I-See-Econ

- โจทย์การบ้าน Machine Learning (CS229) จาก Stanford U. เหมือนกับโจทย์ Implied Volatility ของเพจ I-SEE-ECON แบบสำเนาถูกต้อง ...
- โจทย์การบ้าน CS229 ข้อแรกให้ใช้ Newton Method แก้ปัญหา Least Squares Problem โดยเริ่มจากคำนวณ Hessian Matrix แล้วจงพิสูจน์ว่าแค่เพียงรอบเดียว คำตอบที่ได้จากสมการนี้ตรงกับ Closed Form Solution แค่อ่านโจทย์มึนหรือยังจ้ะเด็กๆ ... แต่ไม่ต้องห่วงนะ ใครที่ติดตามเพจมาตั้งแต่แรก บอกเลยว่า เหมือนกับโจทย์ Implied Volatility ที่เพจเคยทำเลยจ้า แม่นยังกะแม่หมอ ...
- ขอดับฝันคอมเมนต์ที่จะบอกว่า "ไม่เห็นมีอะไรแปลก ก็แค่หลักการทั่วไป" ปิ๊งป่อง ถูกต้องจ้า สิ่งที่เพจจะนำเสนอคือ ทุก Tools มีหลักการทำงานเหมือนกัน ไม่ว่าจะเป็น BI, Tableau, Excel, Python, Pandas, GGPlot ยกมาให้หมดทุกสถาบัน แถม Altair, D3 ด้วย ดังนั้น ถ้าใครเข้าใจหลักการ Data Sci อย่างถ่องแท้ จะไม่มีคำถามว่าใช้ Tools ไหนดี

อยากมาเป็นส่วนหนึ่งของลัทธิแม่หมอ เอ้ย Community เข้ามาได้สองช่องทางดังนี้

ช่องทางแรก: Public Facebook Group (DATA-MARKETPLACE ถามตอบโจทย์ Data, Economics, Finance, Business)
https://www.facebook.com/groups/2143660032741755

ช่องทางสอง: Data Marketplace Discord Group (URL มีอายุ 7 วันโดยแอดมินจะอัพเดทในโพสนี้เรื่อยๆนะ)
https://discord.gg/pMbkqddn

URL โจทย์เผื่อใครอยากทำเอง ปรบมือสิรออะไร:https://see.stanford.edu/materials/aimlcs229/problemset1.pdf

- อวสาน ... สำหรับสาย Data (อีกแล้วหรอ เห็นมีทุกกลุ่ม เต็มหน้าฟีด) พร้อมกับ Checklist ความเข้าใจวิชาสถิติขั้นพื้นฐาน ใครตอบไม่ได้ รีบไปทบทวนแบบด่วนๆ
- ใครอยากเก็ท มุก (แป๊ก) ของสายอวสานเหล่านี้ ทางเพจได้สรุปเนื้อหาสถิติแบบรวบรัดจัดเต็ม ตั้งแต่ EP 1 (Endogeneity) จนไปถึง EP 4 (Standard Errors) URL สำหรับความรู้แน่นๆ แอดแปะให้แล้วข้างล่างนี้
- EP 1: Endogeneity คู่กัดประจำสาย Data https://www.facebook.com/share/p/1B5Uh2BWV6/
- EP 2: Instrumental Variable เจ้าได้อินไซต์แต่ไรมา https://www.facebook.com/share/p/17ZPdXTQkM/
- EP 3: Difference-in-Difference เทคนิคยอดฮิตที่ไม่ควรพลาด https://www.facebook.com/share/p/1BVbgjRoxg/
- EP 4: Hypothesis Testing ทักษะสำหรับใครที่อยากน้อยแต่มาก เรียบแต่โก้ ไฮแฟชั่น https://www.facebook.com/share/p/1Cb6j1SJ8n/

เข้าร่วม Community เสริมความรู้อัพสกิลได้ที่
1. https://www.facebook.com/groups/2143660032741755
2. https://discord.gg/2WeQmepm

