Estimation of Neutrosophic Population Mean Incorporating Auxiliary Information under Simple Random Sampling
تقترح هذه الورقة وتتحقق من صحة مُقدِّر نيتروسوفي (neutrosophic) شبه غير منحاز لمتوسط المجتمع، والذي يدمج معلومات مساعدة لتحقيق متوسط مربعات خطأ أقل وكفاءة أعلى مقارنة بالطرق التقليدية عند التعامل مع بيانات غامضة أو غير محددة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
في عالم الإحصاء، يحاول الباحثون غالباً تخمين القيمة المتوسطة لشيء ما عبر مجموعة كاملة، مثل متوسط الدخل في مدينة ما أو متوسط درجة الحرارة في منطقة ما. ولجعل هذه التخمينات أكثر دقة، غالباً ما يستخدمون "المعلومات المساعدة"، وهي ببساطة قطعة ثانية من البيانات المعروف بأنها مرتبطة بالبيانات الأولى. على سبيل المثال، إذا أردت تقدير العدد الإجمالي للأشجار في غابة، فقد تستخدم مساحة الغابة المعروفة كعنصر مساعد، لأن المساحات الأكبر عادة ما تحتوي على أشجار أكثر. تعمل الطرق التقليدية بشكل جيد عندما تكون البيانات واضحة ودقيقة. ومع ذلك، فإن العالم الحقيقي غالباً ما يكون فوضوياً؛ فقد تكون القياسات غامضة، أو غير مكتملة، أو غير مؤكدة. قد تكون قراءة درجة الحرارة "بين 20 و22 درجة" لأن المستشعر غير دقيق، أو قد تكون استجابة استطلاع رأي مبهمة. وتواجه الأدوات الإحصائية القياسية صعوبة في التعامل مع هذا النوع من الضبابية، مما يؤدي غالباً إلى إنتاج تقديرات متحيزة أو غير موثوقة. وللتعامل مع هذا الأمر، طور العلماء فرعاً من الرياضيات يسمى "الإحصاء النيوتروسوفيك" (neutrosophic statistics)، وهو مصمم خصيصاً للعمل مع البيانات التي تحتوي على عدم اليقين وعدم التحديد، حيث يعامل الأجزاء المجهولة كجزء طبيعي من الحساب بدلاً من كونها خطأً يجب تجاهله.
لقد تصدى فريق من الباحثين في جامعة بنارس هندو وجامعة سيمبايوسيس الدولية مؤخراً لتحدي تقدير متوسطات المجتمع عندما تكون البيانات غير مؤكدة وعندما تتوفر معلومات مفيدة ومرتبطة بها. لقد سعوا لإنشاء أداة رياضية جديدة، أو "مُقدِّر"، يمكنه التنقل عبر هذا الغموض بشكل أفضل من الطرق الموجودة. كان هدفهم بناء نظام يستخدم معلومات غير مؤكدة ومعروفة عن متغير مرتبط لتحسين تخمين متوسط مجهول، حتى عندما لا تكون الأرقام نفسها دقيقة. اقترح الباحثون "مُقدِّراً جديداً شبه غير متحيز". وبمعنى مبسط، تم تصميم طريقتهم لتكون قريبة جداً من الإجابة الحقيقية، مع وجود قدر ضئيل جداً، يكاد يكون مهمل، من الخطأ المنهجي. لقد بنوا هذه الأداة الجديدة من خلال الجمع بين مناهج رياضية مختلفة، بما في ذلك طرق النسب والتعديلات الأسية، ولكن مع تطويعها لتعمل ضمن إطار "النيوتروسوفيك" حيث يتم التعبير عن القيم كنطاقات بدلاً من نقاط مفردة.
ولاختبار ما إذا كانت هذه الأداة الجديدة تعمل بالفعل، أخضعها الباحثون لتجربتين صارمتين. أولاً، طبقوها على أربع مجموعات بيانات من العالم الحقيقي حيث كان عدم اليقين حاضراً. شمل ذلك أسعار الأسهم اليومية لشركات تكنولوجية كبرى مثل "إنفيديا" (NVIDIA) و"سيرنيفايس" (ServiceNow)، وسجلات درجات الحرارة التاريخية التي تمتد لأكثر من قرن، والبيانات الديموغرافية المتعلقة بمعدلات النمو الطبيعي عبر مناطق مختلفة. وفي كل حالة، تفوق المُقدِّر الجديد على الطرق التقليدية. بالنسبة لبيانات أسهم "إنفيديا"، قللت الطريقة الجديدة من خطأ التقدير بشكل كبير، محققة مستوى من الكفاءة يفوق النهج القياسي بأكثر من خمس مرات. وبالمثل، كانت أداة درجة الحرارة الجديدة أكثر كفاءة بمرتين تقريباً من أفضل طريقة تالية لها. وقد قاس الباحثون هذا النجاح باستخدام مقياس يسمى "الكفاءة النسبية المئوية"، والذي يقارن مدى تفوق طريقة على أخرى؛ وقد سجل مُقدِّرهم الجديد باستمرار أعلى درجة، مما أثبت قدرته على استخراج معلومات أكثر دقة من نفس البيانات الفوضوية.
لم يتوقف الفريق عند بيانات العالم الحقيقي فحسب؛ بل أجروا أيضاً محاكاة حاسوبية ضخمة لمعرفة كيفية سلوك الأداة تحت ظروف مختلفة. لقد أنشأوا آلاف مجموعات البيانات الاصطناعية التي تحاكي ثلاثة أنواع مختلفة من التوزيعات في العالم الحقيقي: بعضها متوازن ومتماثل تماماً، والبعض الآخر منحرف أو غير متماثل، وهو أمر شائع في الظواهر الطبيعية. كما اختبروا أحجام عينات تتراوح من مجموعات صغيرة إلى مجتمعات كبيرة. وعبر جميع سيناريوهات المحاكاة هذه، استمر المُقدِّر الجديد في إظهار أداء متفوق. فقد أنتج باستمرار أخطاءً أقل وكفاءة أعلى مقارنة بالطرق الراسخة، بغض النظر عما إذا كانت البيانات الأساسية طبيعية، أو منحرفة، أو تتبع نمطاً لوغاريتمياً محدداً. وقد أكدت عمليات المحاكاة أن الأداة قوية، بمعنى أنها تصمد جيداً حتى عندما تسلك البيانات طرقاً غير متوقعة.
تشير النتائج إلى أنه عند التعامل مع بيانات غامضة أو مبهمة أو غير مكتملة، فإن الاعتماد على الطرق الإحصائية التقليدية قد يؤدي إلى استنتاجات أقل دقة. فقد وجد الباحثون أنه من خلال الاعتراف صراحةً بعدم اليقين داخل البيانات ونمذجته رياضياً، بدلاً من محاولة حشره في أرقام دقيقة، استطاعوا استخلاص صورة أوضح لمتوسط المجتمع. ويشير عملهم إلى أن هذا النهج الجديد ذو قيمة خاصة في المجالات التي يصعب فيها تحقيق الدقة، مثل الرصد البيئي، والتنبؤ الاقتصادي، وتقييم الأنظمة المعقدة. ومن خلال استخدام هذا "المُقدِّر الجديد شبه غير المتحيز"، يمكن للمحللين اتخاذ قرارات أكثر موثوقية حتى عندما لا تكون المعلومات التي لديهم واضحة تماماً، محولين بذلك عدم اليقين المتأصل في العالم الحقيقي إلى جزء يمكن إدارته في الحساب بدلاً من كونه عائقاً أمام الدقة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.