📊 epidemiology

Horizon-dependent forecast ranking under structural change: a rolling-origin benchmark for global COVID-19 incidence

تُظهر هذه الدراسة أنه في التنبؤ بمعدلات الإصابة العالمية بكوفيد-19 في ظل التغير الهيكلي، غالبًا ما تتفوق النماذج المرجعية البسيطة مثل نموذج الانجراف والنموذج الساذج الموسمي على الأساليب الإحصائية المعقدة، مع اعتماد أداء النموذج الأمثل بشكل قوي على أفق التنبؤ.

المؤلفون الأصليون: Sesay, M. M., Wembo, M. S.

نُشر 2026-03-12

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Sesay, M. M., Wembo, M. S.

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول التنبؤ بحالة الطقس في بلدتك. إذا نظرت فقط إلى السماء الآن، يمكنك تخمين كيف سيكون الحال بعد ساعة. ولكن إذا حاولت تخمين حالة الططق بعد أسبوعين من الآن، فستحتاج إلى نموذج أكثر تعقيداً يأخذ في الاعتبار الفصول، وتيارات المحيط، وأنماط المناخ.

هذه الورقة البحثية تدور حول القيام بالشيء نفسه تماماً، ولكن مع حالات كوفيد-19 بدلاً من سحب المطر. أراد الباحثون معرفة: أي "توقعات طقس" رياضية هي الأفضل للتنبؤ بعدد حالات الفيروس الجديدة؟

إليك قصة نتائجهم، مشروحة ببساطة.

المشكلة الكبرى: العالم كان يتغير بسرعة كبيرة

التنبؤ بانتشار الفيروس أمر صعب لأن القواعد تتغير باستمرار. أحياناً يرتدي الناس الكمامات، وأحياناً لا. أحياناً تزداد عمليات الفحص، وأحياناً تنخفض. البيانات "غير مستقرة" (non-stationary)، وهي طريقة منمقة للقول بأن الأرض تتحرك باستمرار تحت أقدامنا.

إذا استخدمت نموذجاً تم تدريبه على بيانات الشهر الماضي للتنبؤ بالشهر القادم، فقد يفشل تماماً لأن الوضع قد تغير. أدرك الباحثون أن سؤال "أي نموذج هو الأفضل؟" هو السؤال الخاطئ. السؤال الأفضل هو: "أي نموذج هو الأفضل لفترة زمنية محددة؟"

السباق: البسيط مقابل المعقد

أقام الباحثون سباقاً بين نوعين من المتنبئين:

"النماذج المرجعية البسيطة" (المدرسة القديمة): هذه نماذج أساسية جداً.
- الساذج (Naive): "غداً سيكون تماماً مثل اليوم."
- الساذج الموسمي (Seasonal Naive): "الثلاثاء القادم سيكون تماماً مثل الثلاثاء الماضي."
- الانجراف (Drift): "الاتجاه الذي نراه اليوم سيستمر في نفس الاتجاه."
- تشبيه: تخيل سائقاً يستمر في قيادة السيارة في نفس الاتجاه وبنفس السرعة التي يسير بها حالياً.
"النماذج الإحصائية المحولة" (عالية التقنية): هذه محركات رياضية معقدة (مثل ARIMA و ETS و Prophet) تحاول إيجاد أنماط خفية، واتجاهات، ودورات في البيانات.
- تشبيه: تخيل سائقاً لديه حاسوب خارق، ونظام تحديد مواقع (GPS)، وبيانات أقمار صناعية يحاول التنبؤ بكل حفرة ومنعطف.

النتائج: الأمر يعتمد على مدى بُعد المسافة التي تنظر إليها

اختبر الباحثون هذه النماذج لمعرفة مدى جودة تنبؤها بالمستقبل عند "آفاق" زمنية مختلفة (مدى بُعد الفترة التي ينظرون إليها): يوم واحد، 3 أيام، أسبوع واحد، وأسبوعان.

