# โมเดล ARIMA อธิบายแบบเข้าใจง่าย: คู่มือปฏิบัติสำหรับการพยากรณ์

> อธิบายโมเดล ARIMA ด้วยภาษาที่เข้าใจง่าย: องค์ประกอบ AR, I, MA การเลือกค่า p, d, q การตรวจสอบส่วนที่เหลือ (residual) การพยากรณ์ และกรณีการใช้งานทางธุรกิจ เริ่มพยากรณ์กันเลย

Source: https://www.electe.net/th/post/arima-models-explained

Site guide: https://www.electe.net/th/llms.txt

ARIMA เป็นวิธีการพยากรณ์เชิงสถิติที่รวมเอาการถดถอยอัตโนมัติ (autoregression) การหาผลต่าง (differencing) และค่าเฉลี่ยเคลื่อนที่ (moving average) เข้าไว้ในโมเดลเดียว เขียนแทนด้วย ARIMA(p,d,q) คู่มือนี้จะแสดงให้เห็นว่าแต่ละองค์ประกอบทำงานอย่างไร และควรใช้เมื่อใด

คุณอาจกำลังเผชิญกับคำถามทางธุรกิจที่คุ้นเคย เช่น เดือนหน้าจะขายสินค้าได้กี่ชิ้น ควรสั่งสต็อกเพิ่มเท่าไร หรือเงินสดที่จะเข้ามาจะเพียงพอต่อค่าใช้จ่ายที่วางแผนไว้หรือไม่ เส้นแนวโน้มในสเปรดชีตอาจบอกทิศทางได้ แต่มักพลาดในการจับประเด็นที่ว่าผลลัพธ์ในวันนี้ขึ้นอยู่กับประวัติล่าสุด ความผิดปกติ และรูปแบบที่เปลี่ยนแปลงไปอย่างไร

**การอธิบายโมเดล ARIMA** ด้วยภาษาที่เข้าใจง่ายสามารถช่วยให้คุณเข้าใจสิ่งที่เกิดขึ้นเบื้องหลังการพยากรณ์ได้ คุณจะได้เรียนรู้ว่าองค์ประกอบทั้งสามส่วนทำงานร่วมกันอย่างไร ความนิ่ง (stationarity) กำหนดลำดับการหาผลต่างอย่างไร กราฟ ACF และ PACF ช่วยนำทางการเลือกโมเดลอย่างไร และเหตุใดการตรวจสอบส่วนที่เหลือ (residual) จึงสำคัญก่อนที่ใครจะเชื่อผลลัพธ์ นอกจากนี้คุณจะได้เห็นว่า ARIMA แบบธรรมดาล้มเหลวตรงไหน โดยเฉพาะในกรณีของฤดูกาล (seasonality) การเปลี่ยนแปลงเชิงโครงสร้าง ข้อมูลที่ขาดหายไป และความต้องการที่ขับเคลื่อนโดยโปรโมชัน

ไม่จำเป็นต้องใช้คณิตศาสตร์ขั้นสูง เป้าหมายคือการตัดสินใจเชิงปฏิบัติ เพื่อให้คุณสามารถบอกได้ว่าเมื่อใด ARIMA เป็นพื้นฐานที่มีประโยชน์ เมื่อใดที่ต้องขยายไปสู่รูปแบบที่รองรับฤดูกาล และเมื่อใดที่แนวทางการพยากรณ์ที่ครอบคลุมมากขึ้นจะเหมาะสมกว่าสำหรับ SME ของคุณ

## สารบัญ

- ทำไม ARIMA ยังคงมีความสำคัญต่อการพยากรณ์ทางธุรกิจ
-
  - ทำไมกรอบแนวคิดนี้ยังคงใช้งานได้จริง
- องค์ประกอบสามส่วนของโมเดล ARIMA
-
  - Autoregression จับแนวโน้มโมเมนตัม
  - Integration ขจัดการเลื่อนไหล (drift)
  - Moving average เรียนรู้จากค่าความผิดพลาด
- การทำให้ข้อมูลของคุณนิ่ง (Stationary) ด้วยการหาผลต่าง (Differencing)
-
  - Differencing ในแบบที่เข้าใจง่าย
  - การหลีกเลี่ยงการแปลงข้อมูลแบบทำตามขั้นตอนโดยไม่คิด
- การเลือกค่า p, d และ q ด้วย ACF, PACF และเกณฑ์สารสนเทศ (Information Criteria)
-
  - การอ่านกราฟทั้งสอง
  - การใช้ AIC และ BIC เพื่อตัดสินใจในกรณีก้ำกึ่ง
- การประมาณค่าโมเดลและการตรวจสอบ Residual Diagnostics
-
  - รายการตรวจสอบเชิงปฏิบัติ
  - สิ่งที่ต้องเปลี่ยนเมื่อการตรวจสอบไม่ผ่าน
- การพยากรณ์ในทางปฏิบัติกับกรณีใช้งานทางธุรกิจ
-
  - การตัดสินใจสามประการที่ขึ้นอยู่กับการพยากรณ์
  - การนำไปใช้งานแบบเบาและรวดเร็ว
- เมื่อ ARIMA ไม่เพียงพอ และ ELECTE ทำให้กระบวนการทำงานเป็นอัตโนมัติได้อย่างไร
-
  - ตรวจสอบความพร้อมของข้อมูลก่อนเลือกโมเดล
  - ประเด็นสำคัญที่ควรจดจำ

