Population Mode Estimation Using Spline

في دراسة البيانات، غالبًا ما تروي الأرقام قصة عن قيمة "نموذجية". لعقود من الزمن، اعتمد الإحصائيون على شخصيتين رئيسيتين لتلخيص الحشود: المتوسط، الذي يجمع كل شيء ثم يقسمه على العدد، والوسيط، الذي يجد المركز الدقيق لقائمة مرتبة. تعمل هذه الأدوات بشكل جيد عندما تكون البيانات متوازنة ومتماثلة، مثل كومة من الرمل حيث تقع الذروة في المنتصف تمامًا. لكن العالم الحقيقي نادرًا ما يكون بهذا الترت neat. فتوزيعات الدخل، وأوقات البقاء على قيد الحياة، والقياسات البيئية، غالبًا ما تميل بشدة نحو جانب واحد أو تحتوي على عدة قمم، مما يخلق مشهدًا يمكن فيه للمتوسط والوسيط أن يخطئا الهدف الأكثر شيوعًا تمامًا. في هذه الحالات الملتوية أو المعقدة، تكون القيمة "النموذجية" الحقيقية هي المنوال — وهي النقطة الوحيدة التي تكون فيها البيانات أكثر كثافة، أي أعلى قمة للجبل بدلاً من منتصف الوادي. إن العثور على هذه القمة أمر بالغ الأهمى لفهم ما هو الأكثر احتمال حدوثه، ومع ذلك كان من الصعب تاريخيًا تحديد موقعها بدقة لأن الأدوات المستخدمة لرسم خرائط البيانات غالبًا ما تتعثر فوق الميزات ذاتها التي تجعل المنوال مثيرًا للاهتمام.

لقد طور باحث في جامعة "براين وير" (Brainware) في الهند طريقة جديدة لإيجاد هذه القمم، تعامل البيانات كسطح مرن وناعم بدلاً من كونها مجموعة متعرجة من النقاط. وبدلاً من استخدام الطريقة التقليدية التي تعتمد على تمرير نافذة فوق البيانات لتخمين الشكل، يبني النهج الجديد نموذجًا رياضيًا باستخدام سلسلة من المنحنيات المتصلة، تشبه الطريقة التي يُصمم بها هيكل السفينة باستخدام ألواح مستمرة وناعمة. تتيح هذه التقنية، المعروفة باسم "تنعيم السبلين" (spline smoothing)، للنموذج أن ينحني ويتكيف مع شكل البيانات دون أن يصبح متذبذبًا جدًا أو غير مستقر. ومن خلال ملاءمة هذا السطح الناعم للبيانات ثم البحث عن أعلى نقطة فيه، يمكن للباحث تحديد موقع المنوال بدقة أكبر من الطرق السابقة، حتى عندما تكون البيانات ملتوية بشدة أو تحتوي على قمم متعددة.

بدأت الدراسة باختبار هذه الطريقة الجديدة مقابل النهج القياسي على مجموعة متنوعة من البيانات المحاكاتية. أنشأ الباحث آلاف مجموعات البيانات الوهمية التي تمثل سيناريوهات مختلفة من العالم الحقيقي: بعضها كان متماثلًا تمامًا، مثل منحنى الجرس؛ وبعضها كان ملتوياً بشدة، مثل بيانات الدخل حيث تسحب بعض القيم المرتفﺔ جدًا الذيل بعيدًا؛ وبعضها كان ثنائي المنوال، أي يحتوي على قمتين متميزتين مثل مزيج من مجموعتين مختلفتين. في هذه التجارب الحاسوبية، تفوقت الطريقة الجديدة القائمة على "السبلين" باستمرار على "مقدر كثافة النواة" (kernel density estimator) التقليدي، والذي يعتمد على إعداد محدد لتحديد مقدار تنعيم البيانات. أظهرت النتائج أن الطريقة الجديدة أنتجت تقديرات كانت أقرب إلى القمة الحقيقية وكانت أقل تباينًا من عينة إلى أخرى. وكان هذا التفوق واضحًا بشكل خاص في الحالات الصعبة: ففي البيانات ذات الذيول الثقيلة أو القمم الحادة، غالبًا ما كان النهج التقليدي يتجاوز القمة الحقيقية أو يقل عنها، بينما حافظت طريقة "السبلين" على ثباتها، مقدمةً إجابة أكثر موثوقية.

