چگونه تابع پیوند، پیش‌بین خطی را به برآمد مورد انتظار در مدل‌های خطی تعمیم‌یافته متصل می‌کند

یک مدل پیش‌بینی‌کننده که احتمال نکول را ۱۱۵٪ محاسبه کند، یا ورود منفی سه بیمار به اورژانس را پیش‌بینی کند، در یک آزمون اولیه از واقعیت فیزیکی مردود شده است. ریشه این شکست در یک ناهماهنگی ساختاری نهفته است: جبر خطی استاندارد در هر دو جهت تا بی‌نهایت امتداد می‌یابد، در حالی که برآمدهای دنیای واقعی اکیداً محدود هستند. یک احتمال باید دقیقاً بین ۰ و ۱ قرار گیرد. یک شمارش فیزیکی نمی‌تواند به زیر ۰ سقوط کند. وقتی تحلیلگران سعی می‌کنند این واقعیت‌های محدود را مستقیماً به یک رگرسیون خطی استاندارد تحمیل کنند، خط مستقیم ناگزیر از این مرزها عبور کرده و مزخرفات ریاضیاتی تولید می‌کند.[3][4]

راه‌حل این ناهماهنگی در سال ۱۹۷۲ توسط آمارشناسانی به نام‌های جان نلدر و رابرت ودربرن فرمول‌بندی شد؛ کسانی که مدل خطی تعمیم‌یافته (GLM) را معرفی کردند. چارچوب آن‌ها تشخیص داد که اگرچه دنیای واقعی غیرخطی و محدود است، اما ریاضیات ترکیبات خطی — یعنی جمع کردن متغیرهای وزن‌دار با یکدیگر — بسیار قدرتمندتر و کارآمدتر از آن است که بتوان آن را کنار گذاشت. برای پر کردن این شکاف، آن‌ها مدل را به سه جزء مجزا تفکیک کردند: یک جزء تصادفی که توزیع داده‌ها را توصیف می‌کند، یک جزء سیستماتیک (پیش‌بین خطی)، و یک مترجم ریاضیاتی که این دو را به هم متصل می‌کند.[1][7]

آن مترجم، همان تابع پیوند است. همان‌طور که ارائه‌دهنده نرم‌افزار آماری مینی‌تب (Minitab) آن را تعریف می‌کند: «تابع پیوند، رابطه بین پیش‌بین خطی و میانگین تابع توزیع را فراهم می‌کند.» این تابع مانند یک قیف ریاضیاتی عمل می‌کند. در یک سو، برآمد مورد انتظار و محدود دنیای واقعی (میانگین یا مو) را دریافت می‌کند. در سوی دیگر، آن مقدار محدود را به یک مقیاس نامحدود تبدیل می‌کند که از منفی بی‌نهایت تا مثبت بی‌نهایت کشیده شده است و با دامنه طبیعی یک معادله خطی تطابق دارد.[5]

خود پیش‌بین خطی، صرفاً حاصل‌جمع ضرایب مدل ضرب در متغیرهای مربوطه آن‌هاست. از آنجا که این متغیرها و وزن‌ها از نظر تئوری می‌توانند هر مقداری به خود بگیرند، حاصل‌جمع نهایی کاملاً بدون محدودیت است. متن بوک‌داون (Bookdown) در سال ۲۰۲۳ درباره مدل‌های خطی تعمیم‌یافته خاطرنشان می‌کند که «تابع پیوند پیش‌بین خطی را به مقدار مورد انتظار متغیر پاسخ متصل می‌کند.» با اعمال تابع پیوند بر برآمد مورد انتظار، مدل تضمین می‌کند که پیش‌بین خطی همیشه به یک فضای معتبر و از نظر ریاضیاتی درست نگاشت می‌شود.[3]

مشهورترین کاربرد این سازوکار، رگرسیون لجستیک است که بر تابع پیوند لاجیت تکیه دارد. هنگام پیش‌بینی یک برآمد دودویی — مانند اینکه آیا یک ایمیل اسپم است یا خیر — مقدار مورد انتظار، احتمالی بین ۰ و ۱ است. پیوند لاجیت این احتمال را به لگاریتم شانس (log-odds) تبدیل می‌کند. احتمال ۵۰٪ به لگاریتم شانس ۰ تبدیل می‌شود. احتمال ۹۹٪ به مثبت بی‌نهایت و احتمال ۱٪ به منفی بی‌نهایت میل می‌کند. پیش‌بین خطی، لگاریتم شانس را محاسبه می‌کند و معکوس تابع پیوند، آن عدد نامحدود را با خیال راحت به یک درصد معتبر برمی‌گرداند.[2][6]

