آوند — داده: SQL، مدل‌سازی و تحلیل برای تصمیم

فصل ۵ از ۹

پیشرفت ترم
۰٪

در این فصل چه یاد می‌گیری#

دو کتابدار در یک شعبه: یکی ۷۰ درصد از امانت‌هایش سرِ وقت برگشته و دیگری ۵۰ درصد. بیست واحد اختلاف. و دو شعبه: نسیم ۷۲٫۰ درصد و مرکزی ۶۲٫۳ درصد — که روی سطرهای خام ۹٫۶۵ واحد اختلاف می‌شود.

جوابِ این فصل وارونهٔ چیزی است که عددها نشان می‌دهند: اختلافِ بیست‌واحدیِ دو کتابدار اصلاً اختلاف نیست، و اختلافِ ۹٫۶۵ واحدیِ دو شعبه هست. تفاوتشان در بزرگیِ عدد نیست، در تعدادِ سطرهایی است که عدد از آن‌ها ساخته شده.

چهار بار تا اینجا در آوند به این پرسش رسیدیم — آخرِ پروژهٔ ترمِ ۱، آخرِ پروژهٔ ترمِ ۲، آخرِ پروژهٔ ترمِ ۳، و آخرِ پروژهٔ ترمِ ۵ — و هر بار نوشتیم «با ابزارهای این ترم جواب ندارد». این فصل آن ابزار است، و یک قاعدهٔ کوچک از آن درمی‌آید: اختلافی که داخلِ باند بیفتد، اختلاف نیست.

خط‌کشی با ابری از نشانه‌های تکراری، دو خط عمودی که لبه‌های ابر را می‌بندند، و دو پیکان که یکی داخل ابر و دیگری بیرون آن نشسته است

آخر این فصل می‌توانی:

  • برچسبِ گروه را با SEED ثابت برهم بزنی و همان سنجه را چند صد بار دوباره حساب کنی
  • به‌جای یک عدد، یک باند تحویل بدهی و بگویی اختلافت داخلش افتاده یا بیرونش
  • نشان بدهی چرا همان اختلاف روی ۲۰ سطر و روی ۳٬۰۰۰ سطر دو چیزِ کاملاً متفاوت‌اند
  • بگویی این باند دربارهٔ چه چیزهایی حرف نمی‌زند

قبل از شروع#

از فصلِ ۴: نرخِ خام و نرخِ تعدیل‌شده، گروهِ مرجع، و پنجرهٔ برابر — که در بخشِ ۶ هر سه دوباره لازم می‌شوند. از ترمِ ۱: پارامترِ ?.

تعریفِ سنجه و پنجره، همان فصلِ ۴: «بازگشتِ به‌موقع» یعنی returned_at <= due_at، یک سطر یک امانتِ برگشته است، و فقط امانت‌هایی می‌آیند که پیش از 2025-04-01 گرفته شده‌اند. بخشِ ۶ یک استثنا دارد و همان‌جا اعلامش می‌کند.

و یک یادداشتِ کوتاه برای کسی که ترمِ ۵ را خوانده: آنجا برای زمانِ اجرا «پهنای نوسان» ساختیم و قاعده‌اش این بود که تفاوتی کوچک‌تر از نوسان تفاوت نیست. این فصل دقیقاً همان کار را برای شمارش می‌کند. اگر ترمِ ۵ را نخوانده‌ای هیچ‌چیزی از دست نداده‌ای؛ این فصل از صفر ساخته می‌شود.

📓 نوت‌بوک: نوت‌بوک این فصل را در Colab باز کن — همهٔ کدهای این فصل آماده و به‌ترتیب داخلش هست.

