั ท่ี 7 มหาวทิ ยาลยั ราชภฏั นครสวรรค
116 ชเู กียรติ โพนแกว และ วิราวรรณ ไชยรบ บทนิยาม 2.2. กำหนดให µy แทนพารามิเตอรท ่ตี อ งการศึกษา และ Y¯ˆ เปนตวั ประมาณคาของ µy (1) Yˆ¯ เปนตัวประมาณคาท่ีไมเอนเอียง (Unbiased estimator) ของ µy ก็ตอ เมือ่ E(Y¯ˆ ) = µy นนั้ คอื Bias(Y¯ˆ ) = E(Yˆ¯ ) − µy = 0 (2) Y¯ˆ เปนตวั ประมาณคา ท่ีไมเอนเอียงโดยประมาณของ (Approxiomately unbiased estimator) µy ก็ตอ เม่อื E(Yˆ¯ ) =∼ µy นน้ั คอื Bias(Yˆ¯ ) = E(Yˆ¯ ) − µy ∼= 0 บทนิยาม 2.3. กำหนดให y แทนตวั แปรทีส่ นใจ และ x แทนตวั แปรชวย จากประชากร U = {1, 2, 3, ..., N} กำหนดให (yi, xi) แทนคาสงั เกตของหนวยตวั อยางท่ี i ของ y และ x เมอ่ื i ∈ U คาเฉลีย่ ประชากร ของ y และ x เขียนแทนดวย µy และ µx ตามลำดบั (1) µy = 1 yi N i∈U (2) µx = 1 xi N i∈U บทตัง้ 2.4. กำหนดให y แทนตัวแปรท่ีสนใจศกึ ษาและ y1, y2, y3, ..., yn แทนคา สังเกตของตวั อยา ง ภายใตก ารสมุ แบบงายและไมใ สค นื (1) ตวั ประมาณคาของ µy เขยี นแทนดวย y¯ และกำหนดคา ดังนี้ 1 y¯ = yi n i∈S ตัวประมาณคา ของ µx เขียนแทนดว ย x¯ และกำหนดคาดงั นี้ 1 x¯ = xi n i∈S (2) y¯ เปนตวั ประมาณคาทีไ่ มเ อนเอียงของ µy (3) ความแปรปรวนของ y¯ เขยี นแทนดวย V (y¯) และกำหนดคาดงั นี้ V (y¯) = 1−f N 1 (yi − µy)2 n −1 i∈U (4) ตวั ประมาณคา ของ V (y¯) เขยี นแทนดวย Vˆ (y¯) และกำหนดคาดงั น้ี Vˆ (y¯) = 1 − f 1 (yi − y¯)2 n n−1 i∈s 3. ตัวประมาณที่ Monika และ Ashish นำเสนอ ในหัวขอนี้ผูศกึ ษาจะกลาวถึงตวั ประมาณท่ี Monika และ Ashish เสนอแผนการสมุ ตวั อยาง แบบช้นั ภูมิ โดยที่ แตละชน้ั ภูมิสมุ ตวั อยา งแบบงายและไมใสค ืน หรือสุมตัวอยางแบบเรยี งอนั ดับ ดงั น้ี โครงการสัมมนาวชิ าการและนำเสนอผลงานดานคณติ ศาสตร คร้ังที่ 7 มหาวิทยาลยั ราชภัฏนครสวรรค
ตัวประมาณคา แบบอัตราสว นเมื่อใชแ ผนการสุมตวั อยางแบบ ช้ันภูมโิ ดย… 117 3.1 แผนการสมุ ตัวอยางแบบชน้ั ภูมิ และ แตละชน้ั ภูมิสมุ ตวั อยา งแบบงายและไมใ สคืน กำหนดให qt แทนควอไทลที่ t เม่ือ t = 1, 3 ของตัวแปรตวั แปรชวย ตวั ประมาณคาท่ี Monika และ Ashish นำเสนอคามคี าตามทแี่ สดงในสมการ (3.1) (△SRS )t = y¯st µx − x¯st + qt ; t = 1, 3 (3.1) µx + x¯st + qt เม่อื y¯st และ x¯st กำหนดคา ตามที่เเสดงในสมการที่ (1.4) ตอ ไปผูศึกษาจะไดกลาวถึงคุณสมบัติของ (△SRS)t ในทฤษฏบี ทท่ี (3.1) ทฤษฎบี ท 3.1. กำหนดให (△SRS)t มีคา ตามท่แี สดงในสมการที่ (3.1) (1) (△SRS)t เปนตวั ประมาณคา ทไ่ี มเ อนเอยี ง µy (2) ความแปรปรวนของ (△SRS)t เขยี นแทนดวย V (△SRS)t มคี า ดงั น้ี K V (△SRS)t ∼= Q2hδh Sy2h + Uh2Sx2h − 2UtSyxh h=1 พิสจู น. (1) จะแสดงวา (△SRS)t เปน ตัวประมาณคา ทไ่ี มเ อนเอยี ง µy จากสมการ (3.1) จะเห็นวา (△SRS)t ไมเปน สมการเชิงเสน (Nonlinear estimator) จำเปน ตอ งใช เทเลอรแบบเชงิ เสน ในการปรับ (△SRS)t ใหเปน ตวั ประมาณคา แบบเชิงเสน ดังน้ี จากสมการ (3.1) สามารถเขยี น (△SRS)t ใหอยูใ นรูปของฟง กช นั ปรับเรียบตามท่ีแสดงในสมการ(??) (△SRS )t = y¯st µx − x¯st + qt = tˆ1 µx − tˆ2 + qt = h(tˆ) (3.2) µx + x¯st + qt µx + tˆ2 + qt เมอื่ tˆ = tˆ1 tˆ2 ′ = K K′ ดังนน้ั Qhy¯h Qhx¯h h=1 h=1 E(tˆ) = E tˆ1 tˆ2 ′ = µy µx ′ = t1 t2 ′ เมอ่ื แทนคา tˆ1 ดว ย t1 = µy และ tˆ2 ดวย t2 = µx ในสมการ (3.2) ไดวา h(t) = tˆ1 µx − tˆ2 + qt = µy µx − µx + qt = µy qt µx + tˆ2 + qt µx + µx + qt 2µx + qt จากขา งตนสามารถเขียน (△SRS)t ใหอ ยใู นรูปตวั ประมาณคา แบบเชิงเสน ไดดังน้ี (△SRS )t,lin ∼= h(t) + 2 ∂h(tˆ) (tˆi − ti) i=1 ∂tˆi tˆ=t โครงการสมั มนาวชิ าการและนำเสนอผลงานดา นคณติ ศาสตร คร้ังที่ 7 มหาวิทยาลัยราชภัฏนครสวรรค