## ทำไม ARIMA ยังคงมีความสำคัญต่อการพยากรณ์ทางธุรกิจ

ผู้จัดการขอการพยากรณ์ยอดขายของไตรมาสถัดไป ทีมงานเปิดสเปรดชีต ลากเส้นแนวโน้มล่าสุดต่อออกไป แล้วได้ตัวเลขออกมา วิธีนี้อาจใช้ได้เมื่อความต้องการมีความสม่ำเสมอ แต่ข้อมูลอนุกรมเวลามักมี **autocorrelation** ซึ่งหมายความว่าค่าที่สังเกตล่าสุดมีความสัมพันธ์กับค่าที่สังเกตก่อนหน้า ยอดขายที่พุ่งสูงขึ้นอาจส่งผลต่อช่วงเวลาถัดไป และการลดลงอย่างต่อเนื่องก็อาจดำเนินต่อไปได้ แม้เส้นแนวโน้มตรงๆ จะบ่งชี้เป็นอย่างอื่น

ARIMA ถูกออกแบบมาสำหรับข้อมูลลักษณะนี้โดยเฉพาะ โดยใช้ประวัติของอนุกรมข้อมูลเองและค่าความผิดพลาดจากการพยากรณ์ในอดีต เพื่อสร้างแบบจำลองว่าค่าต่างๆ เปลี่ยนแปลงไปตามเวลาอย่างไร สิ่งนี้ทำให้มันมีประโยชน์สำหรับคำถามในระยะสั้น เช่น การวางแผนความต้องการ การติดตามกระแสเงินสด และการทบทวนความเสี่ยงในการดำเนินงาน โดยมีเงื่อนไขว่าข้อมูลพื้นฐานต้องมีโครงสร้างที่เหมาะสม

### ทำไมกรอบแนวคิดนี้ยังคงใช้งานได้จริง

ARIMA ยังคงเป็น**หนึ่งในสองแนวทางที่ใช้กันอย่างแพร่หลายที่สุดสำหรับการพยากรณ์อนุกรมเวลา** ควบคู่ไปกับการปรับเรียบแบบเอ็กซ์โพเนนเชียล ตามข้อมูลอ้างอิงด้านการพยากรณ์ [Forecasting: Principles and Practice](https://otexts.com/fpp2/arima.html) การที่ยังคงใช้กันอย่างต่อเนื่องนั้นมาจากความสมดุลที่เป็นประโยชน์:

- **สามารถตีความได้:** คุณสามารถอธิบายได้ว่าโมเดลพึ่งพาค่าล่าสุด การหาผลต่าง หรือค่าความคลาดเคลื่อนในอดีตหรือไม่
- **เคารพลำดับเวลา:** โมเดลไม่ได้มองแต่ละค่าที่สังเกตได้เป็นแถวข้อมูลที่แยกจากกัน
- **รองรับขั้นตอนการทำงานที่ชัดเจน:** คุณตรวจสอบอนุกรมข้อมูล แปลงข้อมูลเมื่อจำเป็น ประมาณค่าโมเดลที่เป็นตัวเลือก และตรวจสอบความถูกต้องของค่าความคลาดเคลื่อนที่เหลือ
- **ใช้เป็นเกณฑ์อ้างอิงได้:** คุณสามารถเปรียบเทียบวิธีการที่ซับซ้อนกว่ากับโมเดลทางสถิติที่โปร่งใสได้

นักวิเคราะห์ค้าปลีกอาจใช้ ARIMA เพื่อประมาณยอดขายในระยะใกล้ก่อนตัดสินใจว่าโปรโมชันหนึ่งๆ ต้องการสต็อกสินค้าเพิ่มเติมหรือไม่ ทีมการเงินอาจใช้เพื่อติดตามลำดับการเคลื่อนไหวของกระแสเงินสดในช่วงสั้นๆ และระบุว่าเมื่อใดที่ผลลัพธ์จริงเบี่ยงเบนไปจากพฤติกรรมที่คาดไว้ การพยากรณ์เหล่านี้ไม่ได้มาแทนที่วิจารณญาณทางธุรกิจ แต่ให้จุดเริ่มต้นที่มีโครงสร้างแก่วิจารณญาณนั้น

> **กฎเชิงปฏิบัติ:** การพยากรณ์จะมีประโยชน์ก็ต่อเมื่อสมมติฐานของมันสอดคล้องกับพฤติกรรมที่แท้จริงของข้อมูลของคุณ

เมื่อจบคู่มือนี้ คุณจะเข้าใจว่า **AR**, **I** และ **MA** หมายถึงอะไร **p**, **d** และ **q** อธิบายโมเดลอย่างไร รูปแบบของ ACF และ PACF ช่วยในการเลือกอันดับอย่างไร และการวินิจฉัยค่าความคลาดเคลื่อนที่เหลือเผยให้เห็นความเหมาะสมที่ทำให้เข้าใจผิดได้อย่างไร คุณจะยังได้กฎการตัดสินใจสำหรับการเปลี่ยนจาก ARIMA ธรรมดาไปสู่ SARIMA หรือโมเดลที่ซับซ้อนยิ่งขึ้น

## สามองค์ประกอบพื้นฐานของโมเดล ARIMA

ชื่อนี้ดูเป็นเทคนิค แต่ ARIMA จะเข้าใจง่ายขึ้นเมื่อคุณแยกส่วนประกอบของมันออกจากกัน แต่ละองค์ประกอบตอบคำถามที่แตกต่างกันเกี่ยวกับอนุกรมข้อมูล