جدول تعدادِ سطر زمانِ ساخت
titles ۱٬۲۰۰ آنی
loans ۱۶٬۸۳۴ کمتر از دو ثانیه
branches ۶ آنی
tiny_shifts (همین فصل می‌سازدش) ۲۰ آنی

۱. بیست امانت که با انگشت شمردنی است#

دو کتابدارِ یک شعبه، هرکدام ده امانتِ برگشته را پیگیری کرده‌اند. کلِ داده بیست سطر است و می‌شود همه‌اش را شمرد.

con.execute("DROP TABLE IF EXISTS tiny_shifts")
con.execute("""
    CREATE TABLE tiny_shifts (
        worker  TEXT    NOT NULL,
        loan_id INTEGER NOT NULL,
        on_time INTEGER NOT NULL
    )
""")
con.executemany("INSERT INTO tiny_shifts VALUES (?, ?, ?)",
                [("الف", i, 1) for i in range(1, 8)] +
                [("الف", i, 0) for i in range(8, 11)] +
                [("ب", i, 1) for i in range(11, 16)] +
                [("ب", i, 0) for i in range(16, 21)])
con.commit()

print(q("""
    SELECT worker,
           COUNT(*)     AS loans,
           SUM(on_time) AS on_time,
           ROUND(100.0 * SUM(on_time) / COUNT(*), 1) AS pct
    FROM tiny_shifts
    GROUP BY worker
    ORDER BY pct DESC
"""))
  worker  loans  on_time   pct
0    الف     10        7  70.0
1      ب     10        5  50.0

هفت از ده در برابرِ پنج از ده. جدول درست است، دانه‌بندی‌اش اعلام شده، و شمارشِ کنترلی هم کنارش هست. اگر همین را تحویل بدهی، کسی که می‌خواندش نتیجه می‌گیرد الف بهتر کار می‌کند.

ولی یک سؤالِ ساده هنوز جواب ندارد: اگر این بیست امانت را کاملاً تصادفی بینِ دو کتابدار پخش می‌کردی، چقدر اختلاف درمی‌آمد؟ اگر جوابْ «تقریباً همین‌قدر» باشد، آن بیست واحد چیزی دربارهٔ کتابدارها نمی‌گوید.

۲. اگر برچسب هیچ معنایی نداشت#

روشِ جواب دادن به آن سؤال، خودِ سؤال است: برچسبِ کتابدار را از سطرها بکَن و دوباره تصادفی بچسبان، و همان سنجه را دوباره حساب کن. نتیجه‌ها را نگه می‌داریم، ولی سطرها را عوض نمی‌کنیم — همان بیست امانت با همان بیست نتیجه سرِ جایشان‌اند و فقط برچسب جابه‌جا می‌شود.

tiny = q("SELECT worker, on_time FROM tiny_shifts ORDER BY loan_id")
labels = list(tiny["worker"])
outcomes = [int(value) for value in tiny["on_time"]]


def gap(labels, outcomes, a, b):
    """اختلافِ نرخِ دو گروه، برحسبِ واحدِ درصد."""
    rows = {a: 0, b: 0}
    hits = {a: 0, b: 0}
    for label, outcome in zip(labels, outcomes):
        rows[label] += 1
        hits[label] += outcome
    return 100.0 * hits[a] / rows[a] - 100.0 * hits[b] / rows[b]


print("اختلاف واقعی:", round(gap(labels, outcomes, "الف", "ب"), 2), "واحد")
print()
shuffler = random.Random(SEED)
pool = list(labels)
for run in range(1, 6):
    shuffler.shuffle(pool)
    print("برهم‌زدن", run, "→", round(gap(pool, outcomes, "الف", "ب"), 2), "واحد")
اختلاف واقعی: 20.0 واحد

برهم‌زدن 1 → -20.0 واحد
برهم‌زدن 2 → 20.0 واحد
برهم‌زدن 3 → 40.0 واحد
برهم‌زدن 4 → 0.0 واحد
برهم‌زدن 5 → 0.0 واحد

پنج برهم‌زدنِ کاملاً بی‌معنی، و یکی‌شان همان بیست واحد را ساخت و یکی چهل واحد. برچسبِ این پنج نتیجه دیگر هیچ ربطی به کتابدارها ندارد؛ قرعه است و بس.

نامِ این کار بازنمونه‌گیری است، و SEED ثابتِ سلولِ راه‌اندازی کاری می‌کند که این پنج عدد روی ماشینِ تو هم دقیقاً همین پنج عدد باشند. یک آزمایشِ تصادفیِ بازتولیدناپذیر در این دوره شاهد نیست.

