12  บทส่งท้าย: กรณีศึกษาการวิเคราะห์เศรษฐกิจไทย (บูรณาการความรู้จาก Data Ingestion สู่ Economic Insights)

Keywords

Python for Economics, Computational Economics, Applied Econometrics, Python สำหรับเศรษฐศาสตร์, เศรษฐศาสตร์คำนวณ, เศรษฐมิติเชิงประยุกต์

ในบทส่งท้ายนี้ เราจะนำทักษะทั้งหมดที่ได้เรียนรู้มาตั้งแต่วันแรก ไม่ว่าจะเป็นการจัดการข้อมูลด้วย Pandas, การดึงข้อมูลจริงผ่าน API ด้วย yfinance, และการสื่อสารด้วยภาพผ่าน Matplotlib มาหลอมรวมกันเพื่อตอบคำถามสำคัญทางเศรษฐศาสตร์มหภาค:

12.1 กรณีศึกษาที่ 1: การวิเคราะห์พลวัตเศรษฐกิจและตลาดทุนไทย

“ตลาดหุ้นไทย (SET Index) ทำหน้าที่เป็นกระจกสะท้อน (Mirror) หรือเป็นเข็มทิศนำทาง (Leading Indicator) ของเศรษฐกิจจริงกันแน่?”

12.1.1 ️ Workflow การวิเคราะห์แบบ End-to-End

ในการทำงานจริง นักเศรษฐศาสตร์ดิจิทัลจะทำงานผ่านระบบ Pipeline ดังนี้:

flowchart TD
    A[<b>Ingest</b><br/>yfinance API] --> B[<b>Wrangle</b><br/>Resampling]
    B --> C[<b>Integrate</b><br/>Merge GDP Data]
    C --> D[<b>Transform</b><br/>Growth & Returns]
    D --> E[<b>Visualize</b><br/>Dual-axis Analysis]

12.1.2 การตั้งค่าโครงการและการดึงข้อมูล (Data Ingestion)

เราเริ่มต้นด้วยการดึงดัชนีราคาหุ้นตลาดหลักทรัพย์แห่งประเทศไทย (SET Index) โดยใช้ Ticker ^SET.BK ข้อมูลนี้เป็นแบบรายวัน (Daily) ซึ่งมีความถี่สูงกว่าข้อมูล GDP

import yfinance as yf
import pandas as pd
import matplotlib.pyplot as plt
from IPython.display import display

# ดึงข้อมูล (แนะนำให้ใส่ auto_adjust=False เพื่อความแน่นอนของชื่อคอลัมน์)
market_raw = yf.download("^SET.BK", start="2014-01-01", end="2024-01-01", auto_adjust=False)

# ปรับแก้ตรงนี้ครับอาจารย์:
market_yearly = (
    market_raw['Close']
    .squeeze()       # บีบให้เป็น Series ถ้ามีคอลัมน์เดียว หรือใช้ iloc[:,0]
    .resample('YE')
    .last()
    .to_frame()      # ตอนนี้จะเป็น Series แล้ว จึงใช้ to_frame() ได้ปกติ
    .assign(year=lambda x: x.index.year)
    .rename(columns={market_raw['Close'].columns[0] if isinstance(market_raw['Close'], pd.DataFrame) else 'Close': 'set_index'})
)

# วิธีที่ง่ายและ "Clean" ที่สุดสำหรับ Python 3.13 บ
market_yearly = (
    market_raw[['Close']] # ใช้ double brackets เพื่อให้เป็น DataFrame ตั้งแต่ต้น
    .resample('YE')
    .last()
)
market_yearly.columns = ['set_index']
market_yearly['year'] = market_yearly.index.year

display(market_yearly.head())

[*********************100%***********************]  1 of 1 completed

	set_index	year
Date
2014-12-31	1497.670044	2014
2015-12-31	1288.020020	2015
2016-12-31	1542.939941	2016
2017-12-31	1753.709961	2017
2018-12-31	1563.880005	2018

