Interpretable models for forecasting high-dimensional functional time series

إليك ملخص تقني مفصل لورقة البحث بعنوان "نماذج قابلة للتفسير للتنبؤ بالسلاسل الزمنية الوظيفية عالية الأبعاد" من إعداد شانغ وجيمينيز-فارون.

1. بيان المشكلة

تتناول الورقة تحدي نمذجة والتنبؤ بـ السلاسل الزمنية الوظيفية عالية الأبعاد (HDFTS). تتميز هذه السلاسل بـ:

• الاعتماد الزمني: تطور الملاحظات عبر الزمن.
• الاعتماد عبر المقاطع العرضية: وجود ارتباط بين المنحنيات الوظيفية المتعددة (مثل معدلات الوفيات عبر مناطق مختلفة).
• الأبعاد العالية: غالباً ما يتجاوز عدد الوحدات في المقاطع العرضية ($N$، مثل المحافظات) عدد النقاط الزمنية ($T$).

القصور الرئيسي للأساليب الحالية:
تعد الأساليب المتطورة الحالية، مثل نماذج العامل الوظيفي باستخدام تحليل المكونات الرئيسية (PCA)، فعالة حاسوبياً لتقليل الأبعاد ولكنها تفتقر غالباً إلى القابلية للتفسير. فالأعضاء الكامنة ومصفوفات التحميل الناتجة هي كيانات رياضية ("صناديق سوداء") لا تتوافق مباشرة مع محركات واقعية ملموسة (مثل مناطق جغرافية محددة أو فئات ديموغرافية مثل الجنس). وهذا يحد من فائدتها في صنع السياسات القائمة على الأدلة حيث يكون فهم مصدر التباين أمراً بالغ الأهمية.

2. المنهجية

يقترح المؤلفون إطار عمل للتحلل الهيكلي القابل للتفسير يفصل بين هياكل المتوسط الحتمية والعمليات العشوائية المتبقية. تتكون المنهجية من ثلاث مراحل متتالية:

المرحلة الأولى: تحليل التباين الوظيفي ثنائي الاتجاه (TWA-FANOVA)

يتم تحليل السلسلة الزمنية الوظيفية عالية الأبعاد ($Y_{it}^g(u)$) إلى هيكل متوسط حتمي وعملية متبقية:
$$Y_{it}^g(u) = \mu(u) + \alpha_i(u) + \delta_g(u) + \gamma_{ig}(u) + X_{it}^g(u)$$
حيث أن:

• $\mu(u)$: المتوسط العام الوظيفي.
• $\alpha_i(u)$: تأثير الصف الوظيفي (المحافظة/المنطقة).
• $\delta_g(u)$: تأثير العمود الوظيفي (الجنس).
• $\gamma_{ig}(u)$: حد التفاعل بين المنطقة والجنس.
• $X_{it}^g(u)$: المكون المتغير زمنياً للمتبقي.

على عكس الأعمال السابقة، يقدر هذا النموذج صراحةً حد التفاعل $\gamma_{ig}(u)$ لالتقاط التباين بين المجموعات.

المرحلة الثانية: تحليل التباين الوظيفي أحادي الاتجاه (OWA-FANOVA)

لزيادة تنقية حد التفاعل والمتبقيات من المرحلة الأولى، يطبق المؤلفون تحليل التباين الوظيفي أحادي الاتجاه على الحد المشترك $X_{it}^{g,\dagger}(u) = \gamma_{ig}(u) + X_{it}^g(u)$:
$$X_{it}^{g,\dagger}(u) = \theta^g(u) + \eta_i^g(u) + R_{it}^g(u)$$

• $\theta^g(u)$: الأثر العام للجنس $g$.
• $\eta_i^g(u)$: أثر المتوسط الخاص بالمحافظة للجنس $g$.
• $R_{it}^g(u)$: عملية المتبقي العشوائية المتبقية.

تعمل هذه الخطوة على عزل الأنماط الإقليمية الحتمية الخاصة بكل جنس، مما يترك متبقياً عشوائياً صرفاً.

المرحلة الثالثة: نموذج العامل الوظيفي (FFM)

يتم نمذجة المتبقيات العشوائية المتبقية $R_{it}^g(u)$ باستخدام نموذج عامل وظيفي موحد (يوحد العوامل القياسية مع التحميلات الوظيفية والعكس):
$$R_{it}^g(u) = \sum_{k=1}^{k^*} \int B_{ik}^g(u, v) F_{tk}^g(v) dv + \varepsilon_{it}^g(u)$$

• $F_{tk}^g(v)$: العوامل الكامنة المتغيرة زمنياً.
• $B_{ik}^g(u, v)$: تحميلات العامل الوظيفي.
• يتم اختيار عدد العوامل ($q$) باستخدام معيار معلومات (Leng et al., 2026).

