الاستقراء اللوغاريتمي للعوائد المتناقصة

ليس كل النمو متسارعًا. في العديد من السيناريوهات الواقعية، تتناقص العوائد بمرور الوقت — كل وحدة إضافية من الجهد تنتج عائدًا أقل فأقل. هنا يصبح الاستقراء اللوغاريتمي ضروريًا، حيث يقدم إطارًا رياضيًا يعكس كيفية تصرف عدد لا يحصى من الأنظمة الطبيعية والبشرية.

ما هو الاستقراء اللوغاريتمي؟

الاستقراء اللوغاريتمي هو طريقة لملاءمة المنحنيات تصمم البيانات حيث يزداد المتغير التابع مع المتغير المستقل، ولكن بمعدل متناقص. بدلاً من إسقاط نمو خطي مستقيم أو تسارع انفجاري، فإنه يلتقط واقع الأنظمة المشبعة حيث يستوي التقدم تدريجيًا.

إذا كنت قد استخدمت حاسبة الاستقراء من قبل، فقد لاحظت أن اللوغاريتمي هو أحد أنواع النماذج المتاحة إلى جانب الخطي والأسي ومتعدد الحدود. سبب تضمينه بسيط: عدد كبير من مجموعات البيانات الواقعية تتبع هذا النمط، وإجبار ملاءمة خطية أو أسية على بيانات لوغاريتمية ينتج تنبؤات مضللة.

النموذج الرياضي

يتم التعبير عن الدالة اللوغاريتمية كالتالي:

y = a + b · ln(x)

حيث:

• y هي القيمة المتوقعة
• x هو المتغير المستقل (يجب أن يكون أكبر من الصفر)
• a هو التقاطع الرأسي، ويمثل خط الأساس أو قيمة البداية عندما تقترب ln(x) من الصفر
• b هو معامل الميل الذي يحدد مدى حدة ارتفاع y مع زيادة ln(x)
• ln(x) هو اللوغاريتم الطبيعي لـ x

الخصائص الرئيسية لهذا النموذج:

• y تزداد مع x، لكن معدل الزيادة يتباطأ باستمرار
• المنحنى مقعر للأسفل، مما يعني أنه يستوي مع زيادة x
• الدالة معرفة فقط لـ x > 0، لأن اللوغاريتم الطبيعي غير معرف للصفر والقيم السالبة
• المشتق الأول هو b/x، الذي يتناقص مع زيادة x — وهذا هو التعبير الرياضي للعوائد المتناقصة
• لا يوجد خط تقارب أعلى في النموذج اللوغاريتمي الخالص؛ y تستمر في النمو بدون حدود، فقط بشكل أبطأ باستمرار

المعامل b يستحق اهتمامًا خاصًا. b الموجبة تعني أن المنحنى يرتفع ويستوي (شكل العوائد المتناقصة الكلاسيكي). b السالبة تعني أن المنحنى ينخفض ويستوي، مما يمكن أن يصمم عمليات مثل تقليل التكلفة بمرور الوقت. مقدار b يتحكم في مدى وضوح الانحناء — |b| أكبر يعني شكلًا أكثر انحناءً بشكل كبير، بينما |b| أصغر ينتج شكلًا أقرب إلى الخطي.

لماذا تحدث العوائد المتناقصة في الأنظمة الحقيقية

العوائد المتناقصة ليست مجرد قطعة أثرية إحصائية — إنها خاصية أساسية للعديد من الأنظمة الفيزيائية والاقتصادية والمعرفية. فهم سبب حدوثها يساعدك على معرفة متى يكون الاستقراء اللوغاريتمي هو الأداة الصحيحة.

تشبع الموارد. عندما يقترب السوق من التشبع، يصبح كل عميل إضافي أصعب في الاكتساب لأن العملاء المتبقين أقل اهتمامًا أو أقل قدرة على شراء المنتج. نفس الديناميكية تنطبق على محصول الصيد، واستخراج المعادن، ومدى الإعلانات — المكاسب السهلة تأتي أولاً، والمكاسب اللاحقة تتطلب جهدًا أكبر بشكل غير متناسب.