- หนึ่งในทักษะสำคัญ (Key Skills) ของ Data Analyst / Data Scientist คือ การตัดสินใจบนพื้นฐานข้อมูล เพราะ การเรียน Tools อย่างเดียวไม่สามารถทำให้คุณเป็น Data Scientist ได้ ถ้าขาดความรู้พื้นฐานสถิติที่เพียงพอ
- เพื่อทดสอบทักษะสถิติของ Candidates แอดเลยจำลองสถานการณ์การลงทุนในบริษัทเป็นมิตรต่อสิ่งแวดล้อม (Green Firms) เพื่อ หาแนวทางการทดสอบสมมติฐานที่เหมาะสม ลักษณะโจทย์ คือ วิเคราะห์ถูก/ผิดสำหรับแต่ละแนวทางที่ Data Scientist (ตัวจริงหรือปลอม) ที่นำเสนอมา
- ถ้าจะให้ดี ลองช่วยกันคิดเป็นกลุ่มดู ทางเราก็มี Community ที่สามารถถกเถียงกันได้อิสระโดยไม่มีสแปมมากวนใจ
ช่องทางแรก Facebook Group
https://www.facebook.com/groups/2143660032741755
ช่องทางสอง Discord Group
https://discord.gg/zkHBsFPx

(P.S. ขอไม่ตอบคอมเมนต์ที่บอกว่า Data Scientist ทำอย่างอื่นนอกจากทดสอบสมมติฐาน เพราะ ข้อนี้วัดเพียงแค่ทักษะเดียว และ ไม่ใช่การสัมภาษณ์แบบตัวต่อตัว)

- ฝึกวิเคราะห์โจทย์ Data Science จากสถานการณ์จริงด้วยข้อมูลจากบริษัทแพลตฟอร์มแห่งหนึ่ง เมื่อต้องการทราบว่านโยบายคนละครึ่งที่ผ่านมาได้ผลจริงหรือไม่ จงนำเสนอ METRICS หรือมาตรวัดจากข้อมูลเพื่อตอบปัญหาดังกล่าว (ดัดแปลงจากข้อสอบหลายสำนักที่ไม่ได้วัดแค่ทักษะการเขียนโค้ด แต่ อยากให้ candidate เขียนบรรยายตอบด้วย)
- Hint: ส่วนตัวถ้าเจอโจทย์ลักษณะนี้ จะคิดคำตอบที่ง่ายที่สุดออกมาก่อน (อย่างน้อยก็ให้มีส่ง) เช่น เขียน psuedocode SQL สรุปค่า Mean ของ weekly sales GROUPED BY Half-Half Status แล้วค่อยมาวิเคราะห์ว่าคำตอบนี้เป็น Metric ที่ตอบโจทย์บริษัทหรือยัง ถ้าไม่ เราจะต้องทำอะไรเพิ่มเติม
- ถ้าจะให้ดี ลองช่วยกันคิดเป็นกลุ่มดู ทางเราก็มี Community ที่สามารถถกเถียงกันได้อิสระโดยไม่มีสแปมมากวนใจ
ช่องทางแรก Facebook Group
https://www.facebook.com/groups/2143660032741755
ช่องทางสอง Discord Group
https://discord.gg/zkHBsFPx

- DATA SCI IN ACTION: ประเมินผลลัพธ์ทางธุรกิจจากนโยบายคนละครึ่ง จาก Data ของ Lineman Wongnai ด้วยทักษะ 3 กลุ่มสำคัญ นั่นคือ Econometrics, Data Visualization และ Domain Knowledge
- ผู้เขียนได้ใช้วิธีการทางสถิติอย่าง Difference-in-Difference (ซึ่งเป็นวิธีการที่เพจเคยสอนอย่างละเอียดแล้ว) ในการสรุปข้อมูลออกมาเป็น Data Visualization ที่สามารถให้ Insight ทางธุรกิจและนโยบายโดยใช้ข้อมูลจาก Lineman Wongnai เป็นการผสมผสานระหว่าง Data Science และ ความรู้ทางเศรษฐศาสตร์ได้อย่างลงตัว
- Source: Muthitacharoen, A. (2023). Digital Fiscal Stimulus and SMEs: Insights from Thailand's Half and Half Program (No. 10711). CESifo Working Paper.

P.S. อ่านเปเปอร์นี้แล้วอยากจะให้คิดต่อในฐานะ Data Scientist เช่น ถ้านำนโยบายนี้มาใช้อีกรอบแล้ว ประสิทธิผลต่อธุรกิจจะเหมือนหรือแตกต่างจากเดิมมั้ย ลองพิจารณายอดขายที่เกิดจากลูกค้าใหม่ และ ลูกค้าเก่า

สามารถเข้ามาเรียนรู้ Data Sci เพิ่มเติมในกลุ่ม Facebook และ Discord ที่อยู่ในโพสปักหมุดของเพจได้เลย