### Autoregression จับโมเมนตัม

**Autoregression หรือ AR** ตั้งคำถามว่าค่าปัจจุบันสะท้อนค่าก่อนหน้าหรือไม่ ลองนึกถึงโมเมนตัมของยานพาหนะที่กำลังเคลื่อนที่ หากความต้องการเพิ่มขึ้นในช่วงหลายช่วงเวลาที่ผ่านมา ค่าที่สังเกตครั้งต่อไปอาจยังคงมีทิศทางนั้นอยู่บ้าง โมเดลนี้แสดงถึงความต่อเนื่องนี้ผ่านค่าที่หน่วงเวลา (lagged values) ซึ่งค่าที่หน่วงเวลาคือค่าที่สังเกตได้ก่อนหน้าในลำดับข้อมูล

**p** ใน ARIMA(p,d,q) คือจำนวนพจน์ autoregressive ค่า p ที่สูงขึ้นทำให้โมเดลสามารถพิจารณาค่าในอดีตได้มากขึ้น แต่การเพิ่มพจน์ไม่ได้ทำให้การพยากรณ์ดีขึ้นโดยอัตโนมัติ ประวัติที่มากเกินไปอาจเพิ่มสัญญาณรบกวนหรือความซับซ้อนที่ไม่จำเป็น

### Integration ขจัดการเลื่อนไหล (drift)

**Integration หรือ I** หมายถึงการหาผลต่าง (differencing) แทนที่จะสร้างโมเดลจากระดับยอดขายดั้งเดิม คุณลบค่าก่อนหน้าออกจากค่าปัจจุบันเพื่อศึกษาการเปลี่ยนแปลงระหว่างช่วงเวลา นี่เหมือนกับการทำให้เนินเขาราบเรียบเพื่อให้คุณสามารถตรวจสอบภูมิประเทศได้โดยไม่ให้ความลาดชันโดยรวมครอบงำมุมมอง

**d** คือจำนวนครั้งของการหาผลต่างแบบไม่มีฤดูกาล (nonseasonal differences) ที่จำเป็นเพื่อทำให้อนุกรมข้อมูลอยู่ในสภาวะนิ่ง (stationary) อนุกรมข้อมูลที่นิ่งจะมีพฤติกรรมทางสถิติที่ค่อนข้างคงที่ตลอดเวลา หากอนุกรมข้อมูลดั้งเดิมมีการเลื่อนไหล การหาผลต่างสามารถทำให้รูปแบบของมันสร้างโมเดลได้ง่ายขึ้น

### Moving average เรียนรู้จากค่าความคลาดเคลื่อน

**ค่าเฉลี่ยเคลื่อนที่ หรือ MA** ใช้ค่าความคลาดเคลื่อนของการพยากรณ์ในอดีต สมมติว่าการพยากรณ์ผิดพลาดเพราะความต้องการเปลี่ยนแปลงกะทันหัน องค์ประกอบ MA ช่วยให้การพยากรณ์ในภายหลังนำความผิดพลาดล่าสุดเหล่านั้นมาพิจารณา คล้ายกับเทอร์โมสตัทที่ปรับตัวหลังจากที่ทำงานเกินหรือต่ำกว่าเป้าหมาย

**q** คือจำนวนค่าความคลาดเคลื่อนของการพยากรณ์ที่ถูกหน่วงเวลา (lagged) ซึ่งรวมอยู่ในสมการการพยากรณ์ AR พิจารณาค่าในอดีต ส่วน MA พิจารณาความคลาดเคลื่อนในอดีต เมื่อรวมกับการดิฟเฟอเรนซ์ (differencing) แล้ว ทั้งหมดนี้จะกลายเป็นโมเดลที่สามารถแสดงถึงความคงอยู่ (persistence) การขจัดแนวโน้ม (trend removal) และการปรับแก้ในระยะสั้นได้

George Box และ Gwilym Jenkins ทำให้ ARIMA เป็นที่นิยมในฐานะส่วนหนึ่งของ **ระเบียบวิธี Box-Jenkins ในปี 1970** ซึ่งได้กำหนดขั้นตอนการทำงานเชิงปฏิบัติแบบวนซ้ำของการระบุ (identification) การประมาณค่า (estimation) และการตรวจสอบความถูกต้อง (validation) ดังนั้น ARIMA จึงไม่ได้ถูกนำเสนอในฐานะสูตรเดียวที่แยกออกมาโดดๆ แต่พัฒนาขึ้นในฐานะระบบการสร้างแบบจำลองสำหรับอนุกรมเวลาในโลกแห่งความเป็นจริง โดยใช้การดิฟเฟอเรนซ์ก่อนที่จะปรับค่าองค์ประกอบออโตรีเกรสซีฟและค่าเฉลี่ยเคลื่อนที่ ตามที่อธิบายไว้ใน [ภาพรวม ARIMA ของ IBM](https://www.ibm.com/think/topics/arima-model)

> ARIMA(p,d,q) รวม **ค่าในอดีต** **ผลต่าง** และ **ความคลาดเคลื่อนของการพยากรณ์ในอดีต**เข้าด้วยกัน ตัวอักษรบอกว่าโมเดลใช้อะไร และตัวเลขบอกว่าใช้แต่ละส่วนผสมมากน้อยเพียงใด