12.1.3 การเตรียมข้อมูลเศรษฐกิจและการรวมข้อมูล (Data Integration)

เพื่อให้บทปฏิบัติการนี้ดำเนินไปได้อย่างสมบูรณ์ เราจะใช้ข้อมูลตัวเลข GDP ของประเทศไทย (ณ ราคาคงที่) เพื่อวิเคราะห์การเติบโตที่แท้จริงโดยปราศจากผลกระทบจากเงินเฟ้อ

# เตรียมข้อมูล GDP (หน่วย: ล้านล้านบาท)
gdp_data = pd.DataFrame({
    "year": [2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022, 2023],
    "gdp": [10.2, 10.5, 10.9, 11.3, 11.8, 12.1, 11.4, 11.6, 11.9, 12.2]
})

# รวมข้อมูลทั้งสองแหล่งเข้าด้วยกันด้วย Key 'year'
df = pd.merge(gdp_data, market_yearly, on="year")
display(df.head())

	year	gdp	set_index
0	2014	10.2	1497.670044
1	2015	10.5	1288.020020
2	2016	10.9	1542.939941
3	2017	11.3	1753.709961
4	2018	11.8	1563.880005

12.1.4 การประมวลผลข้อมูล

เราจะคำนวณอัตราการเติบโต (Growth Rate) และผลตอบแทน (Returns) เพื่อเปรียบเทียบ “พลวัต” ของทั้งสองตัวแปร

df = (
    df.assign(
        gdp_growth = lambda x: x['gdp'].pct_change() * 100,
        market_return = lambda x: x['set_index'].pct_change() * 100
    )
    .dropna() # ตัดปีแรกที่ไม่มีค่าเปรียบเทียบออก
)

12.1.5 การแสดงผลเชิงลึก (Dual-Axis Visualization)

นักเศรษฐศาสตร์มืออาชีพมักใช้กราฟสองแกน (Dual-axis) เพื่อเปรียบเทียบตัวแปรที่มีความผันผวนต่างกัน

fig, ax1 = plt.subplots(figsize=(7, 4))

# แกนที่ 1: GDP Growth (Bar Chart)
ax1.bar(df['year'], df['gdp_growth'], color='#a2d2ff', alpha=0.7, label='GDP Growth (%)')
ax1.set_ylabel('Real GDP Growth (%)', color='#0077b6', fontweight='bold')

# แกนที่ 2: Market Return (Line Chart)
ax2 = ax1.twinx()
ax2.plot(df['year'], df['market_return'], color='#e63946', marker='o', linewidth=2, label='SET Return (%)')
ax2.set_ylabel('SET Index Return (%)', color='#e63946', fontweight='bold')

plt.title('Thailand Dynamics: Real GDP vs Stock Market Performance', fontsize=15)
ax1.axhline(0, color='black', linewidth=0.8, linestyle='--')
fig.legend(loc="upper left", bbox_to_anchor=(0.1, 0.9))
plt.grid(axis='y', alpha=0.2)
plt.show()

Figure 12.1: วิเคราะห์เปรียบเทียบ GDP Growth และ SET Index Return

12.1.6 การตีความเชิงเศรษฐศาสตร์ (Economic Synthesis)

จากการวิเคราะห์ด้วย Python เราพบข้อสังเกตที่น่าสนใจดังนี้:

1. Forward-Looking Nature: ตลาดหุ้น (SET Index) มักจะสะท้อนปัจจัยลบล่วงหน้า ดังจะเห็นได้จากปี 2020 ที่ตลาดหุ้นดิ่งลงอย่างรุนแรงก่อนที่ตัวเลข GDP จริงจะประกาศออกมา

2. Volatility Disparity: อัตราผลตอบแทนของตลาดหุ้นมีความผันผวนสูงกว่าเศรษฐกิจจริงถึง 3-5 เท่า สะท้อนว่าราคาหุ้นไม่ได้ขับเคลื่อนด้วยปัจจัยพื้นฐานเพียงอย่างเดียว แต่รวมถึงสภาพคล่องและจิตวิทยาตลาด

