ما هو مثال مُنجَز (Worked Example) للانحدار الخطي؟
التعريف: ما هو الانحدار الخطي
الانحدار الخطي هو أسلوب إحصائي يُنمذج العلاقة بين متغير تابع (y) ومتغير مستقل واحد (x) باستخدام معادلة خط مستقيم:
[ \hat{y} = a + b x ]
- (\hat{y}) هي قيمة (y) المتوقعة.
- (a) هو القطع (intercept).
- (b) هو الميل (slope).
الفكرة الأساسية هي أن خط الملاءمة يتم اختياره بحيث يجعل أخطاء التنبؤ صغيرة قدر الإمكان بطريقة محددة: فهو يُقلل مجموع البواقي التربيعية (\sum (y-\hat{y})^2) عبر بيانات التدريب. البواقي هي الفروق بين قيم (y) المرصودة وقيم (\hat{y}) المتوقعة.
الآلية: ماذا يحسب مثال مُنجَز فعليًا
“المثال المُنجَز” يعني أنك تختار مجموعة بيانات صغيرة، وتذكر كل الافتراضات (بما في ذلك كيفية تعريف (x) و(y))، ثم تحسب (a) و(b)، وبعد ذلك تستخدم خط الملاءمة لإنتاج قيم مُلائمة وعلى الأقل تنبؤ جديد واحد.
افتراضات الحسابات الرقمية المُنجَزة أدناه:
- لديك مشاهدات مزدوجة ((x_i, y_i)).
- صيغة النموذج صحيحة لنافذة البيانات: علاقة خطية بين (x) و(y).
- تُحسب المعاملات باستخدام المربعات الصغرى العادية (OLS): أي تقليل البواقي التربيعية.
- نعامل قيم الإدخال (x) على أنها معطاة (دون نموذج عدم يقين إضافي لـ (x)).
- المثال للتوضيح فقط؛ ولا يستخدم بيانات سوق لحظية.
الدليل: مثال مُنجَز كامل بالأرقام
افترض أنك تلاحظ 4 نقاط:
- (x: 1, 2, 3, 4)
- (y: 2, 3, 5, 4)
الخطوة 1: احسب المتوسطات. [ \bar{x} = (1+2+3+4)/4 = 2.5 ] [ \bar{y} = (2+3+5+4)/4 = 3.5 ]
الخطوة 2: احسب ميل (b). [ b = \frac{\sum (x_i-\bar{x})(y_i-\bar{y})}{\sum (x_i-\bar{x})^2} ] احسب قيم الجدول:
- عند (x=1): (x-\bar{x}=-1.5)، (y-\bar{y}=-1.5)، حاصل الضرب = 2.25
- عند (x=2): (x-\bar{x}=-0.5)، (y-\bar{y}=-0.5)، حاصل الضرب = 0.25
- عند (x=3): (x-\bar{x}=0.5)، (y-\bar{y}=1.5)، حاصل الضرب = 0.75
- عند (x=4): (x-\bar{x}=1.5)، (y-\bar{y}=0.5)، حاصل الضرب = 0.75
مجموع حاصل الضرب = (2.25+0.25+0.75+0.75 = 4.0).
مقام (\sum (x_i-\bar{x})^2):
- ((-1.5)^2=2.25)، ((-0.5)^2=0.25)، ((0.5)^2=0.25)، ((1.5)^2=2.25)
المجموع = (2.25+0.25+0.25+2.25 = 5.0).
إذًا: [ b = 4.0/5.0 = 0.8 ]
الخطوة 3: احسب القطع (a). [ a = \bar{y} - b\bar{x} = 3.5 - 0.8\cdot 2.5 = 3.5 - 2.0 = 1.5 ]
الخطوة 4: اكتب خط الملاءمة. [ \hat{y} = 1.5 + 0.8x ]
الخطوة 5: احسب القيم المُلائمة لقيم (x) المرصودة.
- إذا كان (x=1)، (\hat{y}=2.3)
- إذا كان (x=2)، (\hat{y}=3.1)
- إذا كان (x=3)، (\hat{y}=3.9)
- إذا كان (x=4)، (\hat{y}=4.7)
الخطوة 6 (تنبؤ بسيط واحد): بالنسبة لـ (x=5) جديد، [ \hat{y}=1.5+0.8\cdot 5=5.5 ]
يمكن التحقق من كل رقم أعلاه بشكل مستقل عبر إعادة حساب المجاميع وصيغ OLS.
القيود والمخاطر: ما الذي قد يجعل الانحدار الخطي يفشل
الانحدار الخطي ليس ضمانًا لتنبؤات دقيقة. تشمل القيود المادية:
- قد يكون افتراض الخطية خاطئًا. إذا كانت العلاقة الحقيقية بين (x) و(y) تنحني، فقد يفشل خط مستقيم في التقاط النمط بشكل منهجي.
- الحساسية تجاه القيم المتطرفة. قد تسحب قيمة واحدة شديدة التطرف لـ (y) (أو (x) مؤثر بعيدًا عن المتوسط) الميل والقطع.
- قد لا تستمر العلاقات التاريخية. حتى إذا كان خط الملاءمة يطابق بيانات التدريب، فقد يتصرف المستقبل بشكل مختلف لأن عملية توليد البيانات يمكن أن تتغير.
- المتغيرات المحذوفة. إذا كان (y) يعتمد على عوامل أخرى غير ممثلة بواسطة (x)، فقد تكون الأخطاء منظمة وليست عشوائية.
- بيانات مليئة بالضوضاء وخطأ في النموذج. إن تقليل البواقي التربيعية يحسن مفهومًا واحدًا للملاءمة لكنه لا يضمن أداءً جيدًا تحت ظروف مختلفة.
هذه المشكلات عامة في النمذجة الإحصائية: تختلف النتائج باختلاف خصائص البيانات وكيفية جمع البيانات ومعالجتها.