۳. پانصد بار به‌جای یک بار: باند#

پنج بار کافی نیست. پانصد بار برهم می‌زنیم، پانصد اختلاف جمع می‌کنیم، و دو لبه‌اش را برمی‌داریم: عددی که ۲٫۵ درصدِ نتیجه‌ها از آن کمترند و عددی که ۲٫۵ درصد از آن بیشترند. بینِ آن دو لبه، «باند» است — دامنه‌ای که قرعهٔ خالص به‌راحتی می‌سازدش.

REPEAT = 500


def band(labels, outcomes, a, b, repeat=REPEAT):
    """همان سنجه، چند صد بار با برچسبِ برهم‌زده — و دو لبهٔ نتیجه."""
    real = gap(labels, outcomes, a, b)
    shuffler = random.Random(SEED)
    pool = list(labels)
    draws = []
    for _ in range(repeat):
        shuffler.shuffle(pool)
        draws.append(gap(pool, outcomes, a, b))
    as_big = sum(1 for value in draws if abs(value) >= abs(real))
    draws.sort()
    return (round(real, 2),
            round(draws[int(0.025 * (repeat - 1))], 2),
            round(draws[int(0.975 * (repeat - 1))], 2),
            as_big)


def verdict(title, n_rows, real, low, high, as_big):
    """چهار خط: عنوان، تعدادِ سطر و اختلافِ واقعی، باندِ قرعه، و حکم."""
    print(title)
    print("  سطرها:", n_rows, "| اختلاف واقعی:", real, "واحد")
    print("  باند قرعه:", low, "تا", high, "|", as_big, "بار از", REPEAT, "به این بزرگی")
    print("  حکم:", "داخل باند — اختلاف نیست" if low <= real <= high
          else "بیرون باند — اختلاف واقعی است")


verdict("دو کتابدار، ۲۰ امانت", len(labels),
        *band(labels, outcomes, "الف", "ب"))
دو کتابدار، ۲۰ امانت
  سطرها: 20 | اختلاف واقعی: 20.0 واحد
  باند قرعه: -40.0 تا 40.0 | 308 بار از 500 به این بزرگی
  حکم: داخل باند — اختلاف نیست

۳۰۸ بار از ۵۰۰ بار، قرعهٔ خالص اختلافی به‌این‌بزرگی یا بزرگ‌تر ساخت.

این عدد خودش کلِ جواب است. آن بیست واحد رویدادِ نادری نیست؛ بیشترِ اوقاتی که سکه بیندازی همین‌قدر یا بیشتر درمی‌آید. و باند از منفیِ چهل تا مثبتِ چهل کشیده شده، یعنی روی ده امانت به‌ازای هر کتابدار، حتی یک اختلافِ چهل‌واحدی هم هنوز خبر نیست.

💡 نکته: REPEAT را از پانصد بیشتر کن و لبه‌ها کمی جابه‌جا می‌شوند و بعد آرام می‌گیرند — چون خودِ باند هم از یک نمونه ساخته شده. پانصد برای این جدول‌ها بس است و در چند ثانیه تمام می‌شود؛ اگر لبه‌ها با هزار بار به‌طورِ جدی عوض شدند، همان را گزارش کن.

۴. همان ابزار روی ۶٬۰۹۴ سطر#

حالا همان دو شعبهٔ فصلِ ۴، با همان تعریف و همان پنجره:

WINDOW_END = "2025-04-01"
print(q("""
    SELECT b.name AS branch,
           COUNT(*) AS returned_loans,
           ROUND(100.0 * SUM(l.returned_at <= l.due_at) / COUNT(*), 1) AS on_time_pct
    FROM loans AS l
    JOIN branches AS b ON b.id = l.branch_id
    WHERE l.returned_at IS NOT NULL AND l.borrowed_at < ? AND b.name IN (?, ?)
    GROUP BY b.id, b.name
    ORDER BY on_time_pct DESC
""", (WINDOW_END, "نسیم", "مرکزی")))
  branch  returned_loans  on_time_pct
0   نسیم            2796         72.0
1  مرکزی            3298         62.3

دو سطرِ اول و آخرِ همان جدولِ فصلِ ۴، بدونِ حتی یک رقم تفاوت.

