ماذا تفعل هذه الحاسبة
تطابق هذه الأداة نموذج انحدار المنحنى الذي تختاره مع جدول من القراءات المزدوجة (س، ص) باستخدام طريقة المربعات الصغرى. وتعرض لك المعاملات المطابَقة (A وB، إضافةً إلى C في النموذج التربيعي)، ومعامل الارتباط \(r\) الذي يقيس مدى دقة وصف النموذج للبيانات، وقيمةً مقدَّرة محسوبة مباشرةً من المعادلة المطابَقة. وهي أداة رياضية وإحصائية عامة لا ترتبط بقواعد خاصة بأي بلد أو منطقة.
النماذج السبعة
يمكنك الاختيار بين: الخطي (\(\hat{y} = A + B\,x\))، أو اللوغاريتمي (\(\hat{y} = A + B\,\ln x\))، أو الأسي بالأساس e (\(\hat{y} = A\,e^{Bx}\))، أو الأسي بالأساس ab (\(\hat{y} = A\,B^{x}\))، أو القوة (\(\hat{y} = A\,x^{B}\))، أو المعكوس (\(\hat{y} = A + B/x\))، أو التربيعي (\(\hat{y} = A + B\,x + C\,x^{2}\)). وتُطابَق جميع النماذج عدا التربيعي عبر تحويلها إلى صورة خطية \(Y = a + b\,X\) ثم تطبيق المربعات الصغرى الاعتيادية؛ أما النموذج التربيعي فيُحَل من معادلاته السوية ذات الأبعاد 3×3.
كيفية الاستخدام
أدخِل قيم س وقيم ص على هيئة قائمتين مفصولتين بفواصل ومتساويتين في الطول، ثم اختر نوع الانحدار، وحدِّد ما إذا كنت تريد تقدير ص من س أم تقدير س من ص، واكتب قيمة المدخل المعلومة. بعدها تعرض الحاسبة المعاملات ومعامل الارتباط \(r\) والقيمة المقدَّرة.
شرح المعادلة
بالنسبة للأزواج بعد التحويل الخطي (X، Y): \(b = S_{xy} / S_{xx}\)، و\(a = \bar{Y} - b\,\bar{X}\)، حيث \(S_{xx} = \sum X^2 - n\bar{X}^2\)، و\(S_{xy} = \sum XY - n\bar{X}\bar{Y}\). ويُحسب الارتباط بالعلاقة $$r = \frac{S_{xy}}{\sqrt{S_{xx}\cdot S_{yy}}}$$ ثم تُعاد المعاملات إلى صورتها الأصلية بالتعويض العكسي (مثلًا \(A = e^{a}\) في النموذجين الأسي والقوة).
مثال محلول
لِنأخذ \(x = [1,2,3,4,5,6,7]\) و\(y = [3,5,7,8,11,13,14]\) مع مطابقة خطية: نحصل على \(S_{xx} = 28\) و\(S_{xy} = 53\)، ومن ثَمّ $$B = \frac{53}{28} = 1.892857$$ و$$A = 8.714286 - 1.892857\cdot 4 = 1.142857.$$ ويكون الارتباط $$r = \frac{53}{\sqrt{28\cdot 101.4286}} = 0.99453.$$ وعند تقدير ص عند \(x = 64\) نحصل على $$1.142857 + 1.892857\cdot 64 = 122.2857$$ (وهو استقراء يتجاوز نطاق البيانات بكثير).
خطوة بخطوة: ملاءمة منحنى يدويًا
- اختر النموذج. اختر الخطي أو اللوغاريتمي أو الأسي (صيغة e أو صيغة ab) أو القوى أو العكسي أو التربيعي، بناءً على شكل مخطط الانتشار وما تعرفه عن العملية.
- تحقق من قيود المجال. يتطلب اللوغاريتمي x > 0. يتطلب الأسي y > 0. يتطلب نموذج القوى أن يكون x > 0 وy > 0. يتطلب العكسي x ≠ 0. إذا خالفت أي نقطة بيانات القاعدة، فلا يمكن ملاءمة ذلك النموذج للبيانات.
