دليل أكاديمي شامل يشرح كيفية حساب متوسط الخطأ النسبي المطلق الموزون (WMAPE) في لغة البرمجة R مع أمثلة عملية خطوة بخطوة وتطبيقات إحصائية متقدمة.

يمثل تقييم دقة النماذج التنبؤية ركيزة جوهرية في صلب التحليل الإحصائي المعاصر وتعلم الآلة التطبيقي؛ إذ لا تكتمل موثوقية أي نموذج تنبؤي أو خوارزمية إحصائية دون إخضاع مخرجاتها لمقاييس كمية صارمة تحدد حجم الانحراف عن الواقع وتكشف عن مواطن الضعف في التقدير. وفي سياق الدراسات الاستشرافية وتحليل السلاسل الزمنية والنمذجة السلوكية، تتعدد المقاييس الرياضية المستعملة لقياس مقدار الخطأ التقديري، بدءاً من المقاييس المطلقة كمتوسط الخطأ المطلق إلى المقاييس التربيعية كجذر متوسط مربع الخطأ. ومع ذلك، يبرز مقياس متوسط الخطأ النسبي المطلق الموزون (Weighted Mean Absolute Percentage Error – WMAPE) كأحد أكثر الحلول الرياضية نضجاً وملاءمة للبيئات المعقدة وغير المتجانسة، حيث يقدم صياغة تجمع بين بساطة التفسير المئوي ومناعة المقاييس الإجمالية ضد الانحيازات الإحصائية الحادة التي تعاني منها المقاييس التقليدية.

تكمن المعضلة المنهجية التي استدعت تطوير واستخدام WMAPE في القصور البنيوي الذي يعتري مقاييس الخطأ النسبي التقليدية، وفي مقدمتها مقياس متوسط الخطأ النسبي المطلق (MAPE)؛ فهذه المقاييس تتأثر سلباً بوجود القيم الصغرى والصفرية، كما تمنح وزناً متساوياً للأخطاء النسبية بصرف النظر عن حجم المشاهدة الفعلية أو وزنها النسبي في المنظومة الكلية. فالمشاهدة التي تبلغ قيمتها وحدتين وتخطئ في التقدير بوحدة واحدة ينتج عنها خطأ نسبي يبلغ 50%، وهي النسبة ذاتها التي تنتج عن خطأ مقداره 500 وحدة لمشاهدة قيمتها 1000 وحدة، مع أن الأثر التشغيلي أو السلوكي أو الاقتصادي للخطأ الثاني يفوق الأول بأضعاف مضاعفة. وهنا يظهر مقياس WMAPE كإطار منهجي يدمج نظرية الترجيح الإحصائي ليعيد ترتيب الأولويات التقييمية وفق الأثر الحقيقي لكل نقطة بيانات داخل الفضاء التجريبي.

تقدم لغة البرمجة الإحصائية R بيئة حوسبية مثالية لمعالجة هذه التحديات، بفضل مرونتها الفائقة في التعامل مع المتجهات الحسابية والمصفوفات الضخمة، ودعمها للمنظومات الحزمية المتقدمة. يهدف هذا المقال الشامل إلى تقديم تفكيك مفاهيمي ورياضي متكامل لمقياس WMAPE، واستعراض مبرراته النظرية ومقارنته بالمقاييس البديلة، مع تقديم دليل عملي تطبيقي لكيفية برمجته وحسابه وتحليله خطوة بخطوة في بيئة RStudio، متضمناً معالجة الحالات الحدية، واستراتيجيات تخصيص الأوزان، وصولاً إلى التمثيل البصري الاحترافي للأخطاء، ليكون مرجعاً منهجياً متكاملاً للباحثين والمحللين الكميين.

جدول المحتويات

1. المدخل المفاهيمي لمقياس متوسط الخطأ النسبي المطلق الموزون (WMAPE)
2. البنية الرياضية والتحليلية لمعادلة WMAPE
3. مقارنة WMAPE بمقاييس تقييم الدقة التنبؤية البديلة
4. مبررات الاعتماد الأكاديمي والعملي على مقياس WMAPE
5. إعداد بيئة الحوسبة الإحصائية في لغة البرمجة R
6. بناء وبرمجة دالة حساب WMAPE المخصصة في R
7. تطبيق عملي: حساب WMAPE خطوة بخطوة على مجموعة بيانات واقعية
8. استراتيجيات تخصيص الأوزان (Weighting Mechanisms) في R
9. معالجة التحديات الإحصائية والحالات الحدية في R
10. حساب WMAPE باستخدام حزم ومكتبات R المتخصصة
11. التمثيل البصري لأخطاء التنبؤ ومخرجات WMAPE في R
12. أفضل الممارسات والاعتبارات المتقدمة عند إعداد تقارير WMAPE
خاتمة
المراجع

1. المدخل المفاهيمي لمقياس متوسط الخطأ النسبي المطلق الموزون (WMAPE)

1.1 تعريف مقياس WMAPE وأهميته في النمذجة الإحصائية

يُعرَّف مقياس متوسط الخطأ النسبي المطلق الموزون (Weighted Mean Absolute Percentage Error)، المعروف اختصاراً بـ WMAPE، بأنه مقياس إحصائي يُستخدم لقياس الفجوة النسبية الكلية بين القيم التقديرية الناتجة عن نموذج تنبؤي والقيم الفعلية المرصودة في الواقع، وذلك من خلال إدخال عنصر الترجيح الرياضي لتعديل تأثير كل خطأ وفقاً لأهميته النسبية أو حجمه الحقيقي. يكتسب هذا المقياس أهميته القصوى في النمذجة الإحصائية المعاصرة نتيجة قدرته الفائقة على توفير مؤشر تلخيصي موحد يعبر عن دقة النموذج بنسبة مئوية واضحة الدلالة، دون الوقوع في شراك التشوهات الحسابية التي تنشأ عند حساب متوسطات النسب المنفصلة.

في مجالات الأبحاث الكمية والدراسات السلوكية، تتسم البيانات في كثير من الأحيان بوجود تباينات شاسعة في أحجام العينات ومستويات النشاط بين الأفراد أو الظواهر المدروسة. عند تقييم نموذج سلوكي يتنبأ بتكرار استجابة معينة، فإن إخفاق النموذج في التنبؤ باستجابة تحدث بتردد نادر لا ينبغي أن يعامل إحصائياً بنفس الثقل المعطى لإخفاقه في التنبؤ بظاهرة متكررة تمثل النمط السلوكي العام. هنا تبرز أهمية WMAPE كأداة ضابطة تُمكن الباحثين من قياس جودة التمثيل التنبؤي بدرجة أعلى من المصداقية، متيحة للمؤسسات الأكاديمية والبحثية اتخاذ قرارات مبنية على أدلة رقمية متزنة.

تتمحور الفروق الجوهرية بين المقاييس المتناظرة وغير المتناظرة في تقييم جودة النماذج حول الكيفية التي يعاقب بها المقياس أخطاء الإفراط في التقدير (Overestimation) مقارنة بأخطاء التفريط في التقدير (Underestimation). مقياس WMAPE، عند حسابه بصيغته الكلاسيكية الموزونة بحجم المشاهدة الفعلية، يمثل مقياساً إجمالياً متزناً يعالج الفروق المطلقة بشكل خطي ومحايد، مما يجعله جسراً منهجياً يربط بين دقة النمذجة الرياضية الصارمة والاحتياجات الواقعية للتطبيقات الإحصائية متعددة الأبعاد.

1.2 السياق التاريخي وتطور مقاييس جودة التنبؤ

شهد النصف الثاني من القرن العشرين ثورة حقيقية في تطوير المقاييس الكمية المخصصة لتقييم جودة السلاسل الزمنية والنماذج التنبؤية. بدأت الممارسات الكلاسيكية بالاعتماد المطلق على مقاييس الانحراف البسيطة مثل متوسط الخطأ (Mean Error) لقياس التحيز، وسرعان ما تطورت إلى مقاييس الأخطاء المطلقة والتربيعية، مثل متوسط الخطأ المطلق (MAE) وجذر متوسط مربع الخطأ (RMSE)، والتي أسست لها أبحاث الإحصاء الرياضي الكلاسيكي لتقييم مدى تشتت البواقي حول خط الانحدار.

ومع ذلك، ومع توسع استخدام النماذج التنبؤية في المجالات الاقتصادية والإدارية وعلوم السلوك، ظهرت الحاجة الماسة إلى مقاييس نسبية خالية من وحدات القياس (Scale-independent Metrics)، مما أدى إلى صعود نجم مقياس MAPE في سبعينيات وثمانينيات القرن الماضي؛ إذ كان يُنظر إليه كحل سحري يتيح مقارنة أداء النماذج عبر مجموعات بيانات ذات مقاييس ووحدات مختلفة كلياً. غير أن هذا الصعود لم يدم طويلاً دون انتقادات منهجية لاذعة؛ حيث وثقت الأدبيات الإحصائية، ولا سيما أعمال باحثين مثل روب هايندمن (Rob J. Hyndman)، القصور النظري الحاد لمقياس MAPE عند التعامل مع البيانات الصفرية، بالإضافة إلى انحيازه الهيكلي الفج نحو النماذج التي تقلل من التقدير الفعلي.

قادت هذه الثغرات النظرية والعملية إلى ابتكار المقاييس الموزونة وتطوير مقياس WMAPE كبديل متماسك يجمع حسنات المقاييس المئوية من جهة، ومناعة المقاييس التجميعية من جهة أخرى. وبحلول العقدين الأخيرين، تحول WMAPE من مجرد أداة إحصائية متخصصة في بحوث العمليات وإدارة التوريد إلى معيار قياسي يُعتمد عليه في كبريات الدوريات الأكاديمية والمؤسسات البحثية والتقنية عند تقييم النماذج التنبؤية المعقدة.

1.3 مجالات تطبيق WMAPE في النماذج السلوكية والإحصائية

يمتد النطاق التطبيقي لمقياس WMAPE عبر طيف واسع من الحقول المعرفية التي تتعامل مع الظواهر الديناميكية المتغيرة. في مجال النمذجة السلوكية وعلم النفس الإدراكي الكمي، يُستخدم المقياس لتقييم دقة النماذج الرياضية التي تحاكي فترات الاستجابة والتعلم عبر الزمن، حيث تتفاوت أهمية الجلسات التجريبية أو المحاولات الإدراكية بحسب ثقلها المعرفي أو حجم المثيرات المقدمة للمشاركين؛ مما يستوجب وزناً متفاوتاً لا توفره المقاييس الخطية البسيطة.

