Correlation ไม่เท่ากับ Causation! เข้าใจโมเดลเชิงสาเหตุแบบง่าย ๆ

Causal Modeling คืออะไร?

Causal Modeling คือกระบวนการวิเคราะห์เพื่อหาว่า “อะไรเป็นเหตุ” และ “อะไรเป็นผล” ในข้อมูล เช่น แทนที่จะดูแค่ว่าปัจจัย A กับ B มีความสัมพันธ์กันไหม (correlation) เราต้องการรู้ว่า A ทำให้เกิด B หรือเปล่า (causation)

ตัวอย่างง่าย ๆ [🍦vs ☀️]

• Correlation: พบว่าคนที่กินไอศกรีมบ่อย มีโอกาสจมน้ำมากขึ้น
  แต่จริง ๆ แล้วไม่ใช่ไอศกรีมที่ทำให้คนจมน้ำ — เพราะทั้งสองอย่างมักเกิดในฤดูร้อน
  (คือมีปัจจัยร่วมที่ชื่อว่า “ฤดูร้อน” หรือ confounder)
• Causal Thinking: ต้องถามว่า “ถ้าคนไม่กินไอศกรีม จะมีผลต่อโอกาสจมน้ำหรือไม่?”
  ถ้าไม่มี = ไอศกรีมไม่ใช่สาเหตุ

Causal Modeling ต่างจาก Machine Learning ยังไง?

เทคนิคที่ใช้ใน Causal Modeling

1. Randomized Controlled Trials (RCT)
   • การทดลองแบบควบคุม เช่น ทดลองให้กลุ่มหนึ่งได้เห็นโฆษณา อีกกลุ่มไม่เห็น
   • ดูผลต่างของพฤติกรรมเพื่อสรุปว่า “โฆษณามีผลจริงหรือไม่”
2. Causal Graphs (เช่น DAG: Directed Acyclic Graph)
   • ใช้แผนภาพเชื่อมโยงระหว่างตัวแปร เพื่อดูความสัมพันธ์เชิงสาเหตุ
   • เช่น A → B → C แปลว่า A ส่งผลต่อ B แล้วส่งผลต่อ C
3. Do-Calculus (จากงานของ Judea Pearl)
   • ใช้เพื่อจำลองสถานการณ์ “ถ้าทำสิ่งนี้ จะเกิดอะไรขึ้น”
   • เช่น “ถ้าเราลดราคา จะทำให้ยอดขายเพิ่มขึ้นไหม?”
4. Propensity Score Matching / Instrumental Variables
   • ใช้ในกรณีที่ไม่สามารถทำการทดลองได้ เช่นในธุรกิจจริง
   • หาวิธีปรับข้อมูลให้เหมือนกับการทดลองแบบสุ่ม

สรุป

• Causal Modeling คือเครื่องมือวิเคราะห์ “เหตุและผล” ไม่ใช่แค่ความสัมพันธ์
• สำคัญมากในโลกธุรกิจและนโยบาย เช่น “แคมเปญนี้ทำให้ยอดขายเพิ่มขึ้นจริงหรือเปล่า?”
• แตกต่างจากการทำนาย เพราะเน้น ความเข้าใจเชิงลึก เพื่อช่วยตัดสินใจอย่างถูกต้อง

Blog นี้ เขียน ✍🏼 ร่วมกับ ChatGPT โดยใช้ Prompt

หากคุณเป็นนักวิทยาศาสตร์ข้อมูล ช่วยอธิบาย Casual Modeling ใน Data Science ให้เข้าใจแบบง่ายๆด้วยครับ