Plotting correlated data
تتناول هذه الورقة أوجه القصور في مخططات أشرطة الخطأ القياسية عندما تكون حالات عدم اليقين في البيانات مترابطة، وتقترح تقنيات تصور محسنة، مثل عرض المكون الرئيسي الأول والشكوك الشرطية، لتمكين تقييم أكثر دقة للتوافق بين النموذج والبيانات.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك محقق يحاول حل لغز ما. لديك قائمة من الأدلة (نقاط البيانات)، وكل دليل يأتي مع "هامش خطأ" (مدى عدم تأكدك بشأن ذلك الدليل تحديداً). عادةً ما يرسم العلماء هذه الأدلة على رسم بياني مع خطوط رأسية صغيرة (أشرطة الخطأ) توضح مدى مساحة المناورة لديهم.
المشكلة: وهم "الذئب المنفرد"
في الطريقة القديمة المتبعة، كان العلماء يعاملون كل دليل كما لو كان "ذئباً منفرداً". افترضوا أنه إذا كان الدليل (أ) خاطئاً، فليس له علاقة بالدليل (ب). رسموا أشرطة الخطأ لكل دليل بشكل مستقل.
لكن في العالم الحقيقي، غالباً ما تتحدث الأدلة مع بعضها البعض. إذا كان الدليل (أ) خاطئاً، فمن المرجح أن يكون الدليل (ب) خاطئاً بنفس الطريقة تماماً. وهذا ما يسمى الارتباط (Correlation).
تجادل الورقة البحثية بأنه عندما نتجاهل هذه الروابط، يصبح الرسم البياني الخاص بك كاذباً.
- التشبيه: تخيل أنك تحاول تخمين حالة الطقس في ثلاث مدن مجاورة. إذا أمطرت في المدينة (أ)، فمن المؤكد تقريباً أنها ستمطر في المدينة (ب) والمدينة (ج). إذا رسمت ثلاثة لافتات منفصلة لـ "ربما تمطر" لكل مدينة، فقد تعتقد أن نموذجاً يتوقع "مشمس في كل مكان" هو نموذج سيء لأنه أخطأ في توقع المطر في المدينة (أ). ولكن إذا أدركت أن المطر هو حدث مرتبط بالنظام ككل (جبهة عاصفة)، فقد يكون هذا النموذج خاطئاً بطريقة محددة ومتوقة للغاية.
- مثال الورقة البحثية: تعرض الورقة رسماً بيانياً حيث يبدو النموذج (M2) مثالياً لأنه يظل داخل أشرطة الخطأ لجميع النقاط. ولكن لأن النقاط "مرتبطة"، فإن النموذج في الواقع سيء جداً. الأمر يشبه طالباً يحصل على الإجابة الصحيحة في الاختبار عن طريق تخمين نفس الإجابة الخاطئة لكل سؤال؛ يبدو وكأنه يتبع النمط، لكنه فشل في المنطق.
الحل: طرق جديدة لرسم الصورة
يقترح المؤلف، لوكاس كوش، ثلاث طرق جديدة لرسم هذه الرسوم البيانية حتى نتمكن من رؤية "الروابط غير المرئية" بين نقاط البيانات.
1. خريطة "هينتون" (النرد الموزون)
بدلاً من مجرد إظهار أشرطة الخطأ، نحتاج إلى إظهار خريطة لكيفية اتصال الأدلة ببعضها.
- الطريقة القديمة: خريطة حرارية ملونة. إذا قمت بطباعتها باللون الأبيض والأسود أو إذا كنت مصاباً بعمى الألوان، فستبدو ككتلة رمادية ضبابية. لا يمكنك معرفة ما إذا كان نقطتان "صديقتين" (ارتباط إيجابي) أم "عدوتين" (ارتباط سلبي).
- الطة الجديدة (مخطط هينتون): تخيل شبكة من المربعات. بدلاً من استخدام الألوان، نستخدم الحجم.
- المربع الكبير يعني اتصالاً قوياً.
- المربع الصغير يعني اتصالاً ضعيفاً.
- اللون (الأسود أو الأبيض) يخبرك ما إذا كانوا أصدقاء أو أعداء.
- لماذا هي رائعة: حتى باللون الأبيض والأسود، أو لشخص لا يستطيع تمييز الألوان، فإن فرق الحجم يكون واضحاً. إنه يشبه رؤية مصافحة ضخمة مقابل موجة صغيرة.
2. طريقة "الحبل" (خطوط الارتباط)
هذه الطريقة مخصصة لإظهار كيف يؤثر الجيران على بعضهم البعض.
- التشبيه: تخيل أن نقاط البيانات هم أشخاص يقفون في صف، وكل منهم يمسك ببالون (شريط الخطأ الخاص به).
- إذا كانوا أصدقاء (ارتباط إيجابي)، فهم يمسكون بالوناتهم على نفس الجانب (كلاهما يميناً أو كلاهما يساراً). إذا رسمت حبلاً بينهما، فسيكون مستقيماً.
- إذا كانوا أعداء (ارتباط سلبي)، فإن أحدهم يمسك بالون على اليسار، والآخر على اليمين. إذا رسمت حبلاً بينهما، فسوف يتقاطع مثل حرف "X".
- ماذا تخبرك: إذا رأيت حبلاً يتقاطع، فأنت تعلم أنه إذا تحرك شخص ما للأعلى، فمن المرجح أن يتحرك جاره للأسفل. هذا يساعدك على معرفة ما إذا كان النموذج يتبع "رقصة" البيانات أم يصارعها.
3. طريقة "الظل" (المكونات الرئيسية)
أحياناً، لا تكون المشكلة الكبرى في الجيران فقط؛ بل في قوة عاتية تدفع كل البيانات في اتجاه واحد في آن واحد.
- التشبيه: تخيل مجموعة من الناس يحاولون السير في خط مستقيم، لكن رياحاً عاتية تهب عليهم جميعاً وتدفعهم جانباً.
- الصندوق الخارجي (شريط الخطأ الكبير) يوضح إجمالي عدم اليقين، بما في ذلك تأثير الرياح.
- المثلث الداخلي يوضح ما سيكون عليه عدم اليقين إذا توقفت الرياح (عدم اليقين "الجوهري").
- المنطقة المخططة (الظل بين الصندوق والمثلث) تظهر "الرياح" نفسها.
- الخدعة: إذا وقع توقع النموذج في منطقة الظل "الريحية"، فقد يكون في الواقع ملائماً جيداً! لقد تم دفع المجموعة بأكملها بعيداً عن المسار معاً فحسب. إذا حاول النموذج محاربة الرياح (الذهاب عكس اتجاه التخطيط)، فهو نموذج سيء.
الخلاصة الكبرى
الورقة البحثية تقول باختاًصار: "لا تنظروا فقط إلى النقاط؛ انظروا إلى الخيوط غير المرئية التي تربطها ببعضها البعض."
من خلال إضافة هذه الإشارات البصرية (خرائط تعتمد على الحجم، حبال متقاطعة، وظلال مخططة)، يمكن للعلماء التوقف عن الانخداع بالرسوم البيانية التي تبدو جيدة ولكنها في الواقع خاطئة. هذا يجعل البيانات أكثر صدقاً، وأكثر سهولة في الوصول (حتى للقراء المصابين بعمى الألوان)، ويساعد الجميع على فهم لماذا يناسب النموذج أو يفشل، بدلاً من مجرد التخمين.
باختاًصر: توقف عن النظر إلى نقاط البيانات بمعزل عن بعضها. انظر إلى كيفية رقصها معاً، وسترى الحقيقة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.