- حوّل البيانات. استبدل x وy بـ X وY كما يتطلب النموذج: X = ln x، أو Y = ln y، أو X = 1/x. أبقِ المتغير دون تغيير إذا لم يحوّله النموذج.
- احسب المجاميع والمتوسطات ومجاميع المربعات على البيانات المحوّلة (n نقطة):
$$S_{xx}=\sum X^2-\frac{(\sum X)^2}{n},\quad S_{xy}=\sum XY-\frac{\sum X\,\sum Y}{n},\quad S_{yy}=\sum Y^2-\frac{(\sum Y)^2}{n}$$ والمتوسطات \(\bar X=\sum X/n\)، \(\bar Y=\sum Y/n\). - احسب الميل والمقطع للخط المستقيم \(Y = a + bX\):
$$b=\frac{S_{xy}}{S_{xx}},\qquad a=\bar Y-b\,\bar X$$ - أعد التعويض إلى المعاملات الأصلية. بالنسبة للنموذج الأسي بصيغة ab، \(A=e^{a}\) و\(B=e^{b}\). بالنسبة لنموذجي الأسي بصيغة e والقوى، \(A=e^{a}\) و\(B=b\). بالنسبة للنموذجين اللوغاريتمي والعكسي، \(A=a\) و\(B=b\).
- احسب معامل الارتباط:
$$r=\frac{S_{xy}}{\sqrt{S_{xx}\,S_{yy}}}$$ ويُحسب هذا على البيانات المحوّلة. - قدّر. ضع x في المعادلة المُلاءَمة (على سبيل المثال \(\hat y = A\,x^{B}\) في ملاءمة القوى). لتقدير x من y معطاة، أعد ترتيب المعادلة، وتحقق من أن النتيجة تقع ضمن مجال النموذج.
ملاحظة حول التربيعي. التربيعي \(\hat y = A + Bx + Cx^2\) لا يُخطّى إلى الصورة الخطية. بدلًا من ذلك، حُلّ معادلات الاعتدال 3×3:
$$\begin{aligned}\sum y &= nA + B\sum x + C\sum x^2\\ \sum xy &= A\sum x + B\sum x^2 + C\sum x^3\\ \sum x^2y &= A\sum x^2 + B\sum x^3 + C\sum x^4\end{aligned}$$تحتاج إلى المجاميع Σx وΣx² وΣx³ وΣx⁴ وΣy وΣxy وΣx²y. حُلّ النظام بقاعدة كرامر أو بالحذف الغاوسي. يلزم وجود ثلاث قيم مختلفة على الأقل لـ x.
تحويلات التخطية حسب النموذج
| النموذج | المعادلة | X المحوّل | Y المحوّل | الصورة الخطية | إعادة التعويض (a وb من الخط) | قيد المجال |
|---|---|---|---|---|---|---|
| خطي | \(y = A + Bx\) | x | y | \(y = a + bx\) | A = a، B = b | لا يوجد |
| لوغاريتمي | \(y = A + B\ln x\) | ln x | y | \(y = a + bX\) | A = a، B = b | x > 0 |
| أسي (صيغة e) | \(y = A e^{Bx}\) | x | ln y | \(\ln y = a + bx\) | A = ea، B = b | y > 0 |
| أسي (صيغة ab) | \(y = A B^{x}\) | x | ln y | \(\ln y = a + bx\) | A = ea، B = eb | y > 0 |
| قوى | \(y = A x^{B}\) | ln x | ln y | \(\ln y = a + bX\) | A = ea، B = b | x > 0 وy > 0 |
| عكسي | \(y = A + B/x\) | 1/x | y | \(y = a + bX\) | A = a، B = b | x ≠ 0 |
| تربيعي | \(y = A + Bx + Cx^2\) | بدون تخطية | حل معادلات الاعتدال 3×3 | تأتي A وB وC مباشرة من الحل | لا يوجد (يلزم ثلاث قيم مختلفة على الأقل لـ x) | |
تصف الأسيات بصيغة e وبصيغة ab عائلة المنحنى نفسها: \(B_{ab}=e^{B_{e}}\). تعطيان الملاءمة نفسها وR نفسه.
