See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/335989056

‫ﺗﺤﻠﻴﻞ اﻻﻧﺤﺪار‬

Book · January 2014

CITATIONS READS

0 2,022

1 author:

Sahera Zain
College of Administration and Economics
12 PUBLICATIONS   0 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Statistics View project

All content following this page was uploaded by Sahera Zain on 23 September 2019.

The user has requested enhancement of the downloaded file.

 ‫وزارة التعميم العالي والبحث العممي‬
‫جامعة البصرة‬
‫كمية اإلدارة واالقتصاد‬
‫قسم اإلحصاء‬

‫تأليف‬
‫األستاذ الدكتورة‬
‫زهرة حسن عباس التميمي‬

‫االستاذ المساعد‬ ‫األستاذ المساعد الدكتورة‬

‫ساهرة حسين زين الثعلبي‬ ‫فوزية غالب عمر السعدون‬

‫‪ 3415‬هـ ‪ 1034 -‬م‬

 ‫المقدمة‪:‬‬
‫تعد مادة تحميؿ االنحدار ‪ ،‬سواء أكانت كتاباً منيجياً أـ بحوثاً تجريبية ميمة وضرورية لتقديـ الصيغ‬
‫العممية والرياضية بصيغتيا الجبرية‪ ،‬كأداة مناسبة مف أدوات التحميؿ العممي‪.‬‬
‫وقد أتيح لي تدريس مادة " تحميؿ االنحدار " لسنوات في جامعة البصرة عمى مستوى طمبة الدراسات‬
‫العميا‪ ،‬فضبلً عف طمبة المراحؿ المنتيية في قسـ اإلحصاء واالقتصاد‪ ،‬فكاف ىذا الكتاب امتداداً لتمؾ السنوات‬
‫الدراسية ومعز اًز ليا‪.‬‬
‫ولقد حاولت خبلؿ الفصوؿ المخصصة ليذه المادة‪ ،‬إعطاء فكرة شاممة ومبسطة قدر اإلمكاف عف مادة "‬
‫الجامعات والمعاىد في مختمؼ دوؿ العالـ‪ .‬ويتميز ىذا الكتاب باحتوائو‬ ‫االنحدار " التي تدرس في كبريات‬
‫عمى كـ كبير مف األمثمة التي تـ مف خبلليا تطوير المفاىيـ العامة والخاصة التي تتضمنيا أجزاؤه المختمفة‪ ،‬مع‬
‫تطبيؽ البرنامج اإلحصائي““ ‪ SPSS‬في بعض حموؿ تمؾ األمثمة‪.‬‬
‫عده احد المراجع الجامعية الرئيسية في ىذا االختصاص إذ‬
‫لقد شكمت فصوؿ الكتاب طيفاً واسعاً إذ باإلمكاف ّ‬
‫عرضت المسائؿ بشكؿ أكاديمي ىادؼ‪ .‬وعمى ىذا األساس تـ تقسيـ الكتاب إلى ثبلثة أجزاء تغطي مفردات‬
‫مادة تحميؿ االنحدار المقرة لمصفوؼ الثالثة إحصاء في كميات اإلدارة واالقتصاد ‪.‬‬
‫في الجزء األوؿ يتـ دراسة نماذج االنحدار الخطي مف خبلؿ دراسة مشكبلت االستدالؿ اإلحصائي كالتقدير‬
‫واختبار الفرضيات فضبلً عف مشكمة التنبؤ بافتراض تحقؽ فروض التحميؿ‪.‬‬
‫أما الجزء الثاني فيتمثؿ بدراسة المشكبلت الناجمة عف عدـ تحقؽ فرضيات التحميؿ‪.‬‬
‫وفي الجزء الثالث تمت دراسة موضوعات أخرى في تحميؿ االنحدار ومنيا طرائؽ اختيار أحسف المعادالت‬
‫فضبلً عف المتغيرات الوىمية‪.‬‬
‫لقد حاولت قراءة مصادر عربية وأجنبية عديدة بعناية ودقة ثـ كتابة الفصوؿ دوف االقتباس مباشرة مف أي مف‬
‫تمؾ المصادر)عدا بعض األمثمة االفتراضية(‪ ،‬فقد حاولت توضيح التحميؿ بأمثمة قدر اإلمكاف‪.‬وقد ساعدني في‬
‫ذلؾ الزميمتاف األستاذ المساعد د‪ .‬فوزية غالب عمر والمدرس ساىرة حسيف زيف ‪.‬‬
‫واآل ف وقد صار الكتاب بيف أيدي القراء‪ ،‬نرجو مف زمبلئنا وطمبتنا وغيرىـ أف يقرؤوا الكتاب بعيف ناقدة‬
‫فاحصة‪ ،‬وليضعوا أصابعيـ عمى مواطف الخمؿ والضعؼ‪ ،‬ويحيطوا كاتبو عمماً بذلؾ‪ ،‬لعمو يستطيع أف يسير بو‬
‫خطوة أخرى نحو الكماؿ‪ ،‬وليس ىو ببالغو بغير ذلؾ‪.‬وليكف التواصؿ عبر البريد االلكتروني‪.‬‬
‫في الختاـ اتفدـ بالشكر والتقدير لكؿ مف قدـ يد العوف النجاز ىذا الكتاب‪ ،‬وىـ كثر‪ ،‬ليـ معزة خاصة‬
‫في نفسي ‪.‬‬
‫واهلل ولي التوفيؽ‬
‫األستاذ الدكتورة زىرة حسف عباس التميمي‬
‫‪drzahra50@YAHOO.COM‬‬
 ‫مفــردات انكتبة‬

‫الصفحة‬ ‫الموضـــــوع‬

(6 – 1) Nature of regression analysis ‫ طبيعة تحليل االنحدار‬:‫الفصل األول‬

1 Historical Origin of the Term (Regression)‫ٔ( األساس التاريخي لمصطمح االنحدار‬-ٔ)

1 The modern interpretation of regression ‫ٕ( المفيوـ الحديث لبلنحدار‬-ٔ)

2 Examples ‫ٖ( أمثمة عممية لتوضيح مفيوـ االنحدار‬-ٔ)

3 Nature of the relation between variables‫ٗ( طبيعة العبلقة بيف المتغيرات‬-ٔ)

4 ( Regression vs. Causation ) ‫٘( االنحدار والسببية‬-ٔ)

4 Uses of regression analysis .‫( استخدامات تحميؿ االنحدار‬ٙ-ٔ)

4 Types of regression ‫( أنواع االنحدار‬ٚ-ٔ)

6 .‫أسئمة الفصؿ األوؿ‬

(44 – 7) Simple linear regression ‫ االنحدار الخطي البسيط‬:‫الفصل الثاني‬

7 The concept of simple linear regression . ‫ٔ( مفيوـ االنحدار الخطي البسيط‬-ٕ)

8 The meaning of the parameters ‫ٕ( تفسير معممات النموذج‬-ٕ)

9 Construct simple linear model‫ٖ( بناء نموذج انحدار خطي بسيط‬-ٕ)

11 Estimating linear regression function .‫( تقدير دالة االنحدار الخطي البسيط‬4-2)

11 Ordinary least square( OLS) Method ‫( طريقة المربعات الصغرى االعتيادية‬1-4-2)

16 Assumption underlying the analysis .‫ ( فروض التحميؿ‬2-4-2)

21 Proporties of least squares estimates ‫(خواص المقدرات بطريقة المربعات الصغرى‬3-4-2)

 ‫نظرية جاوس – ماركوؼ‬

‫‪24‬‬ ‫)‪ (4-4-2‬طريقة اإلمكاف األعظـ‪" Maximum Likelihood " .‬‬

‫‪26‬‬ ‫)‪ (5-4-2‬تبايف المعممات المقدرة‪Variance of the estimated parameters :‬‬

‫‪28‬‬ ‫ˆ‬ ‫ˆ‬

‫"‬
‫‪Covariance between 1 ,  0‬‬
‫"‬
‫‪ˆ1 , ˆ0‬‬ ‫)‪ (6-4-2‬التبايف المشترؾ بيف‬

‫‪28‬‬ ‫تقدير تبايف الخطأ ) ‪(ˆ 2‬‬

‫بموجب المربعات الصغرى لممجتمع‪The estimate of population variance .‬‬ ‫)‪(7-4-2‬‬
‫‪error‬‬

‫‪32‬‬ ‫‪Calculation of sum of squared error (ei‬‬

‫‪2‬‬
‫)‬ ‫)‪ (8-4-2‬طريقة أخرى لحساب مجموع مربعات الخطأ‬

‫‪40‬‬ ‫‪Prediction‬‬ ‫)‪(5-2‬التنبؤ‬

‫‪41‬‬ ‫)‪ (1-5-2‬تكويف التنبؤات‬

‫اوال‪ :‬تقدير متوسط االستجابة‪Estimating the mean prediction .‬‬

‫ثانيا‪ :‬تقدير القيمة التنبؤية الجديدة ‪Estimating the point prediction .‬‬

‫‪42‬‬ ‫أسئمة الفصؿ الثاني‬

‫)‪(92 – 45‬‬ ‫الفصل الثالث‪ :‬االستدالل في نموذج المربعات الصغرى ‪Inferences in OLSModel‬‬

‫‪45‬‬ ‫)‪ (1-3‬االستدالؿ حوؿ المعممات المقدرة‪Inference about estimated parameters .‬‬

‫‪46‬‬ ‫)‪ (1-1-3‬تفسير اختبار الفرضيات‪hypothesesInterpretation of testing .‬‬

‫‪46‬‬ ‫)‪ (2-1-3‬مستوى الداللة ‪Level of significance‬‬

‫‪46‬‬ ‫)‪ (3-1-3‬الفرضيات حوؿ المعممات المقدرة‪parametersHypotheses about estimated .‬‬

‫‪47‬‬ ‫)‪ (4-1-3‬االحصاءة المستخدمة لبلختبار‪testStatistic forUsed .‬‬

‫‪49‬‬ ‫‪t- Ratio‬‬ ‫)‪ (5-1-3‬نسبة ‪ : t‬قاعدة لمحساب‪.‬‬

‫‪56‬‬ ‫‪parametersinterval of the estimatedConfidence‬‬ ‫)‪ (2-3‬حدود الثقة لممعممات المقدرة‪.‬‬

‫‪58‬‬ ‫)‪ (3-3‬االستدالؿ حوؿ متوسط االستجابة الحقيقي عند مستوى معموـ لممتغير ‪Inference about mean prediction . X‬‬
‫‪at given value of X‬‬

‫‪58‬‬ ‫‪distribution for mean predictionprobability .‬‬ ‫)‪ (1-3-3‬التوزيع االحتمالي لػ ‪Yˆf‬‬

‫‪59‬‬ ‫)‪ (2-3-3‬حدود الثقة لمتوسط االستجابة‪Confidence interval for mean prediction .‬‬

‫‪61‬‬ ‫‪Probability distribution and level of significance‬‬ ‫التنبؤية الجديدة‬ ‫)‪ (4-3‬التوزيع االحتمالي وحدود الثقة لػ ) ‪(Y f‬‬
‫‪for individual prediction‬‬

‫‪64‬‬ ‫‪ANOVA for simple Linear Regression Model.‬‬ ‫)‪ (5-3‬تحميؿ التبايف لنموذج االنحدار الخطي البسيط‬

‫‪67‬‬ ‫)‪ (6-3‬اختبار حسف التوفيؽ ‪Goodness of Fit‬‬

‫‪69‬‬ ‫)‪ (7-3‬معامؿ االرتباط البسيط ‪Simple Correlation Coefficient‬‬

‫‪70‬‬ ‫ˆ‬
‫عبلقة معامؿ االرتباط مع معممة االنحدار ‪. 1‬‬

‫‪70‬‬ ‫خواص معامؿ االرتباط البسيط‪.‬‬

‫‪74‬‬ ‫اختبار معنوية االرتباط البسيط‪.‬‬

‫‪74‬‬ ‫عبلقة معامؿ االرتباط البسيط ومعامؿ التحديد في نموذج االنحدار البسيط‪.‬‬

‫‪76‬‬ ‫جدوؿ تحميؿ التبايف بداللة معامؿ التحديد‪.‬‬

‫‪85‬‬ ‫الخواص الحسابية لمقدرات المربعات الصغرى االعتيادية‪.‬‬

‫‪85‬‬ ‫العبلقة بيف ‪ t‬و ‪.(F = t2) F‬‬

‫‪86‬‬ ‫العبلقة بيف ‪ F‬و‪.R2‬‬

‫‪86‬‬ ‫العبلقة بيف‪ t‬و‪.R2‬‬

‫‪86‬‬ ‫)‪(8-3‬الترجيح ووحدات القياس‪Scaling and unites of Measurement .‬‬

‫‪90‬‬ ‫أسئمة الفصؿ الثالث‪.‬‬

‫)‪(128 – 93‬‬ ‫الفصل الرابع‪ :‬االنحدار الخطي المتعدد‪Multiple Linear Regression :‬‬

‫‪93‬‬ ‫)‪ (1-4‬النموذج الخطي العاـ ) مف خبلؿ نقطة األصؿ(‪through the originGeneral linear model‬‬

‫‪95‬‬ ‫)‪ (2-4‬فرضيات نموذج االنحدار الخطي بصيغة المصفوفات ‪Assumptions of classical linear regression model‬‬
‫‪in matrix form‬‬

‫‪98‬‬ ‫)‪ (3-4‬تقدير المعممات بطريقة المربعات الصغرى االعتيادية‪Parameter Estimation by OLS :‬‬

‫‪103‬‬ ‫)‪ (4-4‬معنى معامبلت االنحدار في حالة ثبلثة متغيرات‪:Е(Yi / X1i , X2i) :‬‬

‫‪104‬‬ ‫)‪ (5-4‬صفات متجو المعممات المقدرة ‪Properties of estimated parameter vector‬‬

‫‪104‬‬
‫‪Variance-Covariance Vector .‬‬ ‫)‪ (6-4‬مصفوفة التبايف – والتبايف المشترؾ لػ ˆ‪‬‬

‫‪107‬‬ ‫)‪ (7-4‬القيمة التقديرية لتبايف الخطأ ‪Estimated value of Error Variance‬‬

‫‪110‬‬ ‫برىاف بعض خواص االنحدار الحسابية بالصيغة المصفوفية‪.‬‬

‫‪111‬‬
‫)‪ (8-4‬معادلة االنحدار مف خبلؿ نقطة األصؿ ‪Regression equation through the mean . X , Y‬‬

‫‪116‬‬ ‫)‪ (9-4‬معامؿ التحديد ‪ R2‬بالصيغة المصفوفية‪Coefficient of Determination using matrix form.‬‬

‫‪116‬‬ ‫معامؿ االرتباط المتعدد‪Multiple correlation coeffecient .‬‬

‫‪116‬‬ ‫( ‪R2 :‬‬ ‫معامؿ التحديد المعدؿ ) ‪Adjusted‬‬

‫‪117‬‬ ‫)‪ (10-4‬االنحدار المتعدد واالنحدار البسيط‪Multiple VS simple regression .‬‬

‫‪119‬‬ ‫)‪ (11-4‬األثر المباشر واألثر غير المباشر ‪.Direct & Indirect effect‬‬

‫‪122‬‬ ‫)‪ (12-4‬معامؿ االرتباط الجزئي ‪Partial correlation coefficient‬‬

‫‪125‬‬ ‫عبلقة معامؿ التحديد وتبايف معممة االنحدار‪Relation between coefficient of determination and regression .‬‬
‫‪parameter‬‬

‫‪126‬‬ ‫أسئمة الفصؿ الرابع‬

‫)‪(177 – 129‬‬ ‫‪regressionInference in multiplelinear‬‬ ‫الفصل الخامس‪ :‬االستدالل في نموذج االنحدار المتعدد‪.‬‬

‫‪129‬‬ ‫‪Testing hypothesis about partial regression‬‬ ‫)‪ (1-5‬اختبار الفرضيات حوؿ معممة االنحدار الجزئية‪.‬‬
‫‪estimates‬‬

‫‪132‬‬ ‫)‪ (2-5‬اختبار معنوية تركيب خطي بداللة المعممات ‪Testing significance of linear combination of .‬‬
‫‪parameters‬‬

‫‪136‬‬ ‫)‪ (3-5‬اختبار معنوية نموذج االنحدار ككؿ‪Testing the overall significance.‬‬

‫‪138‬‬ ‫جدوؿ تحميؿ التبايف باستخداـ معامؿ التحديد‪ANOVA Tableusingcoefficient ofdetermination .‬‬

‫‪139‬‬ ‫)‪ (4-5‬مجموع المربعات اإلضافي‪Additional sum of squares .‬‬

‫‪143‬‬ ‫‪Test the additionalsignificancy of‬‬ ‫)‪ (5-5‬اختبار األىمية اإلضافية لمتغير معيف أو مجموعة جزئية مف المتغيرات‪.‬‬
‫‪one variable or partial of group of variables‬‬

‫‪147‬‬ ‫‪Testing Linear Equality Restrictions‬‬ ‫)‪ (6-5‬اختبار القيود الخطية‬

‫‪160‬‬ ‫)‪ (7-5‬مجاؿ الثقة لمتوسط االستجابة ولمقيمة التنبؤية الجديدة ‪Confidence interval for mean prediction and .‬‬
‫‪individual prediction‬‬

‫‪164‬‬ ‫‪Standard Partial regression coefficient‬‬ ‫)‪ (8-5‬معامؿ االنحدار الجزئي القياسي‪:‬‬

‫‪174‬‬ ‫أسئمة الفصؿ الخامس‬

‫)‪(236 – 178‬‬ ‫الفصل السادس‪ :‬اختالل فروض التحليل التي تخص توصيف النموذج وحد االضطراب العشوائي‬

‫‪178‬‬ ‫)‪(1-6‬اختبلؿ الفرضية )ٖ(متوسط المتغير العشوائي يساوي صفر‪.‬‬

‫‪178‬‬ ‫)‪ (2-6‬اختبلؿ الفرضية )‪ (11‬التوزيع الطبيعي لػ ‪Normality assumption of U u‬‬

‫‪183‬‬ ‫)‪ (3-6‬فرضية تجانس التبايف لممتغير العشوائي ‪uHomoscedasticity‬‬

‫‪183‬‬ ‫)‪(1-3-6‬طبيعة المشكمة‪.Natur of the problem‬‬

‫‪184‬‬ ‫‪Causes of the problem‬‬ ‫)‪ (2-3-6‬أسباب المشكمة‬

‫‪185‬‬ ‫‪Effect of hetroscedasticity on OLS results‬‬ ‫)‪ (3-3-6‬تأثير عدـ التجانس في نتائج طريقة المربعات الصغرى‬

