🔗 حاسبة الانحدار الخطي

الانحدار الخطي: التنبؤ من خلال أفضل خط ممكن

يهدف الانحدار الخطي إلى إيجاد أفضل خط مستقيم يمثّل العلاقة بين متغيرين، بحيث يكون هذا الخط أقرب ما يمكن إلى كل نقاط البيانات المرصودة في المتوسط. صيغة هذا الخط تشبه المعادلة الخطية العادية (y = mx + b)، لكن الفرق أن قيمتي الميل b والمقطع m هنا لا تُعطيان مباشرة، بل تُحسبان رياضيًا بحيث تُقلّل مجموع مربعات الفروق بين القيم الفعلية والقيم المتوقعة من الخط.

تُعرف هذه الطريقة بـ'طريقة المربعات الصغرى'، وطوّرها بشكل مستقل تقريبًا كل من الرياضي الألماني كارل غاوس والفرنسي أدريان ماري لوجاندر في مطلع القرن التاسع عشر، أثناء محاولتهما تحسين دقة حسابات المسارات الفلكية من بيانات رصد تحتوي على أخطاء قياس طبيعية. سبب استخدام 'مربعات' الفروق بدل الفروق نفسها هو منع الفروق الموجبة والسالبة من إلغاء بعضها عند الجمع.

بعد إيجاد خط الانحدار، يُستخدم مقياس يُسمى 'معامل التحديد' (R²) لتقييم مدى نجاح هذا الخط في تفسير التباين الموجود في البيانات — فقيمة R² تساوي 1 تعني أن الخط يفسّر كل التباين تمامًا (تطابق مثالي)، بينما قيمة قريبة من الصفر تعني أن الخط لا يفسّر تقريبًا أي جزء من التباين، وأن العلاقة الخطية بين المتغيرين ضعيفة أو غير موجودة أصلًا.

يُستخدم الانحدار الخطي على نطاق واسع للتنبؤ بقيم مستقبلية بناءً على بيانات تاريخية: في التمويل للتنبؤ باتجاه الأسعار، في التسويق لدراسة العلاقة بين الإنفاق الإعلاني والمبيعات، وفي علوم البيانات كأحد أبسط وأكثر نماذج التعلم الآلي القابلة للتفسير المباشر، وغالبًا ما يكون هذا النموذج البسيط هو أول أداة تحليلية تُجرَّب قبل الانتقال إلى نماذج أكثر تعقيدًا عند الحاجة.

من النقاط العملية المفيدة أيضًا التحذير من استخدام خط الانحدار للتنبؤ بقيم تقع خارج نطاق البيانات الأصلية المستخدمة في بنائه — وهو ما يُعرف بـ'الاستقراء' (Extrapolation) — لأن العلاقة الخطية الملحوظة داخل النطاق المدروس قد لا تبقى صحيحة أو صالحة خارج تلك الحدود على الإطلاق. الاعتماد الآمن على نموذج الانحدار يكون عادة محصورًا فقط بالنطاق الذي جُمعت البيانات الأصلية ضمنه فعليًا.