12.1.7 การปิดงาน: สู่การเป็นรายงานมืออาชีพ (Reporting)

หัวใจสำคัญของ Quarto คือการเปลี่ยน Code ให้กลายเป็น Document หากคุณต้องการส่งออกงานวิเคราะห์นี้เป็นไฟล์ Word (.docx) เพื่อเสนอผู้บริหาร คุณสามารถปรับเปลี่ยน YAML ที่หัวไฟล์ได้ดังนี้:

format:
  docx:
    toc: true
    number-sections: true
    highlight-style: pygments

Tipบทสรุป

การเป็นนักเศรษฐศาสตร์ในยุคใหม่ ไม่ใช่แค่การอ่านกราฟที่คนอื่นวาด แต่คือการรู้วิธี “สร้าง” กราฟเหล่านี้ขึ้นมาจากข้อมูลดิบด้วยตนเอง เพื่อการตัดสินใจที่แม่นยำและน่าเชื่อถือที่สุด

12.2 กรณีศึกษาที่ 2: เมื่อเงินเฟ้อพ่นไฟใส่ค่าเงิน (Inflation & FX Dynamics)

“ประเทศที่มีอัตราเงินเฟ้อสูงกว่า มักจะเผชิญกับค่าเงินที่อ่อนค่าลงจริงหรือไม่? และทฤษฎี PPP ยังทำงานได้ดีเพียงใดในโลกยุคใหม่?”

12.2.1 ️ Workflow การวิเคราะห์แบบ End-to-End

ในการทดสอบทฤษฎี Purchasing Power Parity (PPP) เราจะใช้กระบวนการทำงานดังนี้:

flowchart TD
    A[<b>Ingest</b><br/>yfinance: USDTHB=X] --> B[<b>Wrangle</b><br/>Annual Averaging]
    B --> C[<b>Integrate</b><br/>Merge Inflation Data]
    C --> D[<b>Transform</b><br/>Calculate Inf. Differential]
    D --> E[<b>Visualize</b><br/>Dual-axis & Area Chart]

12.2.2 การตั้งค่าโครงการและการดึงข้อมูล (Data Ingestion)

เราจะดึงข้อมูลอัตราแลกเปลี่ยน USD/THB โดยใช้ Ticker USDTHB=X ซึ่งเป็นข้อมูลความถี่รายวัน แล้วจึงนำมาหาค่าเฉลี่ยรายปีเพื่อให้สอดคล้องกับตัวเลขเงินเฟ้อ

import yfinance as yf
import pandas as pd
import matplotlib.pyplot as plt
from IPython.display import display

# ดึงข้อมูลอัตราแลกเปลี่ยน
fx_raw = yf.download("USDTHB=X", start="2015-01-01", end="2024-01-01")

#  Method Chaining 
fx_yearly = (
    fx_raw['Close']
    .squeeze()       # บังคับ DataFrame คอลัมน์เดียวให้เป็น Series ก่อน
    .resample('YE')
    .mean()
    .to_frame()
    .assign(year=lambda x: x.index.year)
)

# เปลี่ยนชื่อคอลัมน์ให้เป็น 'ex_rate' (รองรับทุกโครงสร้างชื่อจาก yfinance)
fx_yearly.columns = ['ex_rate', 'year']

display(fx_yearly.head())

[*********************100%***********************]  1 of 1 completed

	ex_rate	year
Date
2015-12-31	34.215303	2015
2016-12-31	35.219764	2016
2017-12-31	33.929663	2017
2018-12-31	32.307946	2018
2019-12-31	31.037386	2019

12.2.3 การเตรียมข้อมูลเศรษฐกิจและการรวมข้อมูล (Data Integration)

เราจะใช้ข้อมูลอัตราเงินเฟ้อ (CPI Inflation) ของประเทศไทยเปรียบเทียบกับสหรัฐอเมริกา เพื่อหา “ส่วนต่างของอำนาจซื้อ” (Purchasing Power Differential)