برای داده‌های شمارشی، مانند تعداد تصادفات رانندگی در یک تقاطع، مرز تغییر می‌کند: برآمد باید ۰ یا بیشتر باشد، اما هیچ حد بالایی ندارد. در اینجا، تحلیلگران از تابع پیوند لگاریتمی (log) استفاده می‌کنند. همان‌طور که در تحلیل سال ۲۰۲۱ توسط ساینتیفیکالی ساوند (Scientifically Sound) به تفصیل بیان شده است، پیوند لگاریتمی شمارش مورد انتظار اکیداً مثبت را می‌گیرد و لگاریتم طبیعی آن را محاسبه می‌کند. این کار، فضای شمارش محدود را روی کل محور اعداد حقیقی نگاشت می‌کند. پیش‌بین خطی در این فضای لگاریتمی عمل می‌کند و مدل برای بازگرداندن یک شمارش معتبر و غیرمنفی، نتیجه را به توان می‌رساند.[4]

حتی رگرسیون خطی استاندارد نیز از نظر فنی یک مدل خطی تعمیم‌یافته است که تحت عنوان تابع پیوند همانی (identity) عمل می‌کند. در این حالت خاص، فرض بر این است که برآمد مورد انتظار از قبل پیوسته و نامحدود است، به این معنی که هیچ تبدیلی لازم نیست. تابع پیوند به سادگی بیان می‌کند که مقدار مورد انتظار مستقیماً برابر با پیش‌بین خطی است. این ظرافت همان دلیلی است که مقاله سال ۱۹۷۲ نلدر و ودربرن را بنیادین نگه می‌دارد: این مقاله ثابت کرد که رگرسیون خطی، رگرسیون لجستیک و رگرسیون پواسون الگوریتم‌های جداگانه‌ای نبودند، بلکه تغییراتی از یک معماری ریاضیاتی واحد بودند.[1][7]

انتخاب تابع پیوند صرفاً یک تشریفات ریاضیاتی نیست؛ بلکه هندسه بنیادین پیش‌بینی‌های مدل را دیکته می‌کند. یک تابع پیوند متعارف (canonical) — یعنی پیوند پیش‌فرضی که از نظر ریاضیاتی با یک توزیع احتمال خاص جفت شده است، مانند پیوند لاجیت برای داده‌های دوجمله‌ای — تضمین می‌کند که ریاضیات زیربنایی مدل بسیار پایدار و از نظر محاسباتی کارآمد باقی بمانند. وقتی نرم‌افزارهایی مانند آموزش‌های دیتاکمپ (DataCamp) این چارچوب را آموزش می‌دهند، تأکید می‌کنند که تطبیق پیوند صحیح با توزیع داده‌ها، تصمیم اولیه‌ای است که یک تحلیلگر اتخاذ می‌کند.[6]

با این حال، این ظرافت ریاضیاتی به قیمت کاهش قابلیت تفسیر برای انسان تمام می‌شود. از آنجا که پیش‌بین خطی در یک فضای تبدیل‌یافته عمل می‌کند، ضرایب مدل دیگر نشان‌دهنده تغییرات مستقیم و افزایشی در برآمد دنیای واقعی نیستند. در یک رگرسیون لجستیک، ضریب ۱٫۵ به این معنا نیست که احتمال ۱٫۵ واحد افزایش می‌یابد؛ بلکه به این معناست که لگاریتم شانس ۱٫۵ واحد بیشتر می‌شود. برای درک تأثیر واقعی بر احتمال، تحلیلگر باید نتیجه را از طریق معکوس تابع پیوند به عقب برگرداند؛ فرآیندی که بسته به اینکه احتمال پایه از کجا شروع شده است، اثرات حاشیه‌ای متفاوتی به دست می‌دهد.[2][3]

چالش مداوم برای آمارشناسان کاربردی، ایجاد تعادل بین خلوص نظری توابع پیوند متعارف و نیاز عملی به توضیح مدل‌ها برای تصمیم‌گیرندگان است. در حالی که ریاضیات تابع پیوند به طور کامل مشکل مرزها را حل می‌کند، تحلیلگران را مجبور می‌سازد برای ترجمه منطق داخلی مدل به زبان ساده، بر محاسبات ثانویه‌ای مانند اثرات حاشیه‌ای یا نسبت‌های ریسک تکیه کنند. معادله حل شده است، اما ترجمه از لگاریتم شانس به شهود انسانی همچنان یک مرحله دستی باقی می‌ماند.[4][8]