‫‪186‬‬ ‫)‪ (ٗ-ٖ-ٙ‬طرائؽ الكشؼ عمف المشكمة ‪Methods of Detections‬‬

‫‪187‬‬ ‫ٔ‪ -‬اختبار بارؾ )‪(Park-test)(1966‬‬

‫‪187‬‬ ‫ٕ‪ -‬اختبار كميزر)‪(Gleser)(1969‬‬

‫‪188‬‬ ‫ٖ‪-‬اختبار سبير ماف الرتباط الرتب ‪Spearman's Rank correlation Test‬‬

‫‪190‬‬ ‫ٗاختبار جولدفيمد – كواندت ‪Goldfeld-Quandt test.‬‬

‫‪191‬‬ ‫)‪Brusch- Pagen- Godfrey test(BPG‬‬ ‫٘‪ -‬اختبار بروش _ بيجف ‪-‬جودفري‬

‫‪193‬‬ ‫‪ -ٙ‬اختبار ‪ (ٜٔٛٓ) White‬لعدـ التجانس العاـ‬

‫‪195‬‬ ‫)‪ (٘-ٖ-ٙ‬طريقة عبلج مشكمة عدـ التجانس‪Remedial measures .‬‬

‫‪200‬‬ ‫)‪ (4-6‬االرتباط الذاتي ‪Autocorrelation‬‬

‫‪201‬‬ ‫‪Natur of the problem‬‬ ‫)‪ (ٔ-4-6‬طبيعة المشكمة‬

‫‪202‬‬ ‫)‪(ٕ-4-6‬أنماط االرتباط الذاتي‪Pattern of autocorrelation .‬‬

‫‪203‬‬ ‫)‪ (3-4-6‬أسباب ظيور االرتباط الذاتي‪Causes of autocorrelation :‬‬

‫‪206‬‬ ‫)‪ (4-6-6‬صيغة ماركوؼ )‪ :(Markov‬االرتباط الذاتي مف الرتبة األولى‬

‫‪209‬‬ ‫‪Properties of the estimates in present‬‬ ‫‪of‬‬ ‫)‪ (5-4-6‬صفات المقدرات بوجود ارتباط ذاتي بصيغة ماركوؼ‬
‫‪autocorrelation‬‬

‫‪210‬‬ ‫)‪ (6-4-6‬الكشؼ عف مشكمة االرتباط الذاتي‪Test of autocorrelation .‬‬

‫‪210‬‬ ‫‪Graphical Method‬‬ ‫اوالً‪ :‬طريقة الرسـ‬

‫‪212‬‬ ‫ثانياً‪ :‬طرؽ االختبار اإلحصائية ‪Formal methods‬‬

‫‪212‬‬ ‫‪Durbin –Watson‬‬ ‫أ(اختيار دربف واتسف )‪( DW‬‬

 ‫‪215‬‬ ‫ب( اختبار بروش ػ جودفري )‪Breusch-Godfrey : (BG‬‬

‫‪217‬‬ ‫ج( اختيار )‪(Durbin h‬‬

‫‪217‬‬ ‫د‪ -‬اختبار ‪ Wallis‬االرتباط الذاتي مف الدرجة الرابعة )‪. AR(4‬‬

‫‪ٕٔٛ‬‬ ‫ىػ‪ -‬ويمكف استخداـ اختبار )‪(g-statistic‬‬

‫‪221‬‬ ‫)‪ (7-4-6‬معالجة االرتباط الذاتي‪Remedies of autocorrelation .‬‬

‫‪221‬‬ ‫استخداـ المتغيرات المحولة‪Transformation.‬‬

‫‪223‬‬ ‫)‪ (8-4-ٙ‬التنبؤ في حالة وجود حدود خطأ ذاتية االرتباط ‪Pridiction in autocorelated errors .‬‬

‫‪224‬‬ ‫)‪ (5-6‬المربعات الصغرى المعممة‪Generalized least – squares :‬‬

‫‪224‬‬ ‫)‪ (1-5-6‬المربعات الصغرى المعممة )‪Generalized least – squares.(GLS‬‬

‫‪226‬‬ ‫‪properties of the generalized least‬‬ ‫صفات المقدرات بطريقة المربعات الصغرى المعممة‪squares .‬‬ ‫)‪(2-5-6‬‬
‫‪estimates‬‬

‫‪229‬‬ ‫)‪ (3-5-6‬أشكاؿ " ‪ " Ω‬الخاصة‪Special forms of ( Ω ) .‬‬

‫‪234‬‬ ‫أسئمة الفصؿ السادس‬

‫)‪( 252- 237‬‬ ‫الفصل السابع‬

‫‪237‬‬ ‫)‪ (1-7‬اختبلؿ الفرض )‪: (2‬بمعنى أف المتغيرات التوضيحية عشوائية‬

‫‪239‬‬ ‫)‪(2-7‬التعدد الخطً ‪Multicollinearity‬‬

‫‪240‬‬ ‫)‪ (ٖ-7‬أسباب وجود التعدد الخطي ‪Reasons of multicollinearity‬‬

‫‪241‬‬ ‫)‪(4-7‬التقدير بواسطة المربعات الصغرى ‪Least square estimates‬‬

‫‪241‬‬ ‫)‪(1-4-7‬التقدير في حالة مشكمة التعدد الخطي التاـ ‪Perfect multicollinearity .‬‬

‫‪242‬‬ ‫)‪ (2-4-7‬التقدير في حالة وجود تعدد خطي عالي ) شبو تاـ ( ‪Semi multicollinearity‬‬
 ‫‪243‬‬ ‫)‪ (٘ -ٚ‬معامؿ تضخـ التبايف ) ‪Variance inflation factor (VIF‬‬

‫‪245‬‬ ‫)‪ (6-7‬الكشؼ عف وجود مشكمة التعدد الخطي ‪Detecting multicollinearity‬‬

‫‪245‬‬ ‫)‪ (1-6-7‬مؤشرات وجود التعدد الخطي‪Rule of thumb‬‬

‫‪246‬‬ ‫)‪ (2-6-7‬االختبارات اإلحصائية " ‪" Formal Statistical _ test‬‬

‫‪246‬‬ ‫‪ -1‬اختبار ‪Beaton _ Glauber‬‬

‫‪247‬‬ ‫‪Farrar - Glauber-test-‬‬ ‫‪ -2‬اختبار فاراركميبر‬

‫‪248‬‬ ‫)‪ (7-7‬طػرائؽ التخفيؼ مف حدة المشكمة ‪Remedies measures‬‬

‫‪251‬‬ ‫أسئمة الفصؿ السابع‪.‬‬

‫)‪(278 – 253‬‬ ‫‪Nonlinear regression‬‬ ‫الفصل الثامن‪:‬االنحدار غير الخطي‬

‫‪256‬‬ ‫)‪ (ٔ-ٛ‬خطية العبلقة بداللة المعممات‬

‫‪256‬‬ ‫)‪(1-1-8‬نموذج الموغاريتـ الخطي ‪Log linear model‬‬

‫‪258‬‬ ‫)‪(2-1-8‬نماذج شبو الموغاريتـ ‪Semi-Logarithm‬‬

‫‪259‬‬ ‫)‪ (ٖ-ٔ-ٛ‬نموذج المعكوس )‪(Reciprocal Model‬‬

‫‪262‬‬ ‫)‪ (4-1-8‬منحنى النمو الموجستي )‪(Logistic Growth curve‬‬

‫‪267‬‬ ‫نماذج متعدد الحدود ‪Polynomial‬‬

‫‪267‬‬ ‫)‪ (٘-ٔ-ٛ‬الصيغة التربيعية ‪Quadratic‬‬

‫‪271‬‬ ‫اختبار أىمية المتغير ‪ X‬في نماذج متعددة الحدود‪.‬‬

‫‪277‬‬ ‫اسئمة الفصؿ الثامف‪.‬‬

‫)‪(309 – 279‬‬ ‫الفصل التاسع‪ :‬اختيار أحسن المعادالت ‪Selecting the best regression equation :‬‬
 ‫‪280‬‬ ‫)‪(1-9‬طريقة الحذؼ العكسي أو الخمفي ‪The Backward elimination procedure :‬‬

‫‪290‬‬ ‫)‪(Forward Selection Procedure‬‬ ‫)‪ (2-9‬طريقة االختيار المباشر أو األمامي ‪:‬‬

‫‪294‬‬ ‫‪Stepwise regression procedure‬‬ ‫)‪ (3-9‬طريقة االنحدار المتدرج ‪:‬‬

‫‪307‬‬ ‫أسئمة الفصؿ التاسع‬

‫)‪(343 – 309‬‬ ‫الفصل العاشر‪ :‬المتغيرات الوهمية (الصورية) ‪Dummy Variables‬‬

‫‪309‬‬ ‫)‪(1-10‬طبيعة المتغيرات الوىمية وكيفية استخداميا في االنحدار‬

‫‪309‬‬ ‫)‪(1-1-10‬طبيعة المتغيرات الوىمية‬

‫‪312‬‬ ‫)‪ (2-1-10‬استخدامات المتغيرات الوىمية في االنحدار‪.‬‬

‫‪319‬‬ ‫)‪ (2-10‬االنحدار في حالة أكثر مف متغير نوعي واحد ‪Regression in case of more than one dummy variable‬‬

‫‪319‬‬ ‫)‪(3-10‬التداخؿ بيف المتغيرات الوىمية ‪Interaction between dummies‬‬

‫‪320‬‬ ‫)‪ (4-10‬االنحدار في حالة عدد فئات المتغير الوىمي أكثر مف ٕ ‪Regression in case of dummies with more‬‬
‫‪than two categories‬‬

‫‪324‬‬ ‫)‪(5-10‬اختيار المعنوية في نماذج تحوي متغيرات وىمية"‪" Testing hypotheses of effects of Dummy‬‬

‫‪324‬‬ ‫)‪ (1-5-10‬اختيار معنوية آثار متغير وىمي منفرد )‪(Intercept Dummy‬‬

‫‪325‬‬ ‫)‪ (2-5-10‬اختيار المعنوية المشتركة ألثار عدد مف المتغيرات الوىمية‪Testing for the joint signficancy‬‬

‫‪326‬‬ ‫)‪(3-5-10‬اختيار تساوي معادلتي انحدار باستخداـ المتغيرات الوىمية ‪Testing for the equality of two regression .‬‬
‫‪using Dummy variable‬‬

‫‪328‬‬ ‫)‪ (6-10‬تفسير المتغيرات الوىمية في معادلة االنحدار لمصيغة نصؼ الموغارتيمية ‪Ineterpretation of the‬‬
‫‪dummyvariable in semi log regression‬‬

‫‪329‬‬ ‫‪Dummy variables and hetroscedastisity‬‬ ‫)‪(7-10‬المتغيرات الوىمية ومشكمة عدـ تجانس االخطاء‬

‫‪329‬‬ ‫)‪ (8-10‬المتغيرات الوىمية ومشكمة االرتباط الذاتي ‪Dummy variables and autocorrelation‬‬
‫‪336‬‬ ‫اختبار خطي االنحدار متطابقاف‬

‫‪342‬‬ ‫أسئمة الفصؿ العاشر‬

‫‪344‬‬ ‫المصادر‬
 ‫انفصم األول‬
‫طبيعة تحهيم االنحذار‬
‫(‪ )3-3‬األساس التاريخي لمصطلح االنحدار )‪Historical Origin of the Term (Regression‬‬
‫)*(‬
‫التػػي درس فييػا اسػػتق اررية‬ ‫تػـ تقػديـ االنحػػدار مػف قبػػؿ فرانسػيس كػػالتوف ) ‪ ( Galton 1886‬فػػي مقالتػو‬
‫توزيع األطواؿ في المجتمع وذلؾ باستخداـ عينة ألكثر مف ألؼ عائمػة‪ .‬وقػد أكػدت نتائجػو عمػى الػرغـ مػف‬
‫وجود ميؿ لجميع اآلباء طويمي القامة أف يحصموا عمى أطفاؿ طويمي القامة‪ ،‬واف اآلباء قصار القامػة ليػـ‬
‫ميػػؿ لمحصػػوؿ عمػػى أطفػػاؿ قصػػار القامػػة‪ .‬فػػاف متوسػػط طػػوؿ األطفػػاؿ المولػػوديف آلبػػاء مػػف طػػوؿ معػػيف‬
‫يتحرؾ باتجاه ) ينحدر( متوسط أطواؿ األطفاؿ في المجتمع ككؿ‪ .‬وقد اسػتخدـ كػالتوف مصػطمح االنحػدار‬
‫لئلشارة إلى اتجاه األطواؿ نحو المتوسط العاـ‪.‬‬
‫وقػد تػـ تثبيػت قػانوف كػالتوف مػف قبػؿ كػارؿ بيرسػف ) ‪ (1)( Karl Pearson 1903‬إذ جمػع أكثػر مػف ألػؼ‬
‫سجؿ بوصفيا مجاميع ألطواؿ اآلباء ‪ ،‬وتوصمت النتائج إلى أف متوسط الطوؿ لؤلبناء عند تحديد مجاميع‬
‫اآلباء طواؿ القامة‪ ،‬يكوف أقؿ مف أطواؿ آبائيـ ‪ .‬كما أف متوسط الطوؿ لؤلبناء عند تحديد مجاميع اآلبػاء‬
‫إف طوؿ األبناء‬
‫قصار القامة يكوف أطوؿ مف أطواؿ اآلباء‪ .‬وعميو تمت صياغة القانوف عمى وفؽ اآلتي‪ّ :‬‬
‫ينحدر اعتماداً عمى متوسط طوؿ اآلباء‪.‬‬

‫وقد توالت وتعددت استخدامات ىذا النوع مف التحميؿ وشممت مختمؼ جوانب الحياة‪.‬‬

‫(‪ )2-1‬المفهوم الحديث لالنحدار‪The modern interpretation of regression‬‬

‫يرتبط تحميؿ االنحدار بدراسة االعتمادية لمتغير معيف ) يسمى المتغير المعتمد (‪ ،‬عمى متغير ) أو‬
‫متغيرات أخرى ( تسمى )المتغيرات التوضيحية ( بيدؼ الحصوؿ عمى تقديرات ‪ ،‬والتنبؤ بمتوسط المجتمع‬
‫لممتغير المعتمد بداللة قيـ معمومة ) ثابتة ( لممتغير) أو المتغيرات ( التوضيحية بتكرار العينة‪.‬‬
‫وببساطة أف تحميؿ االنحدار ىو وسيمة إحصائية تستخدـ لتحميؿ البيانات التي تحتوي عمى متغيريف‬
‫ويعػػد تحميػػؿ االنحػػدار مػػف أكثػػر الط ارئػػؽ‬
‫فػػأكثر عنػػدما يكػػوف اليػػدؼ ىػػو اكتشػػاؼ طبيعػػة ىػػذه العبلقػػة‪ُ .‬‬
‫اإلحصائية استعماالً في مختمؼ العموـ ألنو يصؼ العبلقة بيف المتغيرات عمى ىيأة معادلة‪.‬‬
‫_______________________‬

‫‪* Frencis Galton , " Law of universal Regression ", 1886.‬‬

‫)‪(Sir Galton‬‬ ‫عالـ الوراثة البريطاني‬

‫‪(1) K. Pearson and A. Lee, " On the laws of Inheritance ", Biometrica, vol.2, Nov.1903, pp(357-462) .‬‬

‫‪1‬‬
 ‫(‪ )3-1‬أمثمة عممية لتوضيح مفهوم االنحدار ‪Examples‬‬

‫)ٔ( قػانوف كػالتوف ‪ Galton‬الػذي ييػتـ بد ارسػة الكيفيػة التػي تتغيػر بيػا أطػواؿ األبنػاء فػي المتوسػط مػع‬
‫توفر أطواؿ آبائيـ‪ .‬فممتنبؤ بمتوسط طوؿ األبناء مع معرفة طوؿ األب يستخدـ طوؿ األب بوصفو المتغير‬
‫التوضيحي ) المتغير المستقؿ ( في حيف يكوف طوؿ االبف ىو المتغير المعتمد‪.‬‬
‫وىناؾ أمثمة في كثير مف النواحي االقتصادية‪.‬‬

‫)ٕ( ومف األمثمة االقتصادية واإلدارية‪:‬‬

‫أ‪ .‬د ارس ػ ػػة اإلنف ػ ػػاؽ االس ػ ػػتيبلكي الشخص ػ ػػي واعتم ػ ػػاده عم ػ ػػى ال ػ ػػدخؿ المت ػ ػػاح الشخص ػ ػػي‪ .‬فيك ػ ػػوف اإلنف ػ ػػاؽ‬
‫االسػػتيبلكي الشخصػػي ىػػو المتغيػػر المعتمػػد واف الػػدخؿ المتػػاح الشخصػػي الحقيقػػي ىػػو المتغيػػر المسػػتقؿ‪.‬‬
‫وتفيد ىذه الدراسة في تحديد الميؿ الحدي لبلستيبلؾ ومتوسط التغيرات في اإلنفاؽ االستيبلكي عمػى وفػؽ‬
‫التغيرات في الدخؿ الحقيقي‪.‬‬
‫ب‪ .‬د ارسػػة ن ػػاتج محص ػػوؿ مع ػػيف واعتمػػاده عم ػػى درج ػػة الحػ ػ اررة‪ ،‬ومعػػدؿ األمط ػػار‪ ،‬وكمي ػػة ض ػػوء الش ػػمس‬
‫والسػػماد‪ ،‬وىػػذه العبلقػػة تمكػػف مػػف التنبػػؤ بمتوسػػط النػػاتج إذا ت ػوافرت معمومػػات عػػف المتغي ػرات التوضػػيحية‬
‫‪):‬درجة الح اررة‪ ،‬ومعدؿ سقوط األمطار‪ ،‬وكمية ضوء الشمس والسماد ‪(..‬‬
‫ج‪ .‬سعر سػمعة معينػة وتكػاليؼ النقػؿ ليػذه السػمعة‪ ،‬اذ يحػدد سػعر السػمعة متغيػ اًر معتمػداً عمػى تكػاليؼ نقػؿ‬
‫ىػػذه السػػمعة ال ػذي ُيعػػد متغي ػ اًر توضػػيحياً فػػيمكف تحديػػد التغي ػرات فػػي سػػعر السػػمعة مػػع التغي ػرات لمتوسػػط‬
‫تكاليؼ نقميا‪.‬‬
‫د‪ .‬مستوى األداء الوظيفي واعتماده عمى المؤىؿ األكاديمي أو سنوات الخبرة لدى الموظؼ‪،‬‬
‫كما تستخدـ في العموـ السموكية‪.‬‬

‫)ٖ( العبلقة بيف وزف الطفؿ وعمره‪ ،‬يمكف دراستيا عف طريؽ تحميؿ االنحدار‪ ،‬اذ يتحدد وزف الطفؿ بعمػره‬
‫فيكوف وزف الطفؿ ىو المتغير المعتمد‪ ،‬وعمر الطفؿ يكوف المتغير التوضيحي )المستقؿ(‪.‬‬

‫)ٗ( دراسة أثر سرعة السيارة في عدد الحوادث‪.‬‬

‫‪2‬‬
 ‫(‪ )4-1‬طبيعة العالقة بين المتغيرات ‪Nature of the relation between variables‬‬
‫يمكف تحديد طبيعة العبلقة بيف المتغيرات عمى وفؽ الصيغ التالية‪:‬‬
‫ٔ‪ -‬العبلقة المحددة ‪Deterministic‬‬
‫الظواىر الطبيعية )أ( مثؿ قانوف الجاذبية لنيوتف‪ .‬فاف كػؿ جسػيـ فػي األرض ينجػذب إلػى جسػيمات أخػرى‬
‫عمى وفؽ قانوف الجاذبية بقوة تتناسب طردياً مع حاصؿ ضرب كتمتييما وعكسياً مع مربع المسافة بينيما‪:‬‬
‫‪m1m2‬‬
‫‪F k‬‬
‫‪r2‬‬ ‫‪ : k‬معامؿ التناسب‪.‬‬
‫‪i = 1,2‬‬ ‫‪،‬‬ ‫‪ : mi‬كتمة الجسيـ ‪i‬‬
‫‪ : r‬المسافة بيف الجسيميف‪.‬‬
‫)ب( قانوف اوـ‪ :‬التيار الكيربائي يتناسب مع مقدار الفولتية‪.‬‬
‫)ج( قانوف بويؿ لمغازات‪.‬‬
‫)د( قانوف نيوتف لمحركة‪.‬‬