🔧 اگر کار نکرد: برای دو شعبه باید دو علامتِ ? بگذاری. با یکی، پیام صریح است:

try:
    q("SELECT COUNT(*) AS n FROM loans WHERE branch_id IN (?)", (1, 2))
except Exception as error:
    print(type(error).__module__ + "." + type(error).__name__)
    print(error)
pandas.errors.DatabaseError
Execution failed on sql 'SELECT COUNT(*) AS n FROM loans WHERE branch_id IN (?)': Incorrect number of bindings supplied. The current statement uses 1, and there are 2 supplied.

تعدادِ علامت‌ها باید با تعدادِ مقدارها بخواند — و همان‌طور که ترمِ ۱ فصلِ ۷ گفت، راهِ حل چسباندنِ خودِ عددها به متنِ پرسش نیست. حالا باندِ همان اختلاف:

returns = q("""
    SELECT b.name AS branch,
           (l.returned_at <= l.due_at) AS on_time
    FROM loans AS l
    JOIN branches AS b ON b.id = l.branch_id
    WHERE l.returned_at IS NOT NULL AND l.borrowed_at < ? AND b.name IN (?, ?)
    ORDER BY l.id
""", (WINDOW_END, "نسیم", "مرکزی"))
branch_labels = list(returns["branch"])
branch_outcomes = [int(value) for value in returns["on_time"]]

verdict("نسیم در برابر مرکزی", len(branch_labels),
        *band(branch_labels, branch_outcomes, "نسیم", "مرکزی"))
نسیم در برابر مرکزی
  سطرها: 6094 | اختلاف واقعی: 9.65 واحد
  باند قرعه: -2.24 تا 2.45 | 0 بار از 500 به این بزرگی
  حکم: بیرون باند — اختلاف واقعی است

۹٫۶۵ واحد، و باندی که از منفیِ ۲٫۲۴ تا مثبتِ ۲٫۴۵ بیشتر نمی‌رود. صفر بار از پانصد بار.

پس اختلافِ کوچک‌ترِ این دو شعبه واقعی است و اختلافِ بزرگ‌ترِ دو کتابدار نیست. همین یک جمله را که بتوانی با عدد بگویی، از خیلی از گزارش‌های واقعی جلوتری.

🌱 ریشه‌اش کجاست: آن پانصد عددی که ساختی خودشان یک توزیعاند — بیشترشان دورِ صفر جمع شده‌اند و هرچه دورتر می‌روی کم‌تعدادترند — و باند فقط دو لبهٔ همان شکل است. اگر می‌خواهی ببینی این «تپه» از کجا می‌آید و هیستوگرامش را چطور بخوانی، ریشه ترمِ ۶ فصل ۷ از اول بازش می‌کند.

۵. اندازهٔ گروه است که پهنای باند را می‌سازد#

اگر تا اینجا فکر می‌کنی مرزْ «بیست واحد» یا «ده واحد» است، این آزمایش نظرت را عوض می‌کند. همان بیست واحدِ بخشِ ۱ را برمی‌داریم و فقط تعدادِ سطرها را بزرگ می‌کنیم: به‌جای ۷ از ۱۰ و ۵ از ۱۰، می‌نویسیم ۱٬۰۵۰ از ۱٬۵۰۰ و ۷۵۰ از ۱٬۵۰۰. نرخ‌ها همان ۷۰ و ۵۰ درصدند.

big_labels = ["الف"] * 1500 + ["ب"] * 1500
big_outcomes = [1] * 1050 + [0] * 450 + [1] * 750 + [0] * 750

verdict("۳٬۰۰۰ سطر، همان ۲۰ واحد", len(big_labels),
        *band(big_labels, big_outcomes, "الف", "ب"))
۳٬۰۰۰ سطر، همان ۲۰ واحد
  سطرها: 3000 | اختلاف واقعی: 20.0 واحد
  باند قرعه: -3.47 تا 3.2 | 0 بار از 500 به این بزرگی
  حکم: بیرون باند — اختلاف واقعی است

دقیقاً همان بیست واحد، دو حکمِ وارونه. روی ۲۰ سطر باند تا چهل واحد باز بود و قرعه ۳۰۸ بار از ۵۰۰ بار آن اختلاف را ساخت؛ روی ۳٬۰۰۰ سطر باند به کمتر از سه‌ونیم واحد جمع شد و قرعه صفر بار.

