อธิบาย Residual Plot: วิธีตรวจสมมติฐานของโมเดลการถดถอย

ได้ฟิตโมเดลการถดถอยแล้ว ค่า R^² ก็ดูดี และสัมประสิทธิ์ก็สอดคล้องกับสัญชาตญาณ แต่ตารางสรุปที่ดูสวยงามอาจซ่อนโมเดลที่ระบุรูปแบบผิดอย่างรุนแรงได้ กราฟกระจายเพียงกราฟเดียวที่มักจับสิ่งที่ตัวเลขมองข้ามไปได้คือ residual plot

บทความนี้ครอบคลุมว่า residual plot คืออะไร อ่านอย่างไร แพตเทิร์นแบบไหนที่ควรรู้ และวิธีสร้างทั้งใน Python และ R หลายคนข้ามขั้นตอนการวินิจฉัยไปโดยสิ้นเชิง จบตอนนี้แล้วจะไม่เป็นเช่นนั้น

Residual Plot คืออะไร?

Residual คือช่องว่างระหว่างค่าที่โมเดลทำนายกับสิ่งที่เกิดขึ้นจริง: residual = observed − predicted Residual plot นำช่องว่างเหล่านี้มาแสดง แกน x แสดงค่าที่ทำนาย (fitted) หรือค่าตัวแปรอธิบาย แกน y แสดง residual เส้นอ้างอิงแนวนอนอยู่ที่ศูนย์ แทนการทำนายที่แม่นยำพอดี

จุดกระจายแบบสุ่มรอบศูนย์: residual plot ที่สุขภาพดี ภาพโดยผู้เขียน 

แนวคิดหลัก: หากโมเดลจับความสัมพันธ์ได้ดี residual ควรมีลักษณะเป็นสัญญาณรบกวน กระจายแบบสุ่มรอบศูนย์ ไม่เห็นรูปแบบชัดเจน ทันทีที่ปรากฏเป็นรูปร่าง โมเดลกำลังบอกบางอย่างที่สื่อผ่านสัมประสิทธิ์เพียงอย่างเดียวไม่ได้

วิธีตีความ Residual Plot

มองหาแพตเทิร์น โดยอุดมคติคือไม่ควรมีรูปแบบชัดเจน นั่นคือกฎข้อเดียว สิ่งที่ตำแหน่ง การกระจาย และรูปร่างของ residual เผยให้เห็นคือจุดที่น่าสนใจ

ตำแหน่ง: จุดกระจายอยู่กึ่งกลางที่ศูนย์หรือไม่?

Residual ที่อยู่เหนือศูนย์ในบางช่วงของค่าที่ฟิต และต่ำกว่าในช่วงอื่น หมายถึงโมเดลมีอคติ ทำนายสูงหรือต่ำเกินไปอย่างสม่ำเสมอในบางบริเวณ มักชี้ถึงตัวแปรที่ขาดหายไปหรือความสัมพันธ์ไม่เป็นเส้นตรงที่โมเดลเส้นตรงจับไม่ได้

การกระจาย: ความแปรปรวนคงที่คร่าว ๆ หรือไม่?

กวาดมองจากซ้ายไปขวา หากช่วงกระจายของ residual ใกล้เคียงกันตลอดช่วงค่าที่ฟิต ถือเป็นสัญญาณที่ดี หากจุดพัดกว้างออกเมื่อค่าที่ฟิตเพิ่มขึ้น แสดงว่าความแปรปรวนเปลี่ยนไป นี่เรียกว่า heteroscedasticity ไม่ได้ทำให้ค่าประมาณสัมประสิทธิ์พัง แต่ทำให้ค่า standard error ไม่น่าเชื่อถือ ซึ่งสำคัญหากทำ การทดสอบสมมติฐาน

รูปร่าง: มีเส้นโค้งหรือแนวโน้มหรือไม่?

