تحسين دقة التنبؤ للبيانات عالية الأبعاد باستخدام النماذج الهجينة للانحدار المعاقب وتقنيات التعلم الآلي

تعالج هذه الدراسة مشكلة التنبؤ في البيانات الزمنية الاقتصادية عالية الأبعاد، والتي تتسم بوجود تعدد خطي عالى، وصغر حجم العينة مقارنة بعدد المتغيرات المستقلة، بالإضافة إلى انتشار القيم المتطرفة وعدم الخطية. وتهدف الدراسة إلى تقييم كفاءة ثلاثة نماذج هجينة حديثة تدمج بين أساليب الانحدار المعاقب وتقنيات التعلم الآلي، لتحقيق توازن فعّال بين القدرة التفسيرية والدقة التنبؤية. اعتمد التحليل على بيانات سنوية للاقتصاد المصري خلال الفترة (1990–2024)، حيث استُخدم معدل التضخم كمتغير تابع إلى جانب (39) متغيراً اقتصادياً ومالياً ونقدياً. شملت المعالجة المسبقة تعويض القيم المفقودة بالمتوسط وإعادة التحجيم باستخدام Robust Scaler، مع الحفاظ على البنية الزمنية عبر التحقق المتقاطع الزمني. تم بناء ومقارنة نماذج LASSO-Guided Random Forest، وEnetHRF، وStacked Elastic Net. أُجري تقييم الأداء التنبؤي باستخدام متوسط مربع الخطأ (MSE) ومتوسط الخطأ المطلق (MAE) عبر خمس طيات زمنية. أظهرت النتائج تفوق نموذج Stacked Elastic Net من حيث انخفاض مقاييس الخطأ واستقرارية الأداء، بما يؤكد كفاءته في الاستفادة من خصائص النماذج الأساسية دون التضحية بالقدرة التفسيرية. وتخلص الدراسة إلى أن النماذج التجميعية المعاقبة تمثل إطاراً أكثر فاعلية للتنبؤ في البيئات الاقتصادية المعقدة وعالية الأبعاد.