On tail-robust autocovariance matrix estimation for high-dimensional and potentially nonstationary time series

في العالم الحديث، لا تصل البيانات غالبًا كحقائق معزولة، بل كتدفق مستمر من الملاحظات المتصلة. تسجل محطة الأرصاء الجوية درجة الحرارة كل ساعة؛ ويتتبع متتبع سوق الأسهم الأسعار كل ثانية؛ وتجمع وكالة حكومية المؤشرات الاقتصادية كل شهر. وعندما تأتي هذه التدفقات من مصادر مختلفة عديدة في آن واحد — كأن تكون مئات المتغيرات الاقتصادية التي يتم تتبعها في وقت واحد — فإنها تشكل ما يسميه الإحصائيون السلاسل الزمنية عالية الأبعاد. ويتمثل التحدي الذي يواجه العلماء في فهم كيفية تحرك هذه المتغيرات معًا بمرور الوقت. إنهم يبحثون عن أنماط في كيفية ارتباط تغير متغير ما اليوم بتغيرات في متغير آخر بالأمس أو في الشهر الماضي. وللقيام بذلك، يعتمدون على أداة رياضية تُعرف باسم مصفوفة التغاير الذاتي (autocovariance matrix)، والتي تعمل كخريطة لهذه العلاقات، حيث توضح أي المتغيرات تميل إلى الارتفاع والانخفاض بالتزامن وأيها لا يفعل ذلك.

ومع ذلك، فإن رسم هذه الخريطة أمر صعب للغاية عندما تكون البيانات "فوضوية". فغالبًا ما تحتوي البيانات الواقعية على قيم متطرفة للغاية — وهي قفزات أو هبوطات مفاجئة وضخمة لا تتناسب مع النمط المعتاد. وفي المصطلحات الإحصائية، يُسمى هذا "ثقل الذيول" (heavy-tailedness). تفترض الطرق التقليدية لرسم هذه الخريطة أن البيانات تسلك سلوكًا مهذبًا، حيث تتجمع معظم القيم حول متوسط ما، وتكون القيم المتطرفة نادرة. وعندما تفشل هذه الافتراضات، تصبح الخريطة الناتجة مشوهة، مما يؤدي إلى استنتاجات خاطئة. علاوة على ذلك، غالبًا ما تغير البيانات سلوكها بمرور الوقت، وهي ظاهرة تُعرف باسم "عدم الاستقرار" (nonstationarity)، ربما بسبب سياسة جديدة، أو تحول تكنولوجي، أو أزمة عالمية. وعندما تتغير قواعد اللعبة في منتصف المسار، غالبًا ما تنهار الأدوات القياسية، تاركة الباحثين أمام صورة مضللة إحصائيًا.

قام فريق من الباحثين بتطوير نهج جديد لرسم هذه الخريطة صُمم ليتحمل هذه الظروف الفوضوية. لقد ركزوا على مشكلتين محددتين: وجود القيم المتطرفة القصوى، واحتمالية تغير الأنماط الأساسية للبيانات بمرور الوقت. وبدلاً من الاعتماد على طرق تنهار تحت الضغط، ابتكروا "مُقدِّرات" (estimators) — وهي أدوات لحساب العلاقات بين المتغيرات — تتميز بالمتانة (robust)، بمعنى أنها تظل دقيقة حتى عندما تكون البيانات ذات ذيول ثقيلة أو غير مستقرة. إن عملهم يوفر وسيلة لقياس هذه العلاقات المعقدة بدرجة عالية من اليقين، حتى عندما يكون عدد المتغيرات كبيرًا ولا تتبع البيانات نمطًا بسيطًا يمكن التنبؤ به.

اختبر الباحثون طريقتين محددتين لتحقيق هذه المتانة. تعتمد الطريقة الأولى على تقنية تسمى "تقدير هوبر من النوع M" (Huber's M-estimation)، والتي تعمل أساسًا على تنعيم تأثير القيم المتطرفة من خلال معاملتها بشكل مختلف عن القيم العادية. أما الطريقة الثانية، التي وجدوا أنها أكثر كفاءة من الناحية الحسابية، فتتضمن عملية تسمى "القطع" (truncation). تخيل مرشحًا (فلتر) يضع حدًا لأي قيمة تصبح كبيرة جدًا، مما يمنع رقمًا متطرفًا واحدًا من تشويه الحساب بأكمله. وقد صُممت كلتا الطريقتين للعمل في البيئات عالية الأبعاد، حيث يمكن أن يكون عدد المتغيرات أكبر بكثير من عدد النقاط الزمنية المتاحة. وقد أثبت الفريق رياضيًا أن هذه الطرق توفر حدودًا حادة وموثوقة للخطأ، مما يعني أنه يمكنهم ضمان مدى قرب تقديرهم من العلاقة الحقيقية، بغض النظر عن مدى ثقل ذيول توزيع البيانات.