ต้องการแบบแบนและไร้รูปแบบ โค้งเป็นตัวยูหรือเป็นซุ้มบอกว่าโมเดลขาดเทอมไม่เป็นเส้นตรง กลุ่มหรือแถบชี้ว่ามีอนุประชากรย่อยที่โมเดลปฏิบัติราวกับเป็นกลุ่มเดียว จุดเดียวที่อยู่ห่างจากจุดอื่นมากก็ควรตรวจสอบ

แพตเทิร์น Residual Plot ที่พบบ่อยและความหมาย

สี่แพตเทิร์นของ residual plot ที่ส่งสัญญาณปัญหาโมเดล ภาพโดยผู้เขียน

การกระจายแบบสุ่มรอบศูนย์

ผลลัพธ์ที่ดี จุดกระจายโดยคร่าว ๆ เหนือและใต้เส้นศูนย์อย่างเท่า ๆ กัน ไม่มีแนวโน้มที่เห็นชัด โดยทั่วไปบ่งชี้ว่าโมเดลจับความสัมพันธ์ได้ค่อนข้างดี ความสุ่มบางส่วนเป็นเรื่องปกติ

รูปแบบโค้ง

รูปโค้งหรือรูปซุ้มโดยมากหมายถึงความสัมพันธ์ไม่เป็นเส้นตรงที่ไม่ได้ใส่ลงในโมเดล โมเดลกำลังฟิตเส้นตรงผ่านข้อมูลที่โค้ง วิธีแก้โดยทั่วไปคือเพิ่มเทอมพหุนาม (เช่น x^²) หรือแปลงตัวแปรทำนาย นี่เป็นแพตเทิร์นที่พบได้บ่อย โดยเฉพาะเมื่อจำลองสิ่งอย่างเช่นราคาบ้านหรือการเติบโตทางชีวภาพ

รูปกรวยหรือพัด

Residual กระจายกว้างขึ้นเมื่อค่าที่ฟิตเพิ่มขึ้น: นั่นคือ heteroscedasticity ความแปรปรวนไม่คงที่ พบได้ทั่วไปในข้อมูลการเงินที่ความคลาดเคลื่อนของการทำนายเพิ่มตามขนาดผลลัพธ์ การแปลงลอการิทึมของตัวแปรตอบสนองมักเป็นก้าวแรกที่เหมาะสม อีกทางเลือกคือ weighted least squares

คลัสเตอร์หรือกลุ่ม

กลุ่มที่เห็นได้ชัดใน residual plot มักหมายถึงข้อมูลมีอนุประชากรย่อยที่โมเดลยังไม่คำนึงถึง น่าจะมีตัวแปรเชิงประเภท (ภูมิภาค กลุ่มการรักษา ประเภทสินค้า) ที่ควรอยู่ในโมเดล หากเห็นเป็นแถบแน่น ๆ สองหรือสามแถบ ให้เริ่มจากจุดนั้น

Residual ขนาดใหญ่ที่โดดเดี่ยว

จุดเดียวที่อยู่ห่างจากจุดอื่นมากสมควรแก่การตรวจสอบ อาจเป็น outlier จริง ข้อมูลพิมพ์ผิด หรือการสังเกตที่มีลักษณะผิดปกติ อย่าลบออกอัตโนมัติ ทำความเข้าใจก่อน จะเก็บหรือเอาออกขึ้นอยู่กับบริบท ไม่ใช่ความสะดวก

สำหรับแต่ละแพตเทิร์น residual plot ระบุอาการ ไม่ใช่การวินิจฉัย มันบอกว่ามีบางอย่างผิด แต่ต้องหาต่อว่าเพราะอะไร

Residual Plot ตรวจสมมติฐานการถดถอยอะไรได้บ้าง?