## การทำให้ข้อมูลของคุณนิ่ง (Stationary) ด้วยการดิฟเฟอเรนซ์

ARIMA คาดหวังว่าอนุกรมข้อมูลจะต้อง**นิ่ง (stationary) ก่อนการสร้างแบบจำลอง** ในทางปฏิบัติ อนุกรมข้อมูลไม่ควรเปลี่ยนพฤติกรรมพื้นฐานอยู่ตลอดเวลาเนื่องจากแนวโน้มที่ไม่ได้รับการควบคุม ระดับเฉลี่ยและความผันแปรของข้อมูลควรมีความเสถียรเพียงพอเพื่อให้ความสัมพันธ์ระหว่างค่าที่สังเกตได้มีความหมาย

เริ่มต้นด้วยการตรวจสอบด้วยสายตา เส้นยอดขายที่เพิ่มขึ้นอย่างต่อเนื่อง ยอดคงเหลือทางการเงินที่ลดลง หรือความผันแปรที่กว้างขึ้นเมื่อระดับเพิ่มขึ้น สามารถบ่งชี้ถึงความไม่นิ่ง (non-stationarity) ได้ คุณไม่ได้พยายามพิสูจน์การวินิจฉัยจากกราฟเพียงอย่างเดียว แต่คุณกำลังมองหาหลักฐานว่ามาตราส่วนดั้งเดิมอาจซ่อนรูปแบบระยะสั้นที่คุณต้องการพยากรณ์อยู่

### การดิฟเฟอเรนซ์ในแง่มุมทั่วไป

ลองพิจารณายอดขายรายเดือนที่เติบโตประมาณ **5% ต่อเดือน** ระดับยอดขายที่แท้จริงยังคงเพิ่มขึ้นเรื่อยๆ ดังนั้นโมเดลอาจตรวจจับการเติบโตเป็นหลักมากกว่าความสัมพันธ์ระหว่างการเปลี่ยนแปลงที่ใกล้เคียงกัน การดิฟเฟอเรนซ์อันดับที่หนึ่งจะแทนที่แต่ละระดับด้วยการเปลี่ยนแปลงจากเดือนก่อนหน้า เมื่อขจัดแนวโน้มออกไปแล้ว อนุกรมที่ได้อาจดูราบเรียบขึ้นและการเคลื่อนไหวในระยะสั้นอาจวิเคราะห์ได้ง่ายขึ้น

อันดับของการดิฟเฟอเรนซ์ **d เป็นการตัดสินใจในการสร้างแบบจำลอง ไม่ใช่การเดา** Box และ Jenkins แนะนำให้ดิฟเฟอเรนซ์อนุกรมที่ไม่นิ่งหนึ่งครั้งหรือมากกว่าจนกว่าจะบรรลุความนิ่ง ซึ่งเป็นกฎที่สรุปไว้ใน [คู่มือสถิติวิศวกรรมของ NIST](https://www.itl.nist.gov/div898/handbook/pmc/section4/pmc445.htm)

ขั้นตอนการทำงานที่เป็นประโยชน์คือ:

1. **พล็อตข้อมูลชุดต้นฉบับ:** มองหาแนวโน้ม การกระจายที่เปลี่ยนแปลง ช่องว่างของข้อมูล และการเปลี่ยนระดับอย่างฉับพลัน
2. **ใช้การหาผลต่างลำดับที่หนึ่งเมื่อจำเป็น:** เปรียบเทียบแต่ละค่าที่สังเกตได้กับค่าก่อนหน้าโดยตรง
3. **ตรวจสอบข้อมูลชุดที่แปลงแล้ว:** ดูว่าพฤติกรรมเฉลี่ยและความผันแปรตอนนี้ดูมีเสถียรภาพมากขึ้นหรือไม่
4. **หยุดเมื่อข้อมูลชุดนั้นนิ่งเพียงพอแล้ว:** การหาผลต่างเพิ่มเติมอาจลบโครงสร้างที่มีความหมายออกไป และทำให้การตีความยากขึ้น

### การหลีกเลี่ยงการแปลงข้อมูลแบบทำตามขั้นตอนโดยไม่คิด

การหาผลต่างมากเกินไปอาจทำให้ข้อมูลชุดหนึ่งมีสัญญาณรบกวนโดยไม่จำเป็น นอกจากนี้ยังอาจสร้างความสัมพันธ์เทียมระหว่างการเปลี่ยนแปลงที่อยู่ติดกัน ซึ่งทำให้การวิเคราะห์ ACF และ PACF ในภายหลังซับซ้อนขึ้น เป้าหมายไม่ใช่การหาผลต่างให้มากที่สุดเท่าที่จะทำได้ แต่คือการขจัดพฤติกรรมที่ไม่นิ่ง ในขณะที่ยังคงรักษาสัญญาณที่เป็นประโยชน์ไว้

ข้อมูลด้านปฏิบัติการมักต้องมีการเตรียมการก่อนทำการหาผลต่าง วันที่ที่ขาดหายไป สินค้าหมดสต็อก การรายงานที่หยุดชะงัก และตารางการเก็บข้อมูลที่ไม่สม่ำเสมอ ล้วนสามารถบิดเบือนการเปลี่ยนแปลงจากช่วงเวลาหนึ่งไปยังอีกช่วงเวลาหนึ่งได้ หากข้อมูลชุดของคุณมีช่องว่าง ให้[ดูคู่มือการเติมค่าข้อมูลที่ขาดหายไป](https://www.electe.net/post/missing-data-imputation)ก่อนที่จะถือว่าการหาผลต่างเป็นวิธีแก้ปัญหาหลัก