الحدود المعرفية والمهارية. الدماغ البشري لا يتعلم بشكل خطي. المراحل المبكرة من اكتساب مهارة جديدة — العزف على البيانو، كتابة الكود، التحدث بلغة — تحقق تقدمًا مرئيًا كبيرًا. ولكن مع زيادة الكفاءة، يتطلب المزيد من التحسين ممارسة أكبر بشكل أسي لتحقيق مكاسب أصغر هامشيًا. لهذا السبب فإن مفهوم منحنى التعلم متجذر بعمق في التعليم والتدريب.

القيود الفيزيائية. العديد من العمليات الفيزيائية تتبع أنماطًا لوغاريتمية بسبب قيود أساسية. يبطئ انتقال الحرارة مع تضييق فروق درجات الحرارة. توهين الإشارة يتبع علاقات لوغاريتمية. إجهاد وتآكل المواد يتبع منحنيات حيث يتراكم الضرر بسرعة في البداية ثم يتباطأ معدل الضرر الجديد.

الكفاءة الاقتصادية. في أنظمة الإنتاج، إضافة المزيد من مدخل واحد مع تثبيت المدخلات الأخرى ينتج حتمًا عوائد هامشية متناقصة. هذا هو أحد أكثر المبادئ رسوخًا في الاقتصاد الجزئي. يمكن للمصنع استيعاب عدد محدود فقط من العمال قبل أن يقلل الازدحام من الإنتاجية لكل عامل.

مثال عملي: تشبع نمو المستخدمين

دعنا نستعرض مثالًا ملموسًا بأرقام حقيقية. لنفترض منتج SaaS يتتبع المستخدمين النشطين شهريًا على مدى أول عامين:

الشهر	المستخدمون النشطون
1	1,000
3	2,400
6	3,500
9	4,200
12	4,800
18	5,500
24	5,900

النمط واضح: المنتج ينمو، ولكن الزيادات الشهرية تتقلص. بين الشهرين 1 و3، اكتسب المنتج 1,400 مستخدم. بين الشهرين 18 و24 — وهي فترة أضعف المدة — اكتسب 400 مستخدم فقط.

ملاءمة نموذج لوغاريتمي y = a + b · ln(x) لهذه البيانات يعطي تقريبًا:

y = 1000 + 1,400 · ln(x)

دعنا نتحقق من بعض النقاط:

• الشهر 6: y = 1000 + 1400 · ln(6) = 1000 + 1400 · 1.79 ≈ 3,506 — قريب من الملاحظ 3,500
• الشهر 12: y = 1000 + 1400 · ln(12) = 1000 + 1400 · 2.48 ≈ 4,472 — معقول بالنظر إلى الملاحظ 4,800
• الشهر 24: y = 1000 + 1400 · ln(24) = 1000 + 1400 · 3.18 ≈ 5,452 — في حدود الملاحظ 5,900

الآن دعنا نستقرئ إلى الشهر 36:

• y = 1000 + 1400 · ln(36) = 1000 + 1400 · 3.58 ≈ 6,012

نهج الاستقراء الخطي سيتوقع نموًا ثابتًا بناءً على المعدل المتوسط، مرجحًا توقع شيء مثل 6,500–7,000 مستخدم بحلول الشهر 36. نموذج الاستقراء الأسي سيتوقع أكثر بكثير — ربما 8,000 أو أعلى. لكن النموذج اللوغاريتمي، مع احترام نمط التباطؤ، يتوقع حوالي 6,012، وهو التوقع الأكثر منطقية لمنتج نموه يتشبع بوضوح.