118 ชเู กียรติ โพนแกว และ วริ าวรรณ ไชยรบ = µy qt + qt (tˆ1 − t1) − Ut(tˆ2 − t2) 2µx + qt 2µx + qt (△SRS)t,lin =∼ µy + (tˆ1 − t1) − Ut(tˆ2 − t2) (3.3) จากสมการที่ (3.3) หาคาคาดหมายของ E (△SRS)t =∼ E (△SRS)t,lin ดงั น้ี E (△SRS )t ∼= E (△SRS )t,lin = E µy + (tˆ1 − t1) − Ut(tˆ2 − t2) = µy + (t1 − t1) − Ut(t2 − t2) = µy E (△SRS)t =∼ µy โดยนยิ าม (2.2) ขอ (2) จะไดวา (△SRS)t เปน ตัวประมาณคาที่ไมเอนเอียงโดยประมาณของ µy (2) หาคา V (△SRS)t,lin จากสมการ (3.3) (△SRS)t,lin ∼= µy + (tˆ1 − t1) − Ut(tˆ2 − t2) (△SRS)t,lin − µy ∼= (tˆ1 − t1) − Ut(tˆ2 − t2) ((△SRS)t,lin − µy)2 ∼= (tˆ1 − t1)2 − Ut2(tˆ2 − t2)2 − 2Ut(tˆ1 − t1)(tˆ2 − t2) E ((△SRS)t,lin − µy)2 ∼= E(tˆ1 − t1)2 − Ut2E(tˆ2 − t2)2 − 2UtE(tˆ1 − t1)(tˆ2 − t2) M ES(△SRS)t ∼= V (△SRS)t = E(y¯st − µy)2 − Ut2E(x¯st − µx)2 − 2UtE(y¯st − µy)(x¯st − µx) = V (y¯st) + Ut2V (x¯st) − 2UtCov(y¯st, x¯st) (3.4) เมอื่ V (y¯st) = E(y¯st − µy)2 V (x¯st) = E(x¯st − µx)2 V (y¯st, x¯st) = E (y¯st − µy)(x¯st − µx) สำหรบั คา V (y¯st), V (x¯st), Cov(y¯st, x¯st) มคี าตามทแ่ี สดงในสมการ(3.5) − (3.7) V (y¯st) = K Qh2 1 − fh 1 mh − Y¯h)2 (3.5) h=1 mh Mh − (3.6) 1 (yhi i=1 V (x¯st) = K Qh2 1 − fh 1 mh − X¯h)2 h=1 mh Mh − 1 (xhi i=1 โครงการสมั มนาวชิ าการและนำเสนอผลงานดา นคณิตศาสตร คร้ังที่ 7 มหาวทิ ยาลัยราชภัฏนครสวรรค
ตวั ประมาณคา แบบอตั ราสว นเมอ่ื ใชแผนการสุม ตวั อยางแบบ ช้นั ภูมิโดย… 119 Cov(y¯st, x¯st) = K Qh2 1 − fh 1 mh − Y¯h)(xhi − X¯h) (3.7) h=1 mh Mh − 1 (yhi i=1 สำหรับพสิ ูจนนแ้ี สดงในภาคผนวก แทนคา V (y¯st), V (x¯st), Cov(y¯st, x¯st) ในสมการท่ี (3.4) ดังนน้ั V (△SRS )t = K Qh2 (1 − f ) 1 Mh − Y¯h)2 + Ut2 K Qh2 (1 − f ) 1 Mh − X¯h)2 h=1 mh Mh − h=1 mh Mh − 1 (yhi 1 (xhi i=1 i=1 − 2Ut K Qh2 (1 − f ) 1 Mh − Y¯h)(xhi − X¯h) h=1 mh Mh − 1 (yhi i=1 = K Q2h (1 − f ) 1 1 Mh − Y¯h)2 + Ut2 1 1 Mh − X¯h)2 h=1 mh Mh − Mh − (yhi (xhi i=1 i=1 − 1 1 Mh − Y¯h)(xhi − X¯h) 2Ut Mh − (yhi i=1 K V (△SRS)t =∼ Qh2 δh Sy2h + Uh2Sx2h − 2UtSyxh h=1 Mh Mh (yhi (xhi i=1 i=1 เมือ่ และ และ และδh Y¯h = ( 1 ) Rh = X¯h Sy2h = 1 − Y¯h)2 Sx2h = 1 − mh Mh−1 Mh−1 และX¯h)2 Syxh = 1 Mh − Y¯h)(xhi − X¯h) Mh−1 (yhi i=1 3.2 แผนการสมุ ตวั อยางแบบจัดอันดบั กำหนดให qt แทนควอไทลที่ t เมอื่ t = 1, 3 ตัวประมาณคา Monika และ Ashish เสนอแสดงดังสมการที่ 3.8 (△SRSS )t = y¯srss µx − x¯srss + qt (t = 1, 3) (3.8) µx + x¯srss + qt เมอื่ y¯srss และ x¯srss แทนคา เฉลยี่ ของตวั แปรที่สนใจศึกษา y และตัวแปรชว ยของ x ภายใตแผนสมุ ตวั อยางจดั อันดบั ทฤษฎีบท 3.2. กำหนดให (△SRSS)t มคี าตามทีแ่ สดงในสมการที่ (3.8) (1) (△SRSS)t เปน ตัวประมาณคา ทีไ่ มเอนเอยี ง µy (2) ความแปรปรวนของ (△SRSS)t เขยี นแทนดว ย V (△SRSS)t มคี า ดังน้ี K 1 Sy2h + Ut2Sx2h − 2UtSyxh 1 nh nhd − nh2 d V [(△SRSS)t] =∼ Qh2 △2yh[i] h=1 i=1 nh nh + Ut2 △2xh[i] − 2Ut △yxh[i] i=1 i=1 การพิสูจนเชน เดียวกับทฤษฎีท่ี (3.1) โครงการสมั มนาวิชาการและนำเสนอผลงานดานคณติ ศาสตร ครัง้ ท่ี 7 มหาวิทยาลยั ราชภฏั นครสวรรค