## การเลือก p, d และ q ด้วย ACF, PACF และเกณฑ์สารสนเทศ

เมื่อการหาผลต่างได้สร้างข้อมูลชุดที่นิ่งและใช้งานได้แล้ว คุณจำเป็นต้องมีค่าที่เป็นไปได้สำหรับ **p** และ **q** มีกราฟสองแบบที่ช่วยให้คุณพิจารณาทางเลือกเหล่านั้นได้ ได้แก่ **ฟังก์ชันสหสัมพันธ์อัตโนมัติ หรือ ACF** และ **ฟังก์ชันสหสัมพันธ์อัตโนมัติบางส่วน หรือ PACF**

ACF วัดว่าข้อมูลชุดนั้นมีความสัมพันธ์กับค่าก่อนหน้าของตัวเองอย่างไรที่ lag ต่าง ๆ ส่วน PACF มุ่งเน้นไปที่ความสัมพันธ์ที่ lag หนึ่ง ๆ หลังจากคำนึงถึง lag ที่สั้นกว่าแล้ว ไม่มีกราฟใดที่ให้คำตอบที่รับประกันได้ แต่รูปร่างของกราฟเหล่านั้นให้แนวทางเบื้องต้นที่เป็นประโยชน์

### การอ่านกราฟทั้งสองแบบ

หาก **PACF ตัดขาดหลัง lag p** ในขณะที่ ACF ลดลงอย่างค่อยเป็นค่อยไป นั่นบ่งชี้ถึงโครงสร้าง AR(p) หาก **ACF ตัดขาดหลัง lag q** ในขณะที่ PACF ลดลงอย่างค่อยเป็นค่อยไป นั่นบ่งชี้ถึงโครงสร้าง MA(q) กฎเหล่านี้ใช้เป็นแนวทางหลังจากทำให้ข้อมูลนิ่งแล้ว ไม่ใช่สิ่งทดแทนการตรวจสอบความถูกต้อง

รูปแบบ ACFรูปแบบ PACFโมเดลที่แนะนำลดลงอย่างค่อยเป็นค่อยไปตัดขาดหลัง lag pผู้สมัคร ARIMA(p,d,0)ตัดขาดหลัง lag qลดลงอย่างค่อยเป็นค่อยไปผู้สมัคร ARIMA(0,d,q)ทั้งสองลดลงอย่างค่อยเป็นค่อยไปทั้งสองลดลงอย่างค่อยเป็นค่อยไปพิจารณาผู้สมัคร ARIMA(p,d,q) แบบผสมจุดสูงสุดซ้ำในรอบที่ทราบโครงสร้างตามฤดูกาลใน PACFศึกษาการขยายแบบฤดูกาล

กราฟสามารถบ่งชี้การกำหนดค่าที่เป็นไปได้หลายแบบ นี่เป็นเรื่องปกติ คุณไม่ควรปรับ p และ q ไปเรื่อยๆ จนกว่ารูปแบบภาพจะดูสมบูรณ์แบบ เพราะโมเดลที่เข้ากับข้อมูลในอดีตได้อย่างใกล้ชิดอาจทำงานได้ไม่ดีกับข้อมูลในอนาคต

### การใช้ AIC และ BIC เป็นตัวตัดสินเมื่อเสมอกัน

**AIC และ BIC** เปรียบเทียบความเหมาะสมของโมเดลโดยลงโทษพารามิเตอร์ที่ไม่จำเป็น ค่าที่ต่ำกว่าเป็นที่ต้องการเมื่อเปรียบเทียบโมเดลที่ปรับให้เข้ากับชุดข้อมูลเดียวกันและประเมินภายใต้เงื่อนไขที่เทียบเคียงกันได้ โดยทั่วไป BIC จะใช้บทลงโทษความซับซ้อนที่รุนแรงกว่า จึงอาจเอนเอียงไปทางข้อกำหนดที่กระชับกว่า

ใช้เกณฑ์เหล่านี้เป็นตัวช่วยในการตัดสินใจ ไม่ใช่หลักฐานยืนยันคุณภาพการพยากรณ์ ตัวเลือกที่มีค่าเกณฑ์สารสนเทศต่ำกว่ายังคงต้องผ่านการประเมินแบบ out-of-sample และการตรวจสอบส่วนที่เหลืออยู่ดี การค้นหาลำดับแบบอัตโนมัติก็เป็นวิธีที่ใช้กันทั่วไปเช่นกัน โดยเฉพาะเมื่อคุณต้องเปรียบเทียบชุดค่าผสมที่เป็นไปได้หลายชุดอย่างสม่ำเสมอ แทนที่จะพึ่งพาการอ่านกราฟด้วยตาเพียงอย่างเดียว

สำหรับการแนะนำเชิงปฏิบัติเกี่ยวกับความสัมพันธ์ระหว่างค่าที่เลื่อนเวลา (lagged values) โปรด[ค้นพบรูปแบบที่ซ่อนอยู่ด้วย ACF PACF](https://www.electe.net/post/autocorrelation-analysis) นิสัยที่สำคัญคือการผสมผสานหลักฐานเชิงภาพ เกณฑ์สารสนเทศ การตรวจสอบความแม่นยำของการพยากรณ์ และความเข้าใจทางธุรกิจเข้าด้วยกัน