يمكنك تكرار هذا التحليل بنفسك عن طريق إدخال البيانات في حاسبة الاستقراء واختيار النموذج اللوغاريتمي لرؤية المنحنى الملائم والقيم المتوقعة. لسير العمل القائم على جداول البيانات، يشرح دليلنا حول كيفية استقراء البيانات في إكسل العملية خطوة بخطوة.

التطبيقات الواقعية

منحنيات التعلم

منحنى التعلم هو ربما التطبيق الأكثر بديهية للاستقراء اللوغاريتمي. عندما تبدأ في دراسة موضوع جديد، يبدو التقدم سريعًا. تنتقل من عدم معرفة شيء إلى فهم وظيفي في وقت قصير. لكن الإتقان — الفرق بين المئوي 90 و99 — يتطلب جهدًا أكبر بكثير من الفرق بين المئوي 10 و50.

تستخدم برامج التدريب في الشركات النماذج اللوغاريتمية لتقدير عدد ساعات التعليم اللازمة للوصول إلى مستويات الكفاءة المستهدفة. إذا شعرت يومًا أن معدل تحسنك في هواية ما قد توقف، فأنت تواجه المنحنى اللوغاريتمي بشكل مباشر.

تشبع السوق

كل منتج أو خدمة ذات سوق قابل للوصول محدود تواجه في النهاية نموًا متناقصًا. منصات التواصل الاجتماعي، تبني الهواتف الذكية، اشتراكات خدمات البث — كلها تتبع منحنى S يبدأ بانتشار سريع ويتحول إلى ذيل لوغاريتمي طويل مع نضج السوق. خلال مرحلة الذيل تلك، يوفر الاستقراء اللوغاريتمي التوقعات الأكثر واقعية.

يرتبط هذا المفهوم أيضًا ارتباطًا وثيقًا بـ الاستيفاء مقابل الاستقراء — الاستيفاء يقدر ضمن نطاق البيانات الملاحظة وهو موثوق بشكل عام، لكن الاستقراء في المستقبل يحمل دائمًا عدم يقين. النماذج اللوغاريتمية على الأقل ترسي ذلك عدم اليقين في شكل يعكس كيفية عمل التشبع.

العمليات الفيزيائية

تتبع العديد من الظواهر الفيزيائية علاقات لوغاريتمية. مقياس ريختر لقوة الزلازل لوغاريتمي. شدة الصوت المقاسة بالديسيبل لوغاريتمية. إدراك السطوع، وامتصاص الإشعاع، واضمحلال تراكيز كيميائية معينة — كلها تظهر سلوكًا لوغاريتميًا. عندما تحتاج إلى استقراء مثل هذه العمليات، فإن النموذج اللوغاريتمي ليس مناسبًا فقط — إنه مدفوع فيزيائيًا.

علاقات الجهد والعائد

في أي مجال حيث الجهد الإضافي ينتج مكاسب أصغر تدريجيًا، فإن الاستقراء اللوغاريتمي هو الاختيار النموذجي المناسب. يشمل ذلك:

• ساعات الدراسة مقابل درجات الامتحان
• الإنفاق الإعلاني مقابل الإيرادات الإضافية
• تطوير الميزات مقابل تحسينات رضا المستخدمين
• حجم التمرين مقابل تحسينات الأداء (بعد حد معين)

تشترك هذه المجالات في هيكل مشترك: الاستثمارات المبكرة للجهد تحقق عوائد كبيرة، لكن كل وحدة لاحقة من الجهد تنتج زيادة أصغر. يمكن أن تساعدك حاسبة الانحدار في تحديد مقدار الانحناء الموجود في بيانات الجهد والعائد لديك.

الأسي مقابل اللوغاريتمي: مقارنة مفصلة

فهم التباين بين النماذج الأسية واللوغاريتمية أمر بالغ الأهمية لأن اختيار النموذج الخاطئ يؤدي إلى توقعات ليست غير دقيقة فقط بل مضللة بشكل كارثي.