120 ชูเกียรติ โพนแกว และ วริ าวรรณ ไชยรบ 4. สรปุ ผล บทความนี้ Saini และ Kumar ไดนำเสนอตัวประมาณคาแบบอตั รสวน เพ่อื ใชประมาณคา เฉลย่ี ประชากร กรณีที่ทราบขอมลู ของตัวแปรชว ยท่ีมีความสัมพันธกับตวั แปรที่สนใจศึกษา ดวยการ เพิ่มคาควอนไทลที่ 1 หรอื ควอนไทลที่ 3 ของตัวแปรชวยเขาไปในตวั ประมาณคา เดิม และศกึ ษา ภาย ใตแผนการสมุ ตวั อยางแบบชั้นภมู ิ แตในแตละชน้ั ภมู ิสมุ ภายใต 2 แผนการสุมตวั อยางท่ีแตกตา งกนั ประกอบดวย 1) แผนการสมุ ตัวอยางแบบงา ยและไมใสคืน 2) แผนการสุมตัวอยา งแบบเรยี งอนั ดับ ใน ทางทฤษฎสี ามารถแสดงไดว า ตวั ประมาณคาแบบอัตราสว นที่ Saini และ Kumar เปน ตวั ประมาณคา ที่ เอนเอียงโดยประมาณ ดังนัน้ คาความคลาดเคลอ่ื นเฉล่ยี ยกกำลงั มคี าเทากับคา ความแปรปรวน 5. ภาคผนวก (1) หาคา V (y¯st) K 1 mh V (y¯st) = V h=1 Qh mh yhi i=1 K 1 mh mh i=1 yhi = Q2hV h=1 = K Qh2 1 − fh 1 mh − Y¯h)2 h=1 mh Mh − 1 (yhi i=1 (2) คา V (x¯st) มวี ิธกี ารหาคาเชนเดียวกับ V (y¯st) (3) หาคา Cov (y¯st), (x¯st) K 1K , K 1K Cov (y¯st), (x¯st) = Cov Qh mh yhi h=1 Qh mh h=1 xhi h=1 h=1 K 1 Mh Mh Mh h=1 m2h = Q2h Cov(yhiIhi, xhiIhi) + Cov(yhiIhi, xhiIhi) i=1 i=1 j/i=1 = K Q2h 1 Mh yhixhi mh 1 − mh h=1 m2h i=1 Mh Mh + Mh Mh yhi xhi mh 1 − mh − 1 − mh mh i=1 j/i=1 Mh Mh − 1 Mh Mh = K Q2h 1 Mh yhixhi mh 1 − mh h=1 mh2 i=1 Mh Mh + Mh Mh yhi xhi mh 1 − mh − 1 1 i=1 j/i=1 Mh Mh Mh − โครงการสัมมนาวิชาการและนำเสนอผลงานดานคณติ ศาสตร ครง้ั ท่ี 7 มหาวิทยาลัยราชภฏั นครสวรรค
ตัวประมาณคาแบบอตั ราสว นเมื่อใชแ ผนการสมุ ตัวอยางแบบ ช้นั ภูมโิ ดย… 121 = K Qh2 1 mh 1 − mh Mh 1 Mh Mh h=1 mh2 Mh Mh Mh − 1 yhixhi − yhixhi i=1 i=1 j/i=1 = K Qh2 1 1 1 − fh Mh 1 Mh Mh h=1 mh Mh Mh − 1 yhixhi − yhixhi i=1 i=1 j=1 Mh − yhixhi i=1 = K Qh2 1 1 1 − fh Mh − 1 Mh Mh h=1 mh Mh Mh − 1 yhixhi + yhixhi i=1 i=1 j=1 1 Mh + yhixhi Mh − 1 i=1 = K Qh2 1 1 1 − fh Mh Mh 1 Mh Mh h=1 mh Mh Mh − 1 Mh − 1 yhixhi − yhixhi i=1 i=1 j=1 = K Q2h 1 − fh 1 Mh 1 Mh Mh h=1 mh Mh − 1 Mh − 1 yhixhi − yhi xhi i=1 i=1 j=1 = K Qh2 1 − fh 1 Mh 1 Mh h=1 mh Mh − 1 Mh − 1 yhixhi − (yhi − Y¯h)(xhi − X¯h) i=1 i=1 เอกสารอางองิ [1] AI. Al-Omari and K. Jaber, “Percentile double ranked set sampling,” J Math Stat, vol. 4, pp. 60–64,2008 [2] AI. Al-Omari, AA. Jemain and K. Ibrahim, “New ratio estimators of the meanusing simple random sampling and rank set sampling methods,” Revista Investigacion Operacional, vol. 30, no. (2), pp. 97–108, 2009. [3] BC. Arnold, N. Balakrishnan and HN. Nagaraja, “A first course in order statistics,” Wiley,New York, 1992. [4] CN. Bonza, “Model assisted ranked survey sampling,” Biom J, vol. 36, pp. 753–764, 2001. [5] CN. Bonza, “Ranked set subsampling the non-response strata for estimating the difference of means,” Biom J, vol. 44, pp. 903-915, 2002. [6] WG. Cocharn, “Sampling techniques, 3rd edn,” Wiley,New York,1977 โครงการสัมมนาวชิ าการและนำเสนอผลงานดา นคณติ ศาสตร ครงั้ ท่ี 7 มหาวิทยาลัยราชภฏั นครสวรรค