التنبؤ وتقدير عدم اليقين

• تنبؤات النقطة: التنبؤ النهائي هو مجموع المكونات الحتمية المقدرة (من TWA و OWA) والمكون العشوائي المتوقع (من FFM).
• تنبؤات الفترات: لتقدير عدم اليقين دون الاعتماد على افتراضات توزيع صارمة، استخدم المؤلفون التنبؤ الموحد (Conformal Prediction):
  • التنبؤ الموحد المنقسم (Split Conformal): يستخدم مجموعة تحقق لمعايرة معاملات الضبط بناءً على الإحصاءات الملخصة للمتبقيات (الانحراف المعياري أو الربيعات).
  • التنبؤ الموحد المتسلسل (Sequential Conformal): نهج مستقل عن النموذج يقوم بتحديث الربيعات التنبؤية ذاتياً مع وصول بيانات جديدة، مما يتجنب الحاجة إلى مجموعة تحقق ثابتة.

3. المساهمات الرئيسية

1. القابلية للتفسير: يستبدل إطار العمل العوامل الكامنة "الصندوق الأسود" بمكونات محددة هيكلياً (المتوسط العام، المنطقة، الجنس، التفاعل)، مما يسمح لصناع السياسات بنسب التباينات مباشرة إلى محركات ديموغرافية أو جغرافية محددة.
2. التحلل الهرمي: التكامل الجديد بين TWA-FANOVA و OWA-FANOVA ونماذج العامل الوظيفي يسمح بفصل دقيق للتباين المنهجي (الحتمي) عن الديناميكيات العشوائية.
3. تقدير قوي لعدم اليقين: يوفر تطبيق التنبؤ الموحد (خاصة التنبؤ الموحد المتسلسل) فترات تنبؤ موثوقة تكون قوية تجاه سوء توصيف النموذج والقيود المرتبطة بالعينات المحدودة.
4. التحقق التجريبي: تثبت الدراسة أن نمذجة حد التفاعل (المنطقة $\times$ الجنس) صراحةً يحسن دقة كل من تنبؤات النقطة والفترات مقارنة بالنماذج التي تتجاهل هذا التفاعل.

4. النتائج

تم تقييم الطرق باستخدام معدلات الوفيات النوعية حسب العمر والجنس في اليابان (1975-2023) عبر 47 محافظة.

• دقة تنبؤ النقطة:

  • تفوق الإطار المقترح (TWA + OWA + FFM) باستمرار على الطريقة المرجعية (TWA + Multivariate Functional Time Series) والنسخة المبسطة (TWA + FFM).
  • المقاييس: حققت الطريقة المقترحة أدنى خطأ جذر متوسط مربعات التنبؤ (RMSFE) ومتوسط خطأ التنبؤ المطلق (MAFE) عبر آفاق زمنية تتراوح من خطوة واحدة إلى 10 خطوات للأمام لكل من الذكور والإناث.
  • النتيجة الرئيسية: أدى تضمين خطوة OWA-FANOVA (لالتقاط حد التفاعل) إلى تحسن طفيف ولكن مستمر في الدقة، مما يؤكد أن التباين الإقليمي يختلف بشكل كبير حسب الجنس.

• دقة تنبؤ الفترات:

  • وفر التنبؤ الموحد المتسلسل عموماً احتمالات تغطية أفضل (أقرب إلى 95% الاسمية) مقارنة بالتنبؤ الموحد المنقسم، الذي مال إلى نقص التغطية في الآفاق الزمنية الطويلة.
  • أنتج الإطار المقترح فترات تنبؤ أضيق (حدة أفضل) مع تغطية مماثلة أو أفضل من الطرق المرجعية، مما أدى إلى درجات (IS) فائقة.

5. الأهمية

• الصلة بالسياسات: من خلال تحليل اتجاهات الوفيات إلى مكونات قابلة للتفسير (على سبيل المثال، "كم منها يعود للاختلافات الإقليمية مقابل الاختلافات بين الجنسين")، يوفر النموذج رؤى شفافة لصناع السياسات المحليين والوطنيين فيما يتعلق بتخصيص الموارد لأنظمة التقاعد والرعاية الصحية.
• التقدم المنهجي: تسد الورقة الفجوة بين الكفاءة الإحصائية عالية الأبعاد والحاجة إلى القابلية للتفسير في تحليل البيانات الوظيفية. وتثبت أن التحلل الهيكلي لا يضحي بأداء التنبؤ؛ بل يعززه من خلال عزل الإشارة عن الضوضاء بشكل أفضل.
• القابلية للتعميم: رغم تطبيقها على بيانات الوفيات، فإن إطار العمل قابل للتطبيق في مجالات أخرى من السلاسل الزمنية الوظيفية عالية الأبعاد، مثل منحنيات درجات الحرارة عبر محطات الأرصاد الجوية أو منحنيات العوائد المالية عبر مئات الأسهم.

في الختام، تقدم الورقة إطار عمل قوياً وقابلاً للتفسير ودقيقاً للتنبؤ بالبيانات الوظيفية المعقدة، وتثبت أن نمذجة التفاعلات الهيكلية صراحةً واستخدام التنبؤ الموحد لتقدير عدم اليقين يؤديان إلى نتائج متفوقة لاتخاذ القرارات القائمة على الأدلة.