ولضمان عمل هذه الأدوات في الممارسة العملية، طور الباحثون أيضًا طريقة لاختبار موثوقية نتائجهم. فقد ابتكروا طريقة لمحاكاة توزيع تقديراتهم، مما يسم يسمح لهم بتحديد ما إذا كان النمط المكتشف حقيقيًا أم مجرد صدفة ناتجة عن البيانات. وهذا أمر بالغ الأهمية لاتخاذ القرارات بناءً على البيانات، مثل تحديد متى حدث تغيير هيكلي في نظام اقتصادي. وقد أثبتوا أن نهجهم يمكنه اكتشاف هذه التغييرات بنجاح حتى عندما كانت البيانات مليئة بالضجيج وكان عدد المتغيرات مرتفعًا.

وضع الفريق أساليبهم قيد الاختبار باستخدام كل من البيانات المحاكات والبيانات الاقتصادية الواقعية. في عمليات المحاكاة، قاموا بتوليد بيانات تحاكي سيناريوهات متنوعة من الواقع، بما في ذلك الحالات التي تتبع فيها البيانات توزيعًا طبيعيًا والحالات التي تمتلك فيها ذيولًا ثقيلة، كما هو الحال في الأسواق المالية أو الأحداث الجوية المتطرفة. وقارنوا مُقدِّراتهم المتينة الجديدة بالطرق التقليدية. وأظهرت النتائج أنه بينما أدت الطرق التقلية أداءً جيدًا عندما كانت البيانات نظيفة، إلا أنها فشلت بشكل كبير عندما احتوت البيانات على ذيول ثقيلة. في المقابل، حافظت المُقدِّرات المتينة الجديدة على دقة عالية في جميع السيناريوهات، بما في ذلك تلك التي تحتوي على قيم متطرفة للغاية. كما وجدوا أن المُقدِّر المقطوع (truncated estimator)، الذي كان أسرع في الحساب، قد قدم أداءً يضاهي طريقة هوبر الأكثر تعقيدًا، مما يجعله خيارًا عمليًا للتطبيقات واسعة النطاق.

ولرؤية كيف يعمل هذا في العالم الحقيقي، طبق الباحثون طريقتهم على مجموعة بيانات من المتغيرات الاقتصادية الكلية الشهرية للولايات المتحدة، الممتدة من يناير 1998 إلى ديسمبر 2022. تضمنت هذه المجموعة أكثر من مائة مؤشر اقتصادي مختلف، مثل الإنتاج الصناعي، ومعدلات التوظيف، وأسعار المستهلك. كان الهدف هو اكتشاف ما إذا كانت العلاقات بين هذه المتغيرات تتغير بمرور الوقت، ومتى يحدث ذلك. وباستخدام مُقدِّرهم المتين، حدد الفريق تحولًا جوهريًا في الهيكل الاقتصادي حدث في يونيو 2020. ويتزامن هذا التوقيت مع تفشي جائحة كوفيد-19 في الولايات المتحدة. وكشف التحليل أن الجائحة لم تسبب مجرد صدمة مؤقتة للمتغيرات الفردية فحسب، بل غيرت بشكل جذري كيفية تفاعل هذه المتغيرات مع بعضها البعض. فالعلاقات التي كانت سارية قبل الجائحة لم تعد صالحة بعدها، وهو التغيير الذي استطاعت الطريقة الجديدة تحديده بوضوح.

كما نظر الباحثون في البيانات مع إزاحة زمنية قدرها ثلاثة أشهر لمعرفة ما إذا كان التغيير مرئيًا في الأنماط الفصلية. وكانت النتائج متسقة: كان التحول في يونيو 2020 نقطة تحول رئيسية ليس فقط للبيانات الشهرية، بل للهيكل الفصلي للاقتصاد أيضًا. وعندما قاموا بتصور العلاقات بين المتغيرات قبل وبعد هذا التاريخ، كان الفرق صارخًا. لقد أعيد تنظيم أنماط الاتصال بين المؤشرات الاقتصادية، مما يعكس التأثير العميق للجائحة على المشهد الاقتصادي. في المقابل، عندما استخدموا الطريقة التقليدية غير المتينة لتحليل نفس البيانات، حجب الضجيج والذيول الثقيلة الإشارة، مما جعل من الصعب تحديد التغيير بثقة.

يقدم هذا العمل مجموعة أدوات جديدة لعلماء الإحصاء وعلماء البيانات العاملين مع السلاال الزمنية المعقدة في العالم الحقيقي. ومن خلال توفير طرق مقاومة للقيم المتطرفة وقادرة على التعامل مع الديناميكيات المتغيرة، جعل الباحثون من الممكن استخراج رؤى موثوقة من بيانات كانت في السابق شديدة الفوضى بحيث يصعب تحليلها بفعالية. وتشير نتائجهم إلى أنه في عصر البيانات عالية الأبعاد، حيث الأحداث المتطرفة شائعة والأنظمة تتطور باستمرار، فإن المتانة ليست مجرد ميزة إضافية بل هي ضرورة للاستدلال الدقيق. إن القدرة على اكتشاف التغيرات الهيكلية، مثل التحول الاقتصادي الناجم عن جائحة عالمية، بدقة وثقة، تفتح الباب لفهم أفضل والاستجابة للأنظمة المعقدة والمترابطة التي تحدد عالمنا الحديث.