تفسير r والاختيار بين النماذج
- المدى والإشارة. تقع r بين −1 و1. تعني r الموجبة أن Y يميل إلى الزيادة مع X، وتعني السالبة أنه يميل إلى النقصان. تشير |r| القريبة من 1 إلى ملاءمة قوية للصورة المُلاءَمة، وتشير |r| القريبة من 0 إلى ملاءمة ضعيفة.
- النماذج المحوّلة. بالنسبة لملاءمات اللوغاريتمي والأسي والقوى والعكسي، تُحسب r على البيانات المحوّلة (مثلًا ln y مقابل ln x). لذلك لا يمكن مقارنتها مباشرة مع r لملاءمة خطية على المقياس الأصلي. مقارنة النماذج بقيمة r دليل إرشادي تقريبي فقط.
- r² (التباين المفسَّر). r² هي نسبة التباين في Y (المحوّل) التي يفسرها الخط المُلاءَم. مثلًا، r = 0.90 تعطي r² = 0.81، أي أن نحو 81% من التباين مفسَّر.
- الارتباط ليس سببية. لا تُظهر r المرتفعة أن أحد المتغيرين يسبب الآخر، ولا أن النموذج المختار هو العلاقة الحقيقية. قد تلائم منحنيات مختلفة البيانات نفسها بالقدر نفسه تقريبًا.
- تحقق من البواقي. ارسم الفروق بين القيم المرصودة والقيم المُلاءَمة. ينبغي أن تتوزع عشوائيًا حول الصفر. يدل النمط الواضح، مثل المنحنى أو شكل القمع، على أن النموذج غير مناسب، حتى عندما تكون r مرتفعة.
- مخاطر الاستقراء. التقديرات داخل مدى بيانات x (الاستيفاء) عادةً أكثر موثوقية بكثير من التقديرات خارجه. يمكن أن تتباعد المنحنيات الأسية وقوى والتربيعية بحدة خارج البيانات.
- التربيعي مقابل الخطي. يلائم التربيعي دائمًا البيانات نفسها على الأقل بقدر النموذج الخطي، لأن له معاملات أكثر ويحتوي النموذج الخطي كحالة خاصة (C = 0). لذلك لا يبرر الملاءمة الأفضل وحدها الحد الإضافي. فضّل النموذج الأبسط ما لم يكن التحسن ذا معنى وكان الانحناء منطقيًا للعملية.
- حجم العينة. مع عدد قليل جدًا من النقاط، يمكن أن تنشأ قيمة r مرتفعة بالصدفة. استخدم أكبر قدر ممكن من البيانات عمليًا.
الأسئلة الشائعة
كيف نفسّر قيمة r؟ على وجه التقريب: \(0.7 < |r| \le 1\) ارتباط قوي، و\(0.4 < |r| < 0.7\) ارتباط متوسط، و\(0.2 < |r| < 0.4\) ارتباط ضعيف، وأقل من \(0.2\) ارتباط مهمَل.
لماذا تُرفض بعض النماذج؟ لأن النموذجين اللوغاريتمي والقوة يتطلبان \(x > 0\)، والنموذجين الأسي والقوة يتطلبان \(y > 0\)، والنموذج المعكوس يتطلب \(x \ne 0\)، وذلك بسبب تحويلات اللوغاريتم أو المقلوب.
هل يمكنني الاستقراء خارج النطاق؟ نعم، لكن التقديرات الواقعة خارج نطاق البيانات المرصودة تُعَدّ استقراءً، ويجب التعامل معها بحذر.