ما هي البيانات المطلوبة لتقييم معامل التحديد R Squared؟
عرّف R Squared قبل جمع البيانات
معامل التحديد R Squared (غالبًا يُكتب R²) هو رقم مُلخّص يقارن مدى تطابق تنبؤات النموذج مع النتائج المرصودة. الفكرة المعتادة هي: كم من التباين في المتغير التابع المرصود يُفسَّر بواسطة النموذج، مقارنةً بخط أساس يتنبأ بشيء مثل المتوسط.
لتقييم R Squared، تحتاج أولًا إلى معرفة التعريف الدقيق المستخدم (على سبيل المثال، ما إذا كان يُحسب بالطريقة القياسية من مجموع المربعات الكلي (total sum of squares) ومجموع المربعات المتبقية (residual sum of squares)، وما إذا كان يتم استخدام أي نسخة “معدّلة” (adjusted)). قد تُظهر تطبيقات مختلفة أرقامًا مختلفة حتى عندما تكون البيانات الأساسية متشابهة.
مدخلات البيانات التي تحتاجها
على الأقل، تحتاج إلى كل المعلومات اللازمة لإعادة إنتاج الجانب التابع (dependent side) من الحساب.
- سلسلة المتغير التابع المرصودة
- الملاحظات المرتبطة بالزمن (time-indexed) التي تشكّل قيم y.
- تكرار أخذ العينات (sampling frequency) (مثلًا: كل تيك tick، كل دقيقة، يوميًا)، بما في ذلك الوحدات.
- قواعد محاذاة الزمن (time alignment) (متى تُعتبر كل قيمة y “متوافقة” مع المتغيرات التفسيرية).
- القيم المتوقعة أو النموذج المُلائم لديك خياران:
- القيم المتوقعة: قيم y-hat المتوقعة للنموذج لنفس نقاط الزمن، مع نفس الترتيب.
- أو: مدخلات النموذج اللازمة لتوليد y-hat: سلسلة المتغيرات التفسيرية (x-values)، وطريقة التقدير، والمعلمات الناتجة عن عملية الملاءمة (fitting).
- خط الأساس المستخدم في المقام تستخدم معظم صيغ R² خط أساس يعكس التباين حول متوسط المتغير التابع المرصود. لتقييم R² بشكل صحيح، يجب أن تعرف ما هو خط الأساس المستخدم وما إذا كان المتوسط يُحسب على نفس تقسيم مجموعة البيانات (dataset split) المستخدم لحساب المتبقيات (residuals).
فحوصات المصدر والمعالجة المسبقة
R² ليس مجرد صيغة؛ فهو يعتمد على ما تم إدخاله في السلسلة.
تحقق وسجّل:
- مصدر البيانات (provenance): من أين جاءت البيانات (feed أو source)، وكيف تم الحصول عليها.
- قواعد التصفية (filtering): ما إذا كانت الملاحظات قد أُزيلت بسبب الأخطاء أو العطلات أو القيم الشاذة (outliers) أو انخفاض السيولة.
- التعامل مع القيم المفقودة: ما إذا كانت الفجوات قد تم حذفها، أو تم تعويضها (forward-filled)، أو تم الاستكمال (interpolated)، أو تم التعامل معها بطريقة أخرى.
- التحويلات: ما إذا تم تطبيق أي تحجيم (scaling) أو تحويلات لوغاريتمية (log transforms) أو فروقات (differencing) أو تطبيع (normalization)، وما إذا كانت متسقة عبر فترات التدريب والتقييم.
مخاطر جوهرية: إذا تمت معالجة x و y بشكل مختلف، أو إذا كانت الطوابع الزمنية غير متطابقة، فقد يبدو R² أعلى أو أقل لأسباب لا علاقة لها بالقوة التفسيرية الحقيقية.
التوقيت وافتراضات التقسيم
لتقييم ما إذا كانت قيمة R² ذات معنى، تحتاج إلى معرفة كيفية استخدام الزمن.
يجب أن توثق:
- ما إذا كان تم حساب R² على نفس البيانات المستخدمة لتدريب النموذج، أم على بيانات محجوزة (held-out).
- نافذة الزمن المحددة المستخدمة للملاءمة (fitting) مقابل التقييم (evaluation).
- ما إذا تم استخدام نهج متحرك (rolling) أو متوسع (expanding) (فالنهج يغيّر معنى النتيجة المبلّغ عنها).
من حالات الفشل الشائعة اعتبار R² داخل العينة (in-sample) كأنه يصف العلاقات المستقبلية. قد تتغير العلاقات التاريخية عندما يتغير سلوك السوق، لذلك قد يعطي نفس الأسلوب R² مختلفًا على بيانات لاحقة.
دليل أو مثال: ما الذي يمكنك التحقق منه بشكل مستقل
يجب أن تتضمن قائمة التحقق المستقلة ما يلي:
- تأكد من السلسلة y الدقيقة المستخدمة (الطوابع الزمنية، والوحدات، والتصفية).
- تأكد مما إذا كانت القيمة المبلّغ عنها تستخدم تنبؤات y-hat، أو ما إذا تم إعادة حساب التنبؤات من معلمات النموذج المخزنة.
- تأكد من تعريف R² الدقيق (وما إذا تم استخدام R² المعدّل (adjusted R²)).
- أعد حساب R² من الأرقام المقدمة (y, y-hat, residuals) باستخدام الصيغة المذكورة ونفس تقسيم مجموعة البيانات.
إذا كانت أي من هذه العناصر مفقودة، فلن يمكن تدقيق R² المبلّغ عنه بالكامل، لأن تفاصيل التنفيذ الكثيرة تغيّر النتيجة.
القيود والمخاطر (حالات فشل جوهرية)
على الأقل توجد قيد واحد يجب الانتباه له:
- اعتماد النموذج: يعكس R² الملاءمة ضمن شكل نموذج معيّن. إذا كانت العلاقة غير خطية أو تتغير مع مرور الوقت، فقد يكون نفس R² مضلّلًا.
قيود مهمة أخرى:
- عدم الثبات (Non-stationarity): إذا تطورت عملية توليد البيانات، فقد لا يستمر R² مرتفعًا في الفترات اللاحقة.
- فرط الملاءمة (Overfitting): إذا كان النموذج مرنًا جدًا، فقد يطابق الضوضاء، مما يضخم R² داخل العينة.
- الحساسية للضوضاء والأحداث النادرة: قد تسبب القياسات الصاخبة R² غير مستقر عبر نوافذ زمنية مختلفة.
- المقارنات المضللة: قد يكون من الصعب مقارنة قيم R² بين النماذج إذا اختلفت المعالجة المسبقة أو مجموعات السمات أو تقسيمات التقييم.
DOCUMENT END