เมื่อเข้าใจแพตเทิร์นแล้ว ควรชัดเจนว่าวิธีนี้ตรวจสมมติฐานใดได้และไม่ได้

• ความเป็นเชิงเส้น: หากความสัมพันธ์ระหว่างตัวทำนายและผลลัพธ์เป็นเส้นตรงจริง เมื่อพล็อต residual เทียบกับค่าที่ฟิตควรไม่เห็นแนวโน้ม เส้นโค้งหรือซุ้มเป็นสัญญาณเชิงภาพโดยตรงว่าความเป็นเชิงเส้นไม่ถือ
• ความแปรปรวนคงที่: รูปแบบกรวยคือหน้าตาของ heteroscedasticity เป๊ะ หากการกระจายเพิ่มตามค่าที่ฟิต แปลว่าละเมิดความแปรปรวนเท่ากัน กราฟ residuals-vs-fitted เป็นเครื่องมือที่พบบ่อยที่สุดในการจับสิ่งนี้
• ความเป็นอิสระ: หากการสังเกตมีลำดับธรรมชาติ (เวลา พื้นที่ คลัสเตอร์ของบุคคล) สามารถพล็อต residual เทียบกับลำดับนั้นเพื่อตรวจแพตเทิร์น Residual ที่มีแนวโน้มในกราฟเรียงตามเวลาบ่งชี้การอัตสหสัมพันธ์ กราฟ residuals-vs-fitted ธรรมดาอาจไม่เผยสิ่งนี้ ต้องใช้กราฟ residuals-vs-order โดยเฉพาะ
• ค่าผิดปกติและการสังเกตที่มีอิทธิพล: Residual ขนาดใหญ่ที่โดดเดี่ยวคือธงเตือนการสังเกตที่โมเดลทำนายได้แย่ สำหรับ “อิทธิพล” โดยเฉพาะ คือการสังเกตที่ดึงเส้นถดถอยมากเกินไป กราฟ Residuals vs. Leverage ให้ข้อมูลมากกว่ากราฟ residual พื้นฐาน

สิ่งหนึ่งที่ residual plot ประเมินได้ไม่แม่นคือการเป็นปกติ กราฟ residuals-vs-fitted ที่แบนไม่ได้ยืนยันว่า error กระจายแบบปกติ สำหรับนั้นต้องใช้ Q-Q plot นี่เป็นความสับสนที่พบบ่อย ควรรู้ให้ชัด

วิธีสร้าง Residual Plot ใน Python

เวิร์กโฟลว์มาตรฐานใช้ scikit-learn เพื่อฟิตโมเดลและคำนวณ residual จากนั้นใช้ matplotlib เพื่อสร้างภาพ ต่อไปนี้เป็นตัวอย่างครบถ้วนด้วยการถดถอยเชิงเส้นอย่างง่ายกับข้อมูลราคาบ้าน:

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression

# Sample data: square footage predicting home price
sqft = np.array([800, 1000, 1200, 1500, 1800, 2000, 2200, 2500, 3000, 3500])
price = np.array([150, 180, 210, 260, 300, 330, 370, 420, 500, 560])

# Reshape for sklearn and fit the model
X = sqft.reshape(-1, 1)
model = LinearRegression()
model.fit(X, price)

# Generate predictions and calculate residuals
predicted = model.predict(X)
residuals = price - predicted

# Plot residuals against fitted values
plt.figure(figsize=(8, 5))
plt.scatter(predicted, residuals, color='steelblue', edgecolors='white', s=80)
plt.axhline(y=0, color='red', linestyle='--', linewidth=1.2)
plt.xlabel('Fitted Values')
plt.ylabel('Residuals')
plt.title('Residual Plot')
plt.tight_layout()
plt.show()

บรรทัดสำคัญคือ residuals = price - predicted คำสั่ง axhline() เพิ่มเส้นอ้างอิงศูนย์ หากไม่มีจะอ่านกราฟยากขึ้น หากผลลัพธ์ดูไร้รูปแบบโดยคร่าว ๆ ก็ถือว่าอยู่ในเกณฑ์ดี สังเกตว่า residual มีแนวโน้มใหญ่ขึ้นที่ค่าที่ฟิตสูงกว่า ด้วยจุดเพียง 10 จุดอาจสรุปยาก แต่เป็นสัญญาณรูปพัดอย่างที่กล่าวไว้ก่อนหน้า

สำหรับรายละเอียดเชิงลึกเกี่ยวกับการถดถอยใน Python คอร์ส Introduction to Regression with statsmodels in Python ของเรา ครอบคลุมการฟิตโมเดล การตรวจสมมติฐาน และการตีความอย่างละเอียด

วิธีสร้าง Residual Plot ใน R

R ทำได้ง่ายขึ้นเล็กน้อยตั้งแต่แรกเริ่ม เมื่อฟิตโมเดลด้วย lm() แล้ว ฟังก์ชัน plot() ที่มีมาให้จะสร้างแผงวินิจฉัยเต็มชุด รวมถึงกราฟ residuals-vs-fitted โดยอัตโนมัติ

