الفرق بين استخدام نماذج الانحدار (Regression) ونماذج السلاسل الزمنية (Time Series Models) لتوقع البيانات المستقبلية

Linear أو Polynomial Regression مع الوقت كمتغير وحيد ليس خطأ بالمعنى الرياضي، لكنه ضعيف علميًا كأداة تنبؤ في السلاسل الزمنية لأنك تفترض ضمنيًا أنّ ما كان يحدث سيستمر بلا تغيير.
فنماذج السلاسل الزمنية ARIMA, ETS, Prophet, AutoTS وغيرهم  مبنية خصيصًا للتعامل مع الخصائص التي تُميز البيانات الزمنية، أي الاعتماد الذاتي Autocorrelation، الموسمية Seasonality، عدم الثبات Non-stationarity، والصدمات البنيوية Structural breaks.

بالتالي بإمكانك إعتبار ARIMA وغيره على أنه انحدار أيضًا ولكن على متغيرات مشتقة وهي الفروق، القيم المتأخرة وخلافه، وبآلية تحقق من صلاحية الفرضيات الإحصائية stationarity, white noise إلخ.

وعليكم السلام ورحمة الله وبركاته.

إن استخدام نماذج الانحدار Linear أو Poly Regression لتوقع بيانات زمنية (Time Series) صحيح ولكن يجب إستخدامه بحذر لأنه غالبا لا يكون هو الأسلوب الأفضل.

وذلك لأن الانحدار العادي Linear أو Polynomial Regression يفترض أن البيانات مستقلة وغير مترابطة زمنيا.ولكن في البيانات الزمنية هناك ترابط وتسلسل زمني بين القيم مثل الموسمية (seasonality) أو الاتجاه (trend) أو التأثيرات السابقة (lag).

حيث عند استخدام نموذج انحدار لتوقع المستقبل فأنت تقوم بعملية extrapolation خارج نطاق البيانات الأصلية وهذا غالبا لا يجعل أداء النموذج دقيق في هذه الحالة وخصوصا إذا كانت البيانات تتغير بشكل غير خطي أو تتأثر بمواسم أو عوامل زمنية.

وإن نماذج الانحدار مفيدة في بعض الحالات مثل:

• وجود اتجاه واضح (trend) في البيانات يمكن تمثيله بخط مستقيم أو منحنى.
• إذا كانت البيانات خالية من الموسمية والتقلبات العشوائية الكبيرة.
• لتفسير العلاقة بين الوقت كمتغير مستقل والمتغير المستهدف .
• ولكن بمجرد دخول عوامل موسمية أو تأثر القيم السابقة بالقيم المستقبلية تصبح النماذج غير كافية.

بتاريخ 39 دقائق مضت قال Ahmed Magdy12:

وهل من الأفضل الاعتماد على نماذج مخصصة للبيانات الزمنية مثل AutoTS أو ARIMA بدلاً من استخدام نماذج الانحدار العادية؟ مع العلم أنها تستخدم أيضا نماذج الانحدار ؟

نعم حيث نماذج مثل ARIMA أو  Prophet أو AutoTS أو LSTM (للشبكات العصبية) مصممة خصوصا لفهم وتحليل الأنماط الزمنية.

استخدام نماذج الانحدار العادية (مثل Linear Regression أو Polynomial Regression) لتوقع القيم المستقبلية في البيانات الزمنية ليس دائمًا الأسلوب الأمثل علميًا، خاصة إذا كانت البيانات الزمنية تحتوي على خصائص معقدة مثل:

الاتجاهات (Trends): التغيرات طويلة المدى.

الموسمية (Seasonality): الأنماط المتكررة بشكل دوري.

الارتباط الذاتي (Autocorrelation): تأثير القيم السابقة على القيم الحالية.

الضوضاء العشوائية (Noise).

في معظم الحالات، نماذج السلاسل الزمنية مثل ARIMA، SARIMA، AutoTS، أو حتى نماذج تعلم الآلة المخصصة للسلاسل الزمنية (مثل Prophet أو LSTM) تكون أكثر ملاءمة لتوقع البيانات الزمنية و السبب في ذلك 

• هذه النماذج مصممة للتعامل مع الارتباط الذاتي، الموسمية، والاتجاهات.
•  تأخذ في الاعتبار التغيرات عبر الزمن بدلاً من افتراض علاقة ثابتة.
• تكون أكثر دقة في التعامل مع التوقعات خارج نطاق البيانات (Extrapolation) لأنها تستند إلى الأنماط الزمنية.