Confidence Interval

นิยามแบบเข้าใจง่าย

ช่วงความเชื่อมั่น (Confidence Interval หรือ CI) คือช่วงของตัวเลขที่เราคำนวณจากข้อมูลตัวอย่าง เพื่อบอกว่า "ค่าจริงของประชากร" (parameter) ที่เราไม่รู้ มีโอกาสสูงที่จะตกอยู่ในช่วงนี้ ด้วยระดับความเชื่อมั่นที่กำหนด เช่น 95%

พูดแบบคนทำร้านออนไลน์: ถ้าคุณทดสอบยิงแอด 2 แคมเปญ แล้วเห็นว่าแคมเปญ A ได้ ROAS 3.2 ส่วนแคมเปญ B ได้ ROAS 2.9 — คุณยัง สรุปไม่ได้ทันที ว่า A ดีกว่า เพราะตัวเลข 3.2 กับ 2.9 อาจแกว่งได้ตามความสุ่ม CI จะบอกคุณว่า "ROAS จริงของ A อยู่ระหว่าง 2.7–3.7 และของ B อยู่ระหว่าง 2.4–3.4 ด้วยความเชื่อมั่น 95%" — ถ้าสองช่วงนี้ทับกัน แปลว่ายัง ไม่มั่นใจพอ ที่จะบอกว่า A ชนะจริง

เปรียบเทียบให้เห็นภาพ

ลองนึกว่าคุณกำลัง ชิมซุป 1 ทัพพี จากหม้อใหญ่ทั้งหม้อ

- รสชาติของทัพพีนั้น = ค่าเฉลี่ยจากตัวอย่าง (sample mean)

- แต่คุณไม่ได้ชิมทั้งหม้อ = ค่าจริงของทั้งหม้อ (population mean) ที่ยังไม่รู้

- CI ก็เหมือนการบอกว่า "จากทัพพีนี้ รสจริงของทั้งหม้ออยู่ระหว่าง เค็มน้อยไป ถึง เค็มพอดี ด้วยความมั่นใจ 95%"

ถ้าทัพพีเล็ก (sample น้อย) ช่วงจะกว้าง — เหมือนชิมนิดเดียวก็เดาได้หยาบ

ถ้าตักมาชิม 10 ทัพพี ช่วงจะแคบลง — เดาแม่นขึ้น

ใน DTC ก็เหมือนกัน: ยิงแอด 50 conversions กับ 5,000 conversions ให้ CI ที่แคบต่างกันมาก

สูตรคำนวณ

สำหรับค่าเฉลี่ย (mean) เมื่อทราบค่าเบี่ยงเบนมาตรฐานของประชากร (σ):

CI = x̄ ± z × (σ / √n)

เมื่อ:

- x̄ = ค่าเฉลี่ยของตัวอย่าง

- z = ค่าวิกฤตตามระดับความเชื่อมั่น (95% → 1.96, 99% → 2.576, 90% → 1.645)

- σ = ค่าเบี่ยงเบนมาตรฐานของประชากร

- n = ขนาดตัวอย่าง

ถ้าไม่ทราบ σ ใช้ t-distribution แทน z:

CI = x̄ ± t × (s / √n)

สำหรับ สัดส่วน (proportion) เช่น Conversion Rate:

CI = p̂ ± z × √[ p̂(1 − p̂) / n ]

ตัวอย่างจริง: ร้านยิงแอดได้ Conversion Rate = 4.2% จากคนเข้าเว็บ 1,200 คน

p̂ = 0.042, n = 1200, z = 1.96
SE = √[0.042 × 0.958 / 1200] = √0.0000335 ≈ 0.00579
CI = 0.042 ± 1.96 × 0.00579 = 0.042 ± 0.01135
→ ช่วง 3.07% ถึง 5.34%

แปลว่า Conversion Rate จริงของแคมเปญนี้ มีโอกาส 95% ที่จะอยู่ระหว่าง 3.07% – 5.34% — กว้างพอสมควร แปลว่ายังต้องเก็บ data เพิ่ม