122 ชูเกียรติ โพนแกว และ วริ าวรรณ ไชยรบ [7] TR. Dell and JL. Clutter, “Ranked set sampling theory with order statistics- background,” Biometrics, vol. 28, pp. 545–555, 1972. [8] AA. Jemain and AI. Al-Omari, “Double quartile ranked set sampling,” Pak J Stat, vol. 22, pp. 217–228, 2006. [9] C. kadilar, Y. Unyazici and H. Cingi, “Ratio estimators for the population mean using ranked set Sampling,” Stat Pap, vol. 50, pp. 301–309, 2009. [10] GA. Mclntyre, “A method for unbiased selective sampling using ranked sets,” Crop Pasture Sci, vol. 3, no. (4), pp. 385-390, 1952. [11] GP. payil, “Ranked set sampling,” In: El-Shaarawi AH, Pieegoshed WW (eds) Ency- clopedia of enviromentrics, vol. 3, Wiley, Chichester, pp. 1684–1690, 2002. [12] M. Saini and A. Kumar, “Ratio estimators for the finite population mean under simple random sampling and rank set sampling. Int J Syst Assur Eng Manag,” https: //doi.org/10.1007/s13198-016-0454-y, 2016. [13] HM. Samawi, “Stratifi ranked set simple,” Pak J Stat, vol. 12, no. (1), pp. 9-16, 1996. [14] HM. Samawi and HA. Muttlak, “Estimation of ratio using rank set sampling,” Biom J, vol. 38, no. (6), pp. 753–764, 1996. [15] HM. Samawi and MI. Siam, “Ratio estimation using stratified ranked set sample,” Metron Int J Stat LXI,(1), pp. 75–90, 2003. [16] K. Takshasi and K. Wakimoto, “On unbiased estimates of the population mean based on the sample stratified by means of ordering,” Ann Inst Stat Math, vol. 20, no. (1), pp. 1-31, 1968. [17] M. Tiensuwan, S. Sarikavanij and BK. Sinha, “Nonnegative unbiased estimation of scale parameters and associated quartiles based on a ranked set sample,” Com- mun Stat Simul Comput, vol. 36, pp. 331, 2007. โครงการสัมมนาวชิ าการและนำเสนอผลงานดา นคณติ ศาสตร ครัง้ ที่ 7 มหาวทิ ยาลยั ราชภฏั นครสวรรค
Type of the Article: Seminar SE-AP 05 123 การประมาณคาชวงความเชอื่ ม่นั คา เฉล่ยี ของการแจกแจงแบบ ปว ซงส PAopipssroonximDiastteribCuotniofindence Interval for the Mean of ผแู ตง: Manad Khamkong จัดทำโดย: ชูเกยี รติ โพนแกว 1* และ ปย ธิดา หุน เฮฮา1 1หลักสูตรสาขาวิชาคณติ ศาสตร คณะวทิ ยาศาสตรแ ละเทคโนโลยี มหาวิทยาลัยราชภัฏเพชรบรู ณ *Correspondence: [email protected] บทคัดยอ ขอ มูลท่ีมีการแจกแจงแบบปว ซงสนิยมสรางชวงความเชอ่ื มน่ั ของคา เฉล่ยี ดว ยการปรบั การแจกแจงของ คาเฉลีย่ ของตัวอยาง โดยใชวิธีของวาลว อยางไรก็ตามชวงความเชื่อม่นั ท่ีไดจากวธิ ีดังกลา ว อาจจะไมม ี ประสิทธิภาพเม่อื พิจารณาจากคาความนา จะเปนคมุ รวม และคา ความกวา งของชวงความเชอื่ ม่นั ในกรณี ที่ คา เฉล่ียมีขนาดเล็ก และตวั อยา งไมม ีขนาดใหญ ดังน้นั การศึกษาในคร้งั น้ีมีวตั ถุประสงคเพอ่ื หาชวงความ เช่อื ม่ันของคา เฉลยี่ ของการแจกแจงแบบปวซงส กรณีท่ีคา เฉลีย่ มีขนาดเล็ก และตวั อยางไมม ีขนาดใหญโดย การปรบั ปรงุ วธิ ขี องวาลว ดวยการ เพิ่มปลายหางของการแจกแจงตัวอยา งสุม คำสำคญั : ชว งความเชอื่ ม่ัน, คา ความนา จะเปน คมุ รวม, การแจกแจงปว ซงส, วิธขี