إليكم ما وجدوه:

توقعات اليوم الواحد والأسبوعين (المدى القصير والطويل):
فاز نموذج الانجراف (Drift) (السائق البسيط الذي "يستمر في نفس الاتجاه")! لقد كان من الصعب جداً هزيمته. حتى الحواسيب المعقدة لم تستطع تقديم ما هو أفضل منه بكثير.
- لماذا؟ عندما ينتشر الفيروس بسرعة، يكون "الاتجاه" هو الإشارة الأقوى. النموذج البسيط الذي يتبع الاتجاه فقط يعمل بشكل أفضل من النموذج المعقد الذي يرتبك بمحاولة إيجاد أنماط غير موجودة بعد.
توقعات الـ 3 أيام (المنطقة الوسطى):
فاز نموذج الساذج الموسمي (Seasonal Naive)! هذا هو النموذج الذي يقول: "انظر إلى ما حدث قبل أسبوع من الآن بالضبط".
- لماذا؟ يشير هذا إلى أنه حتى في ظل جائحة فوضوية، كان هناك إيقاع أسبوعي (ربما كان الناس يبلغون عن حالات أكثر في أيام معينة من الأسبوع). النموذج البسيط التقط هذا الإيقاع بشكل أفضل من النماذج المعقدة.
توقعات الـ 7 أيام (علامة الأسبوع الواحد):
فاز نموذج الانجراف (Drift) مرة أخرى.
النماذج المعقدة (ARIMA مقابل ETS):
كانت النماذج المعقدة جيدة، لكن كان بينها منافسة.
- ARIMA كان جيداً للتنبؤات قصيرة المجل (1-3 أيام).
- ETS (التنعيم الأسي) كان أفضل للتنبؤات الطويلة (7-14 يوماً).
- تشبيه: ARIMA يشبه العداء السريع الذي يكون سريعاً في جولة قصيرة. أما ETS فيشبه عداء الماراثون الذي تزداد قوته كلما طالت المسافة.
نموذج "Prophet":
هذا النموذج (الذي صنعته فيسبوك) كان سيئاً للغاية في التنبؤ بعدد الحالات الدقيق. ومع ذلك، كان "حذراً" جداً؛ حيث رسم شبكات أمان واسعة وضخمة حول تنبؤاته.
- تشبيه: تخيل خبير أرصاد جوية يقول: "قد تمطر، أو قد لا تمطر، أو قد يكون إعصاراً". هم تقنياً "على حق" لأنهم غطوا جميع الاحتمالات، لكن تنبؤهم عديم الفائدة لأن "المطر" قد يكون رذاذاً أو تسونامي. لقد كانوا خائفين جداً من أن يكونوا محددين.

اختبار "الأصل المتدحرج" (Rolling Origin)

كيف اختبروا ذلك؟ بدلاً من تدريب نموذج مرة واحدة واختباره مرة واحدة (مثل إجراء اختبار قيادة واحد)، استخدموا طريقة "الأصل المتدحرج":

تشبيه: تخيل أنك تتعلم القيادة. بدلاً من خوض اختبار واحد في اليوم الأول، تخوض اختباراً كل يوم لمدة شهر. في اليوم الثاني، تستخدم ما تعلمته في اليوم الأول للتنبؤ باليوم الثاني. في اليوم الثالث، تستخدم بيانات اليوم الأول والثاني للتنبؤ باليوم الثالث.
هذا يحاكي الواقع، حيث نقوم باستمرار بتحديث توقعاتنا مع وصول بيانات جديدة.

تحول "التغيير الهيكلي"

لاحظ الباحثون أيضاً أن البيانات تغيرت في "مراحل".

المرحلة 1: الفيروس كان في بدايته؛ لم تكن هناك دول كثيرة تبلغ عن الحالات.
المرحلة 2: الفيروس انفجر؛ بدأت دول أكثر في الإبلاغ.
المرحلة 3: الفيروس أصبح في كل مكان؛ وأصبح الإبلاغ مستقراً.

وجدوا أن "أفضل" نموذج يتغير قليلاً اعتماداً على المرحلة التي يمر بها العالم. لكن الدرس الرئيسي ظل كما هو: النماذج البسيطة يصعب هزيمتها بشدة.

الخلاصة الكبرى

الدرس الأكثر أهمية من هذه الورقة هو أنه لا يوجد "نموذج واحد صحيح".