## การประมาณค่าโมเดลและการตรวจสอบ Residual Diagnostics

การประมาณค่าโมเดลคือการปรับพารามิเตอร์ ARIMA ให้เข้ากับข้อมูลอนุกรมเวลาในอดีตของคุณ พูดง่ายๆ คือกระบวนการนี้ค้นหาค่าสัมประสิทธิ์ที่แสดงถึงความสัมพันธ์ที่สังเกตได้ พร้อมกับลดค่าความผิดพลาดในการพยากรณ์ ค่าสัมประสิทธิ์ที่ได้มามีความสำคัญ แต่ไม่ใช่บททดสอบคุณภาพขั้นสุดท้าย

บททดสอบที่แท้จริงคือสิ่งที่เหลืออยู่หลังจากโมเดลทำงานเสร็จแล้ว ส่วนที่เหลือนั้นเรียกว่า **residuals** ซึ่งคือความแตกต่างระหว่างค่าที่สังเกตได้กับค่าที่โมเดลปรับให้พอดี โมเดลที่ดีควรเหลือ residuals ที่มีลักษณะคล้ายสัญญาณรบกวนแบบสุ่มที่อธิบายไม่ได้ มากกว่าที่จะเป็นรูปแบบที่สองซึ่งรอการค้นพบ

### รายการตรวจสอบเชิงปฏิบัติ

ใช้การวินิจฉัยเป็นด่านคัดกรองคุณภาพ:

- **White noise:** Residuals ไม่ควรแสดงแนวโน้ม วัฏจักร หรือการรวมกลุ่มที่มองเห็นได้ รูปแบบที่เกิดซ้ำหมายความว่าโมเดลยังเหลือโครงสร้างบางอย่างไว้
- **ไม่มี Residual Autocorrelation:** Residuals ไม่ควรมีความสัมพันธ์กันข้ามช่วงเวลาที่เลื่อน (lags) การตรวจสอบแบบ Ljung-Box ช่วยทดสอบพฤติกรรมโดยรวมนี้ได้
- **ค่าเฉลี่ยใกล้ศูนย์:** Residuals ควรสมดุลรอบศูนย์ แทนที่จะพยากรณ์สูงเกินไปหรือต่ำเกินไปอย่างต่อเนื่อง
- **ความแปรปรวนที่คงที่:** การกระจายตัวของค่าความผิดพลาดควรคงที่อย่างสมเหตุสมผล การกระจายตัวที่กว้างขึ้นอาจบ่งชี้ว่าโมเดลต้องการการแปลงข้อมูล (transformation) หรือแนวทางที่แตกต่างออกไป
- **ความเป็นปกติโดยประมาณ (Approximate Normality):** การกระจายตัวของ residual ที่ใกล้เคียงการแจกแจงปกติสามารถสนับสนุนการประมาณค่าช่วง (interval estimates) ที่มีประโยชน์ได้ แม้ว่าการตรวจสอบนี้จะมีความสำคัญน้อยกว่าความเป็นอิสระ

ความล้มเหลวที่สำคัญที่สุดคือ residual autocorrelation ซึ่งหมายความว่าโมเดลยังคงพลาดโครงสร้างบางอย่างและควรได้รับการปรับปรุงใหม่ ดังที่เน้นย้ำใน[บทเรียนอนุกรมเวลาของ Penn State เกี่ยวกับการตรวจสอบโมเดล](https://online.stat.psu.edu/stat510/Lesson03.html)

### สิ่งที่ควรเปลี่ยนแปลงเมื่อการตรวจสอบไม่ผ่าน

อย่าส่งมอบผลการพยากรณ์เพียงเพราะกระบวนการประมาณค่าลู่เข้า (converged) หากยังคงมี residual autocorrelation อยู่ ให้ทบทวนลำดับที่เป็นตัวเลือก พิจารณาทางเลือกการทำ differencing ใหม่ และตรวจสอบว่าฤดูกาล (seasonality) หรือการเปลี่ยนแปลงเชิงโครงสร้าง (structural break) เป็นตัวขับเคลื่อนรูปแบบดังกล่าวหรือไม่ โมเดลที่มีลำดับสูงกว่าไม่ใช่คำตอบโดยอัตโนมัติเสมอไป โครงสร้างที่ขาดหายไปอาจมาจากเหตุการณ์ทางธุรกิจที่ ARIMA ไม่สามารถแสดงได้ผ่านค่าในอดีตเพียงอย่างเดียว

> **ด่านคัดกรองคุณภาพ:** โมเดล ARIMA ที่ปรับค่าได้อย่างถูกต้องทางเทคนิคยังไม่น่าเชื่อถือ จนกว่า residuals ของมันจะแสดงให้เห็นว่าโครงสร้างที่ขึ้นกับเวลาซึ่งสำคัญได้รับการพิจารณาครบถ้วนแล้ว

## การพยากรณ์ในทางปฏิบัติผ่านกรณีศึกษาทางธุรกิจ

การพยากรณ์จะมีคุณค่าก็ต่อเมื่อมันเปลี่ยนแปลงการตัดสินใจ โดยทั่วไป ARIMA จะให้ **ค่าพยากรณ์แบบจุด** ซึ่งเป็นค่าประมาณกลาง พร้อมกับ **ช่วงความไม่แน่นอน** ที่แสดงช่วงที่เป็นไปได้รอบค่านั้น ช่วงนี้มีความสำคัญเพราะตัวเลขเพียงตัวเดียวอาจสร้างความมั่นใจที่ผิดพลาด โดยเฉพาะเมื่อขอบเขตเวลาการวางแผนขยายออกไป