# เตรียมข้อมูลอัตราเงินเฟ้อ (%) - ตัวเลขโดยประมาณเพื่อการศึกษา
inflation_data = pd.DataFrame({
    "year": [2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022, 2023],
    "inf_th": [-0.9, 0.2, 0.7, 1.1, 0.7, -0.8, 1.2, 6.1, 1.2], 
    "inf_us": [0.1, 1.3, 2.1, 2.4, 1.8, 1.2, 4.7, 8.0, 4.1]   
})

# รวมข้อมูล FX และ Inflation เข้าด้วยกัน
df_fx = pd.merge(fx_yearly, inflation_data, on="year")
display(df_fx.head())

	ex_rate	year	inf_th	inf_us
0	34.215303	2015	-0.9	0.1
1	35.219764	2016	0.2	1.3
2	33.929663	2017	0.7	2.1
3	32.307946	2018	1.1	2.4
4	31.037386	2019	0.7	1.8

12.2.4 การประมวลผลข้อมูล

ในขั้นตอนนี้เราจะคำนวณ Inflation Differential (ส่วนต่างเงินเฟ้อ) ซึ่งตามทฤษฎี PPP หากค่านี้เป็นบวก (US Inflation > TH Inflation) ค่าเงิน USD ควรจะมีแนวโน้มอ่อนค่าลงเมื่อเทียบกับ THB

df_fx = df_fx.assign(
    inf_diff = lambda x: x['inf_us'] - x['inf_th']
)

12.2.5 การแสดงผลเชิงลึก (Visualization)

เราจะใช้กราฟผสมระหว่างเส้น (Line) สำหรับอัตราแลกเปลี่ยน และพื้นที่ (Area) สำหรับส่วนต่างเงินเฟ้อ เพื่อให้เห็นความสัมพันธ์เชิงทฤษฎี

fig, ax1 = plt.subplots(figsize=(7, 4))

# แกนที่ 1: อัตราแลกเปลี่ยน (Line Chart)
ax1.plot(df_fx['year'], df_fx['ex_rate'], color='#2a9d8f', marker='s', linewidth=3, label='USD/THB Rate')
ax1.set_ylabel('Exchange Rate (THB/USD)', color='#264653', fontweight='bold')

# แกนที่ 2: ส่วนต่างเงินเฟ้อ (Area Chart)
ax2 = ax1.twinx()
ax2.fill_between(df_fx['year'], df_fx['inf_diff'], color='#e9c46a', alpha=0.3, label='Inf. Differential (US-TH)')
ax2.set_ylabel('Inflation Differential (%)', color='#e76f51', fontweight='bold')

plt.title('Purchasing Power Parity Analysis: USD/THB vs Inflation', fontsize=15)
fig.legend(loc="upper left", bbox_to_anchor=(0.1, 0.9))
plt.grid(axis='y', alpha=0.2)
plt.show()

Figure 12.2: ความสัมพันธ์ระหว่างส่วนต่างเงินเฟ้อ US-TH และอัตราแลกเปลี่ยน USD/THB

12.2.6 การตีความเชิงเศรษฐศาสตร์ (Economic Synthesis)

1. PPP Theory vs Reality: ตามทฤษฎี PPP ระยะยาว หากเงินเฟ้อสหรัฐฯ สูงกว่าไทย ค่าเงินบาทควรจะแข็งค่าขึ้น แต่จากข้อมูลเราพบว่าปัจจัยเรื่อง อัตราดอกเบี้ย (Interest Rate) และ เงินทุนเคลื่อนย้าย มักส่งผลรุนแรงกว่าในระยะสั้น

2. The 2022 Shock: ในปี 2022 แม้ส่วนต่างเงินเฟ้อจะกว้างขึ้น แต่ค่าเงินบาทกลับอ่อนค่าลงอย่างรวดเร็ว สะท้อนถึงการไหลออกของเงินทุนไปหาดอลลาร์ในฐานะสินทรัพย์ปลอดภัย (Safe Haven)