پس «بزرگ» و «کوچک» صفتِ عدد نیستند، نسبتِ عدد به باندِ خودشند. و باند را تعدادِ سطرها می‌سازد. این دقیقاً همان چیزی است که ستونِ COUNT(*) کنارِ هر نرخ برای آن وجود دارد: بدونِ آن ستون، خواننده نمی‌تواند بداند اختلافِ کنارش را باید جدی بگیرد یا نه.

۶. دو اختلافی که فصل‌های بعد رویشان حساب می‌کنند#

اول اختلافی که فصلِ بعد می‌خواهد ردش کند: کتابِ کم‌برگ ۳۱٫۸ درصد دیر برمی‌گردد و کتابِ پرِبرگ ۳۰٫۱ درصد.

دانه‌بندیِ این یکی همان است ولی پنجره‌اش فرق دارد، و این عمدی است: اینجا هیچ فیلترِ تاریخی نیست و همهٔ امانت‌های برگشته می‌آیند، چون جدولی که فصلِ بعد رویش حساب می‌کند دقیقاً همین است. باند باید همان جدولی را بسنجد که کسی رویش تصمیم می‌گیرد، نه یک جدولِ شبیهِ آن.

pages = q("""
    SELECT CASE WHEN t.pages < 300 THEN 'کم‌برگ' ELSE 'پرِبرگ' END AS bucket,
           (l.returned_at > l.due_at) AS late
    FROM loans AS l
    JOIN titles AS t ON t.id = l.title_id
    WHERE l.returned_at IS NOT NULL AND (t.pages < 300 OR t.pages >= 600)
    ORDER BY l.id
""")
page_labels = list(pages["bucket"])
page_outcomes = [int(value) for value in pages["late"]]

verdict("کم‌برگ در برابر پرِبرگ", len(page_labels),
        *band(page_labels, page_outcomes, "کم‌برگ", "پرِبرگ"))
کم‌برگ در برابر پرِبرگ
  سطرها: 9505 | اختلاف واقعی: 1.69 واحد
  باند قرعه: -1.84 تا 2.04 | 42 بار از 500 به این بزرگی
  حکم: داخل باند — اختلاف نیست

۱٫۶۹ واحد روی ۹٬۵۰۵ سطر، و همچنان داخلِ باند. توجه کن که این جدول بیش از سه برابرِ جدولِ ساختگیِ بخشِ ۵ سطر دارد و باز هم جواب «نه» است — چون خودِ اختلاف حدودِ دوازده برابر کوچک‌تر است.

حالا اختلافی که پروژهٔ نهایی رویش سوار می‌شود: فاصلهٔ نرخِ تعدیل‌شدهٔ مرکزی و پویا. این یکی با برهم‌زدنِ سادهٔ برچسب سنجیده نمی‌شود، چون تعدیل کلاً برای این وجود دارد که ترکیبِ دسته‌ها را ثابت نگه دارد. پس برچسب را داخلِ هر دسته برهم می‌زنیم: سهمِ هر شعبه از هر دسته دست‌نخورده می‌ماند و فقط این عوض می‌شود که کدام امانت مالِ کدام شعبه است.

adjusted_rows = q("""
    SELECT b.name AS branch,
           t.category,
           (l.returned_at <= l.due_at) AS on_time
    FROM loans AS l
    JOIN titles AS t ON t.id = l.title_id
    JOIN branches AS b ON b.id = l.branch_id
    WHERE l.returned_at IS NOT NULL AND l.borrowed_at < ? AND b.name IN (?, ?)
    ORDER BY l.id
""", (WINDOW_END, "مرکزی", "پویا"))
weight = {row.category: int(row.n) for row in q("""
    SELECT t.category, COUNT(*) AS n
    FROM loans AS l
    JOIN titles AS t ON t.id = l.title_id
    WHERE l.returned_at IS NOT NULL AND l.borrowed_at < ?
    GROUP BY t.category
""", (WINDOW_END,)).itertuples()}
TOTAL = sum(weight.values())

cells = {}
for row in adjusted_rows.itertuples():
    cells.setdefault(row.category, {"مرکزی": [], "پویا": []})[row.branch].append(int(row.on_time))
pooled = {name: cells[name]["مرکزی"] + cells[name]["پویا"] for name in cells}
head = {name: len(cells[name]["مرکزی"]) for name in cells}