الخاصية	الأسي (y = a · e^(bx))	اللوغاريتمي (y = a + b · ln(x))
اتجاه النمو	متسارع	متباطئ
شكل المنحنى	مقعر لأعلى (ينحني للأعلى)	مقعر لأسفل (يستوي)
المشتق الأول	يزداد مع x	يتناقص مع x
السلوك طويل المدى	ينمو بدون حدود، بشكل أسرع فأسرع	ينمو بدون حدود، بشكل أبطأ فأبطأ
التفسير الفيزيائي	حلقات تغذية راجعة إيجابية	تغذية راجعة سلبية / تشبع
مثال نموذجي	الفائدة المركبة، الانتشار الفيروسي	منحنيات التعلم، تشبع السوق

الرؤية الرئيسية هي أن النماذج الأسية تفترض تغذية راجعة إيجابية — النجاح يولد المزيد من النجاح بمعدل متزايد. النماذج اللوغاريتمية تفترض تغذية راجعة سلبية — يصبح النجاح أصعب تدريجيًا مع اقتراب النظام من التشبع أو الحدود.

استخدام نموذج أسي عندما يكون النمط الحقيقي لوغاريتميًا سيؤدي إلى تنبؤات مبالغ فيها بشكل كبير. على العكس، استخدام نموذج لوغاريتمي على بيانات تنمو أسيًا سيقلل بشدة من القيم المستقبلية. مخاطر هذا الاختيار عالية، خاصة في التنبؤ التجاري والنمذجة العلمية.

إذا كنت غير متأكد من أي نموذج يناسب بشكل أفضل، غالبًا ما يعود القرار إلى فحص البواقي وجودة الملاءمة — وهو ما يقودنا إلى القسم التالي.

كيفية الاختيار بين اللوغاريتمي والطرق الأخرى

اختيار نموذج الاستقراء الصحيح ليس تخمينًا. إليك نهج منظم:

1. ارسم بياناتك. الفحص البصري فعال بشكل مدهش. إذا بدا المنحنى أنه يستوي، فاللوغاريتمي مرشح قوي. إذا بدا أنه يتزايد في الانحدار، فكر في الأسي. إذا بدا مستقيمًا، فقد يكون الخطي كافيًا. للمنحنيات التي تغير اتجاهها، قد تستحق طرق متعددة الحدود مقابل الخطية الاستكشاف، ويوفر مقارنتنا بين الاستقراء متعدد الحدود والخطي تحليلًا جانبيًا مركزًا.

2. قارن إحصائيات الملاءمة. قم بملاءمة البيانات باستخدام نماذج متعددة وقارن قيم R². النموذج ذو أعلى R² يلتقط أكبر تباين في البيانات. ومع ذلك، لا تعتمد على R² وحده — سيكون للنموذج متعدد الحدود دائمًا R² أعلى من النموذج الأبسط على نفس البيانات، لذا يجب موازنة جودة الملاءمة مقابل تعقيد النموذج.

3. افحص البواقي. ارسم البواقي (الملاحظة ناقص المتوقعة) لكل نموذج. البواقي العشوائية المتناثرة بشكل متساو تشير إلى ملاءمة جيدة. الأنماط المنتظمة في البواقي — مثل البواقي الإيجابية باستمرار عند قيم x العالية — تشير إلى أن النموذج متحيز بشكل منهجي في تلك المنطقة.

4. ضع في اعتبارك الآلية الأساسية. اسأل نفسك عن العملية الفيزيائية أو الاقتصادية أو المعرفية التي تولد البيانات. إذا كان بإمكانك توضيح آلية تنتج عوائد متناقصة، فإن الاستقراء اللوغاريتمي يحظى بدعم نظري يتجاوز مجرد الملاءمة الإحصائية.

5. اختبر التنبؤات خارج العينة. إذا كانت لديك بيانات كافية، احتفظ بآخر نقاط، وقم بملاءمة النموذج على الباقي، وانظر أي نموذج يتنبأ بشكل أفضل بالقيم المحتجزة. هذا هو الاختبار العملي الأكثر صرامة.

