فهم الارتباط الذاتي
المشاهدات المستقلّة يحمل كلّ منها معلومته الخاصّة، أمّا المتعلّقة فلا: فإن كان اليوم شبيهاً بالأمس أضاف القياس الثاني أقلّ من الأوّل. والارتباط الذاتي يقيس هذا «الأقلّ» بربط السلسلة بنفسها عند إزاحة، وهو في آنٍ واحد ما يجعل التنبّؤ ممكناً وما يبطل الصيغ المعتادة.
وأبسط مولّد لهذه الذاكرة هو عملية AR(1)، حيث كلّ قيمة كسر phi من سابقتها مضافاً إليه ضجيج جديد. وارتباطها الذاتي النظري عند الإزاحة k هو phi^k بالضبط. ومقيساً على 39800 نقطة عند phi = 0.7، تخرج الارتباطات عند الإزاحات 1 و2 و3 و5 مساويةً 0.7039 و0.4980 و0.3527 و0.1796، مقابل نظرية 0.7 و0.49 و0.343 و0.1681، أي توافق في حدود 0.012. والتناقص هندسي: تُمرَّر الصدمة فتضعف عند كلّ خطوة ولا تُلغى.
والنتيجة العملية غرامة محدّدة قابلة للحساب. فتباين المتوسّط التجريبي لسلسلة AR(1) يفوق صيغة البيانات المستقلّة بعامل (1+phi)/(1-phi)، أي 5.6667 عند phi = 0.7. وبما أنّ الخطأ المعياري جذر التباين، فهو مبخوس بنحو 2.4 مرّة حين يُحسب كأنّ النقاط مستقلّة. فالمجالات أضيق ممّا ينبغي والاختبارات ترفض أكثر ممّا ينبغي، ولا شيء في الظاهر يدلّ على ذلك.
وقراءة رسم الارتباط الذاتي هي أيضاً بداية تحديد النموذج: التناقص الهندسي يرجّح حدّاً انحدارياً ذاتياً، والقطع الحادّ بعد إزاحات قليلة يرجّح حدّ متوسّط متحرّك، والقمّة على مسافة ثابتة تدلّ على موسمية. وكلّ إزاحة إضافية وسيط يُقدَّر من عيّنة منتهية وأصغر فعلياً، فالتحقّق الأمين من رتبة اختيرت هكذا هو أداء التنبّؤ على بيانات لاحقة.
كيفية الحساب
ρ_k = Corr(X_t, X_{t+k}); AR(1): ρ_k = φ^k; Var(X̄) inflated by (1+φ)/(1−φ)
حيث
- ρ_k
- الارتباط الذاتي عند الإزاحة k: ارتباط السلسلة بنفسها على بُعد k خطوات
- φ
- معامل AR(1)؛ مستقرّ حين يكون مقداره دون الواحد
- (1+φ)/(1−φ)
- كم يزيد تباين المتوسّط على صيغة البيانات المستقلّة
- n الفعّال
- حجم العيّنة الاسمي مقسوماً على عامل التضخيم هذا
مثال على الارتباط الذاتي
AR(1) عند phi = 0.7 على 39800 نقطة: ارتباطات ذاتية 0.7039 و0.4980 و0.3527 و0.1796 عند الإزاحات 1 و2 و3 و5، مقابل phi^k النظري 0.7 و0.49 و0.343 و0.1681.
وعند هذه phi يساوي تباين المتوسّط التجريبي 5.6667 ضعف قيمة البيانات المستقلّة، فالخطأ المعياري الساذج مبخوس بنحو 2.4 مرّة وحجم العيّنة الفعّال نحو سدس الاسمي.
والاعتماد نفسه هو ما يجعل تقسيم التحقّق المخلوط مضلّلاً: على سلسلة متعلّقة، استيفاء نقطة محجوزة من نقاط التدريب المحيطة بها يعطي خطأً 0.7515 بينما التنبّؤ الأمين إلى الأمام يعطي 4.2074.
الأسئلة الشائعة
أهو مشكلة أم مورد؟
كلاهما، والفيصل هو السؤال. فهو ما يجعل القيمة التالية قابلة للتنبّؤ من السابقة، وهو ما يكسر أيّ إجراء يفترض مشاهدات مستقلّة. التنبّؤ يستثمره، والاستدلال يجب أن يحسب حسابه.
وماذا لو بدا الارتباط الذاتي لا يتناقص أبداً؟
ارتباط ذاتي تجريبي يبقى مرتفعاً عبر إزاحات كثيرة يدلّ عادة على عدم استقرارية لا على ذاكرة طويلة جدّاً. افرق السلسلة وانظر ثانية؛ فإن اختفى النمط فقد كان المستوى هائماً.
أيمكنني ببساطة إضافة القيم المزاحة متغيّراتٍ في انحدار؟
غالباً نعم، وهذا هو النموذج الانحداري الذاتي بعينه. وما لا ينتقل معه هو آلة الأخطاء المعيارية: يجب فحص البواقي من ارتباط ذاتي متبقٍّ، لأنّ ما فات النموذجَ من الذاكرة لا يزال فيها.
الخلاصة
الارتباط الذاتي هو ذاكرة السلسلة، وهو يحدّد ما يمكن التنبّؤ به وما يساويه فعلاً أيّ تقدير مأخوذ منها. وثمنه دقيق قابل للحساب: عند phi = 0.7 يحمل المتوسّط نحو سدس المعلومة التي يوحي بها حجم عيّنته.