def adjusted_rates(pooled, head):
    """دو نرخِ تعدیل‌شده، با همان وزن‌های فصلِ ۴."""
    first = second = 0.0
    for name, group in pooled.items():
        k = head[name]
        first += weight[name] * 100.0 * sum(group[:k]) / k
        second += weight[name] * 100.0 * sum(group[k:]) / (len(group) - k)
    return first / TOTAL, second / TOTAL


markazi, pooya = adjusted_rates(pooled, head)
print("سطرهای دو شعبه:", len(adjusted_rows), "| جمع وزن‌ها:", TOTAL)
print("نرخ تعدیل‌شده مرکزی:", round(markazi, 1), "| پویا:", round(pooya, 1))
print("اختلاف تعدیل‌شده  :", round(markazi - pooya, 2), "واحد")
سطرهای دو شعبه: 5024 | جمع وزن‌ها: 13818
نرخ تعدیل‌شده مرکزی: 71.8 | پویا: 60.1
اختلاف تعدیل‌شده  : 11.67 واحد

✅ چک کن: آن دو نرخ باید عیناً ۷۱٫۸ و ۶۰٫۱ باشند — همان دو عددی که فصلِ ۴ با یک پرسشِ SQL کاملاً متفاوت چاپ کرد. اگر نشدند، وزن‌ها را از هر شش شعبه برنداشته‌ای و داری با خط‌کشِ دیگری می‌سنجی. و 5024 باید برابرِ ⁦۳٬۲۹۸ + ۱٬۷۲۶⁩ باشد، یعنی همان دو ستونِ returned_loans فصلِ ۴.

real_gap = markazi - pooya
shuffler = random.Random(SEED)
draws = []
for _ in range(REPEAT):
    for group in pooled.values():
        shuffler.shuffle(group)
    first, second = adjusted_rates(pooled, head)
    draws.append(first - second)
as_big = sum(1 for value in draws if abs(value) >= abs(real_gap))
draws.sort()

verdict("مرکزی در برابر پویا، تعدیل‌شده", len(adjusted_rows),
        round(real_gap, 2),
        round(draws[int(0.025 * (REPEAT - 1))], 2),
        round(draws[int(0.975 * (REPEAT - 1))], 2),
        as_big)
مرکزی در برابر پویا، تعدیل‌شده
  سطرها: 5024 | اختلاف واقعی: 11.67 واحد
  باند قرعه: -2.94 تا 2.9 | 0 بار از 500 به این بزرگی
  حکم: بیرون باند — اختلاف واقعی است

آن ۱۱٫۶۷ واحد از باند بیرون است، و با فاصله. باند تا حدودِ سه واحد باز است و اختلاف تقریباً چهار برابرِ آن. پس پروژهٔ نهایی که کلِ توصیه‌اش را روی همین فاصله بنا می‌کند، روی زمینِ سفتی ایستاده — و این را حالا با عدد می‌دانیم، نه با حدس.

۷. چهار چیزی که این باند نمی‌گوید#

باند ابزارِ خوبی است، و مثلِ هر ابزارِ خوبِ دیگری بیشتر از توانش از آن کار می‌کشند.

  1. دربارهٔ علت هیچ نمی‌گوید. «بیرونِ باند» یعنی برچسبِ گروه بی‌ربط نیست، نه اینکه گروه علتِ نتیجه است. فصلِ ۴ نشان داد نرخِ خامِ همین دو شعبه به‌خاطرِ ترکیبِ کتاب‌هایشان وارونه می‌شود؛ باند این را نمی‌بیند و نمی‌تواند ببیند.
  2. فقط دربارهٔ همین یک مقایسه حرف می‌زند. شش شعبه پانزده جفت می‌سازند، و باندی که ۵ درصدِ قرعه‌ها را بیرون می‌گذارد به‌طورِ متوسط از هر بیست مقایسه یکی را بی‌دلیل «واقعی» اعلام می‌کند. مقایسه‌ات را قبل از دیدنِ داده انتخاب کن، نه بعدش.
  3. دربارهٔ بزرگیِ اثر هیچ نمی‌گوید. روی دادهٔ به‌قدرِ کافی بزرگ، حتی نیم واحد هم از باند بیرون می‌افتد — و همچنان ممکن است هیچ تصمیمی را عوض نکند. این دقیقاً پرسشِ فصلِ بعد است.
  4. فقط دربارهٔ سطرهایی حرف می‌زند که در جدول‌اند. برهم‌زدنِ برچسب هیچ امانتِ برنگشته‌ای را برنمی‌گرداند. باندِ تنگ روی دادهٔ سوگیر، فقط یک اشتباهِ دقیق است.