- สรุปเนื้อหาหนังสือ ค่ายน้ำเงิน Introductory Econometrics (Wooldridge) ตอน Omitted Variable Bias กับดักที่ Data Scientist พึงระวัง
- หลังจากเรียนรู้เนื้อหา Econometrics กันไปแล้ว สมมติว่า ค่าจ้างขึ้นอยู่กับปัจจัยการศึกษาและความสามารถ แต่ ดันเก็บ Data ได้แค่ค่าจ้างและการศึกษา (เช่น การวัดความสามารถต้องลงทุนทำแบบทดสอบ IQ เพิ่ม เป็นต้น) จะทำให้ผลลัพธ์ที่ได้ผิดเพี้ยนไปอย่างไร
- ปัญหา Omitted Variable Bias เห็นอยู่ทั่วไปในแวดวงธุรกิจ เช่น สำหรับการตลาด y = ยอดการสั่งซื้อ และ x = Promotion Campaign และ สำหรับการเงิน y = ผลตอบแทนกองทุน และ x = Active หรือ Passive Fund แล้วผลลัพธ์ทางสถิติจะเปลี่ยนไปอย่างไร

เปิดให้ Discuss ปัญหา Data, Econ และ Stat ได้ผ่านช่องทางต่อไปนี้
ช่องทางแรก: Public Facebook Group (DATA-MARKETPLACE ถามตอบโจทย์ Data, Economics, Finance, Business)
https://www.facebook.com/groups/2143660032741755
ช่องทางสอง: Data Marketplace Discord Group (URL มีอายุ 7 วันโดยแอดมินจะอัพเดทในโพสนี้เรื่อยๆนะ)
https://discord.gg/g4nM5Mr4

- หนังสือติดบ้านของชาว Data Scientist เพื่ออัพสกิล Basic Econometrics ได้แก่ Stock and Watson, Wooldridge และเล่มอื่นๆที่น่าสนใจ เป็นหนังสือที่คณะ Business/Econ ใช้เรียนวิชาสถิติกันตั้งแต่ป.ตรีปี2 ขึ้นไป
- ได้เรียนรู้อะไรจากเล่มนี้ ? หลังจากอ่านเล่มนี้จบจะมองปัญหาแทบทุกอย่างออกมาในรูป Regression โดยผู้แต่งเริ่มด้วยการทบทวนสถิติพื้นฐาน (Probability, Hypothesis Testing, Regression) แล้วจะค่อยๆหยอด Practical Issues ในการใช้สถิติเพื่อตอบปัญหาด้านเศรษฐศาสตร์หรือธุรกิจ อ่านแต่ละบทจะเหมือนนำเสนอคนละโมเดล แต่ถ้าอ่านจบจะมองภาพรวมแล้วจะเห็นความเชื่อมโยงของแต่ละโมเดล
- ยกตัวอย่างให้เห็นภาพง่ายๆ แค่จะตอบคำถามว่าโปรโมชั่นช่วยเพิ่มยอดการสั่งซื้อมั้ย เราจะทดสอบสมมติฐานอย่างไร ต้องใช้ OLS Standard Errors, HC หรือ HAC ซึ่งแต่ละแบบอาจจะให้ผลลัพธ์การตัดสินใจไม่เหมือนกัน ...

ถ้าใครอยากจะ self-study ผมว่าเริ่มจากเล่มใดเล่มหนึ่งได้ (สีแดง/น้ำเงินยึดตามสีปกนะจ้ะ ไม่ใช่พรรคการเมือง) แล้วถ้ามีคำถาม ส่งมาที่ Community ได้เลย

ช่องทางแรก: Public Facebook Group (DATA-MARKETPLACE ถามตอบโจทย์ Data, Economics, Finance, Business)
https://www.facebook.com/groups/2143660032741755
ช่องทางสอง: Data Marketplace Discord Group (URL มีอายุ 7 วันโดยแอดมินจะอัพเดทในโพสนี้เรื่อยๆนะ)
https://discord.gg/ht9MPUw6

- ช่วงนี้มีน้องๆทักมาถามเรื่องการสร้างโปรไฟล์ การทำโปรเจค และ การเรียนต่อมาหลายคน ถ้าอยากให้คิดโปรเจคแบบเร็วๆและ HR น่าจะสนใจ ผมว่าน่าจะเป็นเรื่องการเมืองครับ
- Data Sci Recreation EP. 2: เมื่อแดงรวมน้ำเงินได้ม่วง แล้ว Machine Learning (ML) รวมกับ Econ แล้วจะได้อะไร ? ทดสอบทักษะการใช้ LLM, การวิเคราะห์ใน domain knowledge (Econ) และทักษะ Soft Skills ที่ทุกคนเรียกหา
- Paper: Gottlieb, J. (2015). The logic of party collusion in a democracy: Evidence from Mali. World Politics, 67(1), 1-36.