องวาลว Abstract A Poisson distribution is well used as a standrd model for analyzing count data. Most of the usual constructing confidence intervals are based on an asymptotic approximation to the distribution of the sample mean by using the Wald method. That is, the Wald method has poor performance in terms of coverage probabilities and average widths interval for small means and small to moderate sample sizes. In this paper, an approximate confidence interval for a Poisson mean is proposed and is based on an empirically determined the tail probabilities. Keywords: Confidence Interval, Converage Probability, Poisson Distribution, Wald Method 1. บทนำ กำหนดให X เปน ตวั แปรสมุ ท่มี กี ารแจกแจงแบบปวซงส เขยี นแทนดวยสญั ลกั ษณ X∼Poi(λ) และมีฟง กช ันความนาจะเปนตามท่แี สดงในสมการที่ (1.1) โครงการสัมมนาวชิ าการและนำเสนอผลงานดานคณติ ศาสตร ครง้ั ท่ี 7 มหาวิทยาลยั ราชภัฏนครสวรรค
124 ชูเกยี รติ โพนแกว และ ปย ธิดา หุน เฮฮา f (x) = P (X = x) = e−λλx ; x = 0, 1, 2, ... (1.1) x! เมื่อ λ แทนคาเฉล่ยี ในชวงเวลาท่ีสนใจศึกษาและ λ > 0 ให X1, X2, ..., Xn เปนตวั แปรสมุ ท่ีมีการ แจกแจงแบบปว ซงสเชน เดยี วกบั X และเปน อิสระตอกัน (Independent Identically Distributed :iid) ดังนนั้ f (xi) = e−λ λxi ; xi = 0, 1, 2, ..., ; i = 1, 2, ..n, λ > 0 และ xi! E(xi) = λ = V (xi); i = 1, 2, 3 . . . , n (1.2) โดยปกตคิ า λ จะไมทราบคา และสามารถประมาณคา ไดจากวิธีภาวะความนา จะเปน สงู สดุ (Maximum Likelihood) ดังนี้ ทฤษฎบี ท 1.1. กำหนดให Xi; i = 1, 2, . . . , n เปน ตัวแปรสมุ ท่ีมีการแจกแจงแบบปวซงสและมีการ แจกแจงเชน เดียวกบั X ∼Poi(λ) ; λ > 0 ตัวประมาณคา ของ λ โดยใชวธิ ีภาวะความนาจะเปนสูงสุด มคี าเทา กบั λˆ = X¯ = n−1 n Xi i=1 พิสูจน. กำหนดให เปน ตัวแปรสุมทมี่ ีการแจกแจงแบบปวซงสและมีการแจกแจงเชนเดียวกบั X ∼Poi(λ) ; λ > 0 X− = (x1, x2, . . . , xn)′ และ L(λ)= n f (xi; λ) โดยที่ i=1 nn L(λ) = f (X− ; λ) = f (xi; λ) i=1 i=1 e−λλx1 e−λλx2 e−λλxn = · ··· x1! x2! xn e−nλλx1+x2+···xn =n xi! i=1 ดงั น้นั ∑n (1.3) e−nλλi=1 xi L(λ) = n xi! i=1 จากสมการที่ (1.3) ใสคา log เขาทงั้ สองขา งของสมการจะไดวา ∑n n e−nλλi=1 xi l(λ) = log L(λ) = log n xi! i=1 n = −nλ log e + xi log λ − log xi! i=1 i=1 ดังน้ัน nn l(λ) = −nλ + xi log λ − log xi! i=1 i=1 โครงการสัมมนาวชิ าการและนำเสนอผลงานดานคณติ ศาสตร ครั้งที่ 7 มหาวิทยาลัยราชภฏั นครสวรรค
การประมาณคา ชวงความเชอ่ื ม่ันคา เฉลีย่ ของการแจกแจงแบบปวซงส 125 หาคา อนพุ ันธข อง l(λ) เทียบกับ λ ไดวา dl (λ) d n n = −nλ + xi log λ − log xi! d (λ) dλ i=1 i=1 n 1 (1.4) xi λ = −n + i=1 กำหนดให dl(λ) = 0 ทำใหไดวา d(λ) n1 −n + xi λ = 0 i=1 1n λ= xi n i=1 ดงั นั้นตัวประมาณคา ของ ท่ไี ดจากวธิ ีภาวะความนา จะเปนสูงสุดคือ λˆ 1 n X¯ n λ = xi = i=1 สำหรบั คา คาดหมาย (Expectation) และความแปรปรวน (Variance) ของ λˆ = X¯ มีคา ตาม ทแ่ี สดงในทฤษฎบี ท 1.2 ทฤษฎีบท 1.2. กำหนดให Xi; i = 1, 2, . . . , n เปน ตวั แปรสุมท่ีมีการแจกแจงแบบปวซงสและมีการ แจกแจงเชนเดียวกบั X ∼P oi(λ) ; λ > 0 และ λˆ = X¯ = n−1 n Xi i=1 (1) λˆ = X¯ เปนตวั ประมาณคา ทีไ่ มเอนเอยี ง (Unbiased