كذلك يحتل المقياس موقع الصدارة في دراسات علم النفس الإداري وبحوث العمليات التطبيقية، لا سيما في تحليل نماذج استهلاك الموارد البشرية وتخصيص الجهد في سلاسل الإمداد المعقدة؛ إذ يتطلب التنبؤ بالطلب على الموارد موازنة دقيقة بين المنتجات أو الخدمات ذات الاستهلاك الكثيف وتلك الهامشية؛ حيث يؤدي الاعتماد على المقاييس غير الموزونة إلى تضخيم أخطاء الخدمات الهامشية وإهمال الانحرافات المؤثرة في العمليات الحيوية ذات التأثير المالي واللوجستي المباشر.

وفي القياس النفسي التجريبي ونمذجة السلاسل الزمنية الطولية، يوفر WMAPE أداة فعالة لمقارنة ثبات أدوات القياس عبر الزمن عند قياس سمات نفسية غير مستقرة، حيث تُستخدم الأوزان لتمثيل موثوقية كل فترة زمنية أو دقة أداة الملاحظة المستخدمة، مما يضمن أن الناتج التقييمي النهائي يعبر بصدق عن البنية الكامنة للظاهرة محل الدراسة دون تأثر بالتقلبات العشوائية الطارئة.

2. البنية الرياضية والتحليلية لمعادلة WMAPE

2.1 التفكيك الرياضي لمعادلة WMAPE

تقوم البنية الرياضية لمقياس WMAPE على منطق النسبة التراكمية الموزونة، وتأخذ المعادلة العامة الشكل الرياضي التالي:

WMAPE = ( ∑ [ w_i × |y_i – ŷ_i| ] / ∑ [ w_i × |y_i| ] ) × 100%

حيث يتم تفكيك هذه المعادلة إلى مكونين رئيسيين: البسط والمقام. يتكون البسط من حاصل جمع الجداءات النقطية بين وزن كل مشاهدة (w_i) والقيمة المطلقة للخطأ الناتج عن الفرق بين القيمة الفعلية الحقيقية (y_i) والقيمة المتوقعة بواسطة النموذج (ŷ_i). يضمن استخدام القيمة المطلقة إلغاء مشكلة التعويض التلقائي التي تحدث عندما تلغي الأخطاء الموجبة نظيراتها السالبة، في حين يضمن الوزن (w_i) مضاعفة أو تقليص الأثر الرياضي لهذا الانحراف الفردي بناءً على المعيار الإحصائي المحدد سلفاً.

أما المقام، فيتألف من المجموع التراكمي لضرب الأوزان ذاتها في القيم الفعلية المشاهدة (أو قيمها المطلقة لضمان عدم حدوث انعدام جبري في حال وجود قيم سالبة). يعمل المقام هنا كعامل تطبيع كلي (Global Normalization Factor)، حيث يقوم بتجميع الكتلة الكلية للمتغير المقاس ليجعل الكسر ناتجاً يعبر عن حصة الخطأ الموزون الكلي من إجمالي الحجم الموزون للظاهرة. وأخيراً، يتم ضرب الناتج الإجمالي في 100 لتحويل النتيجة الرياضية من كسر عشري مجرد إلى صيغة مئوية قابلة للمقارنة المباشرة وإجراء التحليلات المعيارية المقارنة.

2.2 الرموز الإحصائية وتحديد المتغيرات

يتطلب الفهم المتعمق للمعادلة تحديداً دقيقاً لخصائص المتغيرات الداخلة في تركيبها ودلالاتها التجريبية والإحصائية:

القيمة الفعلية الحقيقية (y_i): تمثل المشاهدة الأصلية المقاسة ميدانياً أو تجريبياً عند النقطة التسلسلية أو الزمنية i، وتُعد الأساس المرجعي (Ground Truth) الذي يُقاس الخطأ بالانحراف عنه.
القيمة المتوقعة أو التنبؤية (ŷ_i): تعبر عن التقدير النظري الصادر عن النموذج الإحصائي أو خوارزمية التعلم الآلي لنفس النقطة i، وهي القيمة الخاضعة للاختبار والتقييم لبيان مدى مطابقتها للواقع.
متجه الأوزان النسبية (w_i): يمثل مصفوفة أو متجهاً من القيم الإحصائية الموجبة التي تخصص لكل نقطة بيانات لتحديد وزنها النسبي في المعادلة، وتتعدد طرق اختيار هذا المتجه بحسب الفرضيات المنهجية للبحث.
المؤشر التسلسلي (i): يمتد من 1 إلى n، حيث يمثل n العدد الإجمالي للمشاهدات المشمولة في التحليل التقييمي.

في الحالة الخاصة والافتراضية الأكثر شيوعاً، والمعروفة بالصيغة التناسبية للحجم (Volume-weighted WMAPE)، يتم ضبط قيمة الوزن لتساوي القيمة الفعلية نفسها (w_i = 1 أو w_i = y_i)، وهو ما يحول المعادلة إلى قسمة مجموع الأخطاء المطلقة مباشرة على مجموع القيم الفعلية الكلية، مما يمنح المشاهدات الكبرى وزناً طبيعياً يتناسب طردياً مع حجمها الرياضي.

2.3 الخصائص الجبرية لمقياس WMAPE

يتمتع مقياس WMAPE بعدد من الخصائص الجبرية المحورية التي تمنحه تفوقاً استثنائياً في التحليلات الإحصائية المتقدمة. أولى هذه الخصائص هي “اللامبالاة بحجم العينة” (Scale-insensitivity to Sample Size) عند ثبات التوزيع الترجيحي، بمعنى أن مضاعفة عدد المشاهدات مع الحفاظ على نفس بنية وتوزيع الأخطاء والأوزان لن يؤدي إلى تغيير قيمة المقياس؛ إذ يتمدد البسط والمقام بنفس النسبة الخطية، بخلاف مقاييس مثل مجموع مربعات الأخطاء (SSE) التي تتضخم تلقائياً مع زيادة حجم العينة.

الخاصية الجبرية الثانية هي “الاستقرار الرياضي” (Mathematical Stability)؛ حيث يتجنب المقياس الحساسية المفرطة التي تظهر عند قسمة كل خطأ منفرد على قيمته الفعلية في كل صف على حدة كما في MAPE. من خلال نقل عملية التجميع (Summation) لتسبق عملية القسمة الجبرية، يتحول المقام إلى رقم إجمالي ضخم يقلل بشدة من احتمالية الاقتراب من الصفر، مما يضفي على المقياس رصانة متناهية حتى في ظل وجود بيانات متفرقة أو شديدة التذبذب.

علاوة على ذلك، يظهر التحليل الجبري للبسط والمقام أن تباين الأوزان (Variance of Weights) يمارس تأثيراً ديناميكياً موجهاً؛ فكلما كانت الأوزان مرتفعة عند المشاهدات التي يتمتع فيها النموذج بدقة تنبؤية عالية، انخفضت قيمة WMAPE الكلية بشكل ملحوظ، مما يعكس كفاءة النموذج في التركيز على النقاط الأكثر حيوية للنظام المدروس.

3. مقارنة WMAPE بمقاييس تقييم الدقة التنبؤية البديلة

3.1 مقارنة تفصيلية بين WMAPE ومقياس MAPE التقليدي

تُعد المقارنة بين WMAPE والمقياس التقليدي MAPE (Mean Absolute Percentage Error) من أكثر المقارنات إثارة للاهتمام في الأدبيات الإحصائية، نظراً لأن WMAPE صُمم بالأساس لتجاوز العلل البنيوية القاتلة في MAPE. تعتمد معادلة MAPE الكلاسيكية على حساب متوسط الأخطاء النسبية الفردية: [ (1/n) × ∑ (|y_i – ŷ_i| / |y_i|) ] × 100%. وتتجلى الكارثة الرياضية الأولى لهذا المقياس عند وجود أي مشاهدة فعلية تساوي صفراً (y_i = 0)؛ حيث يؤدي ذلك مباشرة إلى خطأ القسمة على الصفر، وتصبح قيمة المؤشر الإجمالي غير معرفة رياضياً (Undefined أو تتجه نحو اللانهاية Inf).

حتى في الحالات التي لا تصل فيها القيم الفعلية إلى الصفر المطلق ولكنها تقترب منه (قيم كسرية صغيرة جداً)، يعاني MAPE من انحياز تشويهي عنيف؛ فإذا كانت القيمة الفعلية 0.1 والتنبؤ 1.0، فإن الخطأ المطلق هو 0.9 فقط، ولكن الخطأ النسبي الفردي سيقفز إلى 900%! وسيقوم هذا الخطأ الفردي بنسف قيمة المتوسط الإجمالي للنموذج بالكامل، على الرغم من أن الخطأ في الواقع العملي ضئيل للغاية ولا يكاد يُذكر.

المشكلة البنيوية الأخرى في MAPE هي “انحيازه غير المتماثل”؛ فهو يعاقب التقديرات الأعلى من الواقع بشدة أكبر من التقديرات الأقل من الواقع، لأن الخطأ في التقدير الأقل مقيد بالوصول إلى 100% كحد أقصى (عندما يكون التنبؤ صفراً)، بينما لا يوجد سقف رياضي لخطأ الإفراط في التقدير. يعالج WMAPE هاتين المعضلتين جذرياً عن طريق جمع كل الأخطاء في البسط وجمع كل القيم الفعلية في المقام؛ فلا وجود لقسمة فردية على الصفر، وتذوب الأخطاء النسبية للمشاهدات الصغرى ضمن الكتلة التراكمية الكلية للمقام، مما يحقق عدالة ونزاهة إحصائية متفوقة.

3.2 المقارنة مع مقاييس الأخطاء المطلقة المباشرة (MAE و WMAE)

يقيس مقياس متوسط الخطأ المطلق (Mean Absolute Error – MAE) متوسط الفروق المطلقة دون إدخال مفهوم النسب المئوية، وهو مقياس متين وقوي وسهل الحساب. ومع ذلك، تكمن المحدودية الكبرى لمقياس MAE في أنه مقيد بوحدات القياس الخاصة بالمتغير التابع؛ فإذا كان الباحث يدرس زمناً بالمللي ثانية، فإن قيمة MAE ستكون بالمللي ثانية، وإذا كان يدرس درجات اختبار سلوكي، فستكون بالدرجات. هذا الارتباط بالوحدة يجعل من المستحيل تقريباً مقارنة أداء نموذج يتنبأ بظاهرة معينة مع نموذج آخر يتنبأ بظاهرة مختلفة تماماً، أو حتى مقارنة نفس الظاهرة عبر مجموعات ذات مقاييس كمية متغيرة بدرجة كبيرة.