السياق هو الملك: لا يمكنك مجرد اختيار "أفضل" نموذج واستخدامه للأبد. إذا كنت تخطط للغد، استخدم نموذج اتجاه بسيط. إذا كنت تخطط للأسبوع القادم، فربما تستخدم نموذجاً مختلفاً.
لا تستهن بالأشياء البسيطة: في عالم فوضوي ومتغير (مثل الجائحة)، غالباً ما تعمل القواعد البسيطة (مثل "استمر في نفس الاتجاه الذي تسلكه الآن") بشكل أفضل من الخوارزميات المعقدة التي تحاول المبالغة في تحليل البيانات.
تحقق من بياناتك: أحياناً تبدو البيانات غريبة ليس بسبب الفيروس، بل بسبب بدء المزيد من الدول في الإبلاغ عن الأرقام. المتنبئ الجيد يعرف الفرق بين التغيير الحقيقي في الفيروس وبين التغيير في كيفية عدّنا له.

باختصار: عندما يخرج العالم عن السيطرة، فإن أفضل طريقة للتنبؤ بالمستقبل هي مجرد النظر إلى الاتجاه الذي تسلكه الآن وافتراض أنك ستستمر في ذلك الاتجاه. يمكن للحواسيب المتطورة أن تنتظر.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "تصنيف التوقعات المعتمد على الأفق تحت التغير الهيكلي: معيار مرجعي ذو أصل متدحرج لإجمالي حالات الإصابة بـ كوفيد-19 عالميًا."

1. بيان المشكلة

يعد التنبؤ بمعدلات الإصابة بالأمراض المعدية أمراً صعباً بطبيعته بسبب عدم الاستقرار (nonstationarity) في بيانات المراقبة. فخلال الأوبئة مثل كوفيد-19، تتأثر سلاسل البيانات بـ:

التغيرات الهيكلية: التحولات المفاجئة في ديناميكيات الانتقال، والمناعة، والاستجابات السلوكية.
تطور ظروف الإبلاغ: التغيرات في أنظمة المراقبة، والقدرة على الفحص، وعدد الدول المبلغة (توسع التغطية).
الاعتماد على الأفق الزمني: غالباً ما يختلف أداء النماذج بشكل كبير اعتماداً على أفق التوقع (على سبيل المثال، يوم واحد مقابل 14 يوماً).

تعتمد طرق التقييم التقليدية غالباً على تقسيم واحد لبيانات التدريب والاختبار، وهو ما قد يكون هشاً إذا تزامن هذا التقسيم مع مرحلة وبائية غير نمطية. تعالج هذه الدراسة الحاجة إلى إطار تقييم قوي يأخذ في الاعتبار التغيير اله هيكلي ويختبر صراحةً كيف تختلف تصنيفات التوقعات عبر آفاق زمنية مختلفة.

2. المنهجية

بناء البيانات والهدف

مجموعة البيانات: بيانات الإصابة اليومية العالمية بكوفيد-19 من جامعة جونز هوبكينز (JHU) CSSE، والتي تمتد من 22 يناير 2020 إلى 27 يوليو 2020 ( $T=188$ يوماً).
المتغير المستهدف: الهدف الأساسي هو الحالات الجديدة المسجلة يومياً ( $y_t$ ). تم استخدام تحويل استقرار التباين ( $z_t = \log(1 + y_t)$ ) لتقدير النماذج والتقسيم الاسترجاعي.
فحص المتانة: تم إنشاء هدف بديل باستخدام الفرق الأول للحالات التراكمية المؤكدة للتحقق من النتائج ضد عيوب الإبلاغ.

بروتوكول التقييم: الاختبار الخلفي ذو الأصل المتدحرج (Rolling-Origin Backtesting)

استخدمت الدراسة بروتوكول الأصل المتدحرج (walk-forward) لمحاكاة التنبؤ في الوقت الفعلي:

الآفاق الزمنية: تم إنشاء التوقعات لـ $h \in \{1, 3, 7, 14\}$ أيام.
نافذة التدريب: تم استخدام نافذة متوسعة بطول أدنى قدره $W_{min} = 56$ يوماً بشكل افتراضي. تمت إعادة تقدير النماذج عند كل أصل $t$ باستخدام البيانات حتى $t-1$ .
المقاييس: تم قياس الدقة باستخدام متوسط الخطأ المطلق (MAE)، وجذر متوسط مربع الخطأ (RMSE)، ومتوسط نسبة الخطأ المطلق المتماثل (sMAPE)، ومتوسط الخطأ المطلق المقيّس (MASE) على مقياس الإصابة الأصلي.
الاختبار الإحصائي: تم تقييم الفروق الزوجية في الدقة باستخدام اختبار ديبولد-ماريانو (DM) مع فقدان الخطأ المطلق.