12.2.7 ️ การปิดงาน: สู่การนำเสนอระดับผู้บริหาร (Reporting)

หากนักศึกษาต้องการนำเสนอผลการวิเคราะห์นี้ในห้องประชุมหรือส่งงานในรูปแบบสไลด์ PowerPoint (.pptx) Quarto สามารถจัดการให้คุณได้อย่างอัตโนมัติเพียงเปลี่ยนการตั้งค่า YAML ดังนี้:

title: "รายงานการวิเคราะห์ค่าเงินและเงินเฟ้อ"
author: "ชื่อนักศึกษา"
institute: "ชื่อคณะและสถาบัน"
date: now 
date-format: long
format:
  pptx:
    toc: true
    number-sections: true

Noteสรุปเทคนิค

การใช้ format: pptx ใน Quarto จะช่วยประหยัดเวลาในการ “Capture หน้าจอ” ไปวางในสไลด์ โดยระบบจะจัดวางกราฟและหัวข้อที่คุณเขียนไว้ลงในแผ่นสไลด์ให้โดยอัตโนมัติ

12.3 กรณีศึกษาที่ 3: การพิสูจน์เส้นโค้งฟิลลิปส์ในเศรษฐกิจไทย

“รัฐบาลต้องเลือกระหว่างเงินเฟ้อต่ำหรือการว่างงานต่ำจริงหรือไม่? และความสัมพันธ์นี้ยังคงอยู่หรือจางหายไปในเศรษฐกิจยุคดิจิทัล?”

12.3.1 ️ Workflow การวิเคราะห์แบบ End-to-End

ในการวิเคราะห์ความสัมพันธ์ระหว่างตัวแปรเชิงโครงสร้าง เราจะใช้กระบวนการทำงานดังนี้:

flowchart TD
    A[<b>Ingest</b><br/>Unemployment & Inflation Data] --> B[<b>Wrangle</b><br/>Cleaning & Formatting]
    B --> C[<b>Analyze</b><br/>Correlation Matrix]
    C --> D[<b>Transform</b><br/>Polynomial Fitting]
    D --> E[<b>Visualize</b><br/>Scatter Plot with Trendline]

12.3.2 การตั้งค่าโครงการและการเตรียมข้อมูล (Data Preparation)

เราจะใช้ข้อมูลอัตราว่างงานและอัตราเงินเฟ้อของไทยในช่วง 10 ปีที่ผ่านมา เพื่อตรวจสอบลักษณะของ Trade-off ทางเศรษฐกิจ

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
from IPython.display import display

# เตรียมข้อมูลอัตราว่างงาน (%) และอัตราเงินเฟ้อ (%) ของไทย
data = pd.DataFrame({
    "year": [2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022, 2023],
    "unemployment": [0.84, 0.88, 0.94, 1.18, 1.06, 0.98, 1.69, 1.93, 1.32, 1.10],
    "inflation": [1.9, -0.9, 0.2, 0.7, 1.1, 0.7, -0.8, 1.2, 6.1, 1.2]
})

display(data.head())

	year	unemployment	inflation
0	2014	0.84	1.9
1	2015	0.88	-0.9
2	2016	0.94	0.2
3	2017	1.18	0.7
4	2018	1.06	1.1

12.3.3 การประมวลผลข้อมูลและการหาความสัมพันธ์

ในทางเศรษฐมิติ เราต้องการทราบว่าตัวแปรทั้งสองมีทิศทางตรงกันข้ามกันจริงหรือไม่ ผ่านการคำนวณค่าสหสัมพันธ์ (Correlation)

# คำนวณค่า Correlation
correlation = data['unemployment'].corr(data['inflation'])
print(f"Correlation Coefficient: {correlation:.4f}")

Correlation Coefficient: 0.0659

12.3.4 การแสดงผลเชิงลึก (Visualization)

นักเศรษฐศาสตร์มักใช้ Scatter Plot ร่วมกับเส้นแนวโน้ม (Trendline) เพื่อพิสูจน์ทฤษฎี Phillips Curve ว่ามีลักษณะลาดลง (Negative Slope) หรือไม่