‫‪Semi deterministic‬‬ ‫ٕ‪ -‬العبلقة شبو المحددة‬

‫مثاؿ‪ :‬التكمفة الكمية تمثؿ التكمفة الثابتة يضاؼ إلييا التكمفة المتغيرة‪ ،‬واف التكمفة المتغيرة تحدد بعدد‬
‫وحدات اإلنتاج لذلؾ فاف التكمفة الكمية ليست صيغة محددة‪ ،‬فبلبد مف وجود جزء ثالث لمعالجة التوقؼ‬
‫العرضي إلف الكميات المنتجة تتأثر بفترة العطؿ وبتكاليؼ تصميح العطبلت العرضية فضبلً عف‬
‫التغيرات في نوعية المواد الخاـ‪.‬‬

‫‪Empirical relation‬‬ ‫ٖ‪ -‬العبلقة التجريبية‬

‫وتكوف ىذه العبلقة غير مسيطر عمييا بقانوف طبيعي او صيغة رياضية محددة‪.‬‬
‫مثاؿ‪ :‬محصوؿ إنتاج البرتقاؿ في تجربة زراعية معينة‪ ،‬فالعبلقة بيف المحصوؿ والسماد ال تتبع صيغة‬
‫رياضية دقيقة ألف ىناؾ عوامؿ عديدة غير السماد تؤثر في المحصوؿ منيا طبيعة التربة‪ ،‬ومستوى‬
‫الري‪ ،‬واآلفات الزراعية وغيرىا‪.‬‬

‫ونماذج تحميؿ االنحدار ترتبط بالعبلقات اإلحصائية وليست المحددة أو التامة‪ .‬وفي العبلقات اإلحصائية‬
‫يتـ التعامؿ مع المتغيرات العشوائية )‪ . Random (stochastic‬وىذا بدوره يجعؿ القيـ التنبؤية غير‬
‫تامة بسبب وجود الخطأ )‪ .(Error‬بمعنى أف المتغير المعتمد يتضمف تغيرات عشوائية ال يمكف تفسيرىا‬
‫بالكامؿ برغـ عدد المتغيرات التوضيحية المستخدمة‪.‬‬

‫‪3‬‬
 ‫(‪ )5-1‬االنحدار والسببية ) ‪( Regression vs. Causation‬‬
‫عمى الرغـ مف أف تحميؿ االنحدار يتعامؿ مع االعتمادية بيف أحػد المتغيػرات ومتغيػرات أخػرى تحػدد‬
‫)ٔ(‬
‫أف‬ ‫مشػػكمة معينػػة‪ ،‬إال أف ذلػػؾ ال يعنػػي بػػاإلطبلؽ اسػػتنتاج اتجػػاه السػػببية‪ .‬ولقػػد أكػػد كانػػداؿ وسػػتيوارت‬
‫العبلقات اإلحصائية ميما كانت قوية ال يمكنيا تحديد االرتبػاط ألسػببي الف فكػرة السػببية تػأتي مػف خػارج‬
‫اإلحصػاء وبشػكؿ أكيػد تعتمػد عمػػى نظريػات أخػرى‪ .‬فمػثبلً فػي د ارسػػة نػاتج محصػوؿ معػيف‪ ،‬ال يوجػد سػػبب‬
‫إحصائي الفتراض أف معدؿ األمطار ال يعتمد عمى ناتج المحصوؿ‪ .‬واختيارنا بجعؿ الناتج متغي اًر معتمػداً‬
‫اعتماداً عمى افتراضات غير إحصائية‪ .‬فالمنطؽ يقترح أف العبلقػة ال يمكػف أف تكػوف بالشػكؿ العكسػي‪ ،‬إذ‬
‫ال يمكف السيطرة عمى معدؿ األمطار مف خبلؿ التغيرات فػي النػاتج‪ ،‬وعميػو فػاف العبلقػات اإلحصػائية فػي‬
‫جميع أمثمة االنحدار ال يمكف أف تحدد السببية ‪ ،‬وال بد مف التركيز عمى الجوانب المسبقة والنظرية‪.‬‬

‫(‪ )6-1‬استخدامات تحميل االنحدار‪Uses of regression analysis.‬‬

‫يستخدـ تحميؿ االنحدار لعدة أغراض أىميا‪:‬‬
‫ٔ‪ -‬وصؼ البيانات‪.‬‬
‫‪ -2‬تقدير المعممات إلمكاف االستدالؿ عمى أىمية وقوة العبلقة بيف المتغيرات‪.‬‬
‫‪ -3‬التنبؤ مف خبلؿ تقدير االستجابة‪.‬‬
‫‪ -4‬السيطرة‪ ،‬إذ يمكف السيطرة عمى قيـ المتغير المعتمد وذلؾ بتغير قيـ المتغيرات التوضيحية‪.‬‬

‫(‪ )7-1‬أنواع االنحدار‪Types of regression‬‬

‫في فقرة سابقة تـ توضيح مفيوـ االنحدار بأنو وسيمة إحصائية لد ارسػة االعتماديػة بػيف متغيػر معػيف‬
‫يسػػمى المتغيػػر المعتمػػد وبػػيف متغيػػر آخػػر أو متغي ػرات أخػػرى تسػػمى المتغي ػرات التوضػػيحية‪ ،‬وعميػػو يمكػػف‬
‫تقسيـ االنحدار الى نوعيف ىما‪:‬‬
‫‪Simple regression‬‬ ‫أ‪ -‬االنحدار البسيط‬
‫ب‪ -‬االنحدار المتعدد ‪General model or Multiple regression‬‬

‫فاالنحدار البسيط يتضمف متغي اًر معتمداً يرمز لػو )‪ (Y‬ومتغيػ اًر مسػتقبلً واحػداً يرمػز لػو )‪ (X‬وتكػوف معادلػة‬

‫)‪Y  f (X , ‬‬ ‫االنحدار‪:‬‬

‫حيث أف ‪ β‬معممات غير معمومة وقد تكوف ) ‪ ( scalar‬أو تكوف بصيغة متجو ) ‪.( vector‬‬

‫___________________‬
‫‪(1) M.G.Kendall & A. Stuart, "The Advanced theory of statistics ", charles Griffin publishers, New York,‬‬
‫‪1961, vol.2, ch.2, p.279.‬‬

‫‪4‬‬
 ‫كما يمكف اف نكتب كاآلتي‪:‬‬
‫) ‪(Y X )  f ( X , ‬‬

‫اما في االنحدار المتعدد فيكوف المتغير المعتمد )‪ (Y‬موصوفاً بعدد مف المتغيرات المستقمة )التوضيحية‬
‫‪ . Xk,……,X2,X1‬وتكوف معادلة االنحدار‪:‬‬
‫) ‪Y  f ( X1 , X 2 ,....., X k , ‬‬

‫أو‬
‫) ‪Y  f (X j,  j‬‬
‫‪j  1,..........k‬‬

‫ومف أجؿ إجراء االنحدار البد مف تحديد شكؿ الصيغة الدالية ) ‪ ( f‬التي يمكف استخداميا‪ ،‬ومف أبرز‬
‫الصيغ الدالية ىي الصيغة الخطية التي تتمثؿ بخط مستقيـ‪ ،‬والصيغ غير الخطية وىي متعددة ومنيا‬
‫الصيغ متعددة الحدود ) التربيعية والتكعيبية‪ (....،‬والصيغ الموغاريتمية والكسرية‪ ،‬والموجستية‪ ،‬والمثمثية‪...‬‬
‫الخ‬
‫وفي دراستنا ىذه سيتـ التركيز عمى الصيغ الخطية في المقاـ األوؿ مع التطرؽ إلى بعض الصيغ‬
‫غير الخطية‪.‬‬

‫‪5‬‬
 ‫أسئمة الفصل األول‪:‬‬
‫سٔ‪ :‬عرؼ مفيوـ تحميؿ االنحدار وبيف أنواع االنحدار؟‬

‫سٕ‪ :‬ما أنواع العبلقات بيف المتغيرات ؟ وما نوع العبلقة في تحميؿ االنحدار؟‬

‫سٖ‪ :‬اذكر أىـ استخدامات تحميؿ االنحدار‪.‬‬

‫سٗ‪ :‬إعط أمثمة مف الواقع العممي عمى تحميؿ االنحدار حسب أنواعيا المختمفة ؟‬

‫س‪ :5‬صحح الخطأ إف وجد في ٍّ‬

‫كؿ مف العبارات التالية‪:‬‬
‫ٔ‪ -‬يقتصر تحميؿ االنحدار عمى وصؼ العبلقات شبو المحددة‪.‬‬
‫تغيرات عشوائية والتي تـ تفسيرىا بالكامؿ بإدخاؿ ٍ‬
‫عدد مف المتغيرات‬ ‫إف المتغير المعتمد يتضمف ُّ‬
‫ٕ‪ّ -‬‬
‫التوضيحية المستخدمة‪.‬‬
‫إف إجراء االنحدار يتطمب صيغ دالية خطية‪.‬‬ ‫ٖ‪ّ -‬‬
‫ٗ‪ -‬العبلقات التجريبية ىي العبلقات التي تتـ السيطرة عمييا بقانوف طبيعي‪.‬‬
‫٘‪ -‬قانوف كالتوف ىو عبلقة انحدار لدراسة أثر أطواؿ اآلباء في أطواؿ األبناء باعتماد أطواؿ اآلباء‬
‫كمتغير معتمد‪.‬‬
‫إف العبلقات اإلحصائية تحدد االرتباط السببي‪.‬‬
‫‪ّ -ٙ‬‬

‫‪6‬‬
 ‫انفصم انثبني‬
‫االنحذار انخطي انبسيط‪Simple linear regression‬‬

‫(‪ )1-2‬مفهوم االنحدار الخطي البسيط ‪The concept of simple linear regression.‬‬
‫نعني باالنحدار البسيط أف يكوف المتغير المعتمد )‪ (Y‬دالة بداللة المعممات ‪ β‬ومتغي اًر توضيحياً واحداً‬
‫ىو المتغير المستقؿ )‪ (X‬فقط‪.‬‬
‫وتكوف الصيغة الدالية خطية بداللة المعممات وليس بالضرورة خطية بداللة المتغير المستقؿ )‪ ،(X‬وبذلؾ‬
‫تكوف صيغة معادلة االنحدار الخطي البسيط عمى وفؽ اآلتي‪:‬‬

‫‪(Y X )  0  1 X‬‬ ‫…)‪(1-2‬‬

‫‪ 1 ,  0‬معممات ثابتة غير معمومة يمكف الحصوؿ عمييا بعد إجراء عممية االنحدار‪ ،‬وتسمى )‪(β0‬‬
‫المقطع الصادي أو الحد الثابت )‪ ،(Intercept‬وتمثؿ أيضا متوسط االستجابة عندما ‪ X‬تساوي صف اًر‪.‬‬
‫في حيف )‪ (β1‬تمثؿ معممة الميؿ )‪.( Slope coefficient‬‬
‫واف ) ‪ ((Y X‬تشير إلى المتوسط الشرطي لممتغير ‪. Y‬‬
‫والمعادلة )‪ ( 1-2‬يطمؽ عمييا " دالة االنحدار الخطي لممجتمع "‪.‬‬
‫وخدمة لميدؼ الرئيس لتحميؿ االنحدار وىو " تقدير معممات العبلقة وتحقيؽ االستدالؿ حوؿ نتائج‬
‫التقدير" يتـ سحب عينة مف المجتمع لكؿ مف المتغيريف المعتمد )‪ (Y‬والمستقؿ )‪ (X‬ونفترض أف حجـ‬
‫العينة )‪ ( n‬وبذلؾ فاف معادلة االنحدار ىي‪:‬‬
‫‪(Y X i )  0  1 X i‬‬

‫وذلؾ يشير إلى قيـ ‪ Y‬المشروطة لممشاىدة ‪ Xi‬ستتمحور حوؿ المتوسط لقيـ )‪ (Yi‬ولجميع العينات‬
‫المسحوبة عند قيمة ‪ .Xi‬وعميو يمكف حساب االنحراؼ لمقيـ المنفردة )‪ (Yi‬حوؿ قيميا المتوقعة وكاالتي‪:‬‬

‫) ‪ui  Yi  (Y X i‬‬ ‫أو‬

‫‪Yi  (Y X i )  ui‬‬ ‫‪‬‬ ‫)‪(2 - 2‬‬

‫‪ : ui‬تمثؿ متغي اًر عشوائياً غير مشاىد تأخذ قيماً موجبة او سالبة ويسمى أيضاً حد الخطأ العشوائي‪).‬‬
‫‪ (Stochastic error term‬ويرمز لو أيضاً )‪ (ei‬في بعض الكتب أو الدراسات‪.‬‬
‫والعبلقة )‪ ( 2-2‬تتكوف مف جزأيف‪.‬‬
‫األوؿ‪ (Y X i ) :‬والذي يدؿ عمى متوسط )‪ (Y‬الشرطي لجميع المشاىدات عند المستوى المحدد نفسو لػ‬
‫)‪ .(X‬وتسمى ىذه المركبة الجزء المحدد )‪. (deterministic‬‬

‫‪7‬‬
 ‫أما الثاني‪ ui :‬فيو الجزء العشوائي أو االحتمالي وىي متغيرات تساعد عمى فيـ التحميؿ مف جانب‪ ،‬ومف‬
‫جانب آخر تشكؿ األساس لقياس دقة التقديرات وتعد بديبلً لجميع المتغيرات المحذوفة او الميممة التي قد‬
‫تؤثر في سموؾ المتغير المعتمد ‪ Y‬والتي ال يمكف تضمينيا في معادلة االنحدار‪.‬‬
‫وبشكؿ عاـ فاف معادلة االنحدار الخطي البسيط تكتب عمى وفؽ اآلتي‪:‬‬
‫‪Yi  0  1i  ui‬‬ ‫‪...‬‬ ‫)‪(3 - 2‬‬
‫‪i = 1,2, . . . ,n‬‬

‫(‪ )2-2‬تفسير معممات النموذج ‪The meaning of the parameters‬‬

‫)‪ : (β0‬متوسط االستجابة عندما ‪X = 0‬‬

‫)‪ : (β1‬تشير إلى مقدار التغير في ‪ Y‬عندما ‪ Xi‬تتغير بمقدار وحدة واحدة‪ ،‬وىي تمثؿ ميؿ‬
‫الخط المستقيـ واف إشارتيا تدؿ عمى اتجاه العبلقة بيف المتغيريف ‪.X , Y‬‬
‫‪dY‬‬
‫‪1 ‬‬
‫‪dX‬‬
‫واعتماداً عمى المعادلة )‪ (3-2‬فاف النموذج الخطي ألزواج المشاىدات يكتب كاآلتي‬

‫‪Y1   0  11  u1 ‬‬

‫‪Y2   0  1 2  u2 ‬‬
‫‪‬‬
‫‪‬‬ ‫‪...‬‬ ‫)‪(4 - 2‬‬
‫‪‬‬ ‫‪‬‬
‫‪Yn   0  1 n  un ‬‬
‫‪‬‬
‫كما يمكف تمثيؿ المعادالت بالصيغة المصفوفية‪:‬‬
‫‪ Y1  1 1 ‬‬ ‫‪ u1 ‬‬
‫‪  ‬‬ ‫‪‬‬ ‫‪ ‬‬
‫‪ Y2  1  2 ‬‬ ‫‪ u2 ‬‬
‫‪.  . . ‬‬ ‫‪ 0  . ‬‬
‫‪ ‬‬ ‫‪‬‬ ‫‪    ‬‬ ‫‪...‬‬ ‫‪    ‬‬
‫‪.  . . ‬‬ ‫‪ 1   . ‬‬
‫‪  ‬‬ ‫‪‬‬ ‫‪ ‬‬
‫‪.‬‬
‫‪  ‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪‬‬ ‫‪. ‬‬
‫‪ Y  1  ‬‬ ‫‪u ‬‬
‫‪ n ‬‬ ‫‪n‬‬ ‫‪ n‬‬

‫‪Y    u‬‬ ‫‪. . .‬‬ ‫)‪(6 - 2‬‬ ‫أو‪:‬‬

‫‪8‬‬
 ‫‪ =Y‬متجو لمشاىدات المتغير المعتمد بترتيب ‪.‬‬
‫‪ = X‬مصفوفة بترتيب )‪ (n × 2‬أعمدتيا تمثؿ مشاىدات المتغير الوىمي الذي يعكس وجود المقطع‬
‫الصادي وكذلؾ مشاىدات المتغير التوضيحي ‪. X‬‬
‫‪ = u‬متجو عمودي لمشاىدات المتغير العشوائي غير المشاىد‪.‬‬

‫(‪ )3-2‬بناء نموذج انحدار خطي بسيط ‪Construct simple linear model‬‬
‫لبناء نموذج انحدار خطي بسيط يتطمب إتباع الخطوات التالية‪:‬‬
‫ٔ‪ -‬تحديد المشكمة التي تتطمب دراستيا‪ ،‬وباعتماد األسس النظرية والمنطقية يحدد المتغير المعتمد )‪(Y‬‬
‫وكذلؾ المتغير المستقؿ )‪.(X‬‬
‫ٕ‪ -‬جمع البيانات المطموبة بحجـ مناسب لحجـ المجتمع الذي يمثؿ المشكمة‪.‬‬
‫ٖ‪ -‬ترتيب البيانات عمى شكؿ أزواج مرتبة في جدوؿ‪.‬‬
‫ٗ‪ -‬التمثيؿ البياني لمبيانات مف خبلؿ جعؿ المحور العمودي مخصصاً لقيـ ‪ Y‬والمحور األفقي يمثؿ قيـ‬
‫‪ X‬لمحصوؿ عمى رسـ االنتشار ‪. scatter diagram‬‬
‫٘‪ -‬مف خبلؿ رسـ االنتشار تُحدد الصيغة الدالية المناسبة التي تكوف خطية بداللة المعممات‪.‬‬
‫‪ -ٙ‬استخداـ الطرائؽ اإلحصائية المناسبة لتقدير معممات النموذج‪.‬‬
‫‪ -ٚ‬االستدالؿ حوؿ صحة النتائج التقديرية‪.‬‬
‫‪ -ٛ‬استخداـ النتائج بعد التأكد مف صحتيا أو تعديميا قبؿ استخداميا إلغراض‪:‬‬
‫) اتخاذ الق اررات او السيطرة او التنبؤ (‪.‬‬

‫أف الباحث يزمع دراسة إنتاج محصوؿ البطاطا بداللة المساحة المزروعة مف‬
‫مثاؿ )‪ : (1-2‬نفترض ّ‬
‫ذلؾ المحصوؿ‪.‬‬
‫ٔ‪ -‬المشكمة ىي تحديد كمية اإلنتاج مف محصوؿ البطاطا )‪ (Y‬واعتماد المساحة المزروعة مف‬
‫المحصوؿ متغي اًر توضيحياً )‪.(X‬‬
‫ٕ‪ -‬جمع بيانات عف مزارع مختمفة لكؿ مف المتغيريف ‪ Y‬و ‪ X‬بما يتبلءـ مع حجـ المجتمع‬
‫المدروس‪ ،‬نفترض اختيار ٓٔ مزارع عشوائياً‪.‬‬
‫ٖ‪ -‬ترتيب البيانات في جدوؿ )‪(1-2‬‬