# Same housing data in R
sqft <- c(800, 1000, 1200, 1500, 1800, 2000, 2200, 2500, 3000, 3500)
price <- c(150, 180, 210, 260, 300, 330, 370, 420, 500, 560)

# Fit the model and view diagnostics
housing_model <- lm(price ~ sqft)
plot(housing_model, which = 1) # which = 1 gives residuals vs. fitted

อาร์กิวเมนต์ which = 1 ดึงเฉพาะกราฟ residuals-vs-fitted หากละไว้จะได้กราฟวินิจฉัยมาตรฐานสี่แบบ: residuals vs. fitted, Q-Q, scale-location และ residuals vs. leverage มีประโยชน์เมื่ออยากเห็นภาพรวมอย่างรวดเร็ว R ยังใส่คำกำกับสามจุดสุดโต่งที่สุดตามดัชนี ช่วยประหยัดเวลาค้นหา outlier ด้วยมือ

สำหรับบทเรียนเต็มเกี่ยวกับการถดถอยใน R คอร์ส Introduction to Regression in R ของเราครอบคลุมการสร้างโมเดลและการวินิจฉัยตั้งแต่พื้นฐาน

Residual Plot เทียบกับกราฟวินิจฉัยการถดถอยอื่น

กราฟ residuals-vs-fitted เป็นจุดเริ่ม ไม่ใช่ภาพรวมทั้งหมด กราฟที่เกี่ยวข้องบางแบบตอบคำถามต่างกัน

Residual plot เทียบกับ Q-Q plot

Residuals-vs-fitted ใช้ตรวจความเป็นเส้นตรงและความแปรปรวนคงที่ ส่วน Q-Q plot ตรวจการเป็นปกติ ว่า residual กระจายแบบปกติหรือไม่ เป็นคนละคำถาม Residual plot ที่ดูสะอาดไม่ได้รับประกันความเป็นปกติ และ Q-Q plot ก็ไม่บอกอะไรเกี่ยวกับความแปรปรวน โดยทั่วไปควรดูทั้งคู่

สองกราฟต่างกัน ตอบสองคำถามต่างกันเกี่ยวกับโมเดลของคุณ ภาพโดยผู้เขียน

Residual plot เทียบกับ scale-location plot

Scale-location plot (หรือ spread-location) พล็อตรากที่สองของค่าสัมบูรณ์ของ standardized residual เทียบกับค่าที่ฟิต ออกแบบมาเพื่อจับ heteroscedasticity และมักทำให้รูปกรวยเห็นได้ชัดกว่ากราฟ residual ดิบ เพราะตัดสัญญาณบวก/ลบออกและโฟกัสที่การกระจายล้วน ๆ

Residual plot เทียบกับ residuals vs. leverage plot

Leverage วัดว่าค่าตัวทำนายของการสังเกตนั้นผิดปกติเพียงใด ไม่ใช่ว่าโมเดลทำนายมันแย่เพียงใด Leverage สูงผสานกับ residual ใหญ่คือการสังเกตที่อาจมีอิทธิพล กราฟ residuals-vs-leverage ระบุการผสมผสานเหล่านี้และมักไฮไลต์จุดที่มีปัญหาที่สุดตามชื่อ หากกังวลว่าการสังเกตที่มีอิทธิพลบิดเบือนโมเดล ให้ตรวจกราฟนี้

ควรทำอย่างไรเมื่อ Residual Plot ชี้ปัญหา

Residual plot เป็นเครื่องมือวินิจฉัย ไม่ใช่คำตัดสิน การเห็นแพตเทิร์นไม่ได้หมายความว่าโมเดลใช้ไม่ได้ ต่อไปนี้คือการแมปแพตเทิร์นที่พบบ่อยกับขั้นตอนถัดไป:

