تشخيصات الانحدار

لماذا تهمّ التشخيصات؟

ضبط نموذج الانحدار أمرٌ يسير. أما الوثوق بمخرجاته فشأنٌ مختلف. لا تضمن طريقة المربعات الصغرى العادية (OLS) أفضل مُقدِّر خطي غير منحاز (BLUE) إلا حين تتحقق مجموعة من الافتراضات: الخطية في المعاملات، وتوقع الأخطاء يساوي صفراً، وثبات التباين (التجانس)، واستقلالية الأخطاء، وتوزيعها التقريبي الطبيعي للاستدلال. حين تنتهك هذه الافتراضات قد تنحاز تقديرات المعاملات، وتصبح الأخطاء المعيارية خاطئة، وتضلِّل قيم p، وتضيق فترات التنبؤ أو تتسع دون مبرر.

تشخيصات الانحدار هي مجموعة الأدوات للتحقق من صحة هذه الافتراضات. بدلاً من التخمين، نفحص البواقي — الفروق بين القيم المشاهَدة والمُلائَمة — ونبحث عن أنماط تنبئ بالانتهاكات. تكشف التشخيصات أيضاً المشاهدات المؤثرة التي تُشكّل النموذج بصورة غير متناسبة. يتناول هذا الدرس أهم مخططات التشخيص والإحصاءات، وكيفية تفسيرها، وما يجب فعله حين تُشير إلى مشكلة.

البواقي: إشارة التشخيص

البقية الخام للمشاهدة i هي ببساطة:

كثيراً ما يكون أكثر فائدةً العمل مع البواقي المُعيَّرة التي تقسم البقية الخام على تقدير انحرافها المعياري:

تذهب البواقي المُستيودَنة (المُعيَّرة خارجياً) خطوةً أبعد: تُعيد ضبط النموذج بحذف المشاهدة i وتحسب البقية نسبةً إلى تلك التقديرات المحذوفة. تتبع البواقي المُستيودَنة تحت النموذج الصفري توزيع t بدرجات حرية n−p−2، مما يُتيح اختبارات رسمية للقيم الشاذة (النسخة المُصحَّحة بونفيروني).

مخططات البواقي: قراءة الأنماط

أكثر أدوات التشخيص إفادةً هو مخطط البواقي مقابل القيم المُلائَمة. تحت النموذج المُحدَّد بشكل صحيح يبدو المخطط كشريط أفقي من التشتت العشوائي حول الصفر. الأنماط الإشكالية الشائعة هي:

مخطط ثانوي مفيد هو البواقي مقابل كل متنبئ. إن أظهر مخطط البواقي الخاص بمتنبئ ما منحنىً، فقد يحتاج ذلك المتنبئ إلى تحويل أو حد مربع. يجعل مخطط المقياس-الموضع (الجذر التربيعي لـ|البواقي المُعيَّرة| مقابل القيم المُلائَمة) عدم التجانس أسهل رؤيةً بوصفه ميلاً تصاعدياً في خط أملس.

اختبار الطبيعية: مخطط QQ

تقديرات OLS غير منحازة ومتسقة بصرف النظر عن طبيعية الأخطاء. لكن اختبارات t وF للدلالة، وفترات التنبؤ، تعتمد على الطبيعية. للعينات الصغيرة إلى المتوسطة، يُعدّ مخطط QQ الطبيعي (مخطط الكميّات-الكميّات) الفحص القياسي.

يُرتب مخطط QQ البواقي المُعيَّرة من الأصغر إلى الأكبر ويرسمها مقابل الكميّات المقابلة للتوزيع الطبيعي المعياري. إن كانت البواقي طبيعية فعلاً، تقع النقاط على خط مستقيم بزاوية 45°. الانحرافات الشائعة ومعانيها:

للاختبار الرسمي، اختبار Shapiro-Wilk قوي للعينات الصغيرة (n ≤ 50). للعينات الأكبر يُستخدم Anderson-Darling أو Kolmogorov-Smirnov، لكن أي انحراف عن الطبيعية يصبح ذا دلالة إحصائية مع n كبير بما فيه الكفاية — يبقى مخطط QQ أكثر الأدوات إفادةً حتى حينئذٍ لأنه يُظهر طبيعة الانحرافات وحجمها.

التجانس: ثبات تباين الخطأ

تُشتق الأخطاء المعيارية في OLS بافتراض أن Var(εᵢ) = σ² لجميع i. حين يعتمد تباين الخطأ على المتنبئات أو القيم المُلائَمة — وهو انتهاك يُسمى عدم التجانس — تبقى تقديرات معاملات OLS غير منحازة لكن أخطاءها المعيارية تصبح خاطئة مما يجعل اختبارات الفرضيات غير موثوقة.