ตารางเปรียบเทียบ: ระดับความเชื่อมั่น vs ความกว้างช่วง

ข้อสังเกต: ยิ่งอยากมั่นใจมาก ช่วงยิ่งกว้าง — เหมือนจับปลาในอวนใหญ่ ได้ปลาแน่ แต่ไม่รู้ว่าตัวไหน

ตัวอย่างการใช้งานจริงใน DTC/

1. ทดสอบ A/B Test ปุ่ม CTA

- ปุ่มเดิม: CVR = 3.5% (n = 800) → CI = [2.24%, 4.76%]

- ปุ่มใหม่: CVR = 4.8% (n = 800) → CI = [3.32%, 6.28%]

- ช่วงทับกันบางส่วน → ยังไม่ significant ต้องเก็บ sample เพิ่ม

2. ประเมิน ROAS จาก Influencer

- ยิงผ่าน TikTok creator 5 คน ได้ ROAS เฉลี่ย 4.1, SD = 0.8, n = 5

- CI 95% = 4.1 ± 2.776 × (0.8/√5) = 4.1 ± 0.99 → [3.11, 5.09]

- ช่วงกว้างมาก เพราะ sample แค่ 5 → ควรเพิ่ม creator เป็น 20+ คน

3. คาดการณ์ยอดขายรายเดือน

- ยอดขายเฉลี่ย 30 วัน = ฿185,000, SD = ฿22,000

- CI 95% = 185,000 ± 1.96 × (22,000/√30) = 185,000 ± 7,873

- → คาดยอดจริงเดือนหน้า [฿177,127 – ฿192,873] ใช้ตั้งเป้า stock ได้

ข้อเข้าใจผิดที่พบบ่อย

❌ "95% CI แปลว่า มีโอกาส 95% ที่ค่าจริงจะอยู่ในช่วงนี้"

✅ ที่ถูก: ถ้าเราสุ่มตัวอย่างซ้ำ 100 ครั้ง แล้วสร้าง CI ทุกครั้ง ประมาณ 95 ช่วงจะครอบค่าจริง — ค่าจริงมีค่าคงที่ ไม่ได้สุ่ม

❌ "CI ทับกัน = ไม่ต่างกัน"

✅ ไม่จริงเสมอ — ต้องดู statistical test โดยตรง (t-test, z-test) เพราะ CI ที่ overlap เล็กน้อยอาจยัง significant

❌ "Sample น้อยก็ได้ CI แม่น ถ้า effect แรง"

✅ ผิด — n น้อยทำให้ SE ใหญ่ ช่วงกว้างเสมอ อย่างน้อยควรมี n ≥ 30 ต่อกลุ่ม

❌ "ใช้ z = 1.96 ตลอด"

✅ ถ้า n < 30 หรือไม่รู้ σ ต้องใช้ t-value (เช่น n=10 → t=2.262)

❌ "CI บอกแค่ช่วงตัวเลข"

✅ CI ยังบอก ความแม่นยำ ของการประมาณ — ช่วงแคบ = แม่น, ช่วงกว้าง = ข้อมูลไม่พอ

คำศัพท์ที่เกี่ยวข้อง

สรุปสำหรับคนทำ DTC

อย่าดูแค่ตัวเลขจุดเดียว (point estimate) เช่น "ROAS 3.2" หรือ "CVR 4.2%" — ให้ดู ช่วงความเชื่อมั่น ด้วยเสมอ เพราะมันบอกว่า "ตัวเลขนี้เชื่อได้แค่ไหน"

- Sample น้อย → CI กว้าง → อย่าเพิ่งตัดสินใจ

- CI ของสองกลุ่มทับกัน → ยังไม่ significant → รอ data เพิ่ม

- อยาก CI แคบลงครึ่งนึง → ต้องเพิ่ม sample 4 เท่า (เพราะ SE ∝ 1/√n)

จำง่ายๆ: "ตัวเลขเดียวโกหกได้ ช่วงความเชื่อมั่นซื่อสัตย์กว่า"