‫‪9‬‬
 ‫جدوؿ )‪(1-2‬‬
‫المزرعة‬ ‫ألؼ كغـ)‪(Y‬‬ ‫ىكتار)‪(X‬‬
‫‪1‬‬ ‫ٓٗٔ‬ ‫ٓ٘‬
‫ٕ‬ ‫ٓٓ٘‬ ‫ٕٓٓ‬
‫ٖ‬ ‫ٓٓٗ‬ ‫ٓٔٔ‬
‫ٗ‬ ‫ٖٓٓ‬ ‫ٓ‪ٛ‬‬
‫٘‬ ‫‪ٖ٘ٙ‬‬ ‫ٕٓٔ‬
‫‪ٙ‬‬ ‫٘‪ٕٗٓ.‬‬ ‫٘‪ٚٗ.‬‬
‫‪ٚ‬‬ ‫‪ٕٓٓ.ٙ‬‬ ‫‪ٛٛ.ٜ‬‬
‫‪ٛ‬‬ ‫٘‪ٖٖ.‬‬ ‫‪٘.ٚ‬‬
‫‪ٜ‬‬ ‫‪ٜٙ.ٛ‬‬ ‫ٔٔ‬
‫ٓٔ‬ ‫‪ٔٛ.ٚ‬‬ ‫ٕ‪ٖ.‬‬
‫‪‬‬ ‫‪743.32259.1‬‬

‫ٗ‪ -‬التمثيؿ البياني لمبيانات‬

‫نقسـ المحور العمودي بشكؿ يتناسب مع قيـ المتغير ‪Y‬‬
‫نقسـ المحور األفقي بشكؿ يتناسب مع قيـ المتغير‪X‬‬

‫شكل )‪(1-2‬‬
‫رسم االنتشار‬
‫‪Y‬‬

‫‪X‬‬

‫‪11‬‬
 ‫٘‪ -‬يتضح مف رسـ االنتشار أف الصيغة الخطية مبلئمة فيمكف استخداميا‪.‬‬
‫‪Yi   0  1i  ui‬‬ ‫أي أف صيغة نموذج االنحدار المزمع استخدامو ىو‪:‬‬
‫‪i = 1,2, . . . ,10‬‬

‫‪ -ٙ‬لتقدير المعممات ىناؾ طرائؽ إحصائية متعددة أىميا‪ :‬المربعات الصغرى االعتيادية وطريقة‬
‫اإلمكاف األعظـ التي سيتـ توضيحيا في الفقرات التالية‪.‬‬

‫)‪(4-2‬تقدير دالة االنحدار الخطي البسيط‪Estimating linear regression function .‬‬

‫كما نوىنا سابقاً أف ىدؼ تحميؿ االنحدار التركيز عمى تقدير دالة االنحدار لممجتمع باالعتماد عمى عينة‬
‫مختارة تمثؿ ذلؾ المجتمع‪ ،‬ويزخر التراث اإلحصائي بطرائؽ متعددة ليذا الغرض غير أف أكثر ىذه‬
‫الطرائؽ استخداماً ىي طريقة المربعات الصغرى االعتيادية )‪ ،(OLS‬وسيتـ في ىذه الفقرة مناقشة ىذه‬
‫الطريقة‪.‬‬

‫تقدير معممات االنحدار الخطي البسيط بطريقة المربعات الصغرى االعتيادية‪.‬‬

‫)‪(1-4-2‬طريقة المربعات الصغرى االعتيادية‪Ordinary least square( OLS) Method‬‬

‫يرمز ليا اختصا اًر )‪ (OLS‬وىي أكثر الطرائؽ استخداماً في تقدير المعممات‪ .‬وتستند ىذه الطريقة‬
‫فيي تسعى إليجاد المعممات التي تجعؿ مجموع مربعات‬ ‫((‬ ‫تصغير مجموع مربعات األخطاء‬ ‫))‬ ‫الى مبدأ‬
‫الخطأ أقؿ ما يمكف‪.‬‬
‫بعبارة أخرى أف المعيار الػذي تسػتند اليػو ىػذه الطريقػة ىػو تأكيػد أف الخػط الػذي يػتـ تقػديره لمبيانػات يتمثػؿ‬
‫بوجػػوب أف تكػػوف مجمػػوع مربعػػات المسػػافة العموديػػة ألي نقط ػة مػػف البيانػػات عػػف ذلػػؾ الخػػط أصػػغر مػػا‬
‫يمكف‪.‬‬
‫ويتـ تربيع المسافة لمنع حذؼ المسافة الكبيرة الموجبة مع المسافات الكبيرة السالبة‪.‬‬
‫وىذا المعيار فعاؿ جدا‪ ،‬وبذلؾ يكوف الخط المستقيـ المقدر ىو ذلؾ الخط الذي يمر عبر متوسط البيانات‬
‫) أي يتوسط البيانات لمعينة (‪ .‬واف المقطع والميؿ الصادي المقدر لذلؾ المستقيـ ىما ‪. ˆ0 , ˆ1‬‬

‫‪Yˆ i  ˆ 0  ˆ 1 X i‬‬ ‫ويكوف الخط المستقيـ المقدر‪:‬‬

‫واف المسافات العمودية مف أي نقطة مف نقاط العينة إلى المستقيـ المقدر ىي بواقي المربعات الصغرى‬
‫‪uˆi  Yi  Yˆi‬‬ ‫ويرمز ليا‪:‬‬
‫أو‪:‬‬
‫‪ei  Yi  ˆ0  ˆ1 X i‬‬

‫‪11‬‬
 ‫والبواقي موضحة في الشكؿ )ٕ‪(ٕ-‬‬

‫شكل (‪)2-2‬‬

‫‪* Y4‬‬

‫‪Y‬‬ ‫‪*Y3‬‬ ‫‪ê4‬‬ ‫‪Yˆi  ˆ0  ˆ1 X i‬‬

‫‪ê3‬‬ ‫*‬
‫‪Yˆ4‬‬
‫‪Yˆ3‬‬
‫*‬

‫‪Yˆ2‬‬
‫‪Yˆ1‬‬
‫*‬

‫‪ê1‬‬ ‫‪ê 2‬‬

‫‪Y1‬‬ ‫*‬ ‫‪* Y2‬‬

‫‪X1‬‬ ‫‪X2‬‬ ‫‪X3‬‬ ‫‪X4‬‬ ‫‪X‬‬

‫‪n‬‬

‫‪SS ‬‬ ‫‪e‬‬

‫‪i 1‬‬
‫‪2‬‬
‫‪i‬‬ ‫ويرمز لمجموع مربعات البواقي‬

‫‪‬‬ ‫‪‬‬
‫‪n‬‬ ‫‪2‬‬

‫‪S ( ˆ0 , ˆ1 )   Yi  ˆ0  ˆ1 X i‬‬

‫‪i 1‬‬

‫والتي تمثؿ دالة اليدؼ التي تسعى الطريقة إلى تصغيرىا‪ .‬وىي دالة بداللة المعممات ‪. ˆ 1 , ˆ0‬‬

‫وعميو فاف التفاضؿ الجزئي ليذه الدالة بداللة ‪ ˆ 1 , ˆ0‬عمى التوالي يساوي صف اًر يمثؿ الشرط‬
‫الضروري*)‪.(necessary condition‬‬
‫‪S‬‬
‫‪0‬‬
‫ˆ‬
‫‪‬‬
‫‪‬‬ ‫‪‬‬
‫‪n‬‬
‫‪ 2 Yi  ˆ0  ˆ1 X i‬‬ ‫‪. . .‬‬ ‫)‪(6 - 2‬‬
‫‪i 1‬‬
‫________________‬
‫)*( أما الشرط الكافي )‪ (Sufficient condition‬وىو شرط التحقيؽ مف صحة القيـ الحرجة في تحقيؽ تصغير الدالة فيكوف‬
‫‪ S‬‬ ‫‪2‬‬
‫باستخداـ المشتقات الجزئية الثانية التي يمكف وضعيا في مصفوفة تسمى مصفوفة ىيسيف ‪Hessian‬‬
‫)‪( 2‬‬
‫‪ i‬‬

‫‪12‬‬
 ‫‪S‬‬
‫‪0‬‬
‫‪ˆ1‬‬

‫‪‬‬ ‫‪X‬‬
‫‪n‬‬
‫‪ 2 Yi  ˆ0  ˆ1 X i‬‬ ‫‪i‬‬ ‫‪. . .‬‬ ‫)‪(7 - 2‬‬
‫‪i 1‬‬

‫وبإعادة ترتيب المعادلتيف كاآلتي‪:‬‬

‫‪n ˆ 0  ˆ 1 X i  Yi‬‬ ‫‪.. .‬‬ ‫)‪(8 - 2‬‬

‫‪ˆ 0 X i  ˆ 1 X i2  X i Yi‬‬ ‫‪.. .‬‬ ‫)‪(9 - 2‬‬

‫وتسمى المعادلتاف)‪ (8-2‬و )‪ (9-2‬بالمعادالت الطبيعية ) ‪ ( Normal Equations‬وبحؿ المعادلتيف‬

‫نحصؿ عمى قيـ ‪ ˆ1 , ˆ0‬المطموبة في معادلة االنحدار‬

‫ويمكف إيجاد الحؿ أما باستخداـ طريقة الحذؼ والتعويض‪ .‬نضرب المعادلة )‪ (8-2‬بػ ) ‪(X i‬‬
‫والمعادلة )‪ (9-2‬بػ )‪ (n‬ثـ نطرح المعادلة )‪ (9-2‬مف )‪ (8-2‬ثـ ترتيب الحؿ لمحصوؿ عمى‪:‬‬
‫‪nX iYi  X i Yi‬‬
‫‪ˆ 1 ‬‬ ‫‪...‬‬ ‫)‪(10 - 2‬‬
‫‪nX i2  (X i ) 2‬‬

‫‪ˆ 0  Y  ˆ1 X‬‬ ‫‪...‬‬ ‫)‪(11 - 2‬‬

‫حيث أف‪:‬‬
‫‪X i‬‬ ‫‪Yi‬‬
‫‪X ‬‬ ‫‪, Y ‬‬
‫‪n‬‬ ‫‪n‬‬
‫والمعادالت )‪ (10-2‬و )‪ (11-2‬تمثؿ قانوف إيجاد المعممات ‪ ˆ1 , ˆ0‬عمى وفؽ طريقة المربعات‬
‫الصغرى بشكؿ عاـ وألي عينة مختارة‪.‬‬
‫كما يمكف الحصوؿ عمى الحؿ بالصيغة المصفوفية‪ ،‬اذ تتـ كتابة المعادالت الطبيعية بالصيغة‬
‫المصفوفية‪:‬‬
‫‪‬‬ ‫‪‬‬
‫‪‬‬‫ˆ‬
‫‪n‬‬ ‫‪X i   0 ‬‬ ‫‪Yi‬‬ ‫‪‬‬
‫‪X‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪X Y ‬‬ ‫‪. . .‬‬ ‫)‪(12 - 2‬‬
‫‪‬‬ ‫‪i‬‬ ‫‪X i2   ˆ ‬‬ ‫‪‬‬ ‫‪i i‬‬
‫‪‬‬
‫‪‬‬
‫‪1‬‬
‫‪‬‬
‫‪‬‬

‫‪X Xˆ  X Y‬‬ ‫‪  ‬‬ ‫أو‪:‬‬

‫‪13‬‬
 :‫أف‬
ّ ‫حيث‬
Y1  1 X 1   ˆ 
Y  1 X   0 
Y( n1)   2 , X ( n2 )  2
, ˆ ( 21)  
      ˆ 
     1 
Yn  1 X n
 

:‫فأف‬
ّ ‫لذا‬
n X i  Yi 
X X   
2
, 
XY  
X i X i  X iYi 

: ( X X ) ‫( بمعكوس‬12-2)' ‫ نضرب طرفي المعادلة‬.‫وبحؿ المعادالت الطبيعية بالصيغة المصفوفية‬

 X i2  X i 
 nS XX 
nS
( X X ) 1   XX 
  X i n 

 nS XX nS XX 

̂  ( X X )1 X Y :‫فنحصؿ عمى‬

:‫وبعد التبسيط‬
   
 ˆ0  Y  ˆ 1 X 
  
 ˆ   S xy 
 1   S 
   xx
:‫حيث أف‬
(X i ) 2
S xx  X  i
2
.*‫ عف انحرافاتيا‬X ‫تمثؿ مجموع مربعات قيـ‬
n

________________
S xy ‫و‬ S xx ٍّ ‫* ىناؾ صيغ متعددة لكتابة‬
‫كؿ مف‬

(X i ) 2
S xy  ( X i  X )(Yi  Y )  Yi ( X i  X ) , S xx  ( X i  X ) 2  X i2 
n
2
 X i (Yi  Y )  X iYi  nXY  X i  nX
2

14
 ‫) ‪(X i )(Yi‬‬
‫‪S xy  X i Yi ‬‬ ‫و‬
‫‪n‬‬
‫تمثؿ مجموع حاصؿ ضرب انحرافات كؿ مف ‪. Y ، X‬‬

‫‪ˆ 0  Y  ˆ1 X‬‬ ‫أي َّ‬

‫أف‬

‫ˆ‬ ‫‪S xy‬‬ ‫‪nX iYi  X i Yi‬‬

‫‪1 ‬‬ ‫‪‬‬
‫‪S xx‬‬ ‫‪nX i2  (X i ) 2‬‬

‫وىي المعادالت نفسيا التي تـ الحصوؿ عمييا في المعادلتيف )‪ (10-2‬و )‪.(11-2‬‬

‫ويمكف الحصوؿ عمى النتيجة نفسيا باستخداـ الحؿ بطريقة المحددات أو ما يسمى طريقة كريمر‪.‬‬

‫جدوؿ )‪(2-2‬‬
‫جدوؿ حسابات المجاميع‬
‫المشاىدات‬ ‫‪Y‬‬ ‫‪X‬‬ ‫‪X2‬‬ ‫‪XY‬‬
‫‪1‬‬ ‫ٓٗٔ‬ ‫ٓ٘‬ ‫‪2500‬‬ ‫‪7000‬‬

‫ٕ‬ ‫ٓٓ٘‬ ‫ٕٓٓ‬ ‫‪40000‬‬ ‫‪100000‬‬

‫ٖ‬ ‫ٓٓٗ‬ ‫ٓٔٔ‬ ‫‪12100‬‬ ‫‪44000‬‬

‫ٗ‬ ‫ٖٓٓ‬ ‫ٓ‪ٛ‬‬ ‫‪6400‬‬ ‫‪24000‬‬

‫٘‬ ‫‪ٖ٘ٙ‬‬ ‫ٕٓٔ‬ ‫‪14400‬‬ ‫‪42720‬‬

‫‪ٙ‬‬ ‫٘‪ٕٗٓ.‬‬ ‫٘‪ٚٗ.‬‬ ‫‪5550.25‬‬ ‫‪17917.25‬‬

‫‪ٚ‬‬ ‫‪ٕٓٓ.ٙ‬‬ ‫‪ٛٛ.ٜ‬‬ ‫‪7903.21‬‬ ‫‪17833.34‬‬

‫‪ٛ‬‬ ‫٘‪ٖٖ.‬‬ ‫‪٘.ٚ‬‬ ‫‪32.49‬‬ ‫‪190.95‬‬

‫‪ٜ‬‬ ‫‪ٜٙ.ٛ‬‬ ‫ٔٔ‬ ‫‪121‬‬ ‫‪767.8‬‬

‫ٓٔ‬ ‫‪ٔٛ.ٚ‬‬ ‫ٕ‪ٖ.‬‬ ‫‪10.24‬‬ ‫‪59.84‬‬

‫‪‬‬ ‫‪2259.1‬‬ ‫‪743.3 89017.19 254489.18‬‬

‫‪15‬‬
 ‫وبالرجوع إلى المثاؿ باستخداـ المربعات الصغرى االعتيادية فاف جدوؿ حسابات المجاميع جدوؿ )‪(2-2‬‬
‫يساعد في تشكيؿ المعادالت الطبيعية بصيغة المصفوفات‪:‬‬

‫‪10‬‬ ‫‪743.3 ‬‬ ‫‪ ˆ   2259.1‬‬ ‫‪‬‬

‫‪‬‬ ‫‪‬‬ ‫‪ 0  ‬‬ ‫‪‬‬
‫‪‬‬ ‫‪‬‬ ‫‪ ‬‬ ‫‪‬‬
‫‪ 743.3 89017.19 ‬‬ ‫‪ˆ  ‬‬
‫‪‬‬ ‫‪‬‬ ‫‪ 1   254489.18 ‬‬
‫‪ ‬‬

‫‪Yˆi  35.35  2.564 X i‬‬ ‫واف معادلة االنحدار المقدرة ىي‪:‬‬

‫المعممات‪:‬‬
‫تفسير ْ‬
‫زيادة المساحة المزروعة بمقدار ىكتار واحد سوؼ يساعد عمى زيادة اإلنتاج بمقدار )‪( 2.564‬‬
‫الؼ كغـ‪ .‬واف العبلقة بيف المساحة المزروعة وبيف اإلنتاج عبلقة طردية‪.‬‬

‫(‪) 2-4-2‬فروض التحميل ‪Assumption underlying the analysis‬‬

‫أف اليدؼ مف تحميؿ االنحدار ىو تقدير معممات النموذج ثـ االستدالؿ حوؿ قيـ المعممات‬
‫قريبة مف‬ ‫الحقيقية‪ .‬إذ يمتد عمؿ تحميؿ االنحدار لمعرفة كـ تكوف قيـ المعممات المقدرة ‪ˆ1 , ˆ0‬‬
‫اقياميا في المجتمع أو يسعى التحميؿ لتحديد مدى قرب قيـ ‪ Y‬المقدرة ) ˆ‪ (Y‬لمتوسط االستجابة الحقيقي‬
‫) ‪ . (Y X i‬وعميو فاف تحميؿ االنحدار ال يكتفي بتحديد الصيغة لبلنحدار كما في العبلقة )ٕ‪-‬‬
‫ٕ( ولكف البد مف عمؿ فرضيات محددة حوؿ الطبيعة التي تتولد فييا فيـ ‪ .Yi‬اذ يتضح مف العبلقة )ٕ‪-‬‬
‫ٕ( باف ‪ Yi‬تعتمد عمى قيـ )‪ (Xi‬وكذلؾ )‪ ، (ui‬ولذا البد مف التأكيد حوؿ كيفية توليد قيـ ‪ Xi‬و ‪، ui‬‬
‫ومف ىنا فاف الفرضيات الخاصة بمشاىدات المتغير ‪ X‬وكذلؾ قيـ األخطاء تكوف غاية في األىمية‬
‫إلعطاء التفسير المناسب لمعممات االنحدار‪ .‬وسيتـ في ىذه الفقرة التركيز عمى الفرضيات األساسية‬
‫الخاصة بنموذج االنحدار التقميدي )‪( classical linear regression model) (CLRM‬‬

‫الفرضية ‪:1‬‬
‫نموذج االنحدار يكوف خطياً بداللة المعممات وكما في العبلقة )‪:( 3-2‬‬
‫‪Yi  0  1i  ui‬‬ ‫‪...‬‬ ‫)‪(3 - 2‬‬
‫والبد مف التأكيد اف العبلقة )‪ (3-2‬ربما تكوف غير خطية بداللة المتغير المستقؿ ‪ X‬أو المتغير المعتمد ‪Y‬‬
‫‪ ،‬فالعبلقات‪:‬‬
‫‪(1) Yi  0  1i2  ui‬‬
‫‪(2) Yi  0  1 i  ui‬‬ ‫و‬