estimator) ของ λ หรอื E(λˆ) = E(X¯) = λ (2)V (λˆ) = V (X¯ ) = λ n พสิ จู น. (1) จะแสดงวา E(X¯) = λ n จากทฤษฎีบท 1.1 λˆ = X¯ 1 ดังนัน้ = n xi i=1 E(λˆ) = E(X¯ ) = E( 1 n n xi) i=1 1 E(x1) + E(x2) + · · · + E(xn) = n 1n 1n λ = E(xi) = n n i=1 i=1 = 1 + · · · + λ) (λ + λ n 1 = λn = λ n ดังน้นั E(λˆ)= E(X¯ ) = λ (2) ตอไปจะแสดงวา V (λˆ) = V (X¯ ) = λ n โครงการสมั มนาวชิ าการและนำเสนอผลงานดา นคณติ ศาสตร ครงั้ ที่ 7 มหาวิทยาลัยราชภฏั นครสวรรค
126 ชูเกยี รติ โพนแกว และ ปยธดิ า หุนเฮฮา เน่ืองจาก λˆ = X¯ 1 n ดังนั้น n = xi i=1 V (λˆ) = V 1n n xi i=1 1n 1n = n2 V (xi) = n2 λ i=1 i=1 1λ = n2 λn = n ดังน้ัน V (λˆ)= V (X¯ ) = λ n ในทฤษฎบี ท 1.2 ไดกลาวถงึ คา คาดหมายและความแปรปรวนของ λˆ = X¯ ซ่งึ เปน ตัวประมาณ คาแบบจดุ (Point estimator) ของ λ สำหรับชา งความเช่ือมัน่ (1 − α)100% ของ λ ท่ีไดจากวิธีของ วาลว (Wald ’ s method) มีคาตามที่แสดงในสมการ (1.5) X¯ ±Z α X¯ (1.5) 2n และชวงความเช่ือมน่ั (1 − α)100% ของ λ เมือ่ ใชวิธีของวาลว แบบปรบั คาความตอเนอ่ื ง (Wald with continuity correction method) มคี าตามท่แี สดงในสมการ (1.6) X¯ ±Z α X¯ + 0.5 (1.6) 2n นอกจากนมี้ ีหลายวธิ ีท่ีถกู นำเสนอโดย Cai [1] , Byrne and Kabaila [2], Guan [3], Krishnamoorthy และ Peng [4], Stamey และ Hamillton [5], Swifi [6] และคณะ. เพ่อื หาความเชอ่ื มัน่ ของ λ ตอมา Guan [3] ไดใ ชวิธสี คอร (Score method) เพ่อื หาชวงความเชอ่ื ม่ัน (1 − α)100% ของ λ ตามทแี่ สดง ในทฤษฎบี ท 1.3 ทฤษฎบี ท 1.3. กำหนดให Xi ; i = 1, 2, . . . , n เปนตัวแปรสมุ ที่มีการแจกแจงแบบปวซงและมีการ แจกแจงเชนเดยี วกับ X ∼Poi(λ) ; λ > 0 เมอื่ ใชวิธีสคอร (Score method) ชวงความเชือ่ มัน่ (1 − α)100% ของ λ มคี า ดงั น้ี Z 2 X¯ Z 4 α α + 2 X¯ 1 + 2 ± Zα 4n 2n 2 n พิสูจน. กำหนดให X¯ = n−1 n Xi และจากทฤษฎบี ท 1.2 E(λˆ) = E(X¯) = λ และ V (λˆ) = 30 i=1 (Central Theorem) จะได ในกรณที ี่ โดยใชทฤษฎีแนวโนม เขาสศู นู ยกลาง Limit V (X¯ ) = λ n≥ n วา T = X¯ − E(X¯ ) = X¯ −λ ∼ appN (0, 1) V (X¯ ) λ n โครงการสมั มนาวชิ าการและนำเสนอผลงานดานคณิตศาสตร ครง้ั ที่ 7 มหาวทิ ยาลัยราชภัฏนครสวรรค
การประมาณคา ชวงความเชอ่ื ม่ันคา เฉลย่ี ของการแจกแจงแบบปวซงส 127 ดังนั้น (1.7) P (−Z α T Z α ) = 1 − α (1.8) 22 (1.9) พจิ ารณาอสมการ (1.7) −Z α T Z α 22 λ X¯ λ + Zα λ λ − Zα 2n 2n L1(λ) X¯ L2(λ) เมื่อ L1(λ) = λ − Z α λ และ L2(λ) = λ + Zα λ 2 n 2 n พจิ ารณาคา L1(λ) X¯ L2(λ) เน่ืองจาก L1(λ) X¯ ทำใหไดว า λ L−1 1(X¯ ) X¯ L2(λ) ทำใหไ ดวา L−2 1X¯ λ ดงั นัน้ L2−1(X¯ ) λ L1−1(X¯ ) นนั่ คอื λ1 λ λ2 จากนั้นพจิ ารณาคา λ1 λ λ2 ในอสมการ (1.8) λ1 = L2−1(X¯ ) X¯ = L2(λ1) X¯ = λ1 + Zα λ1 2 n X¯ − λ1 = Zα λ1 2 n จากสมการ (1.8) ยกกำลังสองท้ังสองขา งจะไดวา (X¯ − λ1)2 = Z 2 λ1 n α 2 λ21 2(X¯ Z 2 1 X¯ 2 n )λ1 α − + 2 + = 0 2 ดงั นนั้ 2(X¯ Z 2 1 4(X¯ Z 2 1 )2−4(1)X¯ 2 α n α n + 2 ) ± + 2 λ1 = 2 2 2(1) Z 2 X¯ Z 4 α α + 2 X¯ 1 = + 2 ± Zα 4n 2n 2 n โครงการสมั มนาวิชาการและนำเสนอผลงานดานคณิตศาสตร ครั้งท่ี 7 มหาวิทยาลยั ราชภฏั นครสวรรค