يمكن أن تساعدك حاسبة الاستيفاء أيضًا في فهم كيفية تصرف نموذجك ضمن النطاق الملاحظ قبل أن تثق به للاستقراء خارجه.

تقييم جودة الملاءمة باستخدام R²

معامل التحديد، أو R²، يقيس مقدار التباين في المتغير التابع الذي يفسره النموذج. R² بقيمة 1.0 يعني ملاءمة مثالية، 0.0 يعني أن النموذج لا يفسر أيًا من التباين، والقيم بينهما تشير إلى قوة تفسيرية جزئية.

للاستقراء اللوغاريتمي، يخدم R² عدة أغراض مهمة:

تأكيد نمط العوائد المتناقصة. إذا كان R² للملاءمة اللوغاريتمية أفضل بشكل ملحوظ من الملاءمة الخطية، فهذا دليل قوي على أن نمط العوائد المتناقصة حقيقي وليس مجرد ضوضاء. هذه واحدة من أكثر الطرق موثوقية لتمييز السلوك اللوغاريتمي الحقيقي من السلوك الخطي مع تقلبات عشوائية.

المقارنة عبر أنواع النماذج. عندما تشغل البيانات من خلال حاسبة الاستقراء وتقارن الملاءمات اللوغاريتمية والأسية والخطية، توفر قيم R² أساسًا موضوعيًا لاختيار النموذج. R² لوغاريتمي بقيمة 0.96 مقابل R² أسي بقيمة 0.78 يروي قصة واضحة.

تقييم موثوقية التنبؤ. R² أعلى لا يضمن استقراءً دقيقًا، لكن R² المنخفض هو علامة تحذير قوية. إذا كان نموذجك اللوغاريتمي يحتوي على R² أقل من 0.7، فقد لا تتبع البيانات نمطًا لوغاريتميًا على الإطلاق، ويجب التعامل مع أي استقراء بحذر شديد.

احذر من الاعتماد المفرط على R². R² وحده لا يتحقق من صحة النموذج. يمكن أن يتعايش R² مرتفع على بيانات التدريب مع تنبؤات خارج العينة سيئة للغاية. دائمًا ما استكمل R² بتحليل البواقي والمعرفة بالمجال.

نصائح عملية للاستقراء اللوغاريتمي الموثوق

تأكد من أن قيم x موجبة. اللوغاريتم الطبيعي غير معرف لـ x ≤ 0. إذا كان متغيرك المستقل يتضمن صفرًا أو قيمًا سالبة، يجب عليك تحويل البيانات (إضافة ثابت لجميع قيم x) أو اختيار نموذج مختلف.

تحقق من وجود نقاط بيانات كافية. يتطلب المنحنى اللوغاريتمي على الأقل ثلاث نقاط بيانات لملاءمة ذات معنى، ومن الأفضل أن يكون لديك أكثر من ذلك بكثير. مع نقاط قليلة جدًا، ستكون المعلمات الملائمة a و b غير مستقرة والاستقراء غير موثوق.

لا تستقرئ بعيدًا جدًا. كلما توقعت أبعد من بياناتك، كلما زاد عدم اليقين في التوقعات. هذا صحيح لجميع النماذج ولكنه مهم بشكل خاص للاستقراء اللوغاريتمي، لأن افتراض التسوية قد ينهار إذا خضع النظام الأساسي لتغيير هيكلي — على سبيل المثال، تقنية جديدة تعطل سوقًا كان مشبعًا سابقًا.

انتبه لتغيرات النظام. إذا كان النظام الذي تصممه يمكن أن يخضع لتغيير جوهري — دخول منافس جديد إلى السوق، تغيير تنظيمي، اختراق تكنولوجي — فقد لا يستمر النمط اللوغاريتمي التاريخي. الاستقراء يفترض استمرارية العملية الأساسية، وتغيرات النظام تنتهك هذا الافتراض.