أما مقياس الخطأ المطلق الموزون (Weighted MAE – WMAE)، فهو يضيف الأوزان إلى MAE لحل مشكلة تفاوت الأهمية بين المشاهدات، لكنه يظل محتفظاً بنفس الإشكالية المتعلقة بوحدات القياس؛ فالنتيجة النهائية تكون رقماً مطلقاً موزوناً يعجز عن تقديم انطباع فوري حول الجودة النسبية للنموذج ما لم يتم ربطه بمتوسط الظاهرة الفعلي. وهنا تتضح الميزة التنافسية لمقياس WMAPE؛ إذ إنه يدمج فكرة الترجيح المعتمدة في WMAE، ولكنه يقسم الناتج على إجمالي القيم الفعلية الموزونة ليخرج بنسبة مئوية موحدة (تتراوح عادة بين 0% و 100% وما فوقها في النماذج شديدة الضعف)، مما يمنحه قوة تفسيرية فورية تتفوق بوضوح على المقاييس المطلقة المباشرة.

3.3 المقارنة مع مقاييس الانحراف التربيعي (RMSE و MSE)

تتمتع المقاييس التربيعية، وعلى رأسها متوسط مربع الخطأ (MSE) وجذر متوسط مربع الخطأ (RMSE)، بانتشار واسع في الأوساط الإحصائية وعلم البيانات، وتُستخدم بكثافة كدوال خسارة (Loss Functions) أثناء تدريب الخوارزميات، وذلك بفضل قابليتها للاشتقاق الرياضي السلس. غير أن السمة الأبرز للمقاييس التربيعية هي حساسيتها الفائقة والشرسة تجاه القيم الشاذة والمتطرفة (Outliers)؛ فعند تربيع الفروق (y_i – ŷ_i)²، تُمنح الأخطاء الكبيرة أوزاناً عقابية مضاعفة للغاية مقارنة بالأخطاء الصغيرة والمتوسطة.

في بعض التطبيقات الهندسية أو النماذج الفيزيائية التي يشكل فيها أي خطأ جسيم كارثة حقيقية، قد يكون هذا التأثير العقابي لـ RMSE مطلوباً ومبرراً. ولكن في الأبحاث السلوكية والاجتماعية والبيانات الاستهلاكية المعقدة، تتكرر القيم الشاذة نتيجة أخطاء قياس عارضة أو تقلبات سلوكية نادرة؛ وهنا يؤدي اعتماد RMSE إلى تشويه صورة النموذج التنبؤي، وإعطاء انطباع مضلل بانهيار كفاءته العامة لمجرد إخفاقه في توقع نقطة شاذة وحيدة.

في المقابل، يتعامل مقياس WMAPE مع الأخطاء عبر دالة المسافة الخطية (L1 Norm) ممثلة في القيمة المطلقة، مما يمنحه توازناً خطياً رصيناً لا يبالغ في معاقبة الأخطاء الكبيرة ولا يتجاهل الأخطاء الصغيرة. إضافة إلى ذلك، فإن WMAPE ينتج نسبة مئوية مفهومة حدسياً، في حين يُنتج RMSE قيمة مقاسة بوحدة المتغير الأصلي يصعب تأويلها كنسبة دقة عامة دون إجراء عمليات تطبيع إضافية تزيد من تعقيد التحليل.

4. مبررات الاعتماد الأكاديمي والعملي على مقياس WMAPE

4.1 معالجة انحرافات البيانات غير المتجانسة

تُعد مشكلة عدم تجانس البيانات وتفاوت التباين (Heteroskedasticity) من أكثر التحديات المزمنة التي تواجه الباحثين في التحليل الكمي. في مجموعات البيانات الواقعية، نادراً ما تتوزع المشاهدات بتناسق مثالي؛ بل تتوزع غالباً وفق ذيول طويلة (Heavy-tailed Distributions) أو توزيعات باريتو، حيث تتركز النسبة العظمى من القيمة الإجمالية في عدد محدود من الملاحظات الكبرى، بينما تتوزع باقي الملاحظات على قاعدة عريضة من المشاهدات الدقيقة أو منخفضة التكرار.

في مثل هذه البيئات الإحصائية، تُحدث المقاييس غير الموزونة ارتباكاً منهجياً فادحاً؛ فلو أخذنا عينة من التفاعلات السلوكية الرقمية، سنجد مستخدمين ينفذون آلاف التفاعلات يومياً، بينما ينفذ آخرون تفاعلاً واحداً كل شهر. إن ارتكاب النموذج لخطأ نسبي مقداره 100% في التنبؤ بسلوك المستخدم الخامل يؤدي، في المقاييس الكلاسيكية، إلى خفض تقييم دقة النموذج بنفس المقدار الذي يسببه خطأ نسبي في التنبؤ بسلوك المستخدم فائق النشاط. يتدخل مقياس WMAPE ليعيد ضبط التوازن المنهجي، حيث يقوم بكبح جماح هذا التأثير المضلل للمشاهدات منخفضة الحجم، ويضمن أن تقارير الأداء التجريبي تعكس الأثر الإجمالي الحقيقي للنموذج على الظاهرة برمتها.

4.2 تفسيرية النتائج وسهولة التواصل الأكاديمي

تمثل سهولة نقل النتائج الإحصائية وتفسيرها للجمهور الأكاديمي ولصناع القرار ميزة حاسمة للمنهجيات البحثية المعتمدة. يعاني العديد من المقاييس المتقدمة، مثل معيار معلومات أكايكي (AIC) أو مقاييس اللوغاريتمات، من طابع تجريدي شديد؛ فرغم قوتها في مقارنة النماذج المتنافسة، إلا أنها لا تقدم إجابة واضحة على السؤال العملي المباشر: “ما هي نسبة دقة هذا النموذج في التنبؤ بالواقع؟”.

يقدم مقياس WMAPE إجابة حدسية وسلسة على هذا التساؤل؛ فالنتيجة تظهر كنسبة مئوية صريحة تمثل حصة الخطأ الإجمالي من الحجم الكلي للمشاهدات. فإذا كانت قيمة WMAPE تساوي 12%، فإن الباحث يستطيع أن يقرر بثقة أن النموذج التنبؤي يخطئ في المتوسط بما يوازي 12% من إجمالي حجم الظاهرة، ويمكن بسهولة تحويل هذه القيمة إلى مؤشر مباشر للدقة الإجمالية (Overall Accuracy) من خلال المعادلة المباشرة: الدقة = 100% - WMAPE، لتصبح دقة النموذج 88%. هذا الوضوح الحسابي جعل WMAPE المقياس الأكثر قبولاً وترحيباً في لجان مراجعة الأقران العلمية، وفي العروض الإيضاحية الموجهة للقيادات التنفيذية والإدارية.

4.3 المرونة المنهجية في تخصيص الأوزان الإحصائية

لا يقف مقياس WMAPE عند حدود الصيغة التناسبية البسيطة التي تجعل الأوزان مطابقة للقيم الفعلية، بل يمتد ليوفر إطاراً منهجياً فائق المرونة يُمكن الباحث من صياغة وتجريب استراتيجيات ترجيح متعددة ومبتكرة تتطابق بدقة مع أهدافه النظرية وفرضياته البحثية. تتيح هذه المرونة استخدام متغيرات مستقلة أو وسيطة لتكون هي الأساس في تحديد مصفوفة الأوزان (w_i) بدلاً من الاعتماد الحصري على المتغير التابع.

فعلى سبيل المثال، في الدراسات السلوكية الطولية متعددة المستويات (Multilevel Modeling)، يمكن للباحث تخصيص أوزان تعكس حجم المجتمع الإحصائي لكل طبقة أو شريحة ديموغرافية، أو تخصيص أوزان تعكس التكلفة النسبية للأخطاء المعرفية. وفي الدراسات التجريبية التي تستخدم تقنيات قياس متباينة الدقة، يمكن تحديد الأوزان بناءً على مقلوب تباين أداة القياس (Inverse-variance Weighting)، بحيث تُعطى المشاهدات المقاسة بأدوات عالية الموثوقية وزناً أكبر في معادلة الخطأ الكلية. هذه الديناميكية المنهجية تجعل من WMAPE أداة بحثية متكاملة تتكيف مع مختلف التصاميم التجريبية المعقدة.

5. إعداد بيئة الحوسبة الإحصائية في لغة البرمجة R

5.1 متطلبات النظام والتهيئة الأولية في RStudio

لضمان إجراء التحليلات الرياضية وحساب مقياس WMAPE بأعلى درجات الكفاءة الحوسبية ودون التعرض لمشكلات استهلاك الذاكرة العشوائية أو بطء المعالجة، يتعين ضبط بيئة العمل في R و RStudio بعناية. يُنصح بشدة بالتأكد من تحديث لغة R إلى الإصدار 4.0.0 فما فوق؛ حيث شهدت هذه الإصدارات تحسينات جذرية في إدارة متجهات الأعداد الحقيقية ومحركات معالجة المصفوفات متعددة الخيوط.

تبدأ التهيئة بتحديد دليل العمل المناسب (Working Directory) وإنشاء مشروع منظم (R Project) يضمن توثيق مسار الكود وحفظ سجلات النتائج بصورة قابلة لإعادة الإنتاج (Reproducibility). يُفضل دائماً تنظيف بيئة الذاكرة الأولية لضمان عدم وجود متغيرات قديمة قد تتداخل مع المتغيرات الجديدة، ويمكن ضبط ذلك عبر الأوامر الأساسية التالية:

# تنظيف مساحة العمل الحالية لضمان خلو الذاكرة من أي كائنات سابقة
rm(list = ls())
# التحقق من خيارات إدارة الذاكرة واستخدام مساحة مناسبة للأعداد العشرية
options(scipen = 999) # إلغاء الترقيم العلمي التلقائي لعرض الأرقام بوضوح
options(digits = 4) # تحديد عدد الخانات العشرية المعروضة افتراضياً
# تعيين بيئة التكرار الرياضي لضمان تطابق النتائج العشوائية
set.seed(42)

يتيح ضبط scipen = 999 قراءة المخرجات الرقمية كأرقام عشرية تقليدية، وهو أمر بالغ الأهمية عند التعامل مع النسب المئوية الدقيقة ومقارنة الأخطاء التنبؤية الصغرى، متفادياً التشويش الذي قد ينتج عن التدوين العلمي الافتراضي في بيئة R.

5.2 تجهيز الحزم الإحصائية المساعدة

رغم أن لغة R توفر في نواتها الأساسية (Base R) كافة الإمكانات الحسابية اللازمة لتنفيذ معادلة WMAPE جبرياً، إلا أن استدعاء الحزم التخصصية يسهم في تسريع عمليات تنظيف البيانات، ومعالجة الجداول، وإجراء المقارنات المرجعية، وبناء المخططات البيانية المتقدمة. الحزمة الأساسية الأولى التي لا غنى عنها هي منظومة tidyverse، والتي تشمل حزم dplyr للتلاعب بالبيانات و ggplot2 للتصوير البصري المتقدم.