‫‪16‬‬
 ‫‪1‬‬
‫)‪(3‬‬ ‫‪  0  1 X i  u i‬‬
‫‪Yi‬‬
‫‪(4) log Yi   0  1 log i  ui‬‬

‫جميعيا خطية بداللة المعممات‪ ،‬عمى الرغـ مف كونيا غير خطية بداللة المتغيرات ‪ Y‬أو ‪ X‬او كبلىما‪.‬‬
‫‪Y  0   1 X i  ui‬‬ ‫غير اف العبلقة‪:‬‬
‫ىي عبلقة غير خطية بداللة المعممة ‪ 1‬وعميو فبل تحقؽ الفرض ٔ‪.‬‬
‫الفرض ‪: 2‬‬
‫قيـ المتغير‪ X‬ثابتة في العينات المتكررة وبعبارة أخرى اف المتغير ‪ X‬يفترض اف يكوف‬
‫غير عشوائي‪.‬‬
‫ففي مثاؿ قانوف كالتوف لمتنبؤ عف متوسط الطوؿ لؤلبناء مع معرفة طوؿ اآلباء والذي يتـ توضيحو في‬
‫رسـ االنتشار الشكؿ)‪(3-2‬‬

‫الشكل )‪(3-2‬‬
‫طول األبناء (انج)‬
‫‪Y‬‬
‫‪75‬‬

‫‪07‬‬

‫‪65‬‬
‫طول اآلباء(انج)‬
‫‪67‬‬
‫‪67‬‬ ‫‪65‬‬ ‫‪07‬‬ ‫‪05‬‬ ‫‪X‬‬

‫عند طوؿ معيف لآلباء )‪ (Xi‬مثبلً )‪ 70‬انج( يتـ سحب عائمة عشوائياً ويتـ النظر بطوؿ األبناء ‪ Y‬مثبلً‬
‫)٘‪ ٙ‬انج(‪ ،‬وتسحب عائمة أخرى عشوائياً وينظر بطوؿ األبناء ‪ Y‬مثبلً )ٕ‪ ٚ‬انج(‪ .‬ففي أي مف السحبات‬
‫) عينات متكررة( فاف قيـ ‪ X‬تبقى ثابتة عند )ٓ‪ ٚ‬انج(‪ .‬ويمكف اعادة ىذه العممية لجميع قيـ ‪ X‬المحددة‬
‫لممجتمع الذي تـ دراستو‪.‬‬
‫وىذا يعني تحميؿ االنحدار ىو تحميؿ انحدار شرطي لقيـ محددة مف المتغير)‪. (Xi‬‬

‫الفرض ‪: 3‬‬
‫المتغير العشوائي ‪ u‬لو متوسط صفري عند قيـ محدودة لػ ‪. X‬‬
‫‪(ui X i )  0‬‬

‫‪17‬‬
 ‫الشكؿ )‪ (3-2‬يوضح‪ ،‬عند قيـ معمومة مف‪ Xi‬فاف ‪ui‬بعضيا فوؽ الخط المقدر وبعضيا اآلخر تحت‬
‫الخط المقدر وبذلؾ في المتوسط تكوف انحرافات ‪ ui‬عف الخط المقدر عند قيمة معينة مف ‪ X‬يجب اف‬
‫تساوي صف اًر‪.‬‬
‫والبد مف التأكيد باف تحقؽ ىذه الفرضية يعني اف العبلقة )ٕ‪ (ٕ-‬متحققة‪.‬‬
‫‪(Yi X i )  0  1 X i‬‬ ‫أي ‪:‬‬

‫الفرض ‪: 4‬‬
‫تجانس تبايف المتغير العشوائي ) ‪ ui( Homoscedasticity‬عند قيـ محددة لػ ‪ ، X‬تبايف‬
‫المتغير العشوائي ‪ ui‬يكوف متساوياً لجميع المشاىدات‪.‬‬
‫أي‪:‬‬
‫) ‪var(ui X i )  (ui  (ui ) X i‬‬ ‫‪2‬‬

‫‪ (ui‬‬
‫‪2‬‬
‫) ‪Xi‬‬
‫‪ 2‬‬ ‫‪‬‬ ‫‪i  1,2,, n‬‬
‫وعمى النقيض مف ىذه الفرضية فاف التبايف الشرطي لػ ‪ Y‬يتغير مع ‪ ، X‬وتسمى ىذه الحالة عدـ التجانس‬
‫‪. Hetroscedasticity‬‬
‫‪var(ui X i )   i2‬‬ ‫وبالرموز‪:‬‬
‫ويمكف توضيح الحالتيف بالشكميف )‪ (4-2‬و )‪. (5-2‬‬

‫الشكل(‪)4-2‬‬
‫‪Homoscedasticity‬‬
‫تباين الخطأ متجانس)‪f(u‬‬
‫الكثافة‬
‫االحتمالية‬
‫لـ‪ui‬‬

‫‪Y‬‬
‫‪X1‬‬
‫‪X2‬‬ ‫خط االنحدار للمجتمع ‪Yi  0  1i‬‬
‫‪X3‬‬
‫‪X‬‬

‫‪18‬‬
 ‫)‪f(u‬‬ ‫الشكل(‪)5-2‬‬
‫الكثافة‬ ‫‪Hetroscedasticity‬‬
‫االحتمالية‬ ‫عدم تجانس تباين الخطأ‬
‫لـ ‪ui‬‬

‫‪Y‬‬
‫‪X1‬‬
‫‪X2‬‬ ‫‪Yi   0  1  i‬‬ ‫خط االنحدار للمجتمع‬
‫‪X3‬‬
‫‪X‬‬

‫الشكل )‪ٌ (5-2‬وضح‪var(u X 1 )  var(u X 2 )  var(u X 3 )  :‬‬

‫الفرض (‪: )5‬‬

‫اليوجد ارتباط ذاتي بيف مشاىدات المتغير العشوائي‪.‬‬
‫أي‪:‬‬
‫) ‪cov(ui , u j X i , X j )  (ui  (ui ) X i )(u j  (u j ) X j‬‬
‫) ‪ (ui X i )(u j X j‬‬
‫‪0‬‬
‫مشاىدتاف مختمفتاف‪.‬‬ ‫‪j, i‬‬
‫وىذه الفرضية أيضاً تسمى ال وجود لبلرتباط المتسمسؿ ‪ no serial correlation‬ويمكف توضيح‬
‫األنماط المختمفة فيما بيف المتغير العشوائي مف األشكاؿ التالية‪:‬‬

‫‪19‬‬
 ‫شكل )‪(6-2‬‬

‫في الشكؿ )‪ (a)،(6-2‬يتضح اف قيـ ‪ u‬مرتبطة ذاتياً باتجاه طردي متزايد‪ .‬حيث اف القيـ الموجبة مف ‪u‬‬
‫تتبعيا قيـ موجبة مف ‪ .u‬في حيف القيـ السالبة تتبع بقيـ سالبة أيضاً‪.‬‬
‫في الشكؿ )‪ (b‬فاف قيـ ‪ u‬مرتبطة ذاتياً بشكؿ عكسي‪ ،‬اذ اف قيـ ‪ u‬الموجبة تتبعيا قيـ ‪ u‬السالبة والعكس‬
‫صحيح‪.‬‬
‫وبذلؾ فالشكبلف )‪ (a‬و )‪ (b‬تعكس االرتباط الذاتي او المتسمسؿ‪.‬‬
‫في حيف الشكؿ )‪ (c‬يوضح عدـ وجود االرتباط الذاتي اذ اليتوضح وجود نمط مف نوع معيف‪.‬‬

‫الفرض (‪: )6‬‬

‫ال وجود لبلرتباط بيف ‪ ui‬و ‪. Xi‬‬
‫‪cov(ui , X i )  (ui , X i )  0‬‬ ‫أو‬
‫وذلؾ مف أجؿ عزؿ آثار المتغير ‪ X‬والمتغير ‪ u‬عمى المتغير المعتمد ‪. Y‬‬
‫ويتحقؽ ىذا االفتراض في حالتيف‪:‬‬
‫)ٔ( اذا كاف المتغير ‪ X‬غير عشوائي‪.‬‬
‫)ٕ( اذا كاف المتغير ‪ X‬عشوائي لكنو غير مرتبط مع ‪. u‬‬

‫‪21‬‬
 ‫الفرض (‪: )7‬‬
‫عدد المشاىدات )‪ (n‬يجب اف تكوف اكبر مف عدد المعممات المطموب تقديرىا‪.‬‬

‫الفرض (‪: )8‬‬

‫اف المتغيرات المستقمة )‪ (X‬تقاس بدوف أخطاء‪ ،‬كما اف قيـ ‪ X‬المستخدمة في العينة تتطمب‬
‫اف تمتمؾ تغيرات ممموسة فإذا ال توجد تغيرات ممموسة في )‪ ،(X‬ال يكوف باإلمكاف مف توضيح التغيرات‬
‫في المتغير المعتمد )‪ (Y‬فإذا كانت قيـ ‪ X‬ثابتة عند ‪ X0‬كما في الشكؿ )‪ (7-2‬فاف المربعات الصغرى‬
‫غير صالحة لبلستخداـ‪.‬‬

‫شكل)‪(7-2‬‬
‫قٌم ‪ X‬ثابتة‬
‫‪Y‬‬

‫‪X‬‬
‫‪X0‬‬

‫الفرض (‪: )9‬‬

‫عبلقة االنحدار يجب اف تكوف موصفة بشكؿ صحيح‪ ،‬والتوجد أخطاء لمتوصبؼ مف ناحية‬
‫المتغيرات التوضيحية او مف ناحية الشكؿ الدالي المستخدـ ) خطي بداللة المعممات او المتغيرات او‬
‫كبلىما ( او مف حيث عدد المعادالت المستخدمة ) منفردة أو آنية (‪.‬‬
‫الفرض (‪: )11‬‬
‫خمو النموذج مف أخطاء التجميع لممتغيرات وأخطاء القياس لمبيانات‪.‬‬

‫الفرض (‪: )11‬‬

‫اف المتغير العشوائي لو توزيع طبيعي ‪ .Normal‬أي يكوف التوزيع عند كؿ نقطة مف ‪X‬‬
‫متماثبلً حوؿ الوسط الحسابي‪ .‬حيث اف التوزيع الطبيعي ىو أقرب لمواقع كما اف افتراضو يسيؿ استخداـ‬
‫اختبارات اخرى وكما سيتـ توضيحو في الفقرات البلحقة‪.‬‬

‫‪21‬‬
‫)‪(3-4-2‬خواص المقدرات بطريقة المربعات الصغرى )‪(Proporties of least squares estimates‬‬
‫نظرية جاوس – ماركوف‬
‫حيث اف معممة االنحدار تمثؿ‪:‬‬
‫‪S xy‬‬ ‫‪xy‬‬
‫‪ˆ1 ‬‬ ‫‪‬‬
‫‪S xx‬‬ ‫‪x 2‬‬
‫‪x(Y  Y ) xY  Yx‬‬
‫‪‬‬ ‫‪‬‬
‫‪x 2‬‬ ‫‪x 2‬‬
‫حيث )‪(xi  0‬‬
‫‪xY‬‬
‫‪‬‬
‫‪x 2‬‬
‫‪n‬‬ ‫‪xi‬‬
‫‪ ‬‬ ‫‪ Yi‬‬
‫‪i 1 x 2‬‬
‫‪i‬‬
‫‪n‬‬
‫‪  ki  Yi‬‬
‫‪i 1‬‬
‫‪xi‬‬
‫‪ki ‬‬
‫حيث ‪xi2‬‬
‫وبذلؾ فاف ‪ ˆ1‬مقدر خطي النو دالة خطية بداللة ‪ Y‬حيث انيا تركيب خطي بداللة ‪ Y‬واف اوزاف التركيب‬
‫ىي ‪. ki‬‬

‫وبالمثؿ فاف ‪ ˆ0‬ىي تركيب خطي أيضاً بداللة ‪ ) . Y‬يترؾ البرىاف واجب(‬

‫فالخاصية األولى‪ :‬اف المعممات المقدرة ىي تراكيب خطية بداللة ‪. Y‬‬

‫واجب بيتي‪ :‬اثبت اف ‪ ̂ 0‬دالة خطية بداللة مشاىدات ‪.Y‬‬

‫الخاصية الثانية‪ :‬عدـ التحيز )‪(unbiased ness‬‬

‫‪( ˆ i )  i‬‬ ‫‪‬‬ ‫‪i  0,1‬‬ ‫أي اف‪:‬‬

‫‪̂ 1  kiYi‬‬ ‫وبالنسبة لممعممة ‪: ˆ 1‬‬

‫) ‪ˆ 1  ki (  0  1 X i  ui‬‬

‫‪ˆ 1   0 ki  1ki X i  ki ui‬‬

‫‪22‬‬
 ‫‪ˆ 1  1  ki ui‬‬ ‫‪‬‬ ‫)‪(13  2‬‬
‫حيث اف ‪:‬‬

‫‪ki  ‬‬
‫‪xi‬‬
‫‪‬‬
‫‪1‬‬
‫‪ xi‬‬ ‫معمومة‬ ‫قيمة‬ ‫‪‬‬‫‪x‬‬ ‫‪2‬‬
‫‪i‬‬ ‫الف‬
‫‪xi‬‬ ‫‪2‬‬
‫‪xi‬‬‫‪2‬‬
‫و )‪ ، (xi  0‬مجموع االنحرافات عف المتوسط‬
‫‪ ki  0‬‬
‫‪xi‬‬ ‫كما اف ‪:‬‬
‫‪k i X i  ‬‬ ‫‪Xi‬‬
‫‪xi‬‬ ‫‪2‬‬

‫‪xi‬‬
‫‪‬‬ ‫) ‪( xi  X‬‬
‫‪xi2‬‬
‫‪xi2  xi X‬‬
‫‪‬‬
‫‪xi2‬‬
‫‪x 2i‬‬ ‫‪xi‬‬
‫‪‬‬ ‫‪X‬‬ ‫;‬ ‫‪x i  0‬‬
‫‪xi2‬‬ ‫‪xi2‬‬
‫‪1‬‬
‫وبأخذ التوقع لطرفي المعادلة )‪: (13-2‬‬
‫) ‪( ˆ 1 )  1   ki (ui‬‬
‫‪i‬‬

‫‪ 1‬‬
‫حيث ‪ (ui )  0‬بموجب فروض التحميؿ‬

‫وبذلؾ فاف ‪ ˆ 1‬معممة غير متحيزة‪.‬‬

‫‪( ˆ 0 )   0‬‬ ‫وبالمثؿ يمكف البرىنة عمى اف ‪ ˆ 0‬غير متحيزة ايضاً أي‪:‬‬
‫)تمريف لمطالب(‬

‫اما الخاصية الثالثة ‪ :‬تبايف المعممات المقدرة ىو أقؿ ما يمكف مف بيف مجموع المقدرات غير المتحيزة‬
‫والخطية‪) ،‬يترؾ البرىاف(‪.‬‬

‫ولذلؾ تسمى المقدرات بموجب المربعات الصغرى االعتيادية )‪ (BLUE‬تشمؿ الصفات الثبلث ‪ ،‬خطية‬
‫وغير متحيزة وليا أقؿ تبايف‪ .‬وىذه ما يطمؽ عمييا نظرية جاوس‪ -‬ماركوؼ والتي تنص عمى اآلتي‪) :‬مع‬

‫‪23‬‬
 ‫تحقؽ فرضيات النموذج الخطي فاف المقدرات بموجب طريقة المربعات الصغرى تمتؿ أقؿ تبايف ضمف‬
‫مجموعة المقدرات الخطية وغير المتحيزة(‪.‬‬

‫وٌمكن توضٌح ما تنص علٌه هذه النظرٌة من األشكال التالٌة‪:‬‬

‫شكل فن ‪Vein diagram‬‬

‫كل المقدرات‬

‫‪‬‬ ‫المقدرات الخطية غير المتحيزة‬

‫تقدير ‪OLS‬‬

‫‪ ̂ 1 ols‬‬
‫‪‬‬ ‫‪1‬‬

‫‪1‬‬ ‫‪ˆ 1‬‬

‫)‪ (4-4-2‬طريقة اإلمكان األعظم‪" Maximum Likelihood " .‬‬

‫ويرمز ليذه الطريقة اختصا اًر )‪ . (ML‬اما المعيار الذي تستند اليو ىذه الطريقة فيو تعظيـ دالة االمكاف‬
‫)‪. (Likelihood function‬‬
‫ودالة االمكاف ببساطة تمثؿ دالة الكثافة االحتمالية المشتركة لممتغير العشوائي ‪ Y‬ولذلؾ نحتاج لمعرفة‬
‫توزيع ذلؾ المتغير ‪.Y‬‬
‫وبموجب االفتراضات )‪ (1‬و )‪ (2‬فاف توزيع ‪ Y‬ىو توزيع ‪ u‬نفسو‪.‬‬
‫وبموجب الفرض )‪ (11‬فاف توزيع ‪ Y‬ىو توزيع طبيعي‪.‬‬
‫ولتحديد متوسط ‪ Y‬وتباينو‪:‬‬

‫‪(Y )   0  1 X‬‬ ‫&‬ ‫‪var(Y )   2‬‬

‫~ ‪Yi‬‬ ‫اذف ) ‪N (  0  1 X i ;  2‬‬

‫ولذلؾ فاف دالة الكثافة االحتمالية المشتركة لمشاىدات ‪ Y‬المشروطة لػ ‪  0  1 X i‬و ‪ 2‬‬
‫ويرمز ليا‪. f (Y1 ,Y2 . . . ,Yn /  0  1 X i ,  ) :‬‬
‫‪2‬‬

‫‪24‬‬
 ‫وحيث اف مشاىدات ‪ Y‬مستقمة الواحدة عف األخرى‪ ،‬لذلؾ فاف الكثافة االحتمالية المشتركة تعد حاصؿ‬
‫ضرب الكثافات الحدية المنفردة لمشاىدات ‪: Y‬‬

‫) ‪f (Y1 , Y2 . . . , Yn /  0  1 X i ,  2 )  f (Y1  0  1 X i ,  2 )  f (Y2  0  1 X i ,  2‬‬