📏 اندازه بگیر: یک سطر یعنی چه؟ در tiny_shifts یک سطر یک امانتِ برگشته است که یک کتابدار پیگیری‌اش کرده؛ در بخشِ ۴ و در نیمهٔ دومِ بخشِ ۶ یک سطر یک امانتِ برگشته در پنجرهٔ تا 2025-04-01؛ در نیمهٔ اولِ بخشِ ۶ همان امانتِ برگشته ولی بدونِ پنجره؛ و در بخشِ ۵ یک سطرِ ساختگی که فقط برای دیدنِ اثرِ اندازه ساخته شد. با کدام شمارشِ دوم سنجیدی؟ با سه‌تا: جدولِ بخشِ ۴ که باید عیناً دو سطرِ جدولِ فصلِ ۴ باشد، دو نرخِ تعدیل‌شدهٔ بخشِ ۶ که از یک راهِ کاملاً متفاوت همان ۷۱٫۸ و ۶۰٫۱ درآمدند، و ۵٬۰۲۴ سطری که جمعِ دو ستونِ returned_loans همان فصل است. چه کسی از قلم افتاد؟ همهٔ امانت‌های برنگشته و همهٔ امانت‌های بعد از پنجره — و مهم‌تر، هیچ برهم‌زدنی آن‌ها را برنمی‌گرداند، پس باند دربارهٔ آن‌ها ساکت است.

🤖 از دستیارت بپرس: «آزمونِ جایگشتی چیست و چرا برای مقایسهٔ نرخِ دو گروه به کار می‌رود؟» بعد این را بپرس: «اگر اختلافِ دو گروه از باند بیرون بیفتد، یعنی گروه علتِ آن اختلاف است؟» — جوابِ درست «نه» است و باید عاملِ مخدوش‌کننده را نام ببرد. اگر جواب گفت «بله، ثابت شد»، همین حالا با جدولِ فصلِ ۴ ردش کن.

واژه‌های تازهٔ این فصل#

کلمه تلفظ به حروف فارسی یعنی چه
resampling ری‌سمپلینگ بازنمونه‌گیری؛ ساختنِ دوبارهٔ همان محاسبه روی داده‌ای که برچسبش برهم خورده
permutation test پرمیوتیشن تست آزمونِ جایگشتی؛ برهم‌زدنِ برچسبِ گروه و مقایسهٔ نتیجهٔ واقعی با نتیجه‌های قرعه
null hypothesis نال هایپاتسیس فرضِ «برچسب هیچ فرقی نمی‌کند»، که برهم‌زدن دقیقاً همان را می‌سازد
band باند دامنه‌ای که قرعهٔ خالص می‌سازدش؛ اختلافِ داخلش اختلاف نیست
sampling variability سمپلینگ ورایبیلیتی نوسانِ نمونه؛ اینکه یک قرعهٔ دیگر عددِ دیگری می‌داد
effect size افکت سایز بزرگیِ اثر؛ اینکه اختلاف چقدر است، نه اینکه هست یا نیست

تمرین‌ها

اول خودت فکر کن یا امتحان کن — بعد اینجا را باز کن.

در فصل بعد#

حالا می‌دانی کدام اختلاف ارزشِ حرف زدن دارد. فصلِ بعد سؤالِ بعدی را می‌پرسد، که سخت‌تر است: که چه؟

و با یک محاسبهٔ سربه‌سر جواب می‌دهد که سه بازه می‌سازد: اگر یادآوریِ سررسید کمتر از ۱۴٫۶ درصد از تأخیرها را جلو بگیرد، هیچ کاری نکن؛ بینِ آن و ۲۸٫۲ درصد، فقط برای دسته‌های پرخطر یادآور بفرست؛ بالاتر از آن، برای همه.

به آخر این فصل رسیدی!

اگر ساختی و جواب داد، این دکمه مال توست.