كيف أختار المنحنى الأفضل ملاءمةً؟

ارسم البيانات وكل منحنى، وتحقّق من أن البواقي تتوزع بانتظام حول الصفر، وقارن AICc بين النماذج. فـR² وحده يفضّل دائمًا النموذج ذا أكبر عدد من المعاملات. ثم اسأل: هل يبدو الفائز منطقيًا للعملية التي تدرسها، وهل ستستخدمه فقط بين أصغر قيمة لـ x وأكبرها؟

لماذا تختلف R² للأسّي عن قيمتها في Excel؟

يلاءم خط الاتجاه الأسّي في Excel خطًا مستقيمًا عبر ln y، ويُبلغ R² لتلك الملاءمة على المقياس اللوغاريتمي. أما الملاءمة غير الخطية بالمربعات الصغرى فتقلّل الأخطاء في y نفسها، وتُقاس R² فيها على y. وتستطيع هذه الحاسبة تنفيذ الطريقتين، فتعرض R² على المقياس اللوغاريتمي للخيار المحوَّل، وR² على المقياس الأصلي لكل النماذج حتى تكون المقارنة منصفة.

أي درجة من كثيرات الحدود ينبغي أن أستخدم؟

استخدم أدنى درجة تلتقط الشكل الذي تراه، وغالبًا تكون 2 أو 3. فكل درجة إضافية تتيح للمنحنى أن ينعطف مرةً أخرى ويلاءم الضوضاء، فترتفع R² وتسوء التنبؤات. تحتاج إلى نقاط بيانات لا تقل عن الدرجة + 2، وكثيرًا ما تحتاج إلى أكثر من ذلك لملاءمة موثوقة.

لماذا لا أستطيع ملاءمة نموذج لوغاريتمي أو قوة أو أسّي لبياناتي؟

اللوغاريتم معرَّف للأعداد الموجبة فقط. يتطلب النموذج اللوغاريتمي أو القوة أن تكون كل قيم x أكبر من 0، ويتطلب الأسّي أو القوة أن تكون كل قيم y أكبر من 0، لأن الملاءمة تمر عبر ln y أو ln x. انقل البيانات (مثلًا: قِس الزمن من 1 بدلًا من 0) فقط إن كان ذلك ذا معنى في مسألتك.

ما معنى AIC وAICc؟

يوازن AIC بين الملاءمة والتعقيد: وهو −2 مضروبًا في اللوغاريتم الاحتمالي، زائد ضعف عدد المعاملات (بما فيها تباين الخطأ). ويضيف AICc تصحيحًا يكون مهمًا حين يكون n صغيرًا بالنسبة إلى عدد المعاملات. وكلما كانت القيمة أقل كان أفضل، والفروق وحدها هي ما يهم. تستخدم القيم هنا تعريف R، فتتطابق مع AIC في R للنموذج نفسه.

هل يمكنني استخدام المعادلة الملائمة للتنبؤ خارج بياناتي؟

فقط بحذر شديد. فكل منحنى هنا وصف تجريبي للمدى الذي قسته. ويمكن أن تتأرجح كثيرات الحدود بعنف مباشرةً خارج البيانات، ويمكن أن ينفجر الأسّي. ويحذّرك خانة التنبؤ حين تقع قيمة x الجديدة خارج المدى المرصود.

حاسبة ملاءمة المنحنيات

الصق قيم x وy، وقارن دفعةً واحدة بين الخط المستقيم وكثيرات الحدود (من الدرجة 2 إلى 6) والمنحنيات الأسّية واللوغاريتمية والقوة. تحصل على كل معادلة مع R² وR² المعدَّل وRMSE وAIC وAICc جنبًا إلى جنب، ورسم بياني لكل المنحنيات، وتشخيصًا للبواقي، وأخطاء معيارية للمعاملات، وتنبؤات لقيم x جديدة. مجاني ودون تسجيل؛ وكل شيء يعمل في متصفحك.

أدخل أربعة أزواج (x, y) على الأقل، مع ثلاث قيم مختلفة لـ x على الأقل.

