اعتبارات متقدمة حول R Squared (R²)
ماذا يعني R Squared بمستوى متقدم
يُعد R Squared، وغالبًا ما يُكتب على شكل R²، إحصائية ملخصة تقارن مدى نجاح نموذج مختار في إعادة إنتاج التباين ضمن مجموعة من القيم المرصودة. في أبسط (وغالبًا الأكثر شيوعًا) تفسير، يجيب R² عن: “كم من التباين المرصود يتم تفسيره بواسطة النموذج مقارنةً بخط أساس لا يستخدم مدخلات النموذج التفسيرية؟”
هذا المعنى ثابت، لكن كثيرًا من التفاصيل العملية ليست كذلك. لذلك تركز “الاعتبارات المتقدمة” أقل على حفظ الصيغة وأكثر على التأكد مما تقوم بقياسه فعليًا: التعريف المستخدم، وخط الأساس المستخدم للمقارنة، وكيف يتم بناء متغير الهدف، وما إذا كنت تقوم بالتقييم على نفس البيانات التي استخدمها النموذج (داخل العينة) أو على بيانات جديدة (خارج العينة).
كيف يعمل R Squared في نموذج بسيط يمكن التحقق منه
يتمثل بدءٌ قياسي في نموذج يتنبأ بمتغير هدف Y من المدخلات X، باستخدام انحدار خطي مع ثابت (intercept). ضمن هذا الإعداد المألوف، يمكن التعبير عن R² من حيث تباين (أو مجموع مربعات) أخطاء البواقي مقارنةً بالتباين الكلي حول المتوسط.
يمكن تصور نموذج يمكن التحقق منه على النحو التالي:
- اختر سلسلة هدف Y (الشيء الذي تريد تفسيره).
- اختر نموذجًا ينتج قيمًا مُلائمة Ŷ.
- احسب البواقي e = Y − Ŷ.
- قارن قابلية تباين البواقي بخط أساس لتباين Y حول متوسطه.
في حالة الانحدار مع تضمين الثابت، غالبًا ما يكون R² محصورًا بين 0 و1. ومع ذلك، يتطلب العمل المتقدم إدراك أن هذا القيد قد يفشل عندما تتغير الافتراضات (على سبيل المثال، عند تغيير كيفية تعريف خط الأساس) أو عندما تحسب R² خارج السياق المعتاد للنموذج.
التبعيات التي يجب أن تذكرها قبل تفسير R²
لكي تفسر R² بشكل مستقل، تحتاج إلى أن تكون صريحًا على الأقل بشأن هذه التبعيات:
- تعريف الهدف: ما هو Y بالضبط؟ في سلاسل الزمن، قد يكون Y مستوى، أو فرقًا، أو كمية شبيهة بالعائد، أو تحويلًا آخر. إن تغيير Y يغيّر معنى “التباين المفسَّر”.
- شكل النموذج: يعتمد R² على كيفية رسم العلاقة من المدخلات إلى Ŷ. قد ينتج نموذج مختلف منحنى مُلائمًا مختلفًا حتى لو أعيد استخدام نفس البيانات.
- خط الأساس والتوسيط (centering): تعتمد كثير من تفسيرات R² على المقارنة بخط أساس يتنبأ بمتوسط Y. إذا اختلف خط الأساس، يتغير المعنى.
- إجراء الملاءمة (fitting): هل اخترت تعقيد النموذج باستخدام نفس مجموعة البيانات التي تعرض عليها R²؟
- نظام التقييم: يعكس R² داخل العينة الملاءمة لبيانات التدريب؛ بينما يعكس R² خارج العينة القدرة على التعميم.
الأدلة والأمثلة: لماذا قد يكون R² المرتفع مضلِّلًا
إليك منطقًا بأسلوب “مثال” (وليس ادعاءً حول أي سوق حي) يوضح فخًا متقدمًا شائعًا.
افترض أنك تلائم نموذجًا مرنًا بما يكفي لتتبع التقلبات قصيرة الأجل. إذا قيّمت R² على نفس البيانات المستخدمة لتلائم النموذج، فقد “يشرح” النموذج جزءًا كبيرًا من التباين عبر تعلم أنماط خاصة بتلك الفترة.
الآن تخيل أنك تقيم النموذج نفسه على فترة لاحقة حيث تتغير عملية توليد البيانات. قد تزيد البواقي، وبالتالي قد ينخفض R². وهذا يوضح لماذا يتطلب التفسير المتقدم فصل:
- جودة الملاءمة للبيانات التاريخية (ما الذي يمكن أن يشير إليه R² عند حسابه داخل العينة) عن
- الثبات التنبؤي أو التفسيري (وهو ما لا يضمنه R²).