# 1. วาดจุดข้อมูล (Actual Data)
plt.scatter(data['unemployment'], data['inflation'], 
            color='#e63946', s=120, alpha=0.8, edgecolors='white', label='Annual Data')

# 2. สร้างเส้น Trendline (Linear Regression)
z = np.polyfit(data['unemployment'], data['inflation'], 1)
p = np.poly1d(z)
plt.plot(data['unemployment'], p(data['unemployment']), 
         "r--", alpha=0.6, linewidth=2, label='Trendline')

# 3. ตกแต่งกราฟ
plt.title('Thailand: Phillips Curve Analysis (2014-2023)', fontsize=15, fontweight='bold')
plt.xlabel('Unemployment Rate (%)', fontsize=12)
plt.ylabel('Inflation Rate (%)', fontsize=12)

# ระบุจุดปี 2022 ที่เกิดภาวะผิดปกติ (Outlier)
plt.annotate('2022 Supply Shock', xy=(1.32, 6.1), xytext=(1.5, 5.5),
             arrowprops=dict(facecolor='black', arrowstyle='->'), fontsize=10)

plt.grid(True, linestyle=':', alpha=0.5)
plt.legend()
plt.show()

Figure 12.3: เส้นโค้งฟิลลิปส์: ความสัมพันธ์ระหว่างการว่างงานและเงินเฟ้อในประเทศไทย

12.3.5 การตีความเชิงเศรษฐศาสตร์ (Economic Synthesis)

1. Flattening of Phillips Curve: จากข้อมูลไทย พบว่าเส้นแนวโน้มค่อนข้างแบน (Flat) สะท้อนว่าความเชื่อมโยงระหว่างตลาดแรงงานและเงินเฟ้อจางหายไป ซึ่งสอดคล้องกับปรากฏการณ์ทั่วโลกที่เงินเฟ้อถูกกำหนดโดยปัจจัยฝั่งอุปทาน (Supply-side) มากกว่า

2. Structural Change: ปี 2020-2021 แสดงให้เห็นว่าอัตราว่างงานพุ่งสูงขึ้นจากวิกฤตสุขภาพ แต่เงินเฟ้อไม่ได้ลดลงตามทฤษฎีดั้งเดิม เนื่องจากมีปัญหาการหยุดชะงักของห่วงโซ่อุปทาน (Supply Chain Disruption) แทรกซ้อน

12.3.6 การปิดงาน: สู่รายงานออนไลน์ (Interactive HTML Report)

จุดเด่นที่สุดของ Quarto คือการสร้างรายงานในรูปแบบ HTML ที่รองรับการอ่านผ่าน Web Browser ทุกชนิด และมีความเป็นมืออาชีพสูง โดยตั้งค่า YAML ดังนี้:

title: "รายงานการศึกษาเส้นโค้งฟิลลิปส์ของประเทศไทย"
author: "ชื่อนักศึกษา"
institute: "ชื่อคณะและสถาบัน"
date: now 
date-format: long
format:
  html:
    theme: cosmo           # เลือกธีมที่ดูสะอาดตาและทันสมัย
    toc: true              # เพิ่มสารบัญด้านข้าง
    toc-location: left     # ย้ายสารบัญไปไว้ด้านซ้าย
    code-fold: true        # ให้ผู้อ่านคลิกเพื่อดูโค้ดได้ (เพื่อความสะอาดของรายงาน)
    self-contained: true   # รวมทุกอย่างไว้ในไฟล์เดียวเพื่อให้ส่งต่อได้ง่าย

Tipทำไมต้องเป็น HTML?