### การตัดสินใจสามประเภทที่ขึ้นอยู่กับการพยากรณ์

**โปรโมชั่นค้าปลีก:** ผู้จัดการร้านค้าปลีกตรวจสอบระดับยอดขายที่คาดการณ์ไว้สำหรับเดือนถัดไปและช่วงความไม่แน่นอนที่เกี่ยวข้อง ค่าพยากรณ์แบบจุดช่วยสนับสนุนแผนโปรโมชั่นพื้นฐาน ในขณะที่ช่วงความไม่แน่นอนช่วยให้ผู้จัดการตัดสินใจว่าแคมเปญนั้นต้องการสต็อกที่ยืดหยุ่นหรืองบประมาณที่ระมัดระวังหรือไม่

**การเติมสินค้าคงคลัง:** นักวางแผนสินค้าคงคลังใช้ความต้องการที่คาดการณ์ไว้เพื่อทบทวนจุดสั่งซื้อใหม่และช่วงเวลาของซัพพลายเออร์ หากช่วงความไม่แน่นอนกว้าง นักวางแผนอาจเลือกการทบทวนที่ระมัดระวังมากขึ้นแทนที่จะถือว่าค่าประมาณกลางเป็นข้อกำหนดที่รับประกันได้

**การติดตามความเสี่ยง:** ทีมบริการทางการเงินสามารถใช้การพยากรณ์ระยะสั้นเพื่อเปรียบเทียบการเคลื่อนไหวของเงินสดที่คาดการณ์ไว้หรือชุดข้อมูลอื่นที่ติดตามอยู่กับผลลัพธ์จริง การเบี่ยงเบนที่มีนัยสำคัญจากช่วงพยากรณ์สามารถกระตุ้นให้เกิดการตรวจสอบ แต่ไม่ควรถือเป็นหลักฐานของการกระทำผิดหรือการประเมินความเสี่ยงที่สมบูรณ์

ช่วงการพยากรณ์โดยทั่วไปจะกว้างขึ้นเมื่อการพยากรณ์เคลื่อนไปไกลขึ้นในอนาคต เนื่องจากแต่ละขั้นตอนเพิ่มเติมนำพาความไม่แน่นอนจากการพยากรณ์ก่อนหน้ามาด้วย นั่นทำให้การพยากรณ์ ARIMA ระยะใกล้นำไปปฏิบัติได้ง่ายกว่าการคาดการณ์ระยะไกล สำหรับการตัดสินใจด้านการเงินหรือการปฏิบัติตามกฎระเบียบ ควรใช้การพยากรณ์เป็นเพียงการสนับสนุนเชิงวิเคราะห์ ไม่ใช่คำแนะนำทางการเงินหรือสิ่งทดแทนการควบคุมที่จำเป็น

### การนำไปใช้งานแบบเบาๆ

นักวิเคราะห์สามารถนำ ARIMA ไปใช้งานใน Python ด้วย `statsmodels` หรือใน R ด้วยแพ็กเกจ `forecast` คำสั่งมักจะสั้น แต่การตีความต้องใช้ความระมัดระวังมากกว่าการปรับโมเดล:

1. เตรียมชุดข้อมูลอนุกรมเวลาที่เรียงลำดับและครบถ้วน
2. เลือกหรือค้นหาค่า p, d, และ q ที่เป็นไปได้
3. ประมาณค่าโมเดล
4. ตรวจสอบส่วนที่เหลือ (residuals)
5. สร้างค่าพยากรณ์แบบจุดและช่วงความไม่แน่นอน
6. เปรียบเทียบผลลัพธ์กับข้อมูลจริงในอนาคตเมื่อมีข้อมูลนั้นแล้ว

โค้ดเป็นส่วนที่ง่าย การตัดสินใจว่าข้อมูลและสมมติฐานของโมเดลนั้นน่าเชื่อถือหรือไม่ต่างหากที่ต้องอาศัยวิจารณญาณเชิงวิชาชีพ

## เมื่อ ARIMA ไม่เพียงพอ และ ELECTE ทำให้กระบวนการทำงานเป็นอัตโนมัติได้อย่างไร

ARIMA มีขอบเขตที่ชัดเจน ฤดูกาลที่มีความเข้มข้นสูงมักต้องการ **SARIMA** ซึ่งเขียนเป็น **ARIMA(p,d,q)\*(P,D,Q)** โดยที่ P, D, และ Q แทนองค์ประกอบการถดถอยอัตโนมัติตามฤดูกาล การหาผลต่าง และค่าเฉลี่ยเคลื่อนที่ตามฤดูกาล โมเดล ARIMA แบบธรรมดาอาจพลาดรูปแบบที่เกิดซ้ำซึ่งปรากฏที่จุดเดียวกันในแต่ละรอบ ดังนั้นเทอมตามฤดูกาลจึงให้ความเหมาะสมที่ดีกว่า ตามที่อธิบายไว้ใน [คู่มือการพยากรณ์ Box-Jenkins ของ Forecast Pro](https://www.forecastpro.com/2020/05/box-jenkins-forecasting/)

ARIMA ยังไม่น่าเชื่อถืออีกต่อไปเมื่อสภาพธุรกิจเปลี่ยนแปลงเร็วกว่าที่ข้อมูลในอดีตจะสะท้อนได้ทัน การเปลี่ยนแปลงเชิงโครงสร้าง เหตุการณ์ภายนอกที่ไม่คาดคิด การเปิดตัวผลิตภัณฑ์ใหม่ สินค้าขาดสต็อก และดีมานด์ที่เกิดจากโปรโมชั่น ล้วนทำให้ค่าในอดีตและค่าความผิดพลาดในอดีตกลายเป็นตัวชี้นำที่ไม่แม่นยำ โมเดลอาจผ่านการตรวจสอบทางเทคนิคได้ แต่ก็อาจนำผู้ตัดสินใจไปในทางที่ผิดหลังจากที่รูปแบบพื้นฐานได้เปลี่ยนไปแล้ว