نماذج التنبؤ

قارن المعيار بين:

النماذج المرجعية البسيطة:
- النموذج الساذج (Naive): استمرار آخر ملاحظة ( $\hat{y}_{t+h} = y_t$ ).
- النموذج الساذج الموسمي (Seasonal Naive): استمرار القيمة من قبل 7 أيام ( $\hat{y}_{t+h} = y_{t+h-7}$ ).
- النزعة (Drift): استقراء متوسط الاتجاه التاريخي.
النماذج الإحصائية المحولة (المناسبة لـ $\log(1+y_t)$ ):
- نموذج ARIMA(log1p): تم اختيار الرتبة عبر معيار معلومات أكايكي (AIC).
- نموذج ETS(log1p): نماذج حالة التمهيد الأسي (تم اختيار الاتجاه/الموسمية عبر AIC).
النموذج الاحتمالي المرجعي:
- نموذج Prophet(log1p): نموذج تحليل السلاسل الزمنية (مع تفعيل الموسمية الأسبوعية).

تحليل التغير الهيكلي

التقسيم القطاعي الاسترجاعي: تم اكتشاف نقاط الانكسار في السلسلة المستقرة التباين ( $z_t$ ) باستخدام نهج تقليل التكلفة (تقليل مجموع مربعات الانحرافات داخل القطاع).
الاستخدام: استُخدمت نقاط الانكسار هذه فقط لتصنيف أخطاء التوقع استرجاعياً، وليس لتدريب النماذج، لتجنب تسرب المعلومات.
فحوصات المتانة: اختبرت الدراسة الحساسية تجاه إعدادات التقسيم، وسياسات نافذة التدريب (النوافذ المتوسعة مقابل المنزلقة)، وعينات التغطية المستقرة (استبعاد التوسع المبكر في الإبلاغ)، وتعاريف الهدف.

3. المساهمات الرئيسية

التصنيف حسب الأفق الزمني: أثبتت الدراسة أن تصنيفات التوقع تعتمد بقوة على الأفق الزمني؛ فلا يوجد نموذج واحد يهيمن عبر جميع الأطر الزمنية.
التقييم الواعي بالأنظمة (Regime-Aware): أظهرت أنه بينما توجد مراحل هيكلية، تظل النماذج المرجعية البفية منافسة حتى عند تصنيفها حسب هذه المراحل.
المتانة تجاه خيارات التصميم: أثبتت الدراسة أن النتائج الجوهرية (الاعتماد على الأفق وتنافسية النماذج البسيطة) مستقرة عبر مختلف إعدادات التقسيم، وطوال النوافذ التدريبية، وتعاريف الهدف.
تشخيصات Prophet: قدمت تحليلاً نقدياً يوضح أن التغطية الاسمية العالية لفترات التنبؤ لا تعني بالضرورة تنبؤاً مفيداً إذا كانت الفترات واسعة للغاية (ضعف الحدة/Sharpness).

4. النتائج الرئيسية

نتائج المعيار الرئيسي

الاعتماد على الأفق الزمني:
- 1 يوم، 7 أيام، 14 يوماً: كان نموذج النزعة (Drift) هو الأفضل أداءً (أقل MAE).
- 3 أيام: كان نموذج الساذج الموسمي (Seasonal Naive) هو الأفضل، مما يشير إلى أن دورات الإبلاحة الأسبوعية تحتفظ بقيمة تنبؤية حتى في المجموع العالمي غير المستقر.
النماذج الإحصائية:
- كان نموذج ARIMA(log1p) منافساً في الآفاق القصيرة (1 و3 أيام).
- أصبح نموذج ETS(log1p) متفوقاً على ARIMA في الآفاق الأطول (7 و14 يوماً).
- كان نموذج Prophet(log1p) غير تنافسي في التنبؤ بنقاط القيمة، حيث أظهر أخطاءً أعلى بكثير من جميع النماذج الأخرى.
الاختبارات ذات الدلالة الإحصائية (اختبارات Diebold-Mariano):
- تفوق نموذج النزعة (Drift) بشكل ملحوظ على ARIMA وETS عند 1 و7 و14 يوماً.
- تفوق نموذج ETS بشكل ملحوظ على ARIMA عند 7 و14 يوماً.
- عند يوم واحد، لم يكن هناك فرق جوهري بين ETS وARIMA.

