---
title: "Hodges-Lehmann criterion — เกณฑ์ฮอดจ์-เลห์มันน์"
source: "https://systems-analysis.info/int/Hodges-Lehmann_criterion_%E2%80%94_%E0%B9%80%E0%B8%81%E0%B8%93%E0%B8%91%E0%B9%8C%E0%B8%AE%E0%B8%AD%E0%B8%94%E0%B8%88%E0%B9%8C-%E0%B9%80%E0%B8%A5%E0%B8%AB%E0%B9%8C%E0%B8%A1%E0%B8%B1%E0%B8%99%E0%B8%99%E0%B9%8C"
wiki: "systems-analysis.info/int"
article: "Hodges-Lehmann_criterion_—_เกณฑ์ฮอดจ์-เลห์มันน์"
language: "th"
categories:
  - "Category:Decision theory"
  - "Category:Decision-making"
  - "Category:Thai"
revision_id: 2917
wiki_created_at: 2026-09-06T23:12:53Z
wiki_modified_at: 2026-09-06T23:12:53Z
downloaded_at: 2026-09-07T22:53:59Z
---

# Hodges-Lehmann criterion — เกณฑ์ฮอดจ์-เลห์มันน์

**เกณฑ์ฮอดจ์-เลห์มันน์** — วิธีการตัดสินใจภายใต้ความไม่แน่นอนบางส่วน ซึ่งผสมผสานองค์ประกอบของแนวทางเชิงมองโลกในแง่ร้ายและแนวทางเชิงความน่าจะเป็นเข้าด้วยกัน ใช้ในสถานการณ์ที่มีการประมาณความน่าจะเป็นของผลลัพธ์ แต่ผู้ตัดสินใจต้องการคำนึงถึงสถานการณ์เลวร้ายที่สุดด้วยเช่นกัน

## สาระสำคัญของเกณฑ์

เกณฑ์ฮอดจ์-เลห์มันน์เป็นการประนีประนอมระหว่าง:

- การมุ่งเน้นที่ผลลัพธ์ต่ำสุดของแต่ละกลยุทธ์ (เช่นเดียวกับเกณฑ์ Wald),
- และการคำนวณค่าคาดหวังของผลลัพธ์โดยใช้ความน่าจะเป็นที่ประมาณไว้ (เช่นเดียวกับเกณฑ์ Bayes).

สำหรับแต่ละกลยุทธ์จะมีการคำนวณค่าถ่วงน้ำหนักที่รวมผลลัพธ์เลวร้ายที่สุดและผลลัพธ์เฉลี่ยที่คาดหวังเข้าด้วยกัน น้ำหนักของแต่ละองค์ประกอบถูกกำหนดโดยสัมประสิทธิ์ที่เลือกไว้ล่วงหน้า ซึ่งสะท้อนถึงระดับความระมัดระวังหรือความมองโลกในแง่ดีของผู้ตัดสินใจ

ดังนั้น เกณฑ์ฮอดจ์-เลห์มันน์จึงช่วยให้สามารถคำนึงถึงทั้งความเสี่ยงของการสูญเสียในกรณีเลวร้ายที่สุดและการคาดการณ์เชิงความน่าจะเป็นได้พร้อมกัน

## การประยุกต์ใช้เกณฑ์

กระบวนการประยุกต์ใช้ประกอบด้วยขั้นตอนต่อไปนี้:

1.  สำหรับแต่ละกลยุทธ์ให้กำหนดผลลัพธ์ต่ำสุดของกลยุทธ์นั้น
2.  คำนวณค่าคาดหวังเฉลี่ยบนพื้นฐานของความน่าจะเป็นของผลลัพธ์ที่ทราบหรือประมาณไว้
3.  คำนวณคะแนนสุดท้ายของแต่ละกลยุทธ์ในรูปแบบการรวมถ่วงน้ำหนักของผลลัพธ์ต่ำสุดและผลลัพธ์เฉลี่ย
4.  เลือกกลยุทธ์ที่มีคะแนนสุดท้ายสูงสุด

แนวทางที่ระมัดระวังมากขึ้นจะให้น้ำหนักมากขึ้นแก่ผลลัพธ์เลวร้ายที่สุด ในขณะที่แนวทางที่มองโลกในแง่ดีมากขึ้นจะให้น้ำหนักมากขึ้นแก่ผลลัพธ์เฉลี่ยที่คาดหวัง

## ข้อดีและข้อเสีย

**ข้อดี:**

- คำนึงถึงทั้งข้อมูลเชิงความน่าจะเป็นและความเสี่ยงของผลลัพธ์เลวร้ายที่สุด
- ช่วยให้สามารถปรับระดับความระมัดระวังได้อย่างยืดหยุ่น

**ข้อเสีย:**

- ต้องการการประมาณความน่าจะเป็นของเหตุการณ์อย่างน้อยในระดับเบื้องต้น
- การนำสัมประสิทธิ์ถ่วงน้ำหนักมาใช้เพิ่มความเป็นอัตวิสัยในกระบวนการตัดสินใจ