كيف يجب تفسير R Squared؟

الإجابة المباشرة

يُستخدم R Squared غالبًا كرقم مُلخّص لمدى تطابق انحدار (عادةً يكون خطيًا) محدد مع مجموعة محددة من الملاحظات التاريخية. إن تفسيره بشكل صحيح يعني فهم ما يقيسه—التباين المفسَّر داخل مجموعة البيانات تلك—وما لا يمكنه أن يَعِد به، مثل التنبؤ بالنتائج المستقبلية أو ضمان تحقيق نتيجة مربحة.

وبما أن الحساب يعتمد على شكل النموذج، والمتغيرات المُضمَّنة، ومجموعة البيانات المستخدمة، فقد ينتج عن إعدادين مختلفين قيم مختلفة جدًا لـ R Squared. لا ينبغي التعامل مع رقم واحد باعتباره بيانًا عامًا عن سلوك السوق.

الآلية أو التعريف

في صورته القياسية، يقارن R Squared (R²) التباين الذي يفسّره نموذج الانحدار بالتباين الموجود في البيانات بشكل عام. ببساطة:

• يحاول النموذج وصف العلاقة بين مدخل (متغير شارح) ومخرج (متغير تابع).
• يلخّص R² مقدار التباين في المخرج الذي يتم تفسيره بواسطة خط (أو مستوى) النموذج المُعايَر (المفصّل) مقارنةً بخط أساس لا يستخدم المدخل.

حدود التفسير الأساسية:

• يتعلّق R² بـ مدى الملاءمة للبيانات المرصودة المستخدمة في الانحدار.
• لا يُعد تلقائيًا مقياسًا للسببية.
• ليس هو احتمال أن يعمل النموذج في المرة القادمة.

تشمل الافتراضات للتفسير القياسي أن يكون إعداد الانحدار متسقًا مع الهدف المقصود، وأن تُستخدم الملاحظات بشكل صحيح (نفس البيانات، نفس مواصفات النموذج، نفس قواعد التحويل).

الدليل أو مثال

فكّر في مثال بسيط ومُتحكَّم فيه مع افتراض واضح: تقوم بإجراء انحدار خطي على نقاط تاريخية حيث يتم شرح سلسلة تابعة Y بواسطة سلسلة مستقلة X.

• إذا كانت النقاط تقع قريبًا من خط مستقيم، فإن بواقي الانحدار (الفروق المتبقية بين Y المرصودة وY المتوقعة) تكون صغيرة.
• عادةً ما تؤدي البواقي الأصغر إلى R² أعلى، ما يعني أن النموذج يفسّر حصة أكبر من التباين في تلك العينة المحددة.

الآن حافظ على فكرة النموذج نفسها لكن غيّر مجموعة البيانات: إذا أعدت معايرة النموذج على نافذة زمنية مختلفة أو وفقًا لقواعد ترشيح مختلفة، فقد يتغير نمط البواقي. حتى لو كان R² السابق مرتفعًا، فقد يكون R² الجديد أقل. وهذا يوضح اعتماد النتيجة على اختيار العينة وقرارات النمذجة.

إذا أضفت متغيرات شارحة إضافية، يمكن أن يزيد R² غالبًا فقط لأن النموذج يصبح أكثر مرونة. لا يعني ذلك تلقائيًا أن المتغيرات المضافة تحسّن الملاءمة التنبؤية الفعلية؛ قد يعني فقط أن النموذج يطابق الضوضاء الموجودة في عينة التدريب.

القيود والمخاطر

تشمل القيود وأوضاع الفشل المادية:

1. خطر فرط الملاءمة: يمكن للنموذج أن يحقق R² مرتفعًا داخل العينة من خلال التقاط أنماط لا تعمّم. في هذه الحالة، يعكس R² المرتفع الملاءمة السابقة، وليس فائدة النموذج مستقبلًا.
2. اعتماد مواصفات النموذج: يصف R² فقط ملاءمة شكل الانحدار المحدد الذي اخترته. إذا كانت العلاقة غير خطية أو كانت هندسة السمات غير متسقة، فقد يضلل R².
3. اعتماد العينة والنافذة الزمنية: يتغير R² مع فترة الزمن، والمعالجة المسبقة، والترشيح. قد تبدو النتائج قوية في نظام واحد وضعيفة في نظام آخر.
4. عدم تمثيل التكاليف والتنفيذ: R² هو مقياس ملاءمة إحصائي. لا يتضمن تكاليف المعاملات، أو الفروقات (spreads)، أو الانزلاق (slippage)، أو السيولة، أو القيود التشغيلية.
5. لا ضمان للسببية: قد يحدث R² مرتفع عندما تتحرك المتغيرات معًا لأسباب لا علاقة لها بآلية سببية مباشرة.

بسبب هذه المشكلات، ينبغي تفسير R² كمقياس وصفي للملاءمة ضمن شروط محددة، وليس كإشارة قائمة بذاتها لما سيحدث لاحقًا.

التحقق والسؤال التالي

يركز التحقق المستقل عادةً على التأكد مما يلخصه رقم R² فعليًا:

• راجع مدخلات الانحدار ومواصفات النموذج: ما هي المتغيرات، وما هي التحويلات، وما هي نافذة الزمن.
• افحص البواقي وما إذا كانت الأخطاء تُظهر بنية (على سبيل المثال، أنماط منهجية بدلًا من تشتت عشوائي).
• قارن الأداء على بيانات لم تُستخدم لتدريب الانحدار (تحقق أساسي خارج العينة).

سؤال مفيد تالٍ هو: “ما مواصفة الانحدار ومجموعة البيانات التي أنتجت هذا R²، ومدى ثباته عندما تتغير العينة؟” يستهدف هذا مباشرة حدّ التفسير للمقياس.