A simple tool for weighted averaging of inconsistent data sets

إليك ملخص تقني مفصل للورقة البحثية بعنوان "أداة بسيطة للمتوسط الموزون لمجموعات البيانات غير المتسقة" من إعداد م. تراسينيلي وم. ماكستون.

1. بيان المشكلة

الطريقة القياسية لدمج القياسات المستقلة لنفس الكمية هي المتوسط الموزون بالتباين العكسي (المتوسط الموزون القياسي). ورغم أنها طريقة بسيطة تحليلياً ومقبولة عالمياً، إلا أنها تفشل عندما تكون مجموعات البيانات غير متسقة (أي عندما يتجاوز تشتت نقاط البيانات قيم عدم اليقين المُبلغ عنها).

• قصور الطرق القياسية: تفترض الطريقة القياسية أن قيم عدم اليقين المُبلغ عنها ($\sigma_i$) دقيقة تماماً. وإذا كانت البيانات غير متسقة بسبب أخطاء نظامية غير منضبطة أو انحيازات، فإن الطريقة القياسية تعطي نتيجة نهائية لعدم اليقين تعتمد فقط على $\sigma_i$ المدخلة، متجاهلة التشتت الفعلي للبيانات. وهذا يؤدي إلى نتائج دقيقة بشكل مضلل.
• قصور البدائل الموجودة: تشمل الإصلاحات الشائعة نسبة بيرج (Birge ratio)، والتي تقوم بتوسيع نطاق جميع قيم عدم اليقين بمعامل مشترك لجعل قيمة $\chi^2$ المختزلة تساوي الوحدة. ومع ذلك، يفترض هذا النهج وجود عامل توسيع مشترك لجميع القياسات، وهو أمر غير مناسب للمقارنات بين المختبرات حيث تختلف الأخطاء النظامية بين المجموعات. أما الطرق الأخرى التي تتضمن انحيازات عشوائية أو نماذج بايزية معقدة، فغالباً ما تفرض الكثير من الافتراضات أو المعلمات، مما يقلل من عموميتها وسهولة استخدامها.

2. المنهجية

يقترح المؤلفان بديلاً قوياً يعتمد على الإحصاء البايزي (Bayesian statistics)، وتحديداً الطريقة التي صاغها سيفيا (1996) وسيفيا وسكيلينج (2006).

الافتراضات الجوهرية

• الإطار المتشائم (Pessimistic Framework): يتم التعامل مع عدم اليقين المُبلغ عنه $\sigma_i$ لكل معلومة ليس كقيمة حقيقية لعدم اليقين، بل كـ حد أدنى لعدم اليقين الحقيقي المجهول $\sigma'_i$.
• التهميش (Marginalization): إن عدم اليقين الحقيقي $\sigma'_i$ مجهول. ويتم الحصول على توزيع الاحتمالية لكل نقطة بيانات من خلال تهميش $\sigma'_i$ باستخدام توزيع احتمالي سابق $p(\sigma'_i)$.
• لا يوجد توسيع مشترك: على عكس نسبة بيرج، لا تفترض هذه الطة وجود عامل توسيع مشترك أو انحياز عشوائي لمجموعة البيانات بأكملها؛ بل يتم التعامل مع كل معلومة بشكل مستقل فيما يتعلق باحتمالية التقليل من قدر عدم اليقين الخاص بها.

نهجان محددان

استنتجت الورقة وقارنت بين تنفيذين محددين لهذا الإطار:

1. النهج المحافظ (The Conservative Approach):

   • يستخدم توزيعاً سابقاً $p(\sigma'_i) \propto 1/(\sigma'_i)^2$.
   • النتيجة (Likelihood): تصبح دالة الإمكان لبيان واحد عبارة عن توزيع غاوسي ذي "ذيول ثقيلة" تتناسب مع $1/(x_i - \mu)^2$.
   • الأثر: هذا التوزيع أكثر تسامحاً مع القيم المتطرفة من التوزيع الغاوسي، ولكنه أقل تطرفاً من نهج جيفريز.

2. نهج توزيع جيفريز السابق (The Jeffreys' Prior Approach) - (المقترح كحل أساسي):

   • يستخدم التوزيع السابق غير المعلوماتي لـ جيفريز $p(\sigma'_i) \propto 1/\sigma'_i$.
   • لتجنب التباعد، نظر المؤلفان في الحد الذي يقترب فيه الحد الأعلى لعدم اليقين ($\sigma_{max}$) من اللانهاية.
   • النتيجة (Likelihood): تمتلك دالة الإمكان ذيولاً تنخفض بمعدل $1/(x_i - \mu)$، وهي أبطأ حتى من النهج المحافظ.
   • الميزة: يوفر هذا أقصى قدر من المتانة ضد القيم المتطرفة وعدم الاتساق دون الحاجة إلى معلمات اختيارية مثل $\sigma_{max}$.

التنفيذ

• على عكس المتوسط الموزون القياسي، لا توفر هذه الطرق حلاً تحليلياً مغلقاً للمتوسط ($\hat{\mu}$) أو عدم اليقين الخاص به ($\hat{\sigma}_{\mu}$).
• قدم المؤلفان مكتبة بايثون (bayesian_average) تستخدم الأمثلة العددية لإيجاد الحد الأقصى لدالة الإمكان وحساب عدم اليقين.
• تتعامل الطريقة بشكل طبيعي مع تعدد الأنماط (multimodality) وعدم التماثل في التوزيع الاحتمالي النهائي، وهو ما لا تستطيع الطرق القياسية القيام به.