إلى جانب ذلك، يُنصح بتثبيت حزم التقييم التنبؤي المتخصصة مثل حزمة Metrics، بالإضافة إلى حزمة data.table لمعالجة المصفوفات الضخمة التي تتجاوز ملايين الصفوف. يمكن تثبيت واستدعاء هذه الحزم بأسلوب برمجي احترافي يضمن التحقق من وجودها وتثبيتها تلقائياً في حال غيابها:

# قائمة الحزم المطلوبة للتحليل الشامل
required_packages <- c("tidyverse", "Metrics", "data.table", "scales", "gridExtra")
# دالة ذكية للتحقق من الحزم وتثبيتها واستدعائها تلقائياً
install_and_load <- function(packages) {
 for (pkg in packages) {
 if (!require(pkg, character.only = TRUE)) {
 install.packages(pkg, dependencies = TRUE)
 library(pkg, character.only = TRUE)
 }
 }
}
# تنفيذ الدالة
install_and_load(required_packages)

يوفر هذا النهج المنهجي في إعداد البيئة البرمجية موثوقية عالية للتحليل، ويضمن إمكانية تشغيل الأكواد البرمجية بيسر وسلاسة على أي حاسوب أو خادم آخر دون حدوث أخطاء نقص المكتبات أو تضارب الإصدارات البرمجية.

5.3 إدارة أنواع البيانات والمتجهات في R

تعتمد لغة R على المعالجة بالمتجهات (Vectorization)، وهي الآلية التي تنفذ العمليات الرياضية على المتجهات ككتلة واحدة في لغة C المنخفضة المستوى خلف كواليس R، مما يوفر سرعة معالجة فائقة مقارنة بالحلقات التكرارية التقليدية (Loops). لضمان نجاح حساب WMAPE، يجب التأكد التام من البنية النمطية للمدخلات الرقمية؛ إذ ينبغي أن تكون القيم الفعلية والتنبؤية والأوزان مخزنة كمتجهات عددية رقمية (Numeric Vectors) وليست عوامل (Factors) أو متجهات نصية (Character Vectors).

في كثير من الحالات التجريبية، تؤدي عمليات استيراد البيانات من ملفات CSV أو قواعد البيانات إلى تحويل الأعمدة الرقمية التي تحتوي على فراغات أو رموز إلى متغيرات نصية، مما يؤدي إلى فشل العمليات الحسابية أو حدوث أخطاء تحويل صامتة ينتج عنها قيم مفقودة (NA). لذلك، يجب فحص المتغيرات قبل الحساب، والتأكد المنهجي من تطابق الأطوال الفهرسية للمتجهات الثلاثة، بحيث يمتلك كل عنصر في المتجه الفعلي نظيراً مباشراً في متجه التنبؤ ومتجه الأوزان، مما يضمن اتساق التحليل وتفادي حدوث إزاحات رياضية خاطئة.

6. بناء وبرمجة دالة حساب WMAPE المخصصة في R

6.1 الكتابة الهيكلية للدالة المخصصة (find_WMAPE)

لتحقيق أقصى قدر من المرونة والتحكم، سنقوم ببناء دالة متكاملة ومرنة لحساب مقياس WMAPE من الصفر داخل لغة R، وسنطلق عليها اسم find_WMAPE. يتم تصميم هذه الدالة لتستقبل ثلاثة مدخلات رئيسية: متجه القيم الفعلية (actual)، ومتجه القيم التنبؤية المتوقعة (predicted)، ومتجه الأوزان (weights). كما سنقوم ببرمجة المعامل الخاص بالأوزان ليكون اختيارياً؛ بحيث إذا لم يقم المستخدم بتمرير متجه أوزان مخصص، تقوم الدالة تلقائياً بتطبيق الصيغة القياسية واعتماد القيمة الفعلية للمشاهدة كوزن افتراضي (weights = NULL).

فيما يلي الكود البرمجي للهيكل الأساسي للدالة المصممة بأسلوب يتوافق مع أفضل معايير البرمجة الإحصائية الوظيفية في R:

find_WMAPE <- function(actual, predicted, weights = NULL, na.rm = TRUE) {
 # الخطوة 1: معالجة القيم المفقودة إذا طُلب ذلك
 if (na.rm) {
 # استخراج مؤشرات القيم غير المكتملة عبر المتجهات
 if (is.null(weights)) {
 valid_idx <- complete.cases(actual, predicted)
 actual <- actual[valid_idx]
 predicted <- predicted[valid_idx]
 } else {
 valid_idx <- complete.cases(actual, predicted, weights)
 actual <- actual[valid_idx]
 predicted <- predicted[valid_idx]
 weights <- weights[valid_idx]
 }
 }
 
 # الخطوة 2: تحديد متجه الأوزان التلقائي إذا لم يتم تمريره
 if (is.null(weights)) {
 # الاعتماد على القيمة الفعلية كوزن طبيعي للمشاهدة
 weights <- actual
 }
 
 # الخطوة 3: حساب البسط الرياضي (مجموع الفروق المطلقة الموزونة)
 weighted_abs_errors <- weights * abs(actual - predicted)
 numerator <- sum(weighted_abs_errors)
 
 # الخطوة 4: حساب المقام الرياضي (مجموع القيم الفعلية الموزونة)
 weighted_actuals <- weights * abs(actual)
 denominator <- sum(weighted_actuals)
 
 # الخطوة 5: التحوط ضد القسمة على الصفر
 if (denominator == 0) {
 warning("مجموع القيم الفعلية الموزونة في المقام يساوي صفراً. لا يمكن حساب النسبة.")
 return(NaN)
 }
 
 # الخطوة 6: حساب النسبة المئوية النهائية
 wmape_result <- (numerator / denominator) * 100
 
 return(wmape_result)
}

6.2 الشرح التحليلي لآلية عمل الدالة خطوة بخطوة

تعمل الدالة السابقة بكفاءة استثنائية من خلال استثمار قوة الحوسبة المتجهية (Vectorized Computing) الأصيلة في لغة R، ويمكن تحليل العمليات الداخلية المنفذة عبر المراحل الحسابية التالية:

في مرحلة حساب الفروق، ينفذ الأمر actual - predicted عملية طرح عنصري متزامن (Element-wise Subtraction)، حيث يتم طرح كل قيمة تنبؤية من نظيرتها الفعلية المقابلة لها في الفهرس دون الحاجة لكتابة حلقات تكرارية معقدة وبطيئة. بعد ذلك مباشرة، تطبق دالة abs() لتحويل كافة الفروق الناتجة إلى قيم موجبة مطلقة، مما يمثل مسافات الخطأ الإقليدي أحادي البعد.

ثم تأتي مرحلة الترجيح عبر السطر weights * abs(...)؛ حيث يُنفذ ضرب عنصري بين متجه الأوزان ومتجه الأخطاء المطلقة، وبذلك تُضرب كل فجوة خطأ في الثقل الإحصائي المخصص لها. وتتكرر نفس العملية بدقة في المقام عبر weights * abs(actual)؛ إذ يتم وزن كل قيمة حقيقية بثقلها الخاص لإنشاء الإطار المرجعي الإجمالي. وأخيراً، تقوم دالة sum() بتجميع المتجهات الناتجة في رقم واحد للبسط وآخر للمقام، ليتم تقسيم البسط على المقام وضربه في 100، مما ينتج عنه القيمة المئوية النهائية لمقياس WMAPE بدقة وسرعة متناهية.

6.3 تضمين شروط التحقق والتحوط ضد أخطاء الإدخال

في بيئات الإنتاج والتطبيقات البحثية المتقدمة، لا تقتصر جودة الكود البرمجي على صحة الحساب الرياضي البسيط، بل تمتد لتشمل قدرته الدفاعية على التحقق من صحة المدخلات وإطلاق التنبيهات والأخطاء التشخيصية الواضحة عند تمرير بيانات معطوبة. لضمان عدم حدوث انهيار برمجي صامت أو صدور نتائج مضللة، يجب تعزيز دالة find_WMAPE بمجموعة من الشروط الدفاعية الصارمة (Defensive Assertions) قبل الشروع في العمليات الحسابية:

find_WMAPE_robust <- function(actual, predicted, weights = NULL, na.rm = TRUE) {
 # 1. التحقق من الطبيعة العددية للمدخلات
 if (!is.numeric(actual) || !is.numeric(predicted)) {
 stop("خطأ فادح: يجب أن تكون المتجهات 'actual' و 'predicted' متجهات رقمية (Numeric).")
 }
 
 if (!is.null(weights) && !is.numeric(weights)) {
 stop("خطأ فادح: يجب أن يكون متجه الأوزان 'weights' رقماً عددياً.")
 }
 
 # 2. التحقق من اتساق وتساوي أطوال المتجهات
 if (length(actual) != length(predicted)) {
 stop(paste("عدم اتساق في الأبعاد: طول المتجه الفعلي (", length(actual), 
 ") يختلف عن طول متجه التنبؤات (", length(predicted), ").", sep = ""))
 }
 
 if (!is.null(weights) && (length(actual) != length(weights))) {
 stop("عدم اتساق في الأبعاد: يجب أن يتطابق طول متجه الأوزان مع طول متجه المشاهدات.")
 }
 
 # 3. التحقق من وجود عناصر فارغة تماماً
 if (length(actual) == 0) {
 warning("تحذير: المتجهات المدخلة فارغة تماماً.")
 return(NA)
 }
 
 # 4. التحقق من سلبية الأوزان (الأوزان يجب أن تكون موجبة أو صفرية)
 if (!is.null(weights) && any(weights < 0, na.rm = TRUE)) {
 stop("خطأ منهجي: لا يُسمح باستخدام أوزان سالبة في حساب مقياس WMAPE.")
 }
 # استدعاء الحساب بعد استيفاء الشروط
 return(find_WMAPE(actual, predicted, weights, na.rm))
}

تضمن هذه الفحوصات الاستباقية حماية خطوط أنابيب تحليل البيانات من التمرير غير المقصود لبيانات نصية أو متجهات غير متكافئة في الطول، كما تحمي الباحث من انتهاك الفرضيات الرياضية للمقياس؛ فالأوزان السالبة تؤدي إلى تشويه مفهوم الترجيح وإفساد النتائج بالكامل.