### ตรวจสอบความพร้อมของข้อมูลก่อนเลือกโมเดล

ชุดข้อมูลของ SME มีข้อจำกัดเพิ่มเติมที่บทเรียนทั่วไปมักไม่ได้กล่าวถึง:

- **ประวัติข้อมูลที่ครบถ้วนมีความสำคัญ:** ARIMA คาดหวังอนุกรมเวลาที่เรียงลำดับและไม่มีช่องว่าง ควรตรวจสอบและจัดการกับช่วงเวลาที่ขาดหายไปก่อนทำการฟิตโมเดล
- **จำนวนการสังเกตที่เพียงพอมีความสำคัญ:** การพยากรณ์ที่เชื่อถือได้มักต้องการการสังเกตประมาณ **50 ถึง 100 จุดข้อมูล** ตามคำแนะนำเชิงปฏิบัติในคู่มือ Forecast Pro
- **เหตุการณ์ต่างๆ ต้องการบริบท:** ARIMA ไม่รู้ว่าโปรโมชั่น สินค้าขาดสต็อก การกระทำของคู่แข่ง หรือผลิตภัณฑ์ใหม่เป็นสาเหตุของการเปลี่ยนแปลง ควรรวมปัจจัยขับเคลื่อนภายนอกที่เกี่ยวข้อง หรือเลือกใช้แนวทางการสร้างโมเดลที่ครอบคลุมมากขึ้น
- **การวินิจฉัยยังคงมีความจำเป็น:** ความสัมพันธ์อัตโนมัติของค่าคงเหลือที่ยังคงอยู่หมายความว่าโมเดลต้องได้รับการปรับปรุง อย่านำเสนอผลการพยากรณ์ว่าเสร็จสมบูรณ์แล้ว

การตรวจสอบเหล่านี้ทำให้ ARIMA เป็นพื้นฐานที่มีประโยชน์และโปร่งใส แทนที่จะเป็นคำตอบสำเร็จรูปโดยอัตโนมัติ หากโครงสร้างตามฤดูกาลมีบทบาทเด่นชัด ให้ทดสอบ SARIMA หากปัจจัยขับเคลื่อนภายนอกหรือการเปลี่ยนแปลงของรูปแบบมีบทบาทเด่นชัด ให้พิจารณาโมเดลที่สามารถแสดงถึงอิทธิพลเหล่านั้นได้

แพลตฟอร์มสามารถช่วยในการเตรียมข้อมูล เปรียบเทียบวิธีการ พยากรณ์ และตรวจสอบความผิดปกติ โดยยังคงให้ทีมงานเป็นผู้ตัดสินใจในการตรวจทาน **ELECTE ซึ่งเป็นแพลตฟอร์มวิเคราะห์ข้อมูลสำหรับ SME** สามารถทำการประมวลผลข้อมูลเบื้องต้น เลือกโมเดล พยากรณ์ และตรวจสอบความผิดปกติโดยอัตโนมัติผ่าน AI Agent ทีมงานยังสามารถตรวจดู [การพยากรณ์ด้วย AI ผ่าน Electe](https://www.electe.net/post/predict-analytics-using-electe-predicting-feature) ในฐานะส่วนหนึ่งของเวิร์กโฟลว์ที่กว้างขึ้น

### ประเด็นสำคัญ

1. **เริ่มต้นด้วยความพร้อมของข้อมูล:** ยืนยันว่าชุดข้อมูลครบถ้วน เรียงลำดับ และเหมาะสมสำหรับการวิเคราะห์
2. **ทำความเข้าใจ p, d และ q:** ใช้ค่าเหล่านี้เพื่ออธิบายการถดถอยอัตโนมัติ การหาผลต่าง และค่าความผิดพลาดในการพยากรณ์ในอดีต
3. **ตรวจสอบค่าคงเหลือ:** ความสัมพันธ์อัตโนมัติของค่าคงเหลือที่ยังคงอยู่ต้องมีการปรับปรุงโมเดล
4. **ขยายหรือเปลี่ยนวิธีการ:** ใช้ SARIMA สำหรับโครงสร้างตามฤดูกาล และใช้โมเดลที่ครอบคลุมมากขึ้นเมื่อปัจจัยขับเคลื่อนภายนอกหรือการเปลี่ยนแปลงของรูปแบบมีความสำคัญ
5. **เชื่อมโยงการพยากรณ์เข้ากับการตัดสินใจ:** ใช้ช่วงการพยากรณ์ด้วยความระมัดระวัง โดยเฉพาะอย่างยิ่งเมื่อมองไปในอนาคตที่ไกลออกไป

ELECTE ช่วยให้ SME เตรียมข้อมูลธุรกิจ เปรียบเทียบแนวทางการพยากรณ์ สร้างข้อมูลเชิงลึกเชิงคาดการณ์ และตรวจสอบความผิดปกติ โดยไม่จำเป็นต้องสร้างทุกขั้นตอนของการสร้างโมเดลด้วยตนเอง เยี่ยมชม [ELECTE](https://www.electe.net) เพื่อสำรวจการพยากรณ์อัตโนมัติสำหรับข้อมูลยอดขาย สินค้าคงคลัง หรือความเสี่ยง