أسئلة: استخدام تحليل الانحدار وتقييمه

الإجابة الصحيحة: المتغير الذي يحاول النموذج تفسيره أو التنبؤ بقيمته

متغير الاستجابة هو الهدف الأساسي للنموذج، حيث نسعى للتنبؤ بقيمته بناءً على المتغيرات التفسيرية.

الإجابة الصحيحة: طريقة المربعات الصغرى

تعتمد طريقة المربعات الصغرى على تصغير مجموع مربعات المتبقيات بين القيم الفعلية والمتوقعة.

الإجابة الصحيحة: سبب ثالث خفي يربط بين متغيرين دون وجود علاقة سببية بينهما

العامل المربك هو السبب الخفي الذي يجعل متغيرين يظهران وكأنهما مترابطان سببيًا بينما لا وجود لذلك.

الإجابة الصحيحة: لا يضمن بالضرورة تنبؤًا أفضل ويتطلب تقييمًا دقيقًا

زيادة المتغيرات لا تعني دقة أعلى، بل يجب اختيار المتغيرات ذات الصلة وتقييم النموذج.

الإجابة الصحيحة: RMSE

بما أن RMSE يستخدم التربيع في حسابه، فإنه يعطي وزنًا أكبر للفروق الكبيرة (الأخطاء المتطرفة).

الإجابة الصحيحة: مقدار التباين الذي يفسره النموذج مقارنة بنموذج مرجعي

R2 يوضح مدى قدرة النموذج على تفسير التباين، ولكنه لا يكفي وحده للحكم على جودة النموذج.

الإجابة الصحيحة: MAE أقل تأثرًا بالقيم المتطرفة مقارنة بـ RMSE

MAE يعتمد على المتوسط الحسابي للفروق المطلقة، لذا لا تتضخم قيمته عند وجود أخطاء فردية كبيرة.

الإجابة الصحيحة: لأنه لا يوضح أداء النموذج على بيانات جديدة

R2 يقيس الملاءمة للبيانات المستخدمة، ولا يضمن كفاءة النموذج عند اختباره على بيانات غير معروفة.

الإجابة الصحيحة: استخدام درجة الحرارة فقط للتنبؤ بمبيعات الآيس كريم

الانحدار البسيط يستخدم متغير تفسيري واحد فقط للتنبؤ بمتغير الاستجابة.

الإجابة الصحيحة: أن الارتباط الإحصائي لا يعني بالضرورة وجود علاقة سبب ونتيجة

الارتباط مجرد قياس للعلاقة بين متغيرين، بينما السببية تتطلب أدلة إضافية وتصميم دراسة محكم.

الإجابة الصحيحة: الفرق بين القيمة الفعلية والقيمة المتوقعة

المتبقي يمثل مقدار الخطأ في تنبؤ النموذج لكل نقطة بيانات.

الإجابة الصحيحة: يستخدم متغير استجابة واحد وعدة متغيرات تفسيرية

الانحدار المتعدد يسمح بنمذجة متغير استجابة واحد باستخدام أكثر من متغير تفسيري.

الانحدار البسيط يستخدم متغير تفسيري واحد فقط، مما يجعله بسيطًا وسهل التفسير بصريًا (خط مستقيم). أما الانحدار المتعدد فيستخدم متغيرين أو أكثر من المتغيرات التفسيرية، مما يسمح بنمذجة علاقات أكثر تعقيدًا، ولكنه يجعل تفسير تأثير كل متغير على حدة أكثر صعوبة، حيث يتطلب تثبيت المتغيرات الأخرى عند دراسة أثر متغير واحد.

يُستخدم R2 المعدل لأنه يأخذ في الاعتبار عدد المتغيرات التفسيرية في النموذج. على عكس R2 العادي الذي قد يرتفع لمجرد إضافة المزيد من المتغيرات (حتى لو لم تكن ذات صلة)، يقوم R2 المعدل بخصم نقاط عند إضافة متغيرات لا تحسن النموذج بشكل حقيقي، مما يجعله أداة أكثر عدالة للمقارنة بين النماذج ذات الأحجام المختلفة.

لأن RMSE يقيس حجم الخطأ ولكنه حساس جداً للقيم المتطرفة (الأخطاء الكبيرة). إذا كان النموذج يرتكب خطأً فادحاً في منزل واحد فقط، فقد تظهر قيمة RMSE مرتفعة جداً رغم أن التنبؤات لبقية المنازل دقيقة. الاعتماد على RMSE وحده يحجب هذه التفاصيل، لذا يجب استخدام MAE معه للحصول على صورة أوضح لمتوسط أداء النموذج بعيداً عن تأثير القيم المتطرفة.

مثال: قد يلاحظ باحث أن مبيعات المظلات ترتبط ارتباطاً وثيقاً بزيادة مبيعات النظارات الشمسية في مدينة ما، فيستنتج خطأً أن شراء المظلات يسبب شراء النظارات. العامل المربك هنا هو 'طقس الصيف المتقلب' أو 'الخروج للتنزه': فالناس يخرجون في الأيام المشمسة فيشترون نظارات، وإذا هطل المطر فجأة يشترون مظلات. العلاقة هنا ناتجة عن عامل ثالث وليس عن تأثير مباشر لأحد المتغيرين على الآخر.

تعني أن بناء المعادلة الرياضية هو مجرد خطوة أولى. يجب على المحلل بعد ذلك تقييم النموذج باستخدام مؤشرات مثل R2 وRMSE وMAE، والتحقق من صلاحية افتراضات النموذج، واختبار أدائه على بيانات جديدة لم تُستخدم في مرحلة التدريب، والتأكد من أن النتائج منطقية وعملية في سياق الواقع الذي يدرسه، وليس فقط مطابقة للأرقام.

تساعد طريقة المربعات الصغرى في تحسين دقة النموذج من خلال إيجاد أفضل خط (أو نموذج) يمر بين نقاط البيانات بحيث يكون مجموع مربعات الفروق (المتبقيات) بين القيم الفعلية والقيم التي يتنبأ بها النموذج عند أقل مستوى ممكن. هذا يضمن أن النموذج يقلل من حجم الخطأ الإجمالي في التنبؤ، مما يجعله أقرب ما يكون للبيانات المرصودة.