‫‪. . .  f (Yn  0  1 X i ,  2 ).‬‬

‫وبافتراض التوزيع الطبيعي‪ ،‬فاف‬
‫‪1‬‬ ‫‪ 1 (Yi   0  1 X i ) 2 ‬‬
‫‪f (Yi ) ‬‬ ‫‪exp ‬‬ ‫‪‬‬
‫‪2 2‬‬ ‫‪‬‬ ‫‪2‬‬ ‫‪‬‬ ‫‪2‬‬
‫‪‬‬
‫اي‪:‬‬
‫‪n‬‬
‫) ‪f (Y1 , Y2 . . . , Yn /  0  1 X i ,  )   f (Yi‬‬
‫‪2‬‬
‫‪i 1‬‬
‫‪n‬‬
‫‪ 1‬‬ ‫‪‬‬ ‫‪ 1 (Yi   0  1 X i ) 2 ‬‬
‫‪ ‬‬ ‫‪ exp ‬‬
‫‪‬‬ ‫‪‬‬
‫‪ 2‬‬
‫‪2‬‬
‫‪‬‬ ‫‪ 2‬‬ ‫‪2‬‬ ‫‪‬‬
‫أي اف دالة اإلمكاف‪:‬‬
‫‪‬‬
‫‪n‬‬
‫‪ 1 (Yi   0  1 X i ) 2 ‬‬
‫) ‪LF (  0 , 1 ,  )  (2‬‬
‫‪2‬‬ ‫‪2‬‬ ‫‪2‬‬
‫‪exp ‬‬ ‫‪. . .‬‬
‫‪‬‬ ‫‪2‬‬ ‫‪‬‬ ‫‪2‬‬
‫‪‬‬
‫ولمتبسيط نأخذ لوغاريتـ الطرفيف‪:‬‬
‫‪n‬‬ ‫‪n‬‬ ‫‪1 (Yi   0  1 X i ) 2‬‬
‫‪ln LF ‬‬ ‫‪ln   ln( 2 )  ‬‬
‫‪2‬‬
‫‪...‬‬ ‫)‪(14 - 2‬‬
‫‪2‬‬ ‫‪2‬‬ ‫‪2‬‬ ‫‪2‬‬
‫وبتطبيؽ شروط االمثمية‪:‬‬
‫الشرط الضروري‪:‬‬
‫‪ ln LF‬‬ ‫‪1‬‬
‫‪  2 (Yi   0  1 X i )(1)  0‬‬ ‫‪...‬‬ ‫)‪(15 - 2‬‬
‫‪ 0‬‬ ‫‪‬‬
‫‪ ln LF‬‬ ‫‪1‬‬
‫‪  2 (Yi   0  1 X i )( X )  0‬‬ ‫‪...‬‬ ‫)‪(16 - 2‬‬
‫‪1‬‬ ‫‪‬‬
‫‪ ln LF‬‬ ‫‪n‬‬ ‫‪1‬‬
‫‪‬‬ ‫‪‬‬ ‫‪(Yi   0  1 X i ) 2  0‬‬ ‫‪...‬‬ ‫)‪(17 - 2‬‬
‫‪‬‬ ‫‪2‬‬
‫‪2‬‬ ‫‪2‬‬
‫‪2‬‬ ‫‪4‬‬

‫وبعد تبسيطيا‪ .‬فاف المعادلتيف )‪ (15-2‬و )‪ (16-2‬ىي المعادالت الطبيعية نفسيا التي تـ الحصوؿ عمييا‬
‫عند استخداـ طريقة المربعات الصغرى االعتيادية‪ .‬وبذلؾ فاف قيـ ‪ ˆ1 , ˆ0‬ليا القوانيف نفسيا المستخدمة‬
‫بطريقة المربعات الصغرى االعتيادية وذلؾ ينسجـ مع كوف الحد األخير في المعادلة )‪ (14-2‬مسبوقاً‬

‫‪25‬‬
‫بإشارة سالبة وعميو فاف تعظيـ دالة اإلمكاف يمثؿ تصغي اًر ليذا الحد‪ ،‬والذي ينطبؽ مع المربعات الصغرى‪.‬‬
‫وبعد نعويض قيـ ‪ ˆ1 , ˆ0‬في المعادلة )‪ (17-2‬وتبسيطيا‪:‬‬
‫‪1‬‬
‫‪ˆ 2 ‬‬ ‫‪(Yi  ˆ0  ˆ1 X i ) 2‬‬
‫‪ML‬‬ ‫‪n‬‬
‫‪1‬‬
‫‪ˆ ML‬‬
‫‪2‬‬
‫‪ ei‬‬
‫‪2‬‬
‫‪...‬‬ ‫)‪(18 - 2‬‬
‫‪n‬‬

‫وبأخذ التوقع لطرفي المعادلة )‪: (18-2‬‬

‫‪1‬‬
‫‪(ˆ ) ‬‬ ‫) ‪(ei‬‬
‫‪2‬‬ ‫‪2‬‬
‫‪ML‬‬ ‫‪n‬‬
‫‪n2 2‬‬ ‫‪2‬‬
‫‪‬‬ ‫‪  2   2‬‬ ‫‪...‬‬ ‫)‪(19 - 2‬‬
‫‪n‬‬ ‫‪n‬‬

‫ويتبيف مف المعادلة )‪ (19-2‬اف تقدير تبايف الخطأ بموجب طريقة اإلمكاف األعظـ متحيز نحو األسفؿ‪.‬‬
‫بمعنى اف اإلمكاف األعظـ يعطي مقد اًر لتبايف الخطأ أقؿ مف قيمتو الحقيقية ‪ σ2‬وخاصة في العينات‬
‫الصغيرة‪ .‬في حيف مع كبر حجـ العينة فاف مقدار التحيز سيضمحؿ ويقترب مف قيمتو الحقيقية‪.‬‬

‫)‪ (5-4-2‬تباين المعممات المقدرة‪Variance of the estimated parameters :‬‬

‫توضح المعادالت الطبيعية باف المقدرات ‪ ˆ 1 , ˆ0‬دواؿ بداللة بيانات العينة التي يتـ‬
‫استخداميا‪ ،‬غير اف البيانات تتغير مف عينة إلى أخرى‪ ،‬لذا فاف التقديرات ستتغير أيضاً ‪ ،‬ولذلؾ يتطمب‬
‫مقياساً لدقة المعممات المقدرة‪ .‬واحصائياً فاف مقياس الدقة يعبر عنو بواسطة االنحراؼ المعياري‪.‬‬
‫عمى وفؽ اآلتي‪:‬‬ ‫واعتماداً عمى فرضيات جاوس فاف تبايف المعممة المقدرة ‪1‬‬

‫‪var( ˆ 1 )  ( ˆ1  ( ˆ1 ))2‬‬

‫‪var( ˆ 1 )  ( ˆ1  1 ) 2‬‬ ‫وحيث اف ‪ ˆ1‬غير متحيزة فاف‪:‬‬

‫وباالعتماد عمى العبلقة )‪(13-2‬‬

‫‪var( ˆ 1 )  (ki ui ) 2‬‬

‫) ‪var( ˆ1 )  (k 12u 12  k 22u22  ...  k n2un2  2k1k 2u1u2  ...  2k n 1k nun 1un‬‬
‫‪var( ˆ1 )   2 ki2‬‬
‫وذلؾ باالعتماد عمى فروض التحميؿ‪:‬‬

‫‪26‬‬
 ‫)الفرض ‪( 4‬‬ ‫لجميع قيـ ‪i‬‬ ‫‪(ui2 )   2‬‬
‫)الفرض ‪( 5‬‬ ‫‪i j‬‬ ‫‪,‬‬ ‫‪(ui u j )  0‬‬
‫وبذلؾ‪:‬‬

‫ˆ‬ ‫‪2‬‬ ‫‪2‬‬

‫‪var(  1 ) ‬‬ ‫‪‬‬ ‫‪  ‬‬
‫‪xi‬‬
‫‪2‬‬
‫‪S xx‬‬
‫وذلؾ الف‪:‬‬
‫‪xi 2‬‬
‫(‪(ki2 )  ‬‬ ‫)‬
‫‪xi2‬‬
‫‪x i2‬‬ ‫‪1‬‬
‫‪‬‬ ‫‪‬‬
‫‪(xi2 ) 2‬‬ ‫‪xi2‬‬

‫ويتضح مف العبلقة )‪ (20-2‬اف تبايف ‪ ˆ1‬يتناسب طردياً مع )‪ (σ2‬وعكسياً مع ‪ . xi‬فكمما كانت‬

‫‪2‬‬

‫التغيرات في المتغير المستقؿ كبيرة فاف التبايف يكوف صغي اَر ًً وبالتالي تزداد دقة المعممة ‪ 1‬المقدرة‪ .‬اما‬
‫اذا كاف تبايف الخطأ كبي اًر فاف دقة المعممة المقدرة ستنخفض كما اف زيادة حجـ العينة )‪ (n‬يؤدي بدوره‬
‫الى اف عدد الحدود في ‪ xi‬يتزايد وبذلؾ يكوف التبايف منخفضاً بمعنى تتحسف دقة المعممة المقدرة‪.‬‬
‫‪2‬‬

‫ومف جانب آخر فاف الجذر التربيعي لمتبايف يعبر عف االنحراؼ المعياري لممعممة‪:‬‬
‫‪‬‬
‫‪s.e( ˆ1 ) ‬‬
‫‪xi2‬‬

‫وبالمثؿ يمكف اشتقاؽ تبايف معممة المقطع الصادي المقدرة ‪ ˆ 0‬وانحرافيا المعياري‪:‬‬
‫‪X i2‬‬
‫‪var( ˆ0 ) ‬‬ ‫‪ 2‬‬ ‫‪...‬‬ ‫)‪(21 - 2‬‬
‫‪nx‬‬ ‫‪2‬‬
‫‪i‬‬

‫‪1 X2‬‬
‫‪ ( ‬‬‫‪2‬‬
‫)‬
‫‪n xi2‬‬
‫)البرىاف يترؾ لمطالب(‬

‫العبلقة )‪ (21-2‬تؤكد عمى اف تبايف معممة الثابت المقدرة ‪ ˆ 0‬تتناسب طردياً ‪ σ2‬و ‪ X i‬وعكسياً مع‬
‫‪2‬‬

‫‪ xi‬وحجـ العينة ‪. n‬‬

‫‪2‬‬

‫كما اف االنحراؼ المعياري ليذه المعممة‪:‬‬

‫‪27‬‬
 ‫‪X i2‬‬
‫‪s.e( ˆ0 ) ‬‬ ‫‪‬‬
‫‪nxi2‬‬
‫"‬
‫‪ˆ1 , between‬‬
‫‪Covariance‬‬ ‫ˆ‬
‫‪0‬‬
‫ˆ "‬ ‫ˆ‬
‫ين_______‪:‬‬
‫‪1, 0‬‬ ‫)‪(6-4-2‬التباين المشترك ب‬
‫معموـ اف المقدرات ‪ ˆ1 , ˆ0‬التتغير مف عينة الى أخرى وانما أيضاً في العينة المعطاة في‬
‫الغالب ترتبط ىذه المعممات مع بعضيا‪ .‬واف ىذا االرتباط يمكف اف يقاس مف خبلؿ التبايف المشترؾ‬
‫بينيما‪ .‬واعتماداً عمى تعريؼ التبايف المشترؾ‪:‬‬
‫‪‬‬ ‫‪‬‬
‫) ‪cov( ˆ0 , ˆ1 )   ˆ0  (ˆ0 ) ˆ1  (ˆ1‬‬ ‫‪‬‬
‫وبما اف المعممات غير متحيزة‪:‬‬
‫) ‪ (ˆ0  0 )(ˆ1  1‬‬ ‫‪...‬‬ ‫)‪(22 - 2‬‬
‫) ‪ˆ0  (ˆ0 )  ˆ0  ( y  ˆ1 X‬‬ ‫ولكف‬
‫‪ y  ˆ1 X  y  1 X‬‬
‫) ‪  X (ˆ  ‬‬
‫‪1‬‬ ‫‪1‬‬

‫تعوض في العبلقة )‪:(22-2‬‬

‫‪cov( ˆ0 , ˆ1 )   X ( ˆ1  1 ) 2‬‬

‫) ˆ‪  X var( ‬‬ ‫‪1‬‬

‫‪2‬‬
‫‪ X‬‬ ‫‪...‬‬ ‫)‪(23 - 2‬‬
‫‪xi2‬‬
‫وحيث اف ) ‪ var( ˆ1‬دائماً موجب ) صفة أي متغير( فاف طبيعة االرتباط بيف ‪ ˆ1 , ˆ0‬يعتمد عمى اشارة‬
‫متوسط ) ‪ .X ( X‬فاذا كاف ‪ X‬موجباً فاف التبايف المشترؾ سيكوف سالباً‪.‬‬
‫يتضح مف العبلقات )‪ (23-2) ، (21-2) ، (20-2‬اف التبايف والتبايف المشترؾ لممعممات المقدرة يعتمد‬
‫عمى ‪ ‬وىو تبايف المتغير العشوائي لممجتمع وىو بدوره غير معموـ لذا البد مف ايجاد طريقة لتقديره‪.‬‬
‫‪2‬‬

‫)‪(7-4-2‬تقدير تباين الخطأ لممجتمع ) ˆ‪ (‬بموجب المربعات الصغرى‪The estimate of .‬‬

‫‪2‬‬

‫‪population variance error‬‬

‫‪Yi  0  1 X i  ui‬‬ ‫بالرجوع لممعادلة )‪: (3-2‬‬

‫‪Y  0  1  u‬‬ ‫وبعد أخذ المتوسط لطرفي المعادلة‪:‬‬

‫‪28‬‬
 Yi  Y  1 ( X i  )  (ui  u ) :‫وبالطرح ينتج‬
yi  1 xi  (ui  u )
 uˆi  1 xi  (ui  u )  ˆ1 xi ، uˆi  yi  ˆ1 xi ‫وحيث اف‬
 (ˆ   ) x  (u  u )
1 1 i i

:‫وبتربيع الطرفيف وأخذ التجميع‬

uˆi2  (ˆ1  1 ) 2 x i2  (ui  u ) 2  2(ˆ1  1 )xi (ui  u )
:‫وبأخذ التوقع‬
(uˆi2 )  xi2 (ˆ1  1 ) 2  ((ui  u ) 2 )  2(ˆ1  1 )xi (ui  u ) . . . (24 - 2)
 x 2 var(ˆ )  (n  1) 2  2 2
i 1

  2  (n  1) 2  2 2  (n  2) 2
uˆi2 e 2
ˆ 
2
 ... (25 - 2)
n2 n2
(ˆ 2 )   2 ‫وىي غير متحيزة أيضاً الف‬
:‫( يمكف تبسيطو كاآلتي‬24-2) ‫الحد الثاني مف العبلقة‬
  
 (ui  u ) 2   (ui2  2ui u  u 2 ) 
 u 2
i  2u ui  u 
2

 u 
  ui2  2 i ui  nu 2 
 n 
 2 ( u i ) 2  u i  
2

  ui  2  n  
 n  n  
 2 ( u i ) 2 ( u i ) 
2
  ui  2  
 n n 
 2 ( u i ) 2 
  ui  
 n 
(ui ) 2
 (u )  
2
i
n
 n  n  u
2 2

29
 ‫‪2‬‬
‫‪(u ) ‬‬‫‪2‬‬
‫وحيث اف‪:‬‬
‫‪n‬‬
‫‪(ui  u ) 2  n 2   2  (n  1) 2‬‬

‫اما الحد الثالث مف العبلقة )‪ (24-2‬فيمكف تبسيطو كاآلتي ‪:‬‬

‫‪‬‬
‫‪ 2(ˆ1  1 )xi (ui  u )  2 (ˆ1  1 )xiui  u (ˆ1  1 )xi‬‬ ‫‪‬‬
‫‪‬‬
‫‪ 2 ( ˆ1  1 )xi ui‬‬ ‫‪‬‬ ‫‪. . .‬‬ ‫)‪(26 - 2‬‬

‫حيث اف ‪:‬‬
‫) ‪xi yi xi (  0  1 X i  ui‬‬
‫‪ˆ1 ‬‬ ‫‪‬‬
‫‪xi2‬‬ ‫‪xi2‬‬
‫‪ˆ1xi2  0xi  1xi X i  xiui‬‬
‫‪ 1xi ( xi  X )  xiui‬‬
‫‪ 1x 2  1 Xxi  xi ui‬‬
‫‪i‬‬

‫‪ ˆ x 2   x 2  x u‬‬
‫‪1‬‬ ‫‪i‬‬ ‫‪1‬‬ ‫‪i‬‬ ‫‪i‬‬ ‫‪i‬‬

‫‪( ˆ1  1 )x 2i  xi ui‬‬

‫بالتعويض عف ) ‪ (xi ui‬في العبلقة )‪ (26-2‬نحصؿ عمى‪:‬‬

‫ˆ‬ ‫ˆ‬ ‫‪2‬‬

‫‪ 2( 1  1 )( 1   )xi  2 2 xi2‬‬
‫‪2‬‬

‫‪xi‬‬
‫‪ 2 2‬‬

‫وبالعودة إلى خطوات بناء نموذج انحدار خطي بسيط في المبحث )‪ (3-2‬فبعد تقدير معممات النموذج‬
‫ننتقؿ إلى خطوة االستدالؿ حوؿ صحة النتائج التقديرية ونحتاج لذلؾ حساب االنحراؼ المعياري لممعممات‬
‫وكذلؾ االنحراؼ المعياري لمخطأ‪.‬‬
‫وباستعادة المعمومات حوؿ تبايف المعممات‪:‬‬
‫‪X i2‬‬ ‫‪1‬‬
‫‪var( ˆ0 )  ˆ ‬‬ ‫‪2‬‬
‫&‬ ‫‪var( ˆ1 )  ˆ ‬‬
‫‪nS xx‬‬ ‫‪S xx‬‬

‫‪31‬‬
 ‫‪e 2‬‬
‫ˆ‪‬‬ ‫‪2‬‬
‫‪ MSE ‬‬ ‫عمماً اف‪:‬‬
‫‪n2‬‬
‫وىذا يتطمب حساب اآلتي‪:‬‬

‫‪ Yˆi  35.35  2.564 X i‬لكؿ مشاىدة مف مشاىدات الجدوؿ )‪. (ٔ-2‬‬ ‫‪،‬‬ ‫)ٔ( ‪Yˆi‬‬
‫)ٕ( ثـ تحسب البواقي ‪ . ei  Yi  Yˆi‬كما موضحة في الجدوؿ )‪(3-2‬‬

‫جدوؿ )‪(3-2‬‬

‫المزرعة‬ ‫ˆ‪e  Y  Y‬‬

‫ˆ‪Y‬‬
‫‪1‬‬ ‫‪163.55‬‬ ‫‪-23.55‬‬
‫‪2‬‬ ‫‪548.15‬‬ ‫‪-48.15‬‬
‫‪3‬‬ ‫‪317.39‬‬ ‫‪82.61‬‬
‫‪4‬‬ ‫‪240.47‬‬ ‫‪59.53‬‬
‫‪5‬‬ ‫‪343.03‬‬ ‫‪12.97‬‬
‫‪6‬‬ ‫‪226.368‬‬ ‫‪14.132‬‬
‫‪7‬‬ ‫‪263.2896‬‬ ‫‪-62.6896‬‬
‫‪8‬‬ ‫‪49.9648‬‬ ‫‪-16.4648‬‬
‫‪9‬‬ ‫‪63.554‬‬ ‫‪6.246‬‬
‫‪10‬‬ ‫‪43.5548‬‬ ‫‪-24.8548‬‬

‫‪ei2  18467.04‬‬ ‫)ٖ( تحسب مجموع مربعات البوافي‬

‫وبذلؾ فاف تبايف الخطأ المقدر ىو‪:‬‬
‫‪e 2‬‬
‫‪ˆ ‬‬ ‫‪2‬‬
‫‪ 2308.38‬‬
‫‪n2‬‬
‫ولتقدير تبايف المعممات المقدرة‪:‬‬
‫‪X i2  89017.19‬‬
‫‪xi2  X i2  nX 2‬‬
‫‪ 89017.19  10(74.33) 2  89017.19  55249.489‬‬
‫‪ 33767.701‬‬

‫‪31‬‬
 S xx  33767.701
89017.19
var( ˆ0 )  2308.38   608.53
10(33767.701)