كيفية استخدام حاسبة ملاءمة المنحنيات

1. أدخل بياناتك. اكتب قائمتين بالترتيب نفسه، أو زوجًا «x, y» في كل سطر. تحتاج إلى أربع نقاط أو أكثر، مع ثلاث قيم مختلفة لـ x على الأقل؛ وكلما زادت النقاط كان أفضل.
2. اختر النماذج. ضع علامة على المنحنيات التي تريد مقارنتها. يتطلب النموذجان اللوغاريتمي والقوة أن تكون كل قيم x أكبر من 0، ويتطلب الأسّي والقوة أن تكون كل قيم y أكبر من 0. والنموذج الذي لا يمكن ملاءمته يذكر السبب.
3. اختر طريقة الملاءمة للمنحنيين الأسّي والقوة. تعطي المربعات الصغرى غير الخطية على y الأصلية أفضل ملاءمة لقيمك الفعلية. أما الخيار المحوَّل فيلاءم خطًا مستقيمًا عبر ln y، كما تفعل خطوط الاتجاه في جداول البيانات.
4. قارن وتحقّق. اقرأ الجدول، ثم الرسم البياني والبواقي للنموذج الذي تنظر فيه، فأفضل رقم لا يعني الكثير إذا كان شكل المنحنى خاطئًا. واستخدم خانة التنبؤ لقيم x جديدة.

المنحنيات

النموذج	المعادلة	الاستخدام المعتاد
خطي	y = a₀ + a₁x	تغيّر ثابت
كثير حدود، الدرجة d	y = a₀ + a₁x + … + a_dx^d	منحنى ناعم ذو انعطافات؛ d − 1 نقطة تحوّل على الأكثر
أسّي	y = a·e^(bx)	نمو أو اضمحلال بنسبة مئوية ثابتة
لوغاريتمي	y = a + b·ln x	تغيّر سريع يستقر تدريجيًا
قوة	y = a·x^b	قوانين التحجيم؛ وb هو المرونة

تُلاءَم كل كثيرة حدود بتحليل QR على x مُمركَزة ومعادة القياس، فتكون ملاءمة من الدرجة 6 لسنوات تقويمية (1990–2020) دقيقةً بقدر ملاءمتها لقيم من 0 إلى 1، وتستخدم التنبؤات هذه الصيغة المستقرة. وقد تفقد المعاملات المفكوكة المعروضة في المعادلة بعض الأرقام بسبب التلاشي عندما تكون x كبيرة وبعيدة عن الصفر، وتحذّرك الصفحة حين يحدث ذلك. ولهذا السبب نفسه لا تستطيع معادلات خطوط الاتجاه في جداول البيانات، التي تقرّب المعاملات إلى بضعة أرقام، إعادة إنتاج المنحنيات عالية الدرجة على قيم x بحجم السنوات.

لماذا تهم الطريقة في ملاءمة الأسّي والقوة

تأخذ الملاءمة المحوَّلة ln y وتجد خط المربعات الصغرى المستقيم، ثم تحوّل النتيجة إلى المقياس الأصلي. وهذا يقلّل الأخطاء على المقياس اللوغاريتمي، الذي يعطي وزنًا كبيرًا للقيم الصغيرة ووزنًا خفيفًا للقيم الكبيرة. أما الملاءمة غير الخطية فتقلّل مربعات الأخطاء في y نفسها، وهذا غالبًا ما تهتم به. وتعطيك الطريقتان معاملات مختلفة للبيانات نفسها، وقيم R² مختلفة. تُبلغ هذه الحاسبة عن R² على y الأصلية لكل نموذج حتى تُقارَن النماذج بإنصاف، وتعرض، في حالة الملاءمة المحوَّلة، R² على المقياس اللوغاريتمي الذي يُظهره جدول البيانات.

مثال تطبيقي

يحمّل المثال قياسات الكبح الكلاسيكية لـ50 سيارة (بيانات cars في R): السرعة بالميل في الساعة مقابل مسافة التوقف بالقدم. ستة نماذج، مُلاءمة على المقياس الأصلي:

النموذج	R²	RMSE	AICc	Δ AICc
القوة: y = 0.5897 x^1.5493	0.6654	15.06	417.59	0
الأسّي: y = 9.4045 e^(0.0917x)	0.6649	15.07	417.66	0.07
تربيعي	0.6673	15.18	419.66	2.07
خطي: y = −17.58 + 3.932x	0.6511	15.38	419.68	2.09
تكعيبي	0.6732	15.20	421.25	3.66
لوغاريتمي	0.5607	17.26	431.19	13.61

ترتفع R² مع كل حدّ من حدود كثيرة الحدود — فالتكعيبي يسجّل 0.6732، وكثيرة الحدود من الدرجة 6 تسجّل 0.6888 — لكن AICc، الذي يحسب عقوبةً على كل معامل، يرتّب نموذجي القوة والأسّي ذوي المعاملين في المقدمة. ولمنحنى القوة معنى معقول أيضًا: تنمو مسافة الكبح تقريبًا كالسرعة مرفوعةً إلى القوة 1.5 (b = 1.55، والخطأ المعياري 0.19)، أي بين العلاقة الخطية والعلاقة التربيعية اللتين يقترحهما علم الفيزياء. وأفضل النماذج متقاربة في حدود نحو نقطتين من AICc، لذا لا تستطيع البيانات الفصل بينها؛ فضّل النموذج الذي يبدو منطقيًا. أما إذا لاءمته كمنحنى قوة محوَّل، فتصبح R² على المقياس اللوغاريتمي 0.7331، لكن R² على المقياس الأصلي تنخفض إلى 0.6583.