سلوك عدم اليقين في Prophet

حقق نموذج Prophet تغطية تجريبية عالية (على سبيل المثال، 96.6% لفترة 80% الاسمية عند $h=1$ ) ولكن من خلال إنتاج فترات تنبؤ واسعة للغاية (متوسط العرض ~428 ألف حالة مقابل إصابات يومية فعلية ~80 ألف).
يشير هذا إلى توقعات مفرطة في التحفظ: النموذج "معاير" بمعناه الفضفاض، لكنه يفتقر إلى "الحدة"، مما يجعله غير مفيد تشغيلياً لاتخاذ القرار.

تحليلات المتانة

التقسيم: كانت مواقع نقاط الانكسار مستقرة نسبياً؛ وظل الاستنتاج الرئيسي (الاعتماد على الأفق) قائماً بغض النظر عن تعريف النظام المستخدم.
نوافذ التدريب: حسنت النوافذ المنزلقة (مثل 84 أو 112 يوماً) أداء ETS في الآفاق المتوسطة والطويلة مقارنة بالنوافذ المتوسعة، مما يسلط الضوء على المقايضة بين سرعة التكيف واستقرار التقدير.
استقرار التغطية: عند قصر العينة على الفترات التي استقرت فيها الدول المبلغة ( $\ge 180$ )، تغير ترتيب الأفق القصير قليلاً (أصبح ETS هو الأفضل عند 3 أيام)، ولكن ظل نموذج النزعة (Drift) هو الأقوى عند 7 و14 يوماً، مما يؤكد أن النماذج البسيطة متينة حتى بعد تقليل عيوب الإبلاغ.
تعريف الهدف: لم يغير استخدام الإصابة المعاد بناؤها (الفروق التراكمية) من هيكل ترتيب النماذج.

5. الأهمية والآثار المترتبة

رفض مبدأ "النموذج الواحد المناسب للجميع": تخلص الدراسة إلى أنه لا يوجد نموذج واحد "أفضل" للتنبؤ بالأوبئة. يجب أن يكون التقييم محدداً بالأفق الزمني. فالنموذج المناسب للوعي بالموقف اليومي (مثل Naive/Drift) قد يختلف عن النموذج المناسب لتخطيط القدرات لمدة أسبوعين (مثل Drift/ETS).
قيمة النماذج المرجعية البسيطة: في ظل وجود تغيير هيكلي وعدم استقرار، تظل النماذج المرجعية البسيطة مثل النزعة (Drift) والساذج (Naive) منافسة للغاية ويجب التعامل معها كنماذج مرجعية جادة، وليس مجرد معايير بدائية. فهي تلتقط بفعالية الاتجاهات المهيمنة والاستمرارية المحلية للمجاميع العالمية.
أطر التقييم: يجب أن تستخدم التنبؤات في الصحة العامة بروتوكولات الأصل المتدحرج وأن تأخذ في الاعتبار صراحةً تغيرات الإبلاغ (توسع التغطية) لتجنب الاستنتاجات الزائفة.
التنبؤ الاحتمالي: معدلات التغطية العالية ليست كافية؛ الحدة (Sharpness) (عرض الفترة) أمر بالغ الأهمية؛ فالنماذج التي تنتج فترات واسعة لضمان التغطية قد تفشل في تقديم رؤى قابلة للتنفيذ.

الخلاصة: تؤسس الورقة البحثية لفكرة أنه تحت تأثير التغيير الهيكلي، تكون تصنيفات التوقعات ديناميكية وتعتمد على الأفق الزمني. غالباً ما تتفوق نماذج استقراء الاتجاه البسيطة (Drift) على النماذج الإحصائية المعقدة في بيانات المجاميع العالمية، ومن الضريد إجراء تقييم صارم ومحدد بالأفق الزمني لضمان موثوقية المقارنة المعيارية.