• รูปแบบโค้ง: พิจารณาเพิ่มเทอมพหุนามหรือแปลงตัวทำนาย การแปลง log ของ x หรือเพิ่มเทอม x² มักช่วยให้เป็นเส้นตรงขึ้น
• รูปกรวย: ลองแปลงตัวแปรตอบสนองเป็นลอการิทึมหรือรากที่สอง หากยังไม่เวิร์ก ใช้ weighted least squares เพื่อลดอิทธิพลของการสังเกตที่มีเสียงรบกวนสูง
• Residual ใหญ่โดดเดี่ยว: ตรวจสอบการสังเกตนั้นก่อน เช็คข้อผิดพลาดการป้อนข้อมูลก่อน หากจุดนั้นถูกต้อง พิจารณาว่าโมเดลต้องคำนึงถึงสิ่งที่ทำให้มันผิดปกติหรือไม่
• คลัสเตอร์หรือกลุ่ม: มองหาตัวแปรเชิงประเภทที่ยังไม่ใส่ บางครั้งการสร้างโมเดลแยกตามอนุกรุ๊ปคือคำตอบที่ถูกต้อง

Residual plot แสดงอาการ ไม่บอกสาเหตุที่แท้จริง และแพตเทิร์นเดียวกันอาจมีคำอธิบายหลายแบบ ใช้มันเป็นตัวกระตุ้นให้ตั้งคำถามที่ดีขึ้น

ข้อผิดพลาดที่พบบ่อยเมื่ออ่าน Residual Plot

• คาดหวังกราฟที่สุ่มสมบูรณ์แบบ: ข้อมูลจริงนั้นรก มีจุดที่ไม่สอดคล้องเล็กน้อย ความไม่สมมาตรเล็กน้อย การกระจุกที่ปลาย: เป็นเรื่องปกติ คำถามไม่ใช่ว่ากราฟสุ่มสมบูรณ์แบบหรือไม่ แต่คือมีรูปแบบเชิงระบบที่โมเดลที่ดีกว่าจะกำจัดได้หรือไม่
• คิดว่าทุก outlier คือข้อมูลแย่: Residual ใหญ่หมายถึงโมเดลทำนายการสังเกตนั้นได้แย่ ไม่ได้หมายความว่าการสังเกตผิด บางครั้ง outlier คือจุดข้อมูลที่น่าสนใจที่สุด ลบออกก็ต่อเมื่อเข้าใจว่ามันคืออะไร
• คิดว่า residual plot พิสูจน์ความเป็นปกติ: ไม่ใช่ กราฟ residuals-vs-fitted บอกเรื่องความเป็นเส้นตรงและความแปรปรวนคงที่ ความเป็นปกติต้องใช้ Q-Q plot กราฟสองแบบนี้เกื้อหนุนกัน แทนกันไม่ได้
• ดูกราฟโดยไม่คำนึงบริบท: Residual plot จากโมเดลอนุกรมเวลาต้องอ่านต่างจากข้อมูลภาคตัดขวาง สิ่งที่น่ากังวลขึ้นกับโครงสร้างข้อมูล ขนาดตัวอย่าง และวัตถุประสงค์ของโมเดล แพตเทิร์นที่ควรแก้ในโมเดลพยากรณ์อาจเพิกเฉยได้ในการวิเคราะห์เชิงสำรวจ

สรุป

ฟิตโมเดล ตรวจสรุป รู้สึกดีกับ R^²: หลายคนหยุดแค่นี้ Residual plot คือสิ่งที่ดูต่อจากนั้น และมักเล่าเรื่องอีกแบบ สิ่งที่ต้องการคือการกระจายแบบสุ่มรอบศูนย์ เส้นโค้ง รูปกรวย คลัสเตอร์ และจุดโดดเดี่ยวสุดขั้ว ล้วนบอกใบ้ว่ามีบางอย่างที่โมเดลยังไม่คำนึง

ไม่มีกราฟใดให้ภาพรวมทั้งหมด จับคู่กราฟ residuals-vs-fitted กับ Q-Q plot เพื่อตรวจความเป็นปกติ กับ scale-location plot เพื่อตรวจความแปรปรวน และ leverage plot หากกังวลการสังเกตที่มีอิทธิพล แต่ละกราฟตอบคำถามต่างกัน

หากต้องการไปไกลกว่านี้ คอร์ส Intermediate Regression with statsmodels in Python ของเราครอบคลุมการตรวจสมมติฐานอย่างลึก รวมถึงวิธีตอบสนองเมื่อการวินิจฉัยชี้ปัญหา สำหรับพื้นฐานกว้าง ๆ ของสมมติฐานการถดถอยและการประเมินโมเดล บทความ Assumptions of Linear Regression in Python เป็นการอ่านถัดไปที่เหมาะสม