7. تطبيق عملي: حساب WMAPE خطوة بخطوة على مجموعة بيانات واقعية

7.1 إنشاء إطار البيانات التجريبي (Data Frame)

لتطبيق الدالة البرمجية وفحص سلوكها في سياق واقعي، سنقوم ببناء إطار بيانات تجريبي يحاكي دراسة طولية تمتد عبر 12 فترة زمنية (أشهراً متعاقبة مثلاً)، تهدف إلى قياس استجابة سلوكية أو مؤشر طلب واستهلاك، حيث تتضمن البيانات قياسات فعلية وتنبؤات صادرة عن نموذج إحصائي، بالإضافة إلى تباين ملحوظ في حجوم الملاحظات لبيان أثر الترجيح بوضوح:

# إنشاء إطار البيانات الافتراضي الذي يمثل 12 فترة زمنية
experiment_data <- data.frame(
 Period = 1:12,
 Actual = c(120, 145, 90, 210, 450, 80, 65, 310, 520, 115, 75, 430),
 Forecast = c(110, 160, 85, 195, 420, 110, 95, 290, 560, 130, 60, 400),
 Custom_Weight = c(1.0, 1.0, 0.8, 1.2, 2.0, 0.5, 0.5, 1.5, 2.5, 1.0, 0.5, 2.0)
)
# فحص بنية البيانات ومحتواها
str(experiment_data)
head(experiment_data, n = 6)

عند فحص البيانات عبر دالة head()، نلاحظ بوضوح أن الفترات 5 و 9 و 12 تمثل مشاهدات ذات حجم مرتفع جداً (تتجاوز 400 إلى 500 وحدة)، بينما تمثل الفترات 6 و 7 و 11 مشاهدات ذات حجم منخفض (أقل من 100 وحدة). كما تم تخصيص عمود للأوزان المخصصة (Custom_Weight) ليعكس أهمية نوعية تتجاوز مجرد الحجم المادي، وهو سيناريو نموذجي في الدراسات الميدانية.

7.2 تنفيذ الدالة واستخراج النتائج الرقمية

سنقوم الآن بحساب مقياس WMAPE على هذه البيانات تحت ثلاثة سيناريوهات منهجية مختلفة لاستكشاف الفروق الحسابية: السيناريو الأول يعتمد الأوزان المخصصة، والسيناريو الثاني يعتمد الصيغة الحجمية القياسية (الوزن = القيمة الفعلية)، والسيناريو الثالث يفترض أوزاناً متساوية تماماً (الوزن المحايد = 1 لجميع المشاهدات، وهو ما يعادل نسبة إجمالي الخطأ المطلق إلى إجمالي القيم الفعلية):

# السيناريو 1: حساب WMAPE باستخدام الأوزان المخصصة
wmape_custom <- find_WMAPE(
 actual = experiment_data$Actual,
 predicted = experiment_data$Forecast,
 weights = experiment_data$Custom_Weight
)
# السيناريو 2: حساب WMAPE بالصيغة التناسبية للحجم (Default Volume Weighting)
wmape_volume <- find_WMAPE(
 actual = experiment_data$Actual,
 predicted = experiment_data$Forecast,
 weights = experiment_data$Actual
)
# السيناريو 3: حساب WMAPE بأوزان محايدة متساوية (Equal Weights)
wmape_equal <- find_WMAPE(
 actual = experiment_data$Actual,
 predicted = experiment_data$Forecast,
 weights = rep(1, nrow(experiment_data))
)
# عرض النتائج المقارنة
results_summary <- data.frame(
 السيناريو = c("أوزان مخصصة نوعية", "أوزان تناسبية مع الحجم", "أوزان متساوية محايدة"),
 قيمة_WMAPE = c(wmape_custom, wmape_volume, wmape_equal)
)
print(results_summary)

عند تشغيل هذا الكود، ستظهر مخرجات رقمية واضحة؛ حيث ينتج عن السيناريو الأول (الأوزان المخصصة) خطأ بنسبة تقارب 7.5%، بينما قد يُظهر السيناريو المحايد نسبة خطأ مختلفة تصل إلى حوالي 8.9%. يرجع هذا التباين إلى الكيفية التي تعاملت بها كل منهجية مع الفترات الحساسة؛ فالأوزان المخصصة رفعت من قيمة الفترات التي كان النموذج فيها أكثر دقة، مما خفض الخطأ الإجمالي الموزون.

7.3 التفسير الأكاديمي والميداني للقيمة المستخرجة

في التقييم الإحصائي المعياري، لا يكفي استخراج الرقم المجرد بل يجب تأطيره ضمن المعايير التفسيرية المعترف بها في الأدبيات العلمية. تشير المراجع الإحصائية في التنبؤ، مثل تصنيفات لويس (Lewis, 1982) ومراجعات أبحاث التنبؤ المعاصرة، إلى الموجهات العامة التالية لتفسير نسب الخطأ التنبؤي:

أقل من 10%: تنبؤ عالي الدقة وممتاز جداً (Highly Accurate Forecasting)، ويدل على قدرة النموذج على التقاط الديناميكيات الأساسية للظاهرة بكفاءة استثنائية.
من 10% إلى 20%: تنبؤ جيد ومقبول ميدانياً (Good Forecasting)، يشير إلى وجود انحرافات طفيفة يمكن استيعابها عملياً.
من 20% إلى 50%: تنبؤ معقول ولكنه يتطلب حذراً (Reasonable Forecasting)، وقد يشير إلى حاجة النموذج لمعايرة إضافية أو إدخال متغيرات تفسيرية جديدة.
أعلى من 50%: نموذج ضعيف وغير دقيق (Inaccurate Forecasting)، ولا يُنصح بالاعتماد عليه في اتخاذ القرارات الحيوية.

بناءً على النتيجة المستخرجة في تطبيقنا العملي (والتي تدور حول 7.5% إلى 8.9%)، يمكن للباحث توثيق أن خوارزمية التنبؤ تتمتع بمستوى كفاءة استثنائي يقع ضمن النطاق الممتاز، وأن الانحرافات المرصودة تظل ضمن الحدود الآمنة إحصائياً، مما يعطي موثوقية عالية للنموذج عند تعميمه على فترات لاحقة.

8. استراتيجيات تخصيص الأوزان (Weighting Mechanisms) في R

8.1 استخدام القيم الفعلية كأوزان قياسية (Volume-based Weighting)

تُمثل استراتيجية الترجيح القائم على الحجم الفعلي (Volume-based Weighting) التطبيق الأكثر شيوعاً واعتماداً لمقياس WMAPE في الممارسات الصناعية والأكاديمية على حد سواء؛ وتُعرف هذه الصيغة في كثير من البرمجيات ببساطة بمقياس WMAPE القياسي دون تخصيص. يستند الأساس المنطقي لهذه الاستراتيجية إلى مبدأ بديهي: “المشاهدة التي تزن ضعف غيرها يجب أن يكون لخطئها ضعف الأثر”.

عندما نضع w_i = y_i (بافتراض أن القيم الفعلية موجبة)، تشهد المعادلة الرياضية تبسيطاً جبرياً لافتاً:

WMAPE_volume = [ ∑ (y_i × |y_i – ŷ_i|) / ∑ (y_i²) ] × 100%

أو في صيغتها الأكثر استخداماً وتوازناً في سلاسل الإمداد وعلم الإدارة:

WMAPE_standard = [ ∑ |y_i – ŷ_i| / ∑ y_i ] × 100%

والتي تنتج عندما نعتبر أن الوزن يمثل حصة المشاهدة من الإجمالي الكلي: w_i = y_i / ∑ y_i. يمكن برمجة هذه الاستراتيجية المباشرة في R دون الحاجة لأي متجهات مساعدة، عبر سطر برمجي فائق الإيجاز والسرعة:

# حساب WMAPE القياسي القائم على نسبة مجموع الأخطاء المطلقة إلى مجموع القيم الفعلية
wmape_volume_direct <- function(actual, predicted) {
 return((sum(abs(actual - predicted)) / sum(actual)) * 100)
}
# تطبيق سريع على بياناتنا التجريبية
wmape_volume_direct(experiment_data $Actual, experiment_data$ Forecast)

تتميز هذه الصيغة بجمالها الرياضي ومناعتها التامة ضد مشكلات تباين الأوزان المصطنعة، وهي المقياس المعتمد افتراضياً عند مقارنة خوارزميات التنبؤ في المنصات العالمية للبيانات كمسابقات كاجل (Kaggle).

8.2 الترجيح الزمني ونماذج التلاشي الأسي (Time-decay Weights)

في دراسات السلاسل الزمنية والظواهر السلوكية المتغيرة باستمرار، تفقد المشاهدات القديمة جزءاً كبيراً من قيمتها التفسيرية للواقع الحاضر؛ فالبيانات المسجلة قبل خمس سنوات لا تحمل نفس الأهمية الاستشرافية للبيانات المسجلة الشهر الماضي. إذا اعتمدنا مقياساً يزن كافة الفترات بالتساوي، فقد نكافئ نموذجاً يتفوق في التنبؤ بالماضي البعيد ولكنه يفشل في مواكبة التحولات السلوكية المعاصرة.

هنا يظهر الترجيح الزمني القائم على “دوال التلاشي الأسي” (Exponential Decay Weights). بموجب هذه الاستراتيجية، تتناقص أوزان الملاحظات مع تقادمها الزمني وفق معادلة رياضية تعتمد على معامل التلاشي (Decay Parameter λ):

w_t = exp(-λ × (T – t))

حيث تمثل T الفترة الزمنية الأحدث، و t الفترة الزمنية للمشاهدة. دعونا نبرمج دالة متخصصة في R لتوليد هذه الأوزان وحساب WMAPE الزمني:

# دالة توليد أوزان التلاشي الأسي
calculate_time_decay_weights <- function(time_vector, lambda = 0.1) {
 max_time <- max(time_vector)
 time_diff <- max_time - time_vector
 weights <- exp(-lambda * time_diff)
 return(weights)
}
# توليد الأوزان لفتراتنا الزمنية البالغة 12 فترة مع معامل تلاشي 0.15
decay_weights <- calculate_time_decay_weights(experiment_data$Period, lambda = 0.15)
# حساب WMAPE المعدل زمنياً
wmape_time_decay <- find_WMAPE(
 actual = experiment_data$Actual,
 predicted = experiment_data$Forecast,
 weights = decay_weights
)
cat("قيمة WMAPE بعد تطبيق الترجيح الزمني الأسي:", round(wmape_time_decay, 2), "%n")

يتيح هذا الأسلوب المنهجي تقييم قدرة النماذج التنبؤية على التكيف مع التغيرات الهيكلية الحديثة (Concept Drift)، وهو توجه حيوي في بيئات التحليل الإحصائي الرقمي المباشر (Real-time Analytics).

8.3 الترجيح المخصص المبني على الأهمية والفاعلية السلوكية

تقتضي النزاهة المنهجية في بعض الأبحاث عدم الاعتماد على الحجم المادي أو التسلسل الزمني كأوزان، بل بناء مصفوفة ترجيح مستمدة من تقييمات نوعية، أو معايير الأثر السلوكي، أو تكلفة الخطأ (Cost-sensitive Learning). في النماذج السريرية مثلاً، قد يكون خطأ التنبؤ بسلوك انتحاري لمريض وزنه الإحصائي والإنساني يعادل آلاف الأضعاف من خطأ التنبؤ بسلوك نوم مضطرب لمريض آخر، رغم أن التكرار العددي للثاني قد يكون أكبر بكثير.