128 ชเู กียรติ โพนแกว และ ปย ธดิ า หุนเฮฮา สำหรบั คา λ2 ใชว ิธีการหาเชนเดยี วกบั λ1 และไดค ำตอบคือ Z 2 X¯ Z 4 α α + 2 X¯ 1 λ2 = + 2 n ± Zα 4n 2 2 n ดง้ั นัน้ ชวงความเชอ่ื มัน่ (1 − α)100% ของ λ คือ X¯ Z 2 1 X¯ + Z 4α α 2 + 2 ± Zα 4n 2n 2 n นอกจากนี้ Guan [3] ไดท ำการปรับปรุงชว งความเชื่อม่ันของสคอรว (Moved score interval) ดังนี้ Z 2 X¯ Z 4 α α + 2 X¯ 1 (1.10) + 0.46 2 ± Zα 4n 2n 2 n ในบทความน้ี Manad [11]ไดนำเสนอวธิ ีการประมาณคา λ ดว ยการเพิม่ ปลายหางของการแจกแจง ตวั อยา งสมุ ตามทแ่ี สดงในหัวขอ ที่ 3 สวนหัวขอที่ 2 เปนความรูพ้ืนฐาน และหวั ขอที่ 4 การสรุปผลการ ศึกษา 2. ความรพู ื้นฐาน บทนยิ าม 2.1. ทฤษฎีเขาสูส วนกลาง กำหนดให y แทนตวั แปรทีส่ นใจศกึ ษา และ y1, y2, . . . , yn แทน คาสังเกตของตัวอยาง s ขนาด n ท่ีถูกสมุ จากประชากร U ขนาด N ภายใตการสมุ ตวั อยางใดๆ แและ y = [y1, y2, . . . , yn]′ = yyy...n12 กำหนดให Y¯ˆ = f(y) เปนตวั แปรสมุ และไมท ราบการแจกแจง E(Yˆ¯ )=Y¯ แทน คา คาดหมาย ของ Yˆ¯ และ V (Y¯ˆ ) แทนความแปรปรวนของ Yˆ¯ (1) กรณีที่ทราบคา ความแปรปรวนของตัวประมาณคา หรือทราบ V (Y¯ˆ ) และ n 30 Z = f (Yˆ¯ ) = Yˆ¯ − Y¯ ∼ appN (0, 1) (2.1) V (Y¯ˆ ) โครงการสมั มนาวชิ าการและนำเสนอผลงานดานคณิตศาสตร ครงั้ ท่ี 7 มหาวทิ ยาลัยราชภัฏนครสวรรค
การประมาณคาชวงความเชอื่ มนั่ คา เฉลี่ยของการแจกแจงแบบปวซงส 129 (2) กรณีทไ่ี มท ราบคา ความแปรปรวนของตวั ประมาณคา หรือไมท ราบ V (Yˆ¯ ) กำหนดให Vˆ (Yˆ¯ ) เปน ตัว ประมาณคา V (Yˆ¯ ) และ n 30 Z = f (Yˆ¯ ) = Yˆ¯ − Y¯ ∼ appN (0, 1) (2.2) Vˆ (Yˆ¯ ) ทฤษฎบี ท 2.2. กำหนดให X1, X2, ..., Xn เปน ตัวแปรสุม ที่มีการแจกแจงแบบปวซงสและมีการ n แจกแจงเชน เดียวกับ ∼P oi(λ) ; λ > 0 กำหนดให X¯ 1 และ c เปนคาคงทใ่ี ดๆ X = n xi (1) E(X¯ + c) = λ + c i=1 (2) V (X¯ + c) = λ n พิสูจน. (1) จะแสดงวา E(X¯ + c) = λ + c E(X¯ + c) = E(X¯ ) + E(c) =λ+c ดังนัน้ E(X¯ + c) = λ + c (2) ตอไปจะแสดงวา V (X¯ + c) = λ n V (X¯ + c) = V (X¯ ) + V (c) λ = n ดังน้ัน V (X¯ + c) = λ n บทนยิ าม 2.3. การแจกแจงปว ซงส (Poisson distribution) การทดลองสุมปว ซงส (Poisson Experiment) ถา การทดลองใด ๆ เปนการกระทำใดๆ ท่ีใหความสนใจตอจำนวนครัง้ ของการเกดิ เหตุการณ ในชวง เวลา หรอื บริเวณท่จี ำกัด เรยี กวา เปนการทดลองแบบปวซง โดยมลี กั ษณะดงั น้ี (1) จำนวนผลลพั ทที่เกิดขึ้นในชวงเวลาหนึ่ง หรอื บริเวณที่จำกดั จะเปน อสิ ระกับจำนวนที่ เกิด ขึน้ ในชว งเวลาอ่ืน หรอื บรเิ วณอื่น (2) ความนาจะเปน ท่ีเกดิ ผลลพั ทในชว งเวลาที่สน้ั มากหรือบริเวณที่เล็กมาก จะเปนปฎิภาค โดยตรงกับชว งเวลา หรอื ขนาดของบรเิ วณนนั้ ๆ และไมข้ึนอยกู ับจำนวนผลลพั ทท่ี เกดิ ขึน้ นอกชวงเวลา หรือบรเิ วณดงั กลา ว (3) ความนาจะเปนที่จะเกิดผลลพั ทมากกวา 1 ครัง้ ในชวงเวลาท่ีสนั้ มาก หรอื บรเิ วณท่ีเลก็ มาก จะมีคานอ ยมากจนตัดท้ิงได บทนยิ าม 2.4. ตัวแปรสมุ และฟงกช ันการแจกแจงของตัวแปรสุมทีม่ ีการแจกแจงแบบปวสซง โครงการสัมมนาวิชาการและนำเสนอผลงานดา นคณิตศาสตร คร้งั ที่ 7 มหาวทิ ยาลัยราชภัฏนครสวรรค