3. المساهمات الرئيسية

1. أداة متوسط قوية: تنفيذ عملي ومتاح مجاناً بلغة بايثون لطريقة سيفيا/سكيلينج للترجيح البايزي، مما يجعلها متاحة لغير الخبراء في علم القياس (metrology).
2. التبرير النظري: اشتقاق واضح يوضح أن التعامل مع عدم اليقين المُبلغ عنه كحدود دنيا يؤدي إلى دوال إمكان ذات ذيول ثقيلة، مما يقلل وزن القيم المتطرفة تلقائياً دون الحاجة لمعايير رفض تعسفية.
3. التحليل المقارن: اختبار معياري شامل للمنهج المقترح مقابل المتوسطات الموزونة القياسية، وتصحيحات نسبة بيرج، والنماذج البايزية الأخرى عبر بيانات اصطناعية وواقعية.

4. النتائج والتطبيقات

اختبر المؤلفون الطريقة على ثلاث فئات متميزة من البيانات:

أ. البيانات الاصطناعية

• البيانات المتسقة: أنتج منهج جيفريز نتائج متسقة مع المتوسط القياسي ولكن مع عدم يقين أكبر قليلاً (أكثر واقعية).
• البيانات غير المتسقة (انحياز عشوائي): قللت الطريقة القياسية من تقدير عدم اليقين بشكل كبير. أما منهج جيفريز فقد قام بتوسيع عدم اليقين بشكل صحيح ليعكس تشتت البيانات (حوالي 6 أضعاف أكبر من الطريقة القياسية في حالة الاختبار).
• القيم المتطرفة: عند إدخال قيمة متطرفة بمقدار $5\sigma$، انزاح المتوسط القياسي بشكل حاد نحو القيمة المتطرفة. بينما ظل منهج جيفريز مستقراً، حيث تسببت القيمة المتطرفة فقط في عدم تماثل طفيف في ذيول دالة الإمكان بدلاً من إزاحة المتوسط.

ب. ثابت الجاذبية النيوتني ($G$)

• طُبقت على مجموعات بيانات CODATA (1969–2022).
• حالة عام 1998: احتوت مجموعة بيانات معينة على قياس دقيق للغاية تبين لاحقاً أنه يحتوي على خطأ نظامي كبير (قيمة متطرفة).
  • تطلبت الطريقة القياسية (مع نسبة بيرج) معامل توسيع قدره 37 لاستيعاب القيمة المتطرفة.
  • منهج جيفريز تعامل مع القيمة المتطرفة بشكل طبيعي، واستعاد قيمة متوسطة قريبة من توصية CODATA الحديثة مع عدم يقين منطقي، دون الحاجة إلى عوامل توسيع ارتجالية.

ج. خصائص الجسيمات (مجموعة بيانات الجسيمات - PDG)

• تم الاختبار على خصائص جسيمات مختلفة (مثل عمر النيوترون، كتلة الكاون، نصف قطر بروتون).
• الاتفاق العام: بالنسبة لمعظم الخصائص، اتفقت قيمة جيفريز الموزونة جيداً مع قيم PDG الموصى بها، وإن كان ذلك مع عدم يقين أكبر قليلاً (بحد أقصى عامل ~2.2).
• كشف التوزيعات المعقدة: نجحت الطريقة في تحديد الحالات التي يكون فيها التوزيع الاحتمالي النهائي متعدد الأنماط أو غير متماثل للغاية (مثل نصف قطر البروتون).
  • في حالة نصف قطر البروتون، أظهر التوزيع قمتين متميزتين (ثنائي النمط). ويجادل المؤلفان بأنه في مثل هذه الحالات، يكون "المتوسط الموزون" الوحيد بلا معنى فيزيائي، ويجب الإبلاغ عن التوزيع الاحتمالي الكامل. وهذا يتماشى مع توصيات PDG ولكنه يمكن تشخيصه بسهولة أكبر باستخدام مخرجات هذه الطريقة.

5. الأهمية والخاتمة

• العمومية: تتطلب الطريقة افتراضات دنيا (فقط أن $\sigma_i$ هو حد أدنى) وتتجنب النمذجة المعقدة للأخطاء النظامية.
• المتانة: تتميز بمقاومة عالية للقيم المتطرفة والبيانات غير المتسقة، مما يجعلها متفوقة على طريقة التباين العكسي القياسية في المقارنات بين المختبرات.
• الشفافية: من خلال تقديم دالة الإمكان الكاملة، تكشف الطريقة عن المشكلات (مثل تعدد الأنماط) التي تخفيها المتوسطات القياسية. وهذا يسمح للباحثين باتخاذ قرارات مدروسة بدلاً من الاعتماد على رقم واحد قد يكون مضللاً.
• العملية: تجسر مكتبة بايثون المقدمة الفجوة بين النظرية البايزية المعقدة والتحليل اليومي للبيانات، مما يوفر بديلاً جاهزاً للاستخدام المباشر للمتوسطات القياسية في السيناريوهات التي يُشتبه فيها بوجود عدم اتساق في البيانات.

الحكم النهائي: تدعو الورقة إلى اعتماد المتوسط الموزون بجيفريز كأداة قوية وعامة لتحليل البيانات العلمية، خاصة عند التعامل مع مجموعات البيانات غير المتسقة، أو القيم المتطرفة، أو المقارنات بين المختبرات حيث يصعب تحديد الأخطاء النظامية. وتؤكد أنه على الرغم من قوة الطريقة، يجب فحص توزيع الاحتمالية الناتج بحث تعدد الأنماط قبل الإبلاغ عن قيمة متوسط واحدة.