ضع في اعتبارك فترات الثقة. التنبؤات النقطية نادرًا ما تكون صحيحة تمامًا. انظر إلى فترات الثقة أو التنبؤ حول توقعاتك اللوغاريتمية لفهم نطاق النتائج المحتملة. توفر حاسبة الاستقراء هذه الفترات حتى تتمكن من توصيل عدم يقين التوقعات بأمانة.

طبيع محور x إذا لزم الأمر. إذا كانت قيم x تمتد على نطاق واسع جدًا (على سبيل المثال، من 1 إلى 100,000)، فسيضغط اللوغاريتم الطبيعي الطرف العلوي بشكل كبير، وهذا قد يكون مناسبًا أو لا لبياناتك. فكر فيما إذا كان الضغط اللوغاريتمي يعكس حقًا العملية الأساسية أو ما إذا كان تحويل مختلف سيكون أكثر ملاءمة.

اجمع مع الخبرة في المجال. النماذج الإحصائية قوية، لكنها أكثر فعالية عندما تقترن بمعرفة الموضوع. إذا كان خبراء المجال يمكنهم توضيح سبب حدوث عوائد متناقصة، يكتسب النموذج اللوغاريتمي مصداقية نظرية تتجاوز ملاءمته الإحصائية.

القيود والمزالق

لا يوجد نموذج مثالي، والاستقراء اللوغاريتمي له قيود مهمة يجب على الممارسين فهمها.

لا يوجد خط تقارب حقيقي. الدالة اللوغاريتمية y = a + b · ln(x) تنمو بدون حدود، وإن كان بشكل أبطأ باستمرار. في العديد من الأنظمة الحقيقية، يتوقف النمو في النهاية تمامًا — يستوي المنحنى حقًا ليصبح خطًا أفقيًا. النموذج اللوغاريتمي لا يلتقط هذا؛ يتوقع نموًا مستمرًا ولكن متباطئًا إلى الأبد. للأنظمة ذات سقف حقيقي، قد يكون النموذج اللوجستي أو نموذج خط التقارب أكثر ملاءمة.

الحساسية لنقاط البيانات المبكرة. لأن المنحنى اللوغاريتمي يتغير بسرعة بالقرب من x = 0 وببطء عند قيم x الكبيرة، تتأثر الملاءمة بشكل غير متناسب بنقاط البيانات المبكرة. يمكن لقيمة شاذة واحدة عند قيمة x صغيرة أن تحول المنحنى بأكمله بشكل كبير. تحقق دائمًا من نقاط المراقبة المؤثرة.

لا يمكنه نمذجة الانخفاض. الاستقراء اللوغاريتمي القياسي مع b موجبة يصمم نموًا يتباطأ. لا يمكنه نمذجة حالات انخفاض المتغير التابع نفسه بمرور الوقت، إلا إذا استخدمت b سالبة — وحتى مع ذلك، قد لا يتطابق الشكل اللوغاريتمي مع نمط الانحدار الحقيقي. نماذج الانحدار الأسي غالبًا ما تكون أكثر ملاءمة للعمليات المتناقصة.

يفترض الرتابة. يفترض النموذج اللوغاريتمي أن y تزداد باستمرار (أو تتناقص، إذا كانت b سالبة) مع x. لا يمكنه التقاط التقلبات أو الانعكاسات أو الأنماط غير الرتيبة. إذا كانت بياناتك تتذبذب أو لها ذروة يتبعها انخفاض، سينتج الاستقراء اللوغاريتمي ملاءمة ضعيفة.

عدم اليقين في الاستقراء يتضاعف. كل استقراء يحمل عدم يقين أكثر من الاستيفاء، والاستقراء اللوغاريتمي ليس استثناءً. تتسع فترات الثقة كلما ابتعدت عن البيانات، وقد لا يستمر افتراض أن نمط العوائد المتناقصة يستمر إلى أجل غير مسمى. استخدم الاستقراء اللوغاريتمي كمدخل واحد من بين عدة مدخلات، وليس كأساس وحيد للقرارات عالية المخاطر.