: ( ˆ 0 ) ‫وىكذا فاف االنحراؼ المعياري لممعممة‬

s.e(ˆ0 )  24.668

:‫ ( فاف‬ˆ 1 ) ‫وكذلؾ بالنسبة لممعممة‬

ˆ ˆ 2 2308.38
var( 1 )    0.068
S xx 33767.701
s.e( ˆ1 )  0.261 :‫وبذلؾ فاف انحرافيا المعياري‬

ei ) ‫( طريقة أخرى لحساب مجموع مربعات الخطأ‬8-4-2)

:Calculation of sum of(______
2

squared error
ei  Yi  Yˆi
 Yi  ˆ0  ˆ1 X i
 Yi  (Y  ˆ1 X )  ˆ1 X i
 Yi  Y  ˆ1 ( X i  X )
 yi  ̂1 xi
e i2  y i2  2ˆ1xi yi  ˆ12xi2 :‫بتربيع الطرفيف وأخذ المجموع‬
x y
 y 2i  2ˆ1xi yi  ˆ1 i 2 i xi2
xi
 y 2i  ˆ1xi yi  (27  2)
e 2  y 2  2ˆ ( ˆ x 2 )  ˆ x 2
i i 1 1 i 1 i

 y 2i  ˆ 12 x 2i ... (28 - 2)
(xi yi ) 2
 y i 
2
. . . (29 - 2) :‫أو‬
xi2
. y ‫ تمثؿ مجموع مربعات التغيرات في مشاىدات المتغير‬: (yi )
2

32
 ‫ويرمز ليا )‪ (TSS‬تمثؿ مجموع التغيرات االجمالية في مشاىدات المتغير ‪ y‬مقاسة حوؿ المتوسط‪.‬‬
‫‪(xi yi ) 2‬‬
‫تسمى التغيرات المشروحة مف قبؿ معادلة‬ ‫أما‪ ˆ1 x i :‬أو ‪ ̂1xi yi‬أو‬
‫‪2‬‬ ‫‪2‬‬
‫‪xi‬‬ ‫‪2‬‬

‫االنحدار ويرمز ليا )‪. (ESS‬‬

‫) ‪ : (ei‬تشير الى مجموع مربعات البواقي ويرمز ليا )‪ (RSS‬وتمثؿ التغيرات غير المشروحة‪.‬‬
‫‪2‬‬

‫‪TSS  ESS  RSS‬‬ ‫بعبارة أخرى‪:‬‬

‫اف مجموع التغيرات االجمالية تـ تقسيمو إلى مركبتيف‪ :‬التغيرات المشروحة ‪ +‬التغيرات غير المشروحة‪.‬‬
‫وبالرجوع الى بيانات الجدوؿ)‪ (ٔ-2‬واستخداـ الصيغ الرياضية يتـ حساب اآلتي‪:‬‬
‫‪(TSS )  yi2  (Yi  Y ) 2  Yi 2  nY 2‬‬
‫)‪ 750760.6  10(51035.3281‬‬
‫‪ 750760.6  510353.281‬‬
‫‪ 240407.309‬‬

‫‪ESS  yˆi2  ˆ1xi yi  ˆ1 X iYi  nXY ‬‬

‫)‪ 2.564(254489.2 10(74.33)(225.91‬‬
‫‪ 221966.242‬‬

‫‪ ei2  TSS  ESS  18441.067‬‬

‫مناقشة‪ :‬باالعتماد عمى بيانات الجدوؿ )‪: (4-2‬‬

‫ناقش اآلتي‪:‬‬
‫جدوؿ )‪(4-2‬‬

‫‪X‬‬ ‫ٔ‬ ‫ٕ‬ ‫ٖ‬ ‫ٗ‬ ‫٘‬ ‫‪ٙ‬‬

‫‪Y‬‬ ‫ٗ‬ ‫‪ٙ‬‬ ‫‪ٚ‬‬ ‫‪ٚ‬‬ ‫‪ٜ‬‬ ‫ٔٔ‬

‫)ٔ( ارسـ شكؿ االنتشار؟‬

‫)ٕ( استخدـ القوانيف لتقدير الميؿ والمقطع الصادي لمخط المقدر بطريقة ‪ OLS‬وارسـ الخط المقدر؟‬
‫)ٖ( احصؿ عمى متوسط ‪ Y‬ومتوسط ‪ X‬واحصؿ عمى قيمة ‪ Y‬عندما ‪ X  X‬وحددىا عمى الرسـ‪،‬‬
‫مالذي تستنتجو مف ىذه القيمة المقدرة؟‬

‫‪33‬‬
 ‫)ٗ( استخدـ التقديرات التي حصمت عمييا في )ٕ( واحسب بواقي التقدير ثـ احسب مجموع مربعات‬
‫البواقي ؟‬
‫)٘( ما شكؿ االنحدار اذا ‪   0‬صفر )أ( بالرسـ ‪) ،‬ب( جبرياً‬
‫)‪ (ٙ‬ىؿ اف قوانيف تقدير المعممات بموجب ‪ OLS‬المعادالت )‪ (10-2‬و )‪ (11-2‬تصبح مبلئمة اذا‬
‫عممت اف ‪  0  0‬؟‬
‫)‪ (ٚ‬اذا ‪  0  0‬حدد مجموع مربعات البواقي جبرياً‪ ،‬ثـ استخدـ العينة لتقدير ‪ 1‬؟‬
‫)‪ (ٛ‬استخدـ التقدير الذي حصمت عميو في )‪ (ٚ‬وارسـ الخط المقدر عمى ورقة الرسـ نفسيا لبلنتشار‪.‬‬
‫ما استنتاجؾ؟‬
‫)‪ (ٜ‬استخدـ التقدير في )‪ (ٚ‬واحصؿ عمى البواقي ثـ احسب مجموع مربعات البواقي؟‬
‫)ٓٔ( قارف بيف النتائج في )ٗ( و )‪ (ٜ‬؟‬
‫)ٔٔ( افترض اف القيمة الحقيقية لػ ‪  1‬صفر ما شكؿ االنحدار )أ( جبرياً ‪) ،‬ب( بالرسـ‬
‫)ٕٔ( ما نوع العبلقة بيف ‪ Y‬و ‪ X‬اذا ‪ 1  0‬؟‬

‫الحؿ‪:‬‬
‫)ٔ( رسـ االنتشار‬

‫شكل (‪ : )8-2‬رسم االنتشار‬

‫‪Y‬‬

‫‪Y  7.33‬‬

‫‪X‬‬
‫‪X  3.5‬‬

‫رسم االنتشار لبٌانات جدول )‪ (4-2‬باستخدام برنامج ‪SPSS‬‬

‫‪34‬‬
 ‫(‪ )2‬قوانٌن تقدٌر المٌل والمقطع الصادي بواسطة )‪ (OLS‬هً‪:‬‬
‫‪S xy‬‬
‫‪ˆ  Y  ˆ1 X ̂ 1 ‬‬
‫‪ 0‬حٌث ان‪:‬‬ ‫‪،‬‬
‫‪S xx‬‬

‫‪S xy  ( y  y )( X  X )  xy‬‬
‫‪‬‬
‫‪S xx  ( X  X ) 2  x 2‬‬
‫ولحسابها ٌتطلب جدول الحسابات )‪.(5-2‬‬

‫جدول )‪(5-2‬‬
‫جدول الحسابات بالقٌم كانحرافات عن المتوسطات‬
‫رقم‬ ‫‪Y‬‬ ‫‪X‬‬ ‫‪xy‬‬ ‫‪x2‬‬
‫‪y Y Y‬‬ ‫‪xX X‬‬
‫المشاهدة‬

‫‪1‬‬ ‫‪4‬‬ ‫‪1‬‬ ‫‪-3.33‬‬ ‫‪-2.5‬‬ ‫‪8.325‬‬ ‫‪6.25‬‬

‫‪2‬‬ ‫‪6‬‬ ‫‪2‬‬ ‫‪-1.33‬‬ ‫‪-1.5‬‬ ‫‪`1.995‬‬ ‫‪2.25‬‬
‫‪3‬‬ ‫‪0‬‬ ‫‪3‬‬ ‫‪-.33‬‬ ‫‪-.5‬‬ ‫‪0.165‬‬ ‫‪0.25‬‬
‫‪4‬‬ ‫‪0‬‬ ‫‪4‬‬ ‫‪-.33‬‬ ‫‪.5‬‬ ‫‪0.165‬‬ ‫‪0.25‬‬
‫‪5‬‬ ‫‪9‬‬ ‫‪5‬‬ ‫‪1.67‬‬ ‫‪1.5‬‬ ‫‪2.505‬‬ ‫‪2.25‬‬
‫‪6 11‬‬ ‫‪6‬‬ ‫‪3.67‬‬ ‫‪2.5‬‬ ‫‪9.175‬‬ ‫‪6.25‬‬
‫‪‬‬ ‫‪44 21‬‬ ‫‪0.02‬‬ ‫‪0.0‬‬ ‫‪22.33‬‬ ‫‪17.5‬‬

‫‪Y  7.33‬‬
‫‪X  3.5‬‬
‫‪S xy  22.33 ، S xx  17.5‬‬ ‫‪، ˆ1  1.276  1.28‬‬
‫‪ˆ0  7.33  1.28(3.5)  2.85‬‬
‫معادلة التقدٌر‪:‬‬

‫‪Yˆ i  2.85  1.28 X i‬‬

‫لرسم الخط المستقٌم‪:‬‬
‫نفرض‪:‬‬
‫‪، Yˆi  2.85‬‬ ‫‪‬‬ ‫‪X 0‬‬

‫‪X  2.23‬‬ ‫‪‬‬ ‫‪Yˆ  0‬‬

‫وبتعٌٌن النقطتٌن على الشكل ونوصل بٌنهما نحصل على الخط المستقٌم المقدر‪:‬‬

‫‪35‬‬
 ‫شكل (‪ :)9-2‬الخط المستقٌم المقدر لبٌانات الجدول (‪)4-2‬‬

‫̂‪Y‬‬ ‫‪y  Y  Y‬‬

‫‪11‬‬
‫‪17‬‬
‫‪9‬‬
‫‪8‬‬
‫‪Y  7.33‬‬
‫‪0‬‬
‫● ‪x  X  X‬‬

‫‪6‬‬
‫‪5‬‬
‫‪4‬‬
‫‪3‬‬
‫‪2‬‬
‫‪1‬‬

‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪X‬‬

‫‪X  3.5‬‬

‫(‪X  3.5 ، Y  7.33 )3‬‬

‫‪(Yˆi X  3.5)  2.85  1.28(3.5)  7.33‬‬

‫تقع على الخط المستقٌم المقدر‪.‬‬ ‫نستنتج ان نقطة المتوسط ) ‪( X , Y‬‬

‫(‪ )4‬اعتماداً على معادلة التقدٌر ) ‪ٌ (Yˆi  2.85  1.28 X i‬تم حساب قٌم ) ‪ (Yˆi‬لكل قٌمة‬
‫من قٌم ‪ Xi‬كاآلتً‪:‬‬
‫‪Yˆ1  2.85  1.28(1)  4.13‬‬
‫‪Yˆ2  2.85  1.28(2)  5.41‬‬
‫‪‬‬
‫‪Yˆ6  2.85  1.28(6)  10.35‬‬

‫‪36‬‬
 ‫ثم نحسب ‪ei  Yi  Yˆi‬‬
‫‪e1  4  4.13  0.13‬‬
‫‪‬‬
‫‪e6  11  10.35  0.47‬‬
‫وكما فً الجدول )‪(6-2‬‬
‫جدول )‪(6-2‬‬
‫جدول حسابات قٌم ‪ Y‬المقدرة وأخطاء التقدٌر‬

‫ˆ‪Y‬‬ ‫‪e‬‬ ‫‪e2‬‬

‫‪3.56‬‬ ‫‪-.13‬‬ ‫‪.0169‬‬
‫‪5.41‬‬ ‫‪.59‬‬ ‫‪.3481‬‬
‫‪6.69‬‬ ‫‪.31‬‬ ‫‪.0961‬‬
‫‪7.97‬‬ ‫‪-.97‬‬ ‫‪.9409‬‬
‫‪9.25‬‬ ‫‪-.25‬‬ ‫‪.0625‬‬
‫‪10.53‬‬ ‫‪.47‬‬ ‫‪.2209‬‬

‫‪‬‬ ‫‪43.41‬‬ ‫‪0.02‬‬ ‫‪1.6854‬‬

‫‪Yi  1 X i‬‬ ‫(‪ )5‬اذا ‪  0  0‬فان معادلة االنحدار جبرٌاً‪:‬‬

‫وان مجموع مربعات الخطأ فً هذه الحالة هً‪:‬‬
‫‪n‬‬
‫‪S ( ˆ ) ‬‬
‫‪1‬‬ ‫) ‪ (Y ˆ X‬‬
‫‪i 1‬‬
‫‪i‬‬ ‫‪1‬‬ ‫‪i‬‬
‫‪2‬‬

‫(‪ )6‬المعادالت )‪ (10-2‬و )‪ (11-2‬تصبح غٌر مالئمة للتقدٌر اذا ‪  0  0‬الن دالة الهدف فً هذه‬
‫الحالة هً ‪:‬‬
‫‪n‬‬
‫‪S ( ˆ1 )   (Yi  ˆ1 X i ) 2‬‬
‫‪i 1‬‬
‫‪n‬‬
‫‪S ( ˆ1 )   (Yi  ˆ1 X i ) 2‬‬ ‫(‪)0‬حيث اف دالة اليدؼ ىي‪:‬‬
‫‪i 1‬‬

‫فالشرط الضروري‪:‬‬

‫‪S‬‬ ‫‪n‬‬
‫) ‪ 2  (Yi  ˆ1 X i )  ( X i‬‬
‫‪ˆi‬‬ ‫‪i 1‬‬

‫ومنها تكون المعادلة الطبٌعٌة‪:‬‬

‫‪37‬‬
‫‪S‬‬ ‫‪n‬‬ ‫‪n‬‬
‫‪0‬‬ ‫‪‬‬ ‫‪ X iYi  ˆ1  X i2  0‬‬
‫‪ˆi‬‬ ‫‪i 1‬‬ ‫‪i 1‬‬

‫‪n‬‬
‫‪ X iYi‬‬ ‫‪176‬‬
‫‪ ˆ1 ‬‬ ‫‪i 1‬‬
‫‪n‬‬
‫‪‬‬
‫‪ X i2‬‬ ‫‪91‬‬
‫‪i 1‬‬

‫‪ ˆ1  1.934‬‬

‫وبذلؾ فاف معادلة االنحدار‪:‬‬

‫‪Yˆ i  1.934 X i‬‬

‫)‪ (ٛ‬لرسـ الخط المقدر عندما ‪β0 = 0‬‬
‫‪Yˆ  1.934‬‬ ‫‪‬‬ ‫‪X 1‬‬ ‫ًفشض‬
‫‪Yˆ  3.868‬‬ ‫‪‬‬ ‫‪X 2‬‬ ‫ًفشض‬
‫ثـ نصؿ النقاط عبر نقطة األصؿ )‪ ( 0,0‬ويكوف الخط المستقيـ المقدر كما موضح في الشكؿ)‪.(10-2‬‬

‫الشكل )‪(10-2‬‬

‫‪Y‬‬

‫‪X‬‬

‫(‪ )9‬وللحصول على بواقً العالقة نحسب قٌم ˆ‪ Y‬أوالً من معادلة التقدٌر‪.‬‬
‫‪Yˆi X i  1.934 X i‬‬
‫ثم نحسب األخطاء‬
‫‪ei  Yi  Yˆi‬‬
‫وكما موضحة فً الجدول (‪)7-2‬‬

‫‪38‬‬
 ‫جدول )‪(7-2‬‬
‫القٌم األصلٌة‬
‫‪XY‬‬ ‫‪X2‬‬ ‫ˆ‪Y‬‬ ‫‪e‬‬ ‫‪e2‬‬
‫‪4‬‬ ‫‪1‬‬ ‫‪1.934‬‬ ‫‪2.061‬‬ ‫‪4.268‬‬
‫‪12‬‬ ‫‪4‬‬ ‫‪3.868‬‬ ‫‪2.132‬‬ ‫‪4.545‬‬
‫‪21‬‬ ‫‪9‬‬ ‫‪5.802‬‬ ‫‪1.198‬‬ ‫‪1.435‬‬
‫‪28‬‬ ‫‪16‬‬ ‫‪7.736‬‬ ‫‪-.736‬‬ ‫‪0.542‬‬
‫‪45‬‬ ‫‪25‬‬ ‫‪9.67‬‬ ‫‪-.67‬‬ ‫‪0.449‬‬
‫‪66‬‬ ‫‪36‬‬ ‫‪11.604‬‬ ‫‪-.604‬‬ ‫‪0.365‬‬
‫‪∑106‬‬ ‫‪91‬‬ ‫‪40.614‬‬ ‫‪11.604‬‬
‫‪6‬‬
‫‪ ei2  11.604‬‬
‫‪i 1‬‬

‫‪Yˆ i  2.85  1.28 X i‬‬ ‫‪  ei‬عندما معادلة التقدٌر‪:‬‬ ‫(‪ 1.6854 )17‬‬
‫‪2‬‬

‫‪6‬‬
‫فً حٌن عند معادلة التقدٌر ‪ Yˆ i  1.934 X i‬فان ‪ ei2  11.604‬‬
‫‪i 1‬‬
‫اذن الخط المستقٌم المقدر ٌكون أكثر تمثٌالً للبٌانات اذا استخدمنا النموذج بوجود المقطع الصادي‪.‬‬

‫)ٔٔ( اذا كانت القيمة الحقيقية لػ ‪. 1  0‬‬

‫فاف الخط المقدر يتبع الشكؿ التالي‪:‬‬

‫شكل )‪(11-2‬‬
‫الخط المقدر عندما ‪1  0‬‬

‫‪Y‬‬

‫‪Y  0‬‬
‫‪‬‬
‫‪0 ‬‬
‫‪‬‬ ‫‪X‬‬
‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬

‫‪(Yi X i )   0‬‬ ‫كما اف معادلة االنحدار تتبع الصيغة التالية‪:‬‬

‫‪39‬‬
 ‫(‪ )12‬مف الشكؿ يتضح إف قيـ ‪ Y‬ال تتحدد عمى وفؽ قيـ ‪ ، X‬فيي ال تتغير مع تغير قيـ ‪ X‬بمعنى إف‬
‫أثر ‪ X‬معدوـ في تحديد قيـ ‪. Y‬‬

‫)‪ (5-2‬التنبـؤ ‪: Prediction‬اف نتائج االنحدار يتـ تطبيقيا في اتجاىيف‪:‬‬

‫)‪ (1‬اختيار الفرضيات حوؿ سموؾ صيغة التقدير والذي بدوره يتكوف مف خطوتيف‪:‬‬
‫)أ( االختبارات اإلحصائية والتي سيتـ مناقشتيا في الفصؿ القادـ ) الفصؿ الثالث(‪.‬‬
‫)ب( اختبارات الدرجة الثانية والتي تمثؿ اختبارات تحقؽ فروض التحميؿ والتي يتـ تناوليا في الباب‬
‫الثاني‪.‬‬

‫)ٕ( واالتجاه الثاني لتطبيؽ نتائج االنحدار ىو التنبؤ بتأثير إحداث معينة عمى المتغير المستقؿ‪.‬‬