ใครอยากมาจอยกิจกรรมม่วนๆ ร่วม community ได้สองช่องทาง
ช่องทางแรก: Public Facebook Group (DATA-MARKETPLACE ถามตอบโจทย์ Data, Economics, Finance, Business)
https://www.facebook.com/groups/2143660032741755
ช่องทางสอง: Data Marketplace Discord Group (URL มีอายุ 7 วันโดยแอดมินจะอัพเดทในโพสนี้เรื่อยๆนะ)
https://discord.gg/ht9MPUw6

- Econometrics for Data Science EP. 4: Hypothesis Testing ทักษะสำคัญที่จะทำให้คุณ "น้อยแต่มาก เรียบแต่โก้ ไฮแฟชั่น"
- Hypothesis Testing -> Data-Driven Decision Making การหา Insights จากข้อมูลต้องอาศัยทักษะสถิติ การทดสอบสมมติฐาน เช่น ออกโฆษณาแล้วสินค้าขายดีขึ้นมั้ย, ลงทุนในบริษัทนี้มีความเสี่ยงเป็นอย่างไรเมื่อเทียบกับตลาด และ A.I. มีผลอย่างไรต่อลูกจ้าง และ ผู้ประกอบการ
- Standard Errors ถือเป็น Keyword สำคัญในการตัดสินใจบนข้อมูล ซึ่งปัญหาที่ Data Scientist ไม่ควรละเลย ประกอบด้วย Heteroskedasticity และ Serial Correlation เตือนแล้วนะ !
- อ่านบทความเต็มได้ที่ วิสารทวรากูล ก. (2025). Standard Error เครื่องมือ
ชี้ชะตาในการตัดสินใจโดยใช้ข้อมูล. เศรษฐสาร. https://setthasarn.econ.tu.ac.th/blog/detail/720

Data Science Community
ช่องทางแรก: Public Facebook Group (DATA-MARKETPLACE ถามตอบโจทย์ Data, Economics, Finance, Business)
https://www.facebook.com/groups/2143660032741755
ช่องทางสอง: Data Marketplace Discord Group (URL มีอายุ 7 วันโดยแอดมินจะอัพเดทในโพสนี้เรื่อยๆนะ)
https://discord.gg/ht9MPUw6

- คำถามยอดฮิตในช่วงนี้: ขอคำปรึกษาจากพี่ๆหน่อยว่าจะทำงาน DATA ต้องเรียนรู้เรื่องอะไรบ้าง มีแหล่งการเรียนรู้แนะนำไหม
- โพสนี้ได้รวบรวมคำตอบที่จำเป็นสำหรับสายงาน DATA ไว้ทั้งหมดแล้ว เพื่อให้เข้าใจง่ายจะแบ่งเป็น 3 Levels: Level 1 คือ ฝึกมองปัญหาด้วยทักษะคณิตศาสตร์ จนไปถึง Level 3 ที่มีทั้ง Stat Inference และ Stat Modeling ถือเป็นวิชาแก่นของสถิติ
- ต่อไปนี้ถ้าลูกเพจคนไหนเจอคำถามลักษณะเดียวกันนี้อีก สามารถ refer มาที่โพสนี้ได้เลยครับ สรุปแก่นแท้อ่านไม่ถึง 2 นาทีน่าจะเข้าใจได้ไม่ยาก ส่วนตัวอยากให้ Community ของไทยมีคำถามหลากหลายขึ้น เช่น อยากทดสอบสมมติฐานแบบนี้ ใช้ค่าสถิติตัวไหนทดสอบ หรือ แม้กระทั่งช่วยแกะสูตร IV, DiD ก็ยังได้ ส่วนตัวอยากเห็นทุกคนช่วยกันเรียนรู้และพัฒนาไปด้วยกันนะ

Data Science Community:
ช่องทางแรก: Public Facebook Group (DATA-MARKETPLACE ถามตอบโจทย์ Data, Economics, Finance, Business)
https://www.facebook.com/groups/2143660032741755
ช่องทางสอง: Data Marketplace Discord Group (URL มีอายุ 7 วันโดยแอดมินจะอัพเดทในโพสนี้เรื่อยๆนะ)
https://discord.gg/w6RGx2Hu