การส่งรายงานแบบ HTML ช่วยให้ผู้อ่านสามารถซูมดูรูปภาพ คัดลอกข้อมูลจากตาราง และหากนักศึกษา ส่ไลบรารีประเภท Interactive อย่าง Plotly ลงไป รายงานฉบับนี้จะกลายเป็น Dashboard ที่มีชีวิตทันที

12.4 คำแนะนำสุดท้ายจากผู้เขียน

“นักเศรษฐศาสตร์ที่เขียนโปรแกรมไม่ได้ กำลังกลายเป็นนักเศรษฐศาสตร์ที่มองเห็นโลกเพียงครึ่งเดียว”

เราเดินทางมาถึงบทสุดท้ายของหนังสือ Modern Economic Analysis with Python แล้ว เป้าหมายของผู้เขียน ในการเขียนหนังสือเล่มนี้ ไม่ใช่เพียงต้องการให้คุณจำ Syntax ของภาษา Python ได้ แต่คือการมอบ “อาวุธ” ให้คุณสามารถพิสูจน์ ตรวจสอบ และท้าทายทฤษฎีทางเศรษฐศาสตร์ด้วยข้อมูลจริง ในบทสรุปนี้ เราจะนำเครื่องมือทั้งหมดที่คุณเรียนมาประกอบร่างเพื่อวิเคราะห์ 3 ปรากฏการณ์สำคัญที่กำหนดทิศทางเศรษฐกิจไทย

เราเริ่มต้นบทเรียนแรกด้วยความสงสัยใน Code และเรากำลังจบลงด้วยความเข้าใจใน Data สิ่งที่คุณทำได้ในตอนนี้คือ 3 เสาหลักที่นักเศรษฐศาสตร์ทั่วโลกต้องการ:

1. Data Empowerment: คุณเข้าถึงข้อมูลระดับโลกได้เองโดยไม่ต้องรอคอย Report จากใคร

2. Computational Rigor: คุณวิเคราะห์ข้อมูลได้อย่างแม่นยำด้วยอัลกอริทึม ไม่ใช่เพียงความรู้สึก

3. Automated Reporting: คุณใช้ Quarto เพื่อสื่อสารผลลัพธ์ผ่าน HTML, Word หรือสไลด์ PPTX ได้อย่างมืออาชีพ

อย่าหยุดเพียงแค่การรัน Code ในเล่มนี้ โลกเศรษฐกิจคือห้องทดลองขนาดใหญ่ที่รันข้อมูลใหม่ทุกวินาที จงใช้ Python เป็นดวงตาที่สามของคุณในการมองเห็นความจริงที่ซ่อนอยู่ และขอให้สนุกกับการเดินทางในโลกของเศรษฐศาสตร์ดิจิทัล

“Code is the new language of Economics. Keep coding, keep analyzing.”

Géron, Aurélien. 2019. Hands-on Machine Learning with Scikit-Learn, Keras, and TensorFlow. 2nd ed. O’Reilly Media.

Greene, William H. 2018. Econometric Analysis. 8th ed. Pearson.

Hamilton, James D. 1994. Time Series Analysis. Princeton University Press.

Hastie, Trevor, Robert Tibshirani, and Jerome Friedman. 2009a. The Elements of Statistical Learning. Springer.

Hastie, Trevor, Robert Tibshirani, and Jerome Friedman. 2009b. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2nd ed. Springer.

Hyndman, Rob J., and George Athanasopoulos. 2021. Forecasting: Principles and Practice. 3rd ed.

McKinney, Wes. 2022. Python for Data Analysis. 3rd ed. O’Reilly Media.

Quarto Team. 2024. Quarto Documentation. https://quarto.org.

Stock, James H., and Mark W. Watson. 2020. Introduction to Econometrics. 4th ed. Pearson.

VanderPlas, Jake. 2016. Python Data Science Handbook. O’Reilly Media.

Wickham, Hadley, Mine Cetinkaya-Rundel, and Garrett Grolemund. 2023. R for Data Science. 2nd ed.

Wooldridge, Jeffrey M. 2020. Introductory Econometrics: A Modern Approach. 7th ed. Cengage Learning.

Xie, Yihui, J. J. Allaire, and Garrett Grolemund. 2018. R Markdown: The Definitive Guide. Chapman; Hall/CRC.