‫ويعد التنبؤ مف إحدى أىـ التطبيقات لنموذج االنحدار‪ .‬فمثبلً بالرجوع إلى دالة اإلنتاج الزراعي‬
‫المقدرة في المثاؿ )‪ ،(1-2‬يمكف استخداميا لمتنبؤ عف حجـ اإلنتاج الزراعي في حاؿ استخداـ سياسة‬
‫توسعية لممساحات المزروعة‪ .‬فعند افتراض توسع المساحة المزروعة إلى )‪ ، (Xf‬فتعوض قيمتو في دالة‬
‫اإلنتاج الزراعي المقدرة فنحصؿ عمى حجـ اإلنتاج المستقبمي المناظر لقيمة ‪:Xf‬‬
‫‪Y f   0  1 X f  u f‬‬
‫قيمة الخطأ العشوائي المستقبمي‪ .‬والذي اليمكننا التنبؤ بو ألنو عشوائي وغير مرتبط باي‬ ‫حيث اف ‪u f‬‬
‫قيمة سابقة لمخطأ العشوائي ) بموجب فروض التحميؿ ( ‪ cov(ui u j )  0‬وكذلؾ غير مرتبط بقيـ‬
‫المتغير المستقؿ ‪. cov(ui X j )  0‬‬
‫وعميو يتبيف وجود مصدريف لعدـ التأكد في القيـ التنبؤية‪:‬‬

‫ˆ‬ ‫ˆ‬
‫االوؿ‪ :‬عدـ معرفتنا بقيـ ‪  1 ,  0‬ويجب استخداـ التقديرات ليا ‪ ،  1 ,  0‬وىذا يمثؿ متوسط االستجابة‬
‫‪Y fm  (Y X f )   0  1 X f‬‬
‫‪.‬‬ ‫اما مصدر عدـ التأكد الثاني ىو االثر الذي اليمكف التنبؤ بو لمخطأ العشوائي‬
‫ويتطمب ذلؾ الرغبة في الحصوؿ عمى التنبؤ ‪ Y f‬الى جانب مقياس لدقة التنبؤ والمتمثؿ في بناء فترة ثقة‬
‫لو‪.‬‬

‫‪41‬‬
 ‫)‪ (1-5-2‬تكوين التنبؤات‪:‬‬
‫اوالً‪ :‬تقدير متوسط االستجابة‪ :Estimating the mean prediction‬فمع توافر المقدرات‬
‫‪ ˆ1 , ˆ0‬والمعتمدة عمى عينة بحجـ )‪ (n‬لممتغيريف ‪ X‬و ‪ ، Y‬وطالما اف المدة ) ‪ ( f‬ىي مدة مستقبمية‬
‫‪ ˆ0‬و ‪ ˆ1‬مقدرات غير منحازة ‪ .‬وبذلؾ يمكف‬ ‫فاف )‪ ( f  n‬وبظؿ افتراضات النموذج فاف‬
‫استخدـ الصيغة‪:‬‬

‫مقد اًر غير متحيز لػ ‪: Y f‬‬

‫‪m‬‬
‫‪Yˆ f  ˆ0  ˆ1 X f‬‬
‫‪‬‬
‫‪(Yˆf )  (ˆ0  ˆ1 X f )  (ˆ0 )  ( ˆ1 ) X f‬‬ ‫‪‬‬
‫‪(Yˆf )  ˆ0  ˆ1 X f  Y fm‬‬ ‫‪...‬‬ ‫)‪(30 - 2‬‬

‫وبالرجوع إلى مثاؿ اإلنتاج بداللة المساحة المزروعة وبافتراض توسيع المساحة المزروعة )‪(250‬ىكتار‬
‫فاف تقدير القيمة المتوقعة لئلنتاج‪:‬‬

‫‪Yˆ fm  35.35  2.564(250)  676.35‬‬ ‫ألؼ كغـ‬

‫نبلحظ اف ‪ Yˆf‬ىو تقدير النقطة لمقيمة المتوسطة لػ ‪ Yf‬وىو ‪ Y f‬والمناظرة لػ ‪. Xf‬‬

‫‪m‬‬

‫كما ويطمؽ عمى ىذا النوع مف التنبؤ بالتنبؤ ضمف حدود العينة‪.‬‬

‫ثانياً‪ :‬تقدير القيمة التنبؤية الجديدة ‪Estimating the point prediction:‬‬

‫القضية ذات األىمية الرئيسة ىي التنبؤ بمشاىدات جديدة أي التنبؤ بػ ‪ Yf‬ذاتيا‪ .‬وبافتراض قيمة ‪Xf‬‬
‫معطاة بمقدورنا التنبؤ بالمستوى المستقبمي لػ ‪ Y‬وىو ‪ ) .Yf‬يعد مفردة جديدة (‬
‫وحيث اف‪ Yˆf  ˆ0  ˆ1 X f :‬وذلؾ الف ‪(u)  0‬‬
‫وببساطة يتـ التنبؤ بمستوى ‪ Yf‬عف طريؽ التنبؤ بقيمتو المتوسطة‪.‬‬
‫وينشأ عف ذلؾ خطأ التنبؤ‪:‬‬
‫‪e f  Y f  Yˆf‬‬ ‫‪...‬‬ ‫)‪(31 - 2‬‬
‫ويكوف متوسط ذلؾ الخطأ‪:‬‬
‫) ‪(e f )  (Y f )  (Yˆf‬‬
‫‪  0  1 X f   0  1 X f  0‬‬

‫‪41‬‬
 ‫أسئهة انفصم انثبني‪:‬‬
‫س‪ :1‬صحح الخطأ في كؿ مف العبارات التالية‪:‬‬
‫ٔ‪ -‬اف االنحراؼ لمقيـ المنفردة )‪ (Yi‬حوؿ قيميا المتوقعة تمثؿ خطأ التنبؤ‪.‬‬
‫ٕ‪ -‬اف عبلقة االنحدار تتكوف مف جزأيف‪ ،‬الجزء األوؿ المتوسط الشرطي لػ ‪ Y‬عند مستوى محدد لػ ‪X‬‬
‫‪ ،‬والجزء الثاني ىو الجزء المحدد غير الشرطي‪.‬‬
‫ٖ‪ -‬في االنحدار البسيط ميؿ الخط المستقيـ ىو المعممة )‪ (β1‬تكوف موجبة‪.‬‬
‫ٗ‪ -‬رسـ االنتشار ىو الشكؿ الذي تحدد بو قيـ المتغير المعتمد المقدرة‪.‬‬
‫٘‪ -‬معيار طريقة المربعات الصغرى ىو مجموع المسافة العمودية لكؿ نقطة مف البيانات عف الخط‬
‫المقدر تكوف أصغر ما يمكف‪.‬‬
‫‪ -ٙ‬الشرط الكافي لتحقيؽ مبدأ المربعات الصغرى يولد المعادالت الطبيعية‪.‬‬
‫‪ -ٚ‬اف تحميؿ االنحدار يسعى لتحديد مدى قرب ‪ Y‬المقدرة بٔموجب طريقة التقدير المختارة مع حد‬
‫الخطأ‪.‬‬
‫‪ -ٛ‬تسمى عبلقة االنحدار خطية إذا كانت خطية بداللة المعمـٔات وكذلؾ خطية بداللة المتغيرات‪.‬‬
‫‪ -ٜ‬المتغير العشوائي كروياً يعني متجانس التبايف‪.‬‬
‫ٓٔ‪ -‬اف مجموع التغيرات اإلجمالية في االنحدار يقسـ إلى جزأيف ىما مجموع مربعات الخطأ مضافاً‬
‫الييا مجموع مربعات متوسط استجابة ‪.Y‬‬
‫ٔٔ‪ -‬عند ثبوت قيمة المتغير ‪ Y‬مقابؿ تغير واضح في قيـ ‪ ،X‬فاف ذلؾ دليبلً عمى معنوية ‪.X‬‬

‫سٕ‪ :‬ناقش فرضيات تحميؿ االنحدار؟‬

‫س‪ :3‬وضح بالتفصيؿ اف يكوف نموذج االنحدار خطياً ؟‬

‫س‪ :4‬وضح المقصود بالعبارات التالية‪:‬‬

‫ٔ‪ .‬المتغير ‪ X‬يفترض اف يكوف غير عشوائي؟‬
‫ٕ‪ .‬عبلقة االنحدار خطية بداللة المعممات؟‬
‫ٖ‪ .‬فرضية عدـ وجود ارتباط ذاتي بيف مشاىدات المتغير العشوائي؟‬
‫ٗ‪ .‬عدـ وجود ارتباط بيف ‪ ui‬و ‪ Xi‬؟‬
‫٘‪ BLUE .‬؟‬
‫‪ .ٙ‬المتغير العشوائي الكروي )‪ (Spherical disturbance‬؟‬

‫س‪ :5‬أي مف العبلقات التالية تحقؽ فرضية خطية عبلقة االنحدار‪:‬‬

‫‪42‬‬
 ‫‪Yi   0  1  i  ui‬‬
‫‪0‬‬
‫‪Yi ‬‬ ‫‪  2 X i2  ui‬‬
‫‪Xi‬‬
‫‪1‬‬
‫‪  0  1 ln X i  ui‬‬
‫‪Yi‬‬
‫‪Yi ‬‬ ‫‪ 0  1 X i  ui‬‬
‫‪ln Yi   0  1 ln X i  ui‬‬
‫‪Yi   0 X i1 e ui‬‬
‫‪Yi   0   i2 X i  ui‬‬

‫س‪ :6‬وضح بالرسـ‪:‬‬

‫ٔ‪ .‬تبايف الخطأ في االنحدار البسيط يكوف متجانساً‪.‬‬
‫ٕ‪ .‬األنماط المختمفة لممتغير العشوائي ) ارتباط ذاتي طردي وعكسي‪ ،‬واستقبلؿ ذاتي(‪.‬‬
‫ٖ‪ .‬نص نظرية جاوس – ماركوؼ‪.‬‬
‫ٗ‪ .‬خط انحدار بسيط ذو ميؿ سالب ومقطع معدوـ‪.‬‬
‫٘‪ .‬خط انحدار بسيط ذو ميؿ معدوـ ومقطع موجب‪.‬‬
‫‪ .ٙ‬خط انحدار بسيط ذو ميؿ موجب ومقطع موجب‪.‬‬

‫س‪:7‬قارف بيف طريقتي ‪ OLS‬و ‪ ML‬مف حيث ) المبدأ ‪ ،‬نتائج التقدير‪ ،‬صفات المقدرات( ؟‬

‫س‪ :8‬اشتؽ صيغة مناسبة لتبايف كؿ مف ‪ :‬معممات االنحدار ‪ β1 ، β0‬والخطأ للمجتمع بموجب‬
‫)‪ (OLS‬المربعات الصغرى وبموجب ‪ ML‬؟‬

‫و ‪ ˆ1‬؟‬ ‫س‪ :9‬وضح توزٌع المعلمات المقدرة ‪ˆ0‬‬

‫س‪ :10‬اذكر أىـ صفات مقدرات المربعات الصغرى ثـ بيف توزيعيا ؟‬

‫‪ Yi   0  1e‬لمبيانات‪:‬‬ ‫س‪ Y :11‬يرتبط بالمتغير ‪ X‬عمى وفؽ الصيغة‪ ui :‬‬

‫‪2 Xi‬‬

‫‪X‬‬ ‫‪ٚ‬‬ ‫‪8‬‬ ‫‪12‬‬ ‫‪19‬‬

‫‪Y‬‬ ‫ٕ‬ ‫‪1‬‬ ‫‪5‬‬ ‫‪7‬‬ ‫ٔ‪ .‬صغ العبلقة بصيغة النموذج الخطي العاـ؟‬
‫ٕ‪ .‬اذكر المعادالت الطبيعية لمنموذج ؟‬

‫‪43‬‬
‫س‪ :12‬الجدوؿ التالي يمثؿ عدد ساعات المطالعة اليومي )‪ (X‬والمعدؿ العاـ )‪ (Y‬لعينة مف طمبة قسـ‬
‫اإلحصاء‪:‬‬
‫ٔ‪ .‬أفضؿ معادلة خطية تربط بيف ‪ X‬و ‪ Y‬وتفسير معمماتيا ؟‬
‫‪X‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪3‬‬ ‫‪6‬‬
‫‪Y‬‬ ‫‪60‬‬ ‫‪70‬‬ ‫‪75‬‬ ‫‪80‬‬ ‫ٕ‪ .‬قدر معدؿ طالب يدرس )‪ (2‬ساعة ؟‬
‫ٖ‪ .‬رسـ الخط المقدر مع رسـ االنتشار ؟‬

‫‪44‬‬
 ‫انفصم انثبنث‬

‫االستذالل في نمورج انمربعبت انصغرى ‪Inferences in‬‬

‫‪OLS"" Model‬‬

‫بعد اف تـ تقدير معممات نموذج االنحدار األساسي ذي المتغيريف‪ ،‬وتحديد صفات المقدرات وتوزيعيا في‬
‫الفصؿ السابؽ ننتقؿ الى مرحمة االستدالؿ حوؿ صحة النتائج التقديرية‪ .‬ويتطمب ذلؾ مرحمتيف‪:‬‬

‫المرحمة األولى‪ :‬تتطمب استخداـ اآلتي‪:‬‬

‫ٔ‪ -‬االستدالؿ حوؿ المعممات المقدرة أو القيـ التنبؤية ويتمثؿ ذلؾ باختبار الفرضيات وكذلؾ فترات‬
‫الثقة‪.‬‬
‫‪Analysis of variance.‬‬ ‫ٕ‪ -‬جدوؿ تحميؿ التبايف‬
‫‪Goodness of fit.‬‬ ‫ٖ‪ -‬اختبار حسف التوفيؽ‬

‫المرحمة الثانية‪:‬وتتضمف ىذه المرحمة استخداـ اختبارات مناسبة لمتحقؽ مف اف فرضيات النموذج قد‬
‫تحققت‪.‬‬

‫وستختص فقرات الفصؿ الثالث لما تتطمبو المرحمة االولى‪ .‬اما المرحمة الثانية فسيتـ عرضيا في الباب‬
‫الثاني‪.‬‬

‫)‪(1-3‬االستدالل حول المعممات المقدرة ‪. Inference about estimated parameters‬‬

‫بعد تقدير المعممات فالسؤاؿ المطروح ىؿ يمكف الركوف الى ىذه النتائج؟ وما مدى ثقتنا بيا‪.‬‬
‫عمى سبيؿ المثاؿ ما مدى ثقتنا في كوف المعممة ‪  0‬موجبة في الحقيقة؟ فاذا كاف تقديرنا لػ ‪ 0‬‬
‫ىو‪ ،0.001‬فيؿ يكوف مقنعاً بالقوؿ اف ‪  0‬موجبة وليست صف اًر‪.‬‬
‫واذا افترضنا اف ‪ ، βٔ = 0.9‬فيؿ اف تقديرنا لػ ٔ‪ (ˆ1  0.72) β‬غير متسؽ مع االفتراض‪βٔ = 0.9‬؟‬
‫فقد يكوف التفاوت بيف التقدير والقيمة الحقيقية نشأ مف حجـ العينة التي تـ استخداميا في التقدير‪ .‬فاذا‬
‫كانت درجة مادة االحصاء في المرحمة االولى مف قسـ االحصاء في جامعة البصرة ىي )‪ ،(69‬فبل ينبغي‬
‫اف نتوقع اف الدرجة المتوسطة لمجموعة عشوائية مف )‪ (10‬أفراد مثبلً يكوف )‪ (69‬بالضبط‪.‬‬
‫في ىذه الفقرة نيتـ بدراسة التناسؽ بيف تقديرات المعممات والفرضيات المسبقة‪ ،‬وكذلؾ بناء فترة ثقة حوؿ‬
‫تقديرنا‪ ،‬لتمكننا مف استخداـ تقدير النقطة اليجاد التقدير بالفترة‪.‬‬

‫‪45‬‬
 ‫)‪(1-1-3‬تفسير اختبار الفرضيات ‪Interpretation of testing hypothese‬‬

‫اف منيج االختبار يتمخص بوضع فرضية العدـ )‪ (H0‬وفرضية بديمة )‪ (H1‬ونسعى لقبوؿ فرضػية‬
‫العػػدـ أو رفضػػيا عمػػى اسػػاس الفػػرؽ بػػيف القيمػػة المفترضػػة لممعممػػة وتقػػديرنا ليػػا‪ .‬فػػاذا كػػاف الفػػرؽ بػػيف ) ˆ‪(‬‬
‫وبيف القيمة المفترضة ) ‪ ( β‬أي ) قيمة المعممة فػي المجتمػع الػذي سػحبت منػو العينػة ( كبيػ اًر جػداً فيكػوف‬
‫القػرار بػرفض فرضػػية العػػدـ‪ ،‬وفرضػػية العػػدـ تحػػدد فييػػا القػػيـ التػػي يعتقػػد الباحػػث بانيػػا ال تعبػػر عػػف القيمػػة‬
‫الحقيقية لممعممة‪ .‬ولتحديد مقدار الفرؽ الكبير‪ ،‬البد مف اختيار مستوى داللة معيف‪.‬‬

‫)‪(2-1-3‬مستوى الداللة ‪.Level of significance‬‬

‫يطمػػؽ عميػػو الخطػػأ مػػف النػػوع األوؿ )‪ (Type Ierror‬وىػػو يرمػػز الحتمػػاؿ الوقػػوع بيػػذا الخطػػأ عنػػد رفػػض‬
‫فرضية العدـ ‪ H0‬عندما تكوف ىذه الفرضية صحيحة في الحقيقة‪ .‬ويرمػز لػو بػالرمز ) ‪ ( α‬ويسػمى أيضػاً‬
‫مستوى المعنوية‪.‬‬
‫وىن ػػاؾ خط ػػأ آخ ػػر محتم ػػؿ اف نق ػػع ب ػػو ى ػػو اف نقب ػػؿ ‪ H0‬حت ػػى اذا كان ػػت الفرض ػػية البديم ػػة ى ػػي الفرض ػػية‬
‫الصػحيحة‪ .‬ويطمػؽ عمػى ىػػذا النػوع مػف الخطػأ ) الخطػػأ مػف النػوع الثػاني ( )‪ (Type П error‬ويرمػز لػػو‬
‫بػػالرمز)‪ .(β‬وجػػدير بالػػذكر اف تخفػػيض احتمػػاؿ الوقػػوع فػػي الخطػػأ مػػف النػػوع األوؿ سػػيزيد فػػي الوقػػت نفسػػو‬
‫احتماؿ الوقوع في الخطأ مف النوع الثاني‪ .‬وفي العادة يتـ االختبار باستخداـ ‪ α‬عند )‪ (0.05‬أو )‪.(0.01‬‬
‫وضرورة التأكيد في ىذا الصدد اف أي مف الخطأيف قد يؤدي إلى القياـ بعمؿ لو نتائج غير مرغػوب فييػا‪.‬‬
‫فيناؾ خسارة مرتبطة بكؿ نوع مف األخطاء ونختار الخسارة األقؿ‪.‬‬

‫)‪(3-1-3‬الفرضيات حول المعممات المقدرة‪parametersHypotheses about estimated.‬‬

‫في الغالب اف الظاىرة المطموب دراستيا ىي التي تقترح طبيعة فرضية العدـ والفرضية البديمة‬
‫لكبل المعممتيف ‪ β0‬و ‪ .β1‬وسيتـ تحديد أىـ انواع الفرضيات ولكؿ معممة مف المعممات عمى وفؽ اآلتي‪:