الاختبار الرسمي الأكثر شيوعاً هو اختبار Breusch-Pagan: انحدر مربعات البواقي على المتنبئات الأصلية وتحقق مما إذا كانت معاملات الميل معاً ذات دلالة (باستخدام اختبار F أو كاي-تربيع). الفرضية الصفرية هي التجانس؛ النتيجة الدالة تعني أن التباين ليس ثابتاً. اختبار White نسخة أكثر عمومية تشمل أيضاً حدود الجداء الاتجاهية.

النقاط المؤثرة: الرافعة

ليست كل قيمة شاذة مضرة للنموذج، وليس كل قيمة غير اعتيادية في المتنبئات (نقطة ذات رافعة عالية) مضرة بالضرورة. الخطر يكمن حين تكون النقطة غير اعتيادية في قيمها X وذات بقية كبيرة — فمثل هذه النقاط يمكنها أن تسحب خط الانحدار نحوها بقوة.

الرافعة hᵢᵢ للمشاهدة i هي العنصر القطري رقم i لمصفوفة القبعة H = X(X′X)⁻¹X′. تقيس مدى بُعد قيم المتنبئات للمشاهدة i عن مركز جميع قيم المتنبئات:

الرافعة العالية وحدها ليست بالضرورة ضارة. النقطة ذات قيمة X متطرفة مع بقية متسقة مع النموذج تُلائَم تماماً — بل هي مفيدة في تقدير الميل بدقة في تلك المنطقة. المشاكل تنشأ فقط حين تجتمع الرافعة العالية مع بقية كبيرة.

مسافة كوك

مسافة كوك Dᵢ تجمع الرافعة وحجم البقية في مقياس واحد لمدى تغير متجه المعاملات حين تُحذف المشاهدة i:

العتبات الشائعة: مسافة كوك > 1 هي عتبة "مؤثرة جداً" التقليدية. النهج الحديث يرسم Dᵢ مقابل فهرس المشاهدة ويبحث عن النقاط البارزة — حتى D < 1 قد يثير القلق إن كانت مشاهدة واحدة متعالية بوضوح على الأخريات. DFFITS وDFBETAS مقاييس مرتبطة يمكنها تحديد أي معامل يتأثر أكثر.

التحويلات

كثير من العلاقات الواقعية غير خطية، وكثير من المتغيرات التابعة لها أخطاء غير طبيعية وغير متجانسة في مقياسها الخام. يمكن للتحويل المُختار جيداً أن يُخطّط العلاقة ويُستقر التباين في آنٍ واحد، مما يتيح تطبيق OLS بشكل صحيح.

تحويل اللوغاريتم هو أكثر التحويلات فائدةً في الانحدار. حين يكون Y موجباً وملتوياً يميناً (الدخل، الأسعار، التركيزات)، يُنتج أخذ log(Y) كمتغير تابع بواقيَ أكثر طبيعيةً وأكثر تجانساً عادةً. يعني النموذج log(Y) = β₀ + β₁X أن زيادة X بوحدة واحدة يضرب Y في e^(β₁) — أثر تضاعفي لا جمعي.

عائلة Box-Cox من التحويلات الأسية تُعمّم اللوغاريتم والجذر التربيعي في عائلة واحدة ذات معامل:

تحويل المتنبئات مفيد أيضاً. إن أظهر مخطط Y مقابل X علاقةً منحنية، يمكن إضافة X² (انحدار كثير الحدود) أو أخذ log(X) لتخطيطها. لمتنبئات الأعداد الصحيحة المحدودة عند الصفر، يتجنب log(1 + X) مشكلة log(0). كن منتبهاً لأن تحويل المتغير التابع يُغيّر تفسير جميع المعاملات ويُعقّد استرجاع التنبؤات قليلاً (يُتنبأ بالوسط الهندسي لـY لا بالوسط الحسابي).

الأخطاء المعيارية المتينة لعدم التجانس

حين يكون عدم التجانس موجوداً لكنك لا تريد تحويل المتغير التابع أو فرض نموذج تباين، توفر الأخطاء المعيارية المتسقة مع عدم التجانس (HC) — تُسمى أيضاً أخطاء "ساندويش" أو "متينة" — استدلالاً صالحاً دون اشتراط ثبات Var(εᵢ).

الفكرة: مصفوفة التباين-التغاير القياسية في OLS وهي (X′X)⁻¹σ² تفترض أن كل مربع خطأ εᵢ² يساوي نفس σ². يستعيض مُقدِّر HC عن σ² بمربع البقية الفعلي eᵢ² لكل مشاهدة ثم يحسب المتوسط بشكل مناسب:

لا تُغيّر الأخطاء المعيارية المتينة تقديرات النقطة β̂ — فقط الأخطاء المعيارية (وبالتالي إحصائيات t وفترات الثقة). تُستخدم على نطاق واسع في الاقتصاد القياسي والعلوم السياسية والصحة العامة. في R استخدم coeftest(..., vcov = vcovHC(...)) من حزمة sandwich؛ في Python استخدم fit().get_robustcov_results(cov_type='HC3') من statsmodels.