غير مناسب للتنبؤ قصير المدى عندما يكون الخطي كافيًا. إذا كانت بياناتك تمتد على نطاق ضيق من قيم x وتبدو خطية تقريبًا ضمن ذلك النطاق، سينتج النموذج الخطي تنبؤات متطابقة تقريبًا مع تفسير أبسط. احتفظ بالاستقراء اللوغاريتمي للحالات التي يكون فيها الانحناء ملحوظًا بصريًا وإحصائيًا.

تجميع كل العناصر

يسد الاستقراء اللوغاريتمي فجوة حاسمة في مجموعة أدوات المتنبئ. يعالج الحالة الشائعة والمهمة حيث يكون النمو حقيقيًا ولكنه متباطئ — عالم العوائد المتناقصة، ومنحنيات التعلم، وتشبع السوق، وهضاب الجهد والعائد. النموذج y = a + b · ln(x) بسيط رياضيًا، قابل للتفسير، ومرتكز بشكل جيد في بنية العديد من الأنظمة الواقعية.

مفتاح استخدامه بفعالية هو الجمع بين الأدلة الإحصائية (R² مرتفع، بواقي جيدة السلوك) مع فهم المجال (آلية معقولة للعوائد المتناقصة). عندما يتفق كلا خطي الأدلة، ينتج الاستقراء اللوغاريتمي توقعات ليست فقط معقولة عددياً ولكنها غنية بالمعلومات حقًا.

ابدأ بإدخال بياناتك في حاسبة الاستقراء وقارن الملاءمة اللوغاريتمية مقابل البدائل الخطية والأسية، ودع درجة R² ترشد اختيار نموذجك. استكمل الأرقام بفهمك للعملية الأساسية، وستكون مجهزًا جيدًا لتقديم توقعات موثوقة في أي مجال حيث يتباطأ التقدم ولكنه لا يتوقف.

الأسئلة الشائعة

متى يجب أن أستخدم الاستقراء اللوغاريتمي؟

استخدم الاستقراء اللوغاريتمي عندما تظهر بياناتك نموًا يتباطأ بوضوح — كل وحدة إضافية من المدخلات تنتج زيادة أصغر في المخرجات. يظهر هذا النمط في منحنيات التعلم، تشبع السوق، اكتساب المهارات، والعديد من العمليات الفيزيائية. إذا كان النمو متسارعًا، استخدم الاستقراء الأسي بدلاً من ذلك.

هل يمكن للاستقراء اللوغاريتمي التعامل مع قيم x السالبة؟

لا. اللوغاريتم الطبيعي غير معرف لـ x ≤ 0. يجب أن تكون جميع قيم x موجبة. إذا كانت بياناتك تتضمن صفرًا أو قيم x سالبة، تعود الآلة الحاسبة إلى الاستقراء الخطي.

هل الاستقراء اللوغاريتمي تحفظي؟

نعم، وهذا إحدى نقاط قوته. لأنه يصمم نموًا متباطئًا، يميل الاستقراء اللوغاريتمي إلى إنتاج تنبؤات أكثر تحفظًا من الطرق الأسية أو متعددة الحدود. هذا يجعله أكثر أمانًا للتنبؤات بعيدة المدى حيث تتوقع أن يستقر النمو.

كيف أعرف إذا كانت بياناتي تتبع نمطًا لوغاريتميًا؟

ارسم بياناتك. إذا كان المنحنى يرتفع بسرعة في البداية ثم يستوي، فاللوغاريتمي مرشح جيد. قارن درجات R² بين اللوغاريتمي و الاستقراء الخطي — إذا كان للوغاريتمي R² أعلى بشكل ملحوظ، فإن نمط العوائد المتناقصة حقيقي.