حالة طرفية أخرى: عندما يتغير طابع الهدف
فكر في هدف Y تكون له حلقات من سلوكيات مختلفة (على سبيل المثال: تجمّع التقلبات، أو التحولات البنيوية، أو تغيّر الأنظمة). حتى إذا تم حساب R² “بشكل صحيح”، فإن الإحصائية تقوم بمتوسط الأداء عبر تلك الفترات.
إذا كان معظم التباين يأتي من عدد قليل من المقاطع، فقد يبدو أن النموذج يفسر “معظم” التباين ببساطة لأنه يطابق تلك المقاطع. في الممارسة المتقدمة، يجب أن تتحقق مما إذا كان R² مدفوعًا بمجموعة فرعية من نوافذ الزمن بدلًا من أن يعكس قدرة تفسيرية ثابتة.
القيود المادية وحالات الفشل
تكون الاعتبارات المتقدمة غير مكتملة دون حالات فشل واضحة—وهي مواقف يمكن فيها حساب R² لكن يصبح من الصعب تفسيره.
1) بيانات غير ساكنة أو تغيّر الأنظمة
إذا تغيرت العلاقة الإحصائية بين X وY مع مرور الوقت، فقد لا يعكس R² المحسوب على نوافذ تاريخية السلوك الحالي. هذه ليست عيبًا في الحسابات؛ بل هي قيد ناتج عن استخدام إحصائية ملخصة عبر عملية غير ساكنة.
2) تسرب البيانات أو التقييم غير الصحيح
إذا أثرت معلومات من المستقبل (أو من أهداف لا ينبغي معرفتها وقت التنبؤ) على بناء الخصائص، فقد يتم تضخيم R² الناتج. يتمثل القيد في أن R² سيقيس عندها أثرًا ناتجًا عن كيفية تجهيز البيانات بدلًا من العلاقة التفسيرية الحقيقية للنموذج.
تتمثل خطوة تحقق عملية في أن الأمر بسيط من حيث الفكرة: تأكد من أن كل كمية تُستخدم لحساب X عند الزمن t كانت متاحة عند الزمن t، وتأكد من أن التقييم يتم على بيانات لم تُستخدم في الملاءمة أو الاختيار.
3) فرط الملاءمة واختيار النموذج على نفس البيانات
عندما يكون النموذج مرنًا وتحاول عدة مواصفات، فإن الإبلاغ عن R² من نفس مجموعة البيانات يميل إلى المبالغة في تقدير الأداء. لذلك تشمل الاعتبارات المتقدمة انضباط التقييم، مثل فصل نوافذ التدريب والاختبار، مع مراعاة حقيقة أنك قد تكون قد قمت بتحسين معاملات hyperparameters.
4) عدم مواءمة الهدف مع هدف النموذج
يتعلق R² بتفسير التباين ضمن تعريف مخرجات نموذج محدد. إذا تم تدريب نموذجك على تحسين هدف مختلف (على سبيل المثال، خسارة تصنيف بدلًا من ملاءمة على نمط خطأ تربيعي)، فقد لا يعكس R² ما تهتم به.
5) تحجيم أو تحويلات غير مناسبة
يمكن أن تؤدي تحويلات Y إلى تغيير معنى “التباين”. لا يمكن مقارنة قيمتي R² المحسوبتين على تحويلين مختلفين للهدف بشكل مباشر، حتى لو كنت قد استخدمت نفس المدخلات ونفس النموذج.
التحقق: كيف تتحقق بشكل مستقل من R² الذي تحسبه
للتحقق بشكل مستقل من حقائق R² ضمن إعدادك الخاص، يمكنك استخدام مجموعة صغيرة من الفحوصات.
- **أكد من تعريف R² الذي تستخدمه. ** قد تعرض بعض البرامج نسخًا مختلفة من R² اعتمادًا على ما إذا كان يتم تضمين ثابت أم لا، أو اعتمادًا على كيفية تعريف خط الأساس للمقارنة. 2) أعد الحساب من القيم المتوسطة المخزنة (قيم مُلائمة Ŷ وبواقي e) للتأكد من الاتساق مع R² المُبلغ عنه. 3) **افصل داخل العينة عن خارج العينة. ** احسب R² ضمن نظام تقييم صارم لا يتم فيه استخدام فترة الاختبار في الملاءمة أو اختيار الخصائص. 4) **اختبر الضغط باستخدام أحجام نوافذ متعددة. ** إذا اختلفت النتائج بشكل كبير مع طول النافذة، فإن هذا عدم الاستقرار يعد قيدًا مهمًا. 5) افحص سلوك البواقي بشكل مفاهيمي.