لتطبيق هذه الاستراتيجية المتقدمة في R، يجب أولاً إجراء عملية “تطبيع” (Normalization) لمتجه الأوزان المخصصة للتأكد من أن مجموعها يساوي واحداً أو يساوي عدد المشاهدات، وذلك لضمان استقرار المقارنات المعيارية ومنع حدوث تضخيم غير مقصود للمقام أو البسط:

# تطبيع متجه الأوزان لضمان أن مجموعه يساوي حجم العينة (N)
normalize_weights <- function(weights) {
 return(weights / mean(weights))
}
# تطبيق التطبيع على عمود الأوزان المخصصة
experiment_data $Normalized_Weight <- normalize_weights(experiment_data$ Custom_Weight)
# حساب المقياس بعد التطبيع المنهجي
wmape_normalized <- find_WMAPE(
 actual = experiment_data$Actual,
 predicted = experiment_data$Forecast,
 weights = experiment_data$Normalized_Weight
)
cat("قيمة WMAPE بالأوزان المخصصة والمطبعة:", round(wmape_normalized, 2), "%n")

تضمن عملية التطبيع هذه اتساق الحسابات الرياضية عبر مجموعات البيانات المختلفة، وتمكن الباحث من تقديم تقرير إحصائي رصين يلتزم بأعلى معايير الدقة المنهجية.

9. معالجة التحديات الإحصائية والحالات الحدية في R

9.1 التعامل مع القيم المفقودة (Missing Values – NA)

يُعد وجود القيم المفقودة (Missing Values)، المرموز لها في لغة R بالرمز NA، من أكثر العوائق الشائعة التي تصيب تدفق التحليلات الإحصائية بالشلل التام. بطبيعة الحال، تتسم الدوال الحسابية الأساسية في R مثل sum() و mean() بالحذر الشديد؛ فإذا احتوى أي متجه على قيمة NA واحدة، فإن الناتج التراكمي للدالة سيكون تلقائياً NA، مما يعطل حساب WMAPE بالكامل.

لمعالجة هذه المعضلة منهجياً، يتيح الكود الخاص بنا استخدام المعامل na.rm = TRUE، ولكن المعالجة الاحترافية تتطلب اتساقاً مصفوفياً عبر دالة complete.cases()؛ إذ لا يجوز حذف القيمة المفقودة من المتجه الفعلي والإبقاء على نظيرتها في متجه التنبؤ؛ لأن ذلك يؤدي فوراً إلى تدمير التطابق الفهرسي والتسلسلي للمشاهدات. وفيما يلي كود يوضح استراتيجيات استبدال القيم المفقودة (Imputation) المتقدمة قبل الشروع في حساب المقياس:

# إنشاء متجهات تحتوي على قيم مفقودة لمحاكاة التحدي
act_missing <- c(100, 150, NA, 200, 300)
pred_missing <- c(105, 140, 180, 210, NA)
# استراتيجية 1: الحذف المتسق للحالات غير المكتملة (Listwise Deletion)
clean_indices <- complete.cases(act_missing, pred_missing)
wmape_clean <- find_WMAPE(act_missing[clean_indices], pred_missing[clean_indices])
# استراتيجية 2: الاستبدال المنهجي بالمتوسط الموضعي (Imputation Strategy)
impute_mean <- function(v) {
 v[is.na(v)] <- mean(v, na.rm = TRUE)
 return(v)
}
wmape_imputed <- find_WMAPE(impute_mean(act_missing), impute_mean(pred_missing))

يتيح هذا التمييز للباحث الاختيار بين استبعاد الفترات المعطوبة بالكامل أو ترميمها إحصائياً بناءً على طبيعة فرضيات الدراسة وحجم البيانات المتوفرة لديه.

9.2 معالجة البيانات المتقطعة والظواهر نادرة الحدوث (Intermittent Demand)

تشكل البيانات المتقطعة (Intermittent or Sparse Data)، التي تكثر فيها المشاهدات الصفرية وتتخللها قفزات عشوائية نادرة، تحدياً كابوسياً للمقاييس التنبؤية الكلاسيكية. في مقياس MAPE، يؤدي وجود صف واحد بقيمة فعلية صفرية إلى انهيار الحساب الرياضي تماماً (Divide by Zero). هنا يبرز مقياس WMAPE كبطل إحصائي منقذ؛ إذ إنه لا يقسم على كل قيمة منفردة، بل يجمع القيم الفعلية في المقام الكلي؛ مما يجعله قادراً على العمل بسلاسة متناهية حتى لو كانت 90% من المشاهدات الفعلية أصفاراً، طالما أن إجمالي المقام لا يساوي صفراً.

ومع ذلك، تواجه الحالات الحدية المتطرفة جداً، كأن تكون السلسلة بأكملها أصفاراً (Total Zero Demand)، مشكلة انعدام المقام حتى في WMAPE. يمكن تحصين الدالة البرمجية في R للتعامل مع هذا السيناريو النادر عبر إضافة قيمة تلطيف بالغة الصغر (Smoothing Epsilon) إلى المقام:

# دالة WMAPE المحصنة للبيانات فائقة التقطع
wmape_intermittent <- function(actual, predicted, epsilon = 1e-6) {
 numerator <- sum(abs(actual - predicted))
 denominator <- sum(abs(actual))
 
 if (denominator == 0) {
 # في حال كانت جميع القيم الفعلية أصفاراً، نستخدم إبسلون لمنع الانهيار
 return((numerator / (denominator + epsilon)) * 100)
 }
 
 return((numerator / denominator) * 100)
}
# تجربة على سلسلة متقطعة جداً تحتوي على أصفار متتالية
sparse_actual <- c(0, 0, 0, 15, 0, 0, 0, 25, 0, 0)
sparse_pred <- c(1, 0, 2, 10, 0, 1, 0, 20, 0, 1)
cat("WMAPE للسلسلة المتقطعة:", round(wmape_intermittent(sparse_actual, sparse_pred), 2), "%n")

تُظهر النتيجة كفاءة مذهلة في إعطاء تقييم نسبي دقيق للخطأ (يبلغ حوالي 32.5%) دون أي انهيار حوسبي، مما يجعله المقياس المفضل بلا منازع في نمذجة الطلب المتقطع وقطع الغيار والظواهر السلوكية النادرة.

9.3 إدارة القيم الشاذة والمتطرفة (Outliers Handling)

على الرغم من أن WMAPE يستخدم مقياس الخطأ المطلق الخطي (L1 Norm) وهو بطبيعته أكثر مناعة بكثير من المقاييس التربيعية كـ RMSE، إلا أن تخصيص أوزان عالية جداً لقيم شاذة ومتطرفة قد يؤدي إلى سحب قيمة المؤشر وتشويه تقييم النموذج الكلي. تكمن المعضلة فيما إذا كانت القيمة المتطرفة تمثل صدمة حقيقية في النظام يجب على النموذج التكيف معها، أم أنها مجرد خطأ تجريبي عارض في تسجيل البيانات.

في الحالات التي يرغب فيها الباحث في كبح التأثير الجارف للقيم المتطرفة، يمكن تطبيق تقنية “التحجيم الإحصائي للأوزان” (Winsorization). تقوم هذه التقنية المتقدمة بتحديد سقف أعلى لمتجه الأوزان عند مئين محدد (كالمئين 95 مثلاً)، بحيث لا تتجاوز أي مشاهدة هذا الحد، مما يحافظ على التوزيع النسبي دون السماح لقيمة وحيدة بالهيمنة المطلقة على البسط والمقام:

# دالة تحجيم الأوزان (Winsorization)
winsorize_weights <- function(weights, percentile = 0.95) {
 cap_value <- quantile(weights, probs = percentile, na.rm = TRUE)
 weights[weights > cap_value] <- cap_value
 return(weights)
}
# تطبيق التحجيم على أوزان المشاهدات
capped_weights <- winsorize_weights(experiment_data$Actual, percentile = 0.90)
# حساب WMAPE المحمي ضد القيم المتطرفة
wmape_robust_outliers <- find_WMAPE(
 actual = experiment_data$Actual,
 predicted = experiment_data$Forecast,
 weights = capped_weights
)
cat("قيمة WMAPE بعد تحجيم الأوزان المتطرفة:", round(wmape_robust_outliers, 2), "%n")

يمثل هذا التكنيك الجراحي الدقيق إحدى أرقى الممارسات الإحصائية لضمان استقرار المؤشرات التقييمية في وجه البيانات الملوثة بالقيم الشاذة.

10. حساب WMAPE باستخدام حزم ومكتبات R المتخصصة

10.1 استخدام حزم تقييم التنبؤ (Forecast Evaluation Packages)

على الرغم من الأهمية التعليمية والمنهجية لبناء الدوال المخصصة، إلا أن البيئات الإنتاجية والمشاريع البرمجية الضخمة تفضل أحياناً استدعاء دوال جاهزة ومختبرة من حزم إحصائية رصينة ومعتمدة في شبكة CRAN لضمان توحيد المعايير بين فرق العمل وسرعة المعالجة الحاسوبية.

تحتوي حزم تقييم التنبؤ المتقدمة على دوال متخصصة في حساب المقاييس الموزونة. ومن بين هذه الحزم تبرز حزمة Metrics، وعلى الرغم من أنها لا تتضمن دالة مباشرة باسم WMAPE الصريح، إلا أنها تتيح دمج دوال مخصصة بسهولة. كما توفر حزمة MLmetrics وحزم منظومة السلاسل الزمنية المتطورة (tidyverts) مثل حزمة fable دوالاً لحساب دقة النماذج. فيما يلي مقارنة مرجعية برمجية بين دالتنا المخصصة والدوال الحزمية المتاحة:

# تثبيت واستدعاء مكتبة MLmetrics إن لم تكن متوفرة
if (!require(MLmetrics)) install.packages("MLmetrics")
library(MLmetrics)
# في حزمة MLmetrics، يتطابق مقياس WAPE (Weighted Absolute Percentage Error)
# رياضياً مع صيغة WMAPE التناسبية المباشرة (Volume-weighted WMAPE)
# WAPE = sum(|actual - predicted|) / sum(actual)
wape_package_result <- MLmetrics::MAPE(
 y_pred = experiment_data$Forecast, 
 y_true = experiment_data$Actual
) # هذا MAPE العادي للمقارنة
# دالة WAPE المعتمدة في التقييم الصناعي عبر المتجهات
wape_industrial <- sum(abs(experiment_data $Actual - experiment_data$ Forecast)) / 
 sum(experiment_data$Actual) * 100
cat("نتيجة الدالة المخصصة (find_WMAPE):", round(wmape_volume, 4), "%n")
cat("نتيجة الحساب الحزمي الصناعي (WAPE):", round(wape_industrial, 4), "%n")

تثبت هذه المقارنة التطابق الرياضي الكامل حتى الخانة العشرية الرابعة، مما يؤكد الموثوقية التامة للترميز البرمجي الذي قمنا ببنائه واعتماده.