اختيار النموذج بحكمة

ابدأ بالرسم البياني، ثم بالبواقي. النمط في البواقي يعني أن شكل النموذج خاطئ.
استخدم AICc لا R² لمقارنة النماذج ذات أعداد المعاملات المختلفة. لا يمكن مقارنة AICc إلا بين النماذج المُلاءَمة على قيم y نفسها. والفروق الأقل من نحو 2 لا معنى لها.
فضّل النظرية. إن كنت تعرف العملية (النمو المركّب، أو قانون التحجيم)، فاستخدم النموذج المناسب لها حتى إن سجّل نموذج آخر نتيجة أفضل قليلًا.
أبقِ درجات كثيرات الحدود منخفضة. فوق الدرجة 3 أو 4 تطارد كثيرة الحدود عادةً الضوضاء وتتأرجح بعنف خارج البيانات، فلا تستقرئ بها.

الأسئلة الشائعة

كيف أختار المنحنى الأفضل ملاءمةً؟: ارسم البيانات وكل منحنى، وتحقّق من أن البواقي تتوزع بانتظام حول الصفر، وقارن AICc بين النماذج. فـR² وحده يفضّل دائمًا النموذج ذا أكبر عدد من المعاملات. ثم اسأل: هل يبدو الفائز منطقيًا للعملية التي تدرسها، وهل ستستخدمه فقط بين أصغر قيمة لـ x وأكبرها؟
لماذا تختلف R² للأسّي عن قيمتها في Excel؟: يلاءم خط الاتجاه الأسّي في Excel خطًا مستقيمًا عبر ln y، ويُبلغ R² لتلك الملاءمة على المقياس اللوغاريتمي. أما الملاءمة غير الخطية بالمربعات الصغرى فتقلّل الأخطاء في y نفسها، وتُقاس R² فيها على y. وتستطيع هذه الحاسبة تنفيذ الطريقتين، فتعرض R² على المقياس اللوغاريتمي للخيار المحوَّل، وR² على المقياس الأصلي لكل النماذج حتى تكون المقارنة منصفة.
أي درجة من كثيرات الحدود ينبغي أن أستخدم؟: استخدم أدنى درجة تلتقط الشكل الذي تراه، وغالبًا تكون 2 أو 3. فكل درجة إضافية تتيح للمنحنى أن ينعطف مرةً أخرى ويلاءم الضوضاء، فترتفع R² وتسوء التنبؤات. تحتاج إلى نقاط بيانات لا تقل عن الدرجة + 2، وكثيرًا ما تحتاج إلى أكثر من ذلك لملاءمة موثوقة.
لماذا لا أستطيع ملاءمة نموذج لوغاريتمي أو قوة أو أسّي لبياناتي؟: اللوغاريتم معرَّف للأعداد الموجبة فقط. يتطلب النموذج اللوغاريتمي أو القوة أن تكون كل قيم x أكبر من 0، ويتطلب الأسّي أو القوة أن تكون كل قيم y أكبر من 0، لأن الملاءمة تمر عبر ln y أو ln x. انقل البيانات (مثلًا: قِس الزمن من 1 بدلًا من 0) فقط إن كان ذلك ذا معنى في مسألتك.
ما معنى AIC وAICc؟: يوازن AIC بين الملاءمة والتعقيد: وهو −2 مضروبًا في اللوغاريتم الاحتمالي، زائد ضعف عدد المعاملات (بما فيها تباين الخطأ). ويضيف AICc تصحيحًا يكون مهمًا حين يكون n صغيرًا بالنسبة إلى عدد المعاملات. وكلما كانت القيمة أقل كان أفضل، والفروق وحدها هي ما يهم. تستخدم القيم هنا تعريف R، فتتطابق مع AIC في R للنموذج نفسه.
هل يمكنني استخدام المعادلة الملائمة للتنبؤ خارج بياناتي؟: فقط بحذر شديد. فكل منحنى هنا وصف تجريبي للمدى الذي قسته. ويمكن أن تتأرجح كثيرات الحدود بعنف مباشرةً خارج البيانات، ويمكن أن ينفجر الأسّي. ويحذّرك خانة التنبؤ حين تقع قيمة x الجديدة خارج المدى المرصود.