Modelling with κ−deformed quantile functions

في عالم الإحصاء، يعتمد العلماء غالبًا على مجموعة من الأشكال الرياضية القياسية لوصف كيفية حدوث الأشياء في الطبيعة والمجتمع. هذه الأشكال، المعروفة باسم التوزيعات الاحتمالية، تعمل كقوالب للتنبؤ بالنتائج، بدءًا من العمر الافتراضي لمصباح كهربائي وصولاً إلى انتشار مرض ما. ولعقود من الزمن، كانت نماذج مثل المنحنى الطبيعي أو المنحنى الأسي هي الأدوات الأساسية لهذه التنبؤات. ومع ذلك، فإن البيانات في العالم الحقيقي نادرًا ما تكون منظمة بهذا الشكل. فعندما ينظر الباحثون إلى ظواهر معقدة مثل دخل الإنسان أو أوقات تعطل الأجزك الإلكترونية، غالبًا ما تفشل هذه القوالب القياسية في ملاءمة أطراف البيانات. إن ذيول التوزيعات — وهي القيم المتطرفة عند النهايات العليا أو الدنيا جدًا — لا تتطابق مع ما تتنبأ به النماذج البسيطة. ويخلق هذا عدم التطابق مشكلة لأي شخص يحاول فهم المخاطر، أو عدم المساواة، أو الموثوقية، لأن الأدوات القياسية ببساطة لا تستطيع استيعاب الصورة الكاملة لكيفية سلوك هذه الأنظمة.

ولحل هذه المشكلة، طور فريق من الباحثين في جامعة كوشين للعلوم والتكنولوجيا والمكتب الإقليمي في واياناد بالهند طريقة جديدة لمد وإعادة تشكيل هذه القوالب الإحصائية. لقد ركزوا على أداة رياضية محددة تسمى دالة المئينات (quantile function)، وهي في الأساس خريطة تخبرك بالقيمة التي تقابل نسبة مئوية معينة من مجموعة بيانات. تخيل أنك تصطف بجميع دخول الأفراد في بلد ما من الأفقر إلى الأغنى؛ ستخبرك دالة المئينات بالضبط أين يبدأ أعلى عشرة بالمائة. وقد أخذ الباحثون هذا المفهوم وطبقوا عليه تعديلاً رياضيًا يُعرف باسم "التشويه" (deformation). ومن خلال إدخال "مقبض تحكم" واحد جديد، أنشأوا إطارًا مرنًا يمكنه ثني الأشكال القياسية لتناسب حواف البيانات الحقيقية غير المنتظمة وغير المنتظمة بشكل أفضل بكما سبق. ويظهر عملهم أنه من خلال ضبط هذا المعامل الواحد، يمكنهم تغيير كيفية سلوك التوزيع عند أطرافه، مما يجعل من الممكن نمذجة كل شيء، بدءًا من الهبوط السريع للقانون القوي وصولًا إلى الذيول الثقيلة والمستمرة لتوزيع الثروة.

بدأ الباحثون بأخذ نماذج إحصائية معروفة، مثل توزيع "ويبُل" (Weibull) المستخدم غالبًا في اختبارات الموثوقية، وتطبيق عملية التشويه هذه عليها. وبدلاً من إنشاء نظريات جديدة تمامًا من الصفر، أظهروا كيفية تعديل النماذج الموثوقة الموجودة لمنحها مزيدًا من المرونة. كما أثبتوا أن هذا النهج الجديد يسمح لنموذج واحد بأن يتصرف كتوزيع قصير الذيل في سيناريو ما، وتوزيع طويل الذيل في سيناريو آخر، وذلك ببساطة عن طريق ضبط معامل التشويه. ويمثل هذا تحولاً كبيراً لأن الإحصائيين في الماضي كان عليهم غالبًا الاختيار بين نماذج مختلفة وصارمة اعتمادًا على البيانات التي ينظرون إليها. ومع هذه الطريقة الجديدة، يمكن لنموذج واحد قابل للتكيف أن يغطي نطاقًا أوسع بكثير من السلوكيات. وقد اشتق الفريق صيغًا محددة لعدة توزيعات شائعة، بما في ذلك نموذج "باريتو" المستخدم في تحليل الدخل وتوزيع القوة، موضحين بدقة كيف يتغير شكل المنحنى مع رفع أو خفض معامل التشويه.