10.2 تطبيق الحساب باستخدام حزم البيانات المتتالية (dplyr و data.table)

في السيناريوهات التطبيقية الكبرى، لا يُحسب خطأ التنبؤ لمتجه واحد معزول، بل يُطلب من المحلل الإحصائي حساب WMAPE عبر مئات أو آلاف التصنيفات الفرعية، ومجموعات المنتجات، والشرائح السلوكية، والمناطق الجغرافية في وقت واحد. هنا تتجلى قوة حزمتي dplyr و data.table في تنفيذ عمليات التجميع والتحليل الطبقي (Stratified Evaluation) عبر خطوط أنابيب البيانات السلسة.

سنوضح فيما يلي كيفية استخدام خطوط أنابيب dplyr لتجميع البيانات حسب مجموعة فرعية (ولتكن فئات سلوكية أو فئات مناطق) وحساب WMAPE لكل فئة على حدة، ثم تنفيذ نفس العملية بسرعة خارقة باستخدام data.table المخصصة للبيانات العملاقة:

# إضافة متغير تصنيفي لمحاكاة فئات جغرافية أو سلوكية متعددة
set.seed(123)
large_data <- data.frame(
 Region = rep(c("North", "South", "East", "West"), each = 250),
 Actual = pmax(5, rnorm(1000, mean = 100, sd = 30)),
 Forecast = pmax(5, rnorm(1000, mean = 98, sd = 28)),
 Weight = runif(1000, min = 0.5, max = 1.5)
)
# 1. التطبيق باستخدام حزمة dplyr عبر خط أنابيب البيانات
library(dplyr)
wmape_by_region_dplyr <- large_data %>%
 group_by(Region) %>%
 summarise(
 Total_Volume = sum(Actual),
 WMAPE = find_WMAPE(Actual, Forecast, Weight),
 Standard_WAPE = (sum(abs(Actual - Forecast)) / sum(Actual)) * 100
 )
print(wmape_by_region_dplyr)
# 2. التطبيق فائق السرعة باستخدام data.table لمعالجة ملايين الصفوف
library(data.table)
dt_data <- as.data.table(large_data)
wmape_by_region_dt <- dt_data[, .(
 Total_Volume = sum(Actual),
 WMAPE = (sum(Weight * abs(Actual - Forecast)) / sum(Weight * Actual)) * 100
), by = Region]
print(wmape_by_region_dt)

يقدم هذا النمط البرمجي هيكلية متكاملة لإعداد لوحات مراقبة الأداء الإحصائي المعقدة، ويتيح للفرق البحثية رصد التفاوت الإقليمي أو الفئوي في دقة النماذج التنبؤية بجهد برمجي فائق الإيجاز والأناقة.

10.3 التحقق المتقاطع (Cross-Validation) وتتبع خطأ WMAPE

لا يكتمل التقييم الأكاديمي الرصين للنماذج التنبؤية بالاعتماد على تجربة اختبار واحدة (Single Train-Test Split)؛ إذ قد يؤدي الاختيار العشوائي لبيانات الاختبار إلى مصادفة فترات شديدة السهولة أو شديدة التعقيد، مما يولد انطباعاً زائفاً حول جودة النموذج. المنهجية المعيارية المعتمدة هي “التحقق المتقاطع المتدحرج عبر السلاسل الزمنية” (Time Series Rolling Cross-Validation).

في هذا الإطار المتقدم، يتم تدريب النموذج التنبؤي على نافذة زمنية متنامية، واختبار دقته على الفترات اللاحقة مباشرة عبر عدة طيات اختبار (Folds)، مع حساب WMAPE في كل دورة وتتبع استقراره عبر الزمن. سنقوم ببرمجة محاكاة مصغرة لدورة تحقق متقاطع وحساب متوسط واستقرار WMAPE عبر الطيات المختلفة:

# محاكاة خطأ التحقق المتقاطع عبر 5 طيات اختبار زمنية متتالية
n_folds <- 5
fold_wmape_results <- numeric(n_folds)
# توليد سلسلة بيانات أطول للتحقق المتقاطع
cv_actuals <- c(100, 120, 115, 130, 150, 140, 160, 180, 175, 200, 210, 195)
cv_preds <- c(95, 125, 110, 135, 145, 148, 155, 185, 170, 205, 200, 205)
# تنفيذ التحقق المتقاطع المتدحرج
for (fold in 1:n_folds) {
 # تحديد نافذة الاختبار (نقطتان لكل طية مثلاً)
 test_indices <- (fold + 5):(fold + 6)
 
 fold_act <- cv_actuals[test_indices]
 fold_pred <- cv_preds[test_indices]
 
 # حساب WMAPE للطية الحالية
 fold_wmape_results[fold] <- find_WMAPE(actual = fold_act, predicted = fold_pred)
}
# حساب المتوسط الإجمالي والانحراف المعياري للخطأ عبر الطيات
cv_summary <- list(
 Fold_Errors = fold_wmape_results,
 Mean_WMAPE = mean(fold_wmape_results),
 Std_Dev_WMAPE = sd(fold_wmape_results)
)
print(cv_summary)

يقدم الانحراف المعياري لـ WMAPE عبر الطيات (Std_Dev_WMAPE) مؤشراً حاسماً على استقرار ومتانة النموذج التنبؤي؛ فالنموذج الذي يحقق WMAPE متوسطاً يبلغ 8% مع انحراف معياري قدره 1% يُعتبر منهجياً أكثر موثوقية من نموذج آخر يحقق 7% ولكن بانحراف معياري قدره 5%، لأن الأخير ينطوي على مخاطرة تذبذب حادة في الأداء التنبؤي.

11. التمثيل البصري لأخطاء التنبؤ ومخرجات WMAPE في R

11.1 رسم مقارنة المسار الزمني للقيم الفعلية والمتوقعة باستخدام ggplot2

يمثل التمثيل البصري (Data Visualization) الأداة الأقوى لتحويل الأرقام التجريدية إلى رؤى بصرية قاطعة الدلالة. باستخدام حزمة ggplot2 الشهيرة، يمكننا بناء مخطط زمني متقدم يقارن بين المسار الفعلي ومسار التنبؤ، مع تظليل المناطق المحصورة بين المنحنيين لإبراز الفترات التي اتسع فيها الخطأ المطلق، وإضافة نص توضيحي يسجل قيمة WMAPE الإجمالية مباشرة على الرسم البياني:

# استدعاء الحزمة
library(ggplot2)
# حساب WMAPE الإجمالي لعرضه على الرسم
wmape_label <- paste("WMAPE الإجمالي: ", round(wmape_volume, 2), "%", sep = "")
# إنشاء الرسم البياني الزمني المتقدم
p1 <- ggplot(experiment_data, aes(x = Period)) +
 # تظليل مساحة الفجوة بين الفعلي والتنبؤي
 geom_ribbon(aes(ymin = pmin(Actual, Forecast), ymax = pmax(Actual, Forecast)), 
 fill = "red", alpha = 0.2) +
 # رسم خط القيم الفعلية
 geom_line(aes(y = Actual, color = "المشاهدات الفعلية"), linewidth = 1.2) +
 geom_point(aes(y = Actual, color = "المشاهدات الفعلية"), size = 3) +
 # رسم خط القيم المتوقعة
 geom_line(aes(y = Forecast, color = "تنبؤات النموذج"), linewidth = 1.2, linetype = "dashed") +
 geom_point(aes(y = Forecast, color = "تنبؤات النموذج"), size = 3) +
 # تخصيص الألوان والتنسيق
 scale_color_manual(values = c("المشاهدات الفعلية" = "#2C3E50", "تنبؤات النموذج" = "#E74C3C")) +
 # إضافة الملاحظة النصية للخطأ
 annotate("text", x = 3, y = 500, label = wmape_label, 
 size = 5, fontface = "bold", color = "#2C3E50", 
 boxcolor = "gray80", fill = "white", geom = "label") +
 theme_minimal(base_size = 14) +
 labs(
 title = "مقارنة المسار الزمني بين القيم الفعلية والتنبؤية",
 subtitle = "المساحة المظللة تمثل فجوة الخطأ المطلق الموزون عبر الفترات",
 x = "الفترة الزمنية (Period)",
 y = "القيمة / الحجم",
 color = "الدلالة"
 ) +
 theme(legend.position = "bottom")
# عرض الرسم البياني
print(p1)

يتيح هذا المخطط الغني للباحث والمشاهد رصد ديناميكية النموذج بلمحة بصرية واحدة؛ حيث تتضح الفترات التي لاحق فيها النموذج المنحنى الفعلي بدقة، وتلك التي شهدت انحرافات حادة تسببت في زيادة قيمة WMAPE.

11.2 تصوير توزيع الأخطاء الموزونة وعلاقتها بالأوزان

للتعمق أكثر في بنية الأخطاء واستكشاف ما إذا كان النموذج يعاني من تحيزات نظامية عند المستويات المرتفعة من المتغير التابع أو الأوزان، يُعد مخطط التشتت (Scatter Plot) أداة تشخيصية لا غنى عنها. في هذا المخطط، سنقوم برسم العلاقة بين الوزن الممنوح لكل نقطة والخطأ المطلق المقاس، مع توظيف تدريج لوني يعكس شدة الخطأ النسبي الفردي:

# تجهيز إطار البيانات للمخطط التشخيصي
experiment_data $Absolute_Error <- \abs(experiment_data$ Actual - experiment_data$Forecast)
experiment_data $Relative_Error_Pct <- (experiment_data$ Absolute_Error / experiment_data$Actual) * 100
# بناء مخطط التشتت التشخيصي
p2 <- ggplot(experiment_data, aes(x = Actual, y = Absolute_Error)) +
 geom_point(aes(size = Custom_Weight, fill = Relative_Error_Pct), 
 shape = 21, color = "black", alpha = 0.85) +
 scale_fill_gradient(low = "#2ECC71", high = "#E74C3C", name = "الخطأ النسبي (%)") +
 scale_size_continuous(range = c(3, 10), name = "الوزن المخصص") +
 geom_smooth(method = "lm", se = FALSE, color = "#3498DB", linetype = "dotted") +
 theme_minimal(base_size = 14) +
 labs(
 title = "المخطط التشخيصي: الخطأ المطلق مقابل حجم المشاهدة",
 subtitle = "حجم النقطة يمثل الوزن، واللون يمثل شدة الخطأ النسبي",
 x = "القيمة الفعلية (Actual Volume)",
 y = "الخطأ المطلق (|Actual - Forecast|)"
 ) +
 theme(legend.position = "right")
# عرض المخطط
print(p2)

يساعد هذا التحليل البصري الاستقصائي في الكشف عن ظاهرة التغاير وعدم ثبات التباين؛ فإذا كانت النقاط الكبيرة تتركز في المناطق الخضراء ذات الخطأ النسبي المنخفض، فهذا تأكيد تجريبي مرئي على نجاح WMAPE في حماية تقييم النموذج من الأخطاء الهامشية التي تتركز في النقاط الصغرى.