لفهم سبب أهمية ذلك، تخيل الفرق بين محاولة إيجاد أعلى نقطة على تلة متعرجة وغير مستوية باستخدام مسطرة، وبين استخدام ورقة مرنة تنسدل تمامًا فوق التضاريس. الطريقة التقليدية تشبه المسطرة؛ إذ يمكن أن تكون صلبة وحساسة لكيفية إمساكك بها، مما يؤدي إلى أخطاء إذا كان التل شديد الانحدار أو غير منتظم. أما الطريقة الجديدة فهي تشبه الورقة المرنة؛ فهي تتوافق طبيعيًا مع شكل الأرض، وتكشف عن القمة الحقيقية بغض النظر عن مدى وعورة المنحدرات المحيطة بها. وفي عمليات المحاكاة، سمحت هذه المرونة للباحث بالتقاط المنوال الحقيقي في التوزيعات الملتوية حيث فشلت الطريقة القديمة، وتحديد كلتا القمتين في توزيع ذي حدبتين دون الخلط بينهما. كما استكشفت الدراسة نسخة أكثر تقدمًا من هذه التقنية حيث يتم تعديل وضع المنحنيات تلقائيًا بناءً على مكان كثافة البيانات. وقد أثبت هذا النهج التكيفي أنه أكثر دقة، حيث قلل الأخطاء بنسبة تقارب ثلاثين بالمائة في السيناريوهات المعقدة متعددة القمم، رغم أنه تطلب وقتًا أطول قليًا في الحوسبة لإجراء التعديلات الإضافية.

بعد ذلك، طبق الباحث هذه الطريقة على بيانات من العالم الحقيقي ليرى كيف سيكون أداؤها خارج البيئة المحكومة لمحاكاة الكمبيوتر. تضمن الاختبار الأول بيانات دخل الأسر، وهي بيانات معروفة بكونها ملتوية مع ذيل طويل من أصحاب الدخل المرتفع. حددت الطريقة الجديدة مستوى الدخل الأكثر تكرارًا، مما قدم صورة أوضح للدخل النموذجي مقارنة بالمتوسط، الذي غالبًا ما يرتفع للأعلى بسبب القلة من الأثرياء. بعد ذلك، استُخدمت الطريقة لتحليل أوقات البقاء على قيد الحياة للمرضى، وهو نوع من البيانات التي غالبًا ما تتجمع بالقرب من البداية وتمتد عبر الوقت. هنا، نجحت طريقة "السبلين" في تحديد مدة البقاء الأكثر احتمالاً، مما وفر مقياسًا مفيدًا للأطباء يكمل المتوسطات التقليدية. وأخيرًا، اختُبرت الطريقة على القياسات البيئية، مثل مستويات الملوثات، والتي غالبًا ما تظهر قممًا متعددة تتوافق مع مصادر تلوث مختلفة. نجحت التقنية الجديدة في فصل هذه القمم المتداخلة، وكشفت عن أنظمة تلوث متميزة قد تكون الطرق الأخرى قد قامت بتنعيمها في متوسط واحد مربك.

طوال هذه الاختبارات، طور الباحث أيضًا طريقة لقياس مدى تأكده من الإجابة. فمن خلال استخدام تقنية "إعادة أخذ العينات" (resampling)، حيث يتم خلط البيانات وإعادة تحليلها مرات عديدة، أنتجت الدراسة نطاقًا من القيم المحتملة للمنوال، مما أعطى شعورًا بموثوقية التقدير. وفي الحالات التي كانت فيها البيانات جيدة السلوك، تطابقت التنبؤات الرياضية لعدم اليقين مع نتائج إعادة أخذ العينات بشكل شبه مثالي. وفي الحالات الأكثر فوضوية أو متعددة القمم، وفرت عملية إعادة أخذ العينات نطاقًا أوسع قليلاً وأكثر حذرًا، مما ضمن بقاء الاستنتاجات قوية. وتخلص الدراسة إلى أنه بينما لا تزال الطرق التقليدية مفيدة للبيانات البسيطة والمتماثلة، فإن نهج "السبلين" يقدم أداة متفوقة للتوزيعات الفوضوية والمعقدة التي تميز معظم العالم الحقيقي. فهو يوفر طريقة مستقرة ودقيقة وقابلة للتفسير لإيجاد النتيجة الأكثر شيوعًا، محولًا المهمة الصعبة المتمثلة في تحديد موقع قمة في مشهد متعرج إلى عملية سلسة وموثوقة.