ولإثبات أن هذا الإطار النظري يعمل في العالم الحقيقي، اختبر الفريق نماذجهم الجديدة مقابل مجموعتين متميزتين من البيانات الفعلية. تألفت مجموعة البيانات الأولى من أوقات تعطل خمسة عشر مكونًا إلكترونيًا خضعت لاختبار حياة متسارع. أما مجموعة البيانات الثانية، فكانت عبارة عن مجموعة كبيرة من سجلات دخل الأسر في تايلاند، والتي جُمعت خلال مسح وطني في منتصف السروس السبعينيات. قدمت هاتان المجموعتان تحديين مختلفين تمامًا: إحداهما تتعلق بالعمر الافتراضي للآلات، بينما تعاملت الأخرى مع الطبيعة المعقدة والمتحيزة غالبًا للدخل البشري. قام الباحثون بملاءمة نماذجهم المشوهة الجديدة مع كلتا المجموعتين وقارنوا النتائج بالنسخ التقليدية غير المشوهة من النماذج نفسها. ووجدوا أن النماذج الجديدة قدمت ملاءمة أفضل بشكل ملحوظ. فبالنسبة للمكونات الإلكترونية، طابق النموذج الجديد أوقات التعطل المرصودة بدقة عالية، وبالنسبة لبيانات الدخل، فقد نجح في رصد توزيع الثروة بفعالية أكبر بكثير من قانون القوة القياسي.

كما بحثت الدراسة في كيفية سلوك هذه النماذج الجديدة عند الأطراف، وهو الجزء الأكثر أهمية في تحليل المخاطر. ووجدوا أن معامل التشويه يسمح للنموذج بالانتقال من امتلاك ذيل خفيف، حيث تكون الأحداث المتطرفة نادرة، إلى ذيل ثقيل، حيث تكون الأحداث المتطرفة أكثر شيوعًا. وهذه المرونة أمر بالغ الأهمية لفهم ظواهر مثل عدم المساواة في الدخل، حيث يمكن لعدد قليل من أصحاب الدخل المرتفع جدًا أن يغير الصورة العامة بشكل جذري. ومن خلال مقارنة النماذج الجديدة بالنماذج القديمة باستخدام اختبارات إحصائية قياسية، أكد الباحثون أن النسخ المشوهة لم تكن مجرد نماذج مثيرة للاهتمام رياضيًا، بل كانت متفوقة من الناحية العملية. فقد أظهرت البيانات أن النماذج الجديدة يمكنها تفسير الأنماط المرصودة بدقة أكبر، مما يشير إلى أن المرونة الإضافية التي يوفرها معامل التشويه هي بالضبط ما نحتاجه لوصف هذه الأنظمة المعقدة في العالم الحقيقي.

وبعيدًا عن مجرد ملاءمة البيانات، سلط الباحثون الضوء على عدة مزايا عملية للعمل مع دوال المئينات المشوهة هذه. فقد أظهروا أن هذه النماذج قوية، بمعنى أنها لا تتأثر بسهولة بالقيم المتطرفة أو نقاط البيانات غير العادية، وهي مشكلة شائعة مع الطرق التقليدية. كما أثبتوا أن الخصائص الرياضية لهذه التوزيعات الجديدة، مثل الوسيط والانتشار، يمكن حسابها مباشرة وبسهولة دون الحاجة إلى عمليات تكامل معقدة. وهذا يجعل النماذج أسهل في الاستخدام لتوليد عينات عشوائية للمحاكاة، وهي خطوة حيوية لاختبار النظريات في مجالات تتراوح من الاقتصاد إلى الهندسة. ويشير العمل إلى أنه باستخدام هذا الإطار المرن، يمكن للعلماء والمحللين بناء نماذج أكثر دقة وموثوقية لمجموعة متنوعة من المشكلات، من التنبؤ بموعد تعطل الآلة إلى فهم هيكل الثروة العالمية.

وتشير النتائج إلى أن إدخال معامل التشويه هذا يقدم أداة جديدة قوية للنمذجة الإحصائية. فهو لا يستبدل التوزيعات القياسية القديمة، بل يمددها، مما يسمح لها بالتكيف مع الخصائص الفريدة للبيانات المتاحة. ووجد الباحثون أنه في كل من بيانات تعطل الإلكترونيات وبيانات الدخل، قدمت النماذج المزودة بمعامل التشوێ وصفًا للواقع أفضل بكثير من النسخ الكلاسيكية. وهذا يشير إلى أن التباين الذي يُلاحظ غالبًا بين النماذج القياسية وبيانات العالم الحقيقي ليس عيبًا في البيانات نفسها، بل هو قصور في الأشكال الصارمة المستخدمة تقليديًا لوصفها. ومن خلال السماح للأشكال بالانحناء والتمدد، فتح الباحثون طريقة أكثر دقة لفهم العالم، موفرين منهجًا سليمًا رياضيًا ومفيدًا عمليًا للتعامل مع الأنماط المعقدة وغير المنتظمة الموجودة في الطبيعة والمجتمع.