11.3 المخططات الصندوقية ومقارنة دقة عدة نماذج تنبؤية

عند إجراء دراسات مقارنة بين خوارزميات تنبؤية متنافسة (مثل الانحدار الخطي، وشبكات الذاكرة طويلة المدى LSTM، ونماذج الغابات العشوائية Random Forest)، يحتاج الباحث إلى وسيلة لمقارنة توزيعات الخطأ وليس مجرد نقطة تلخيصية واحدة. تُعد المخططات الصندوقية (Boxplots) الأسلوب المثالي لعرض تشتت أخطاء WMAPE عبر العينات أو الطيات المختلفة:

# توليد بيانات محاكاة لمقارنة ثلاثة نماذج عبر 30 طية تجريبية
set.seed(42)
comparison_df <- data.frame(
 Model = rep(c("ARIMA", "Random Forest", "LSTM Neural Net"), each = 30),
 WMAPE = c(
 rnorm(30, mean = 12.5, sd = 2.1), # أداء نموذج أريما
 rnorm(30, mean = 8.2, sd = 1.4), # أداء الغابات العشوائية
 rnorm(30, mean = 9.5, sd = 3.2) # أداء الشبكات العصبية
 )
)
# رسم المخطط الصندوقي المقارن بجودة نشر أكاديمية
p3 <- ggplot(comparison_df, aes(x = Model, y = WMAPE, fill = Model)) +
 geom_boxplot(alpha = 0.7, outlier.colour = "red", outlier.shape = 16) +
 geom_jitter(width = 0.15, alpha = 0.4, color = "#2C3E50") +
 stat_summary(fun = mean, geom = "point", shape = 18, size = 4, color = "darkblue") +
 scale_fill_brewer(palette = "Set2") +
 theme_minimal(base_size = 14) +
 labs(
 title = "مقارنة توزيعات WMAPE عبر النماذج التنبؤية المتنافسة",
 subtitle = "النقطة الداكنة تمثل المتوسط، والخط العرضي يمثل الوسيط الإحصائي",
 x = "النموذج التنبؤي",
 y = "توزيع مقياس WMAPE (%)"
 ) +
 theme(legend.position = "none")
# عرض المخطط النهائي
print(p3)

يبرهن هذا الرسم بوضوح على أن نموذج “Random Forest” ليس فقط الأقل في متوسط الخطأ (المشار إليه بالنقطة الزرقاء)، بل هو الأكثر ثباتاً واستقراراً نظراً لضيق المسافة بين الربيعين (IQR) مقارنة بنموذج الشبكات العصبية الذي يعاني من تشتت واسع ووجود قيم شاذة، مما يجعل الغابات العشوائية الخيار الأكثر أماناً للاعتماد النهائي.

12. أفضل الممارسات والاعتبارات المتقدمة عند إعداد تقارير WMAPE

12.1 التوثيق العلمي الدقيق لمنهجية اختيار الأوزان

تفرض النزاهة العلمية في النشر الأكاديمي الشفافية المطلقة عند توثيق المقاييس الإحصائية الموزونة. يقع بعض الباحثين في منزلق منهجي خطير يُعرف بـ HARKing (Hypothesizing After Results are Known)، حيث يقوم الباحث بتجربة مصفوفات أوزان متعددة بعد فحص البيانات وتدريب النماذج، ويختار الوزن الذي يقلل من قيمة WMAPE لنموذجه المفضل ليظهر بدقة زائفة دون تبرير نظري سابق.

لتفادي هذا الخلل، يتعين على الباحث الإفصاح المسبق (A Priori) في قسم المنهجية عن الأساس النظري أو الميداني الذي استند إليه في بناء متجه الأوزان (w_i)؛ هل استند إلى الحجم الفعلي للمشاهدة؟ أم إلى التكلفة النسبية للأخطاء؟ أم إلى التناقص الزمني الأسي؟ كما يُلزم المعيار الأكاديمي الرصين بإجراء “تحليل الحساسية” (Sensitivity Analysis)، حيث يقوم الباحث باختبار مدى متانة النتائج وترتيب النماذج عند إحداث تغييرات طفيفة في معلمات الأوزان، مؤكداً أن تفوق نموذجه ليس وليد صدفة ترجيحية مصطنعة.

12.2 دمج WMAPE مع منظومة مقاييس شاملة (Balanced Evaluation Dashboard)

رغم القوة الرياضية والمزايا الفريدة لمقياس WMAPE، إلا أن القاعدة الذهبية في التحليل الإحصائي تنص على: “لا تعتمد أبداً على مقياس تلخيصي واحد للحكم على منظومة تنبؤية معقدة”. إن مقياس WMAPE، بطبيعته المعتمدة على القيم المطلقة، أعمى تماماً عن تحديد اتجاه الخطأ؛ فهو يخبرك بحجم الفجوة الموزونة، لكنه يعجز عن إخبارك بما إذا كان النموذج يميل باستمرار إلى الإفراط في التقدير (Over-forecasting) أو التفريط فيه (Under-forecasting).

لذا، تقتضي أفضل الممارسات بناء لوحة قياس متكاملة (Balanced Dashboard) تدمج WMAPE مع مقاييس تكميلية تؤدي كل منها وظيفة كاشفة محددة، كما يوضح الجدول المنهجي التالي:

مقياس متوسط الخطأ (Mean Error – ME): لكشف التحيز المنهجي وتحديد ما إذا كان النموذج يميل نحو الزيادة أو النقصان.
مقياس WMAPE: لقياس الدقة النسبية الموزونة الإجمالية بحيادية واستقرار رياضي.
مقياس MAE / RMSE: لبيان التكلفة المطلقة للأخطاء بوحدات القياس الأصلية ورصد حساسية النظام للقيم الشاذة.
معامل التحديد (R-squared): لبيان نسبة التباين المفسر للظاهرة بواسطة النموذج الإحصائي.

يضمن هذا التكامل البنيوي للباحث فهماً شاملاً ومتعدد الأبعاد لسلوك الخوارزمية، ويحميه من القرارات المضللة التي قد تنشأ عن قراءة رقمية وحيدة الزاوية.

12.3 إرشادات صيانة النماذج وإعادة المعايرة الدورية في بيئات الإنتاج

في بيئات النشر الفعلي والإنتاج الرقمي المستمر، لا تنتهي مهمة النموذج التنبؤي بمجرد قبوله في الاختبارات الأولية؛ فالظواهر السلوكية والمجتمعية تتغير بمرور الوقت، وتتعرض النماذج لظاهرة تآكل الكفاءة المعروفة بـ “انحراف النموذج” (Model Drift). يمثل مقياس WMAPE مؤشر أداء رئيسي (KPI) مثالي لبرمجة أنظمة الإنذار الإحصائي المبكر.

تتمثل أفضل الممارسات في تحديد عتبات حرجة (Thresholds) مبنية على السجلات التاريخية لـ WMAPE؛ فإذا استقر الخطأ الموزون تاريخياً عند 8%، يمكن وضع عتبة تحذير صفراء عند 12% تنبه الفريق بضرورة مراجعة البيانات، وعتبة حمراء عند 15% تُطلق أمراً برمجياً آلياً بتعليق الاعتماد على النموذج والبدء في إجراءات إعادة التدريب والمعايرة (Retraining Pipeline) باستخدام البيانات الأحدث. كما يُوصى بحفظ أرشيف زمني دوري لكافة نتائج WMAPE المحسوبة لمراقبة تطور جودة التقدير عبر الدورات السنوية والموسمية الطويلة، مما يضمن بقاء المنظومة التنبؤية في قمة كفاءتها الميدانية.

خاتمة

استعرض هذا المقال المتعمق الأبعاد المفاهيمية والرياضية والتطبيقية لمقياس متوسط الخطأ النسبي المطلق الموزون (WMAPE)، مبرهناً على مكانته كأحد أرقى وأدق المقاييس الإحصائية المعتمدة لتقييم جودة النماذج التنبؤية. ومن خلال المقارنات التفصيلية مع المقاييس الكلاسيكية البديلة، تجلت قدرة WMAPE الاستثنائية على ترويض مشكلات انعدام المقامات الناتجة عن القيم الصفرية، وكبح جماح التشويه الإحصائي الذي تسببه المشاهدات الهامشية، مع المحافظة على التفسير المئوي السلس والمحبب للباحثين ومتخذي القرار.

وقد أثبتت لغة البرمجة الإحصائية R كفاءة متناهية في ترجمة هذه الصيغ الرياضية إلى أدوات برمجية شديدة المرونة والقوة؛ حيث وفرت بنيتها المتجهية إمكانية كتابة دوال مخصصة دفاعية، وتطبيق استراتيجيات ترجيح متطورة تتنوع بين الترجيح الحجمي، والترجيح الزمني الأسي، والترجيح النوعي المطبع. كما أتاح التكامل مع حزم tidyverse و data.table و ggplot2 دمج المقياس في خطوط معالجة البيانات العملاقة وتمثيل مخرجاته بصرياً بدقة ترقى لأعلى معايير النشر الأكاديمي الدولي.

إن تبني مقياس WMAPE لا يمثل مجرد خيار برمجي عابر، بل هو التزام منهجي يرفع من رصانة الدراسات الكمية ويوفر لمتخذي القرار رؤية نزيهة ودقيقة حول كفاءة النماذج التنبؤية؛ مما يجعل إتقان برمجته وتفسيره مهارة جوهرية لا غنى عنها لكل ممارس وباحث في علوم البيانات والإحصاء التطبيقي المعاصر.

المراجع

Armstrong, J. S. (1985). Long-range forecasting: from crystal ball to computer (2nd ed.). John Wiley & Sons.
Hyndman, R. J., & Athanasopoulos, G. (2021). Forecasting: principles and practice (3rd ed.). OTexts. https://otexts.com/fpp3/
Hyndman, R. J., & Koehler, A. B. (2006). Another look at measures of forecast accuracy. International Journal of Forecasting, 22(4), 679-688. https://doi.org/10.1016/j.ijforecast.2006.03.001
Kolassa, S., & Schütz, W. (2007). Advantages of the MAD/Mean ratio over the MAPE. Foresight: The International Journal of Applied Forecasting, (6), 40-43.
Lewis, C. D. (1982). Industrial and business forecasting methods: A radar for predicting the future. Butterworth-Heinemann.
Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2020). The M4 Competition: 100,000 time series and 61 forecasting methods. International Journal of Forecasting, 36(1), 54-74. https://doi.org/10.1016/j.ijforecast.2019.04.014
R Core Team. (2023). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. https://www.R-project.org/
Wickham, H., Averick, M., Bryan, J., Chang, W., McGowan, L. D., François, R., … & Yutani, H. (2019). Welcome to the Tidyverse. Journal of Open Source Software, 4(43), 1686. https://doi.org/10.21105/joss.01686