130 ชเู กียรติ โพนแกว และ ปย ธดิ า หุนเฮฮา สำหรับการทดลองแบบปวซงส กำหนดตัวแปรสุม X คอื จำนวน คร้ังของการเกดิ เหตกุ ารณท่ี สนใจ ในชวงเวลา หรือบริเวณทีก่ ำหนด ดงั นน้ั f (x) = eλλx x = 0, 1, 2, 3, . . . xi! เมอื่ λ คือ คา เฉลย่ี ของจานวนคร้งั ของการเกดิ เหตุการณนั้น e ≈ 2.71828 จะไดวาตัวแปรสุม X เปนตวั แปรสมุ ท่มี ีการแจกแจงแบบปว ซง โดยมีพารามิเตอร λ เขียนไดเ ปน X ∼ P oi(x; λ) 3. ตัวประมาณคาแบบท่ีชวง Manad นำเสนอ หวั ขอนี้จะไดกลาวถึงชว งความเช่ือมนั่ (1 − ℵ)100% ของ λ ท่ีไดจากการเพ่ิมปลายหางของ การแจกแจงตวั อยางสมุ ดงั น้ี ทฤษฎบี ท 3.1. กำหนดให X1, X2, ..., Xn เปนตวั แปรสมุ ท่มี ีการแจกแจงแบบปวซงและมกี ารแจกแจง เชน เดียวกับ X ∼P oi(λ) ; λ > 0 และ X¯ 1 n xi และ c = Z 2 ในชว งความเช่ือมั่น (1−α)100% n α = 2 i=1 2n มคี าดงั น้ี (1) E(X¯ + c) = λ + c (2) V (X¯ + c) = λ n Z 2 X¯ n α X¯ + 2 ± Z α 2n 2 พสิ ูจน. ให X1, X2, ..., Xnเปนตัวแปรสมุ ที่มีการแจกแจงแบบปว ซงและมีการแจกแจงเชน เดยี วกบั X ∼P oi(λ) ; λ > 0 , n 30 และ c = Z 2 โดยที่ E(X¯ และ (X¯ = λ จะไดวา α n 2 + c) = λ + c V + c) 2n T = X¯ − E(X¯ + c) = √n(X¯√+ c − λ) ∼ appN (0, 1) V (X¯ + c) λ ดงั น้ัน P (−Z α T Z α ) = 1 − α (3.1) 22 พิจารณาอสมการ (3.1) −Z α −√Znα2(X¯√T+ c Zα Zα 2 2 2 − λ) λ โครงการสมั มนาวิชาการและนำเสนอผลงานดานคณิตศาสตร ครัง้ ท่ี 7 มหาวทิ ยาลัยราชภัฏนครสวรรค
Search
Read the Text Version
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
- 45
- 46
- 47
- 48
- 49
- 50
- 51
- 52
- 53
- 54
- 55
- 56
- 57
- 58
- 59
- 60
- 61
- 62
- 63
- 64
- 65
- 66
- 67
- 68
- 69
- 70
- 71
- 72
- 73
- 74
- 75
- 76
- 77
- 78
- 79
- 80
- 81
- 82
- 83
- 84
- 85
- 86
- 87
- 88
- 89
- 90
- 91
- 92
- 93
- 94
- 95
- 96
- 97
- 98
- 99
- 100
- 101
- 102
- 103
- 104
- 105
- 106
- 107
- 108
- 109
- 110
- 111
- 112
- 113
- 114
- 115
- 116
- 117
- 118
- 119
- 120
- 121
- 122
- 123
- 124
- 125
- 126
- 127
- 128
- 129
- 130
- 131
- 132
- 133
- 134
- 135
- 136
- 137
- 138
- 139
- 140
- 141
- 142
- 143
- 144
- 145
- 146
- 147
- 148
- 149
- 150
- 151
- 152
- 153
- 154
- 155
- 156
- 157
- 158
- 159
- 160
- 161
- 162
- 163
- 164
- 165
- 166
- 167
- 168
- 169
- 170
- 171
- 172
- 173
- 174
- 175
- 176
- 177
- 178
- 179
- 180
- 181
- 182
- 183
- 184
- 185
- 186
- 187
- 188
- 189
- 190
- 191
- 192
- 193
- 194
- 195
- 196
- 197
- 198
- 199
- 200
- 201
- 202
- 203
- 204
- 205
- 206
- 207
- 208
- 209
- 210
- 211
- 212
- 213
- 214
- 215
- 216
- 217
- 218
- 219
- 220
- 221
- 222
- 223
- 224
- 225
- 226
- 227
- 228
- 229
- 230
- 231
- 232
- 233
- 234
- 235
- 236
- 237
- 238
- 239
- 240
- 241
- 242
- 243
- 244
- 245
- 246
- 247
- 248
- 249
- 250
- 251
- 252
- 253
- 254
- 255
- 256
- 257
- 258
- 259
- 260
- 261
- 262
- 263
- 264
- 265
- 266
- 267
- 268
- 269
- 270
- 271
- 272
- 273
- 274
- 275
- 276
- 277
- 278
- 279
- 280
- 281
- 282
- 283
- 284
- 285
- 286
- 287
- 288
- 289
- 290
- 291
- 292
- 293
- 294
- 295
- 296
- 297
- 298
- 299
- 300
- 301
- 302
- 303
- 304
- 305
- 306
- 307
- 308
- 309
- 310
- 311
- 312
- 313
- 314
- 315
- 316
- 317
- 318
- 319
- 320
- 321
- 322
- 323
- 324
- 325
- 326
- 327
- 328
- 329
- 330
- 331
- 332
- 333
- 334
- 335
- 336
- 337
- 338
- 339
- 340
- 341
- 342
- 343
- 344
- 345
- 346
- 347
- 348
- 349
- 350
- 351
- 352
- 353
- 354
- 355
- 356
- 357
- 358
- 359
- 360
- 361
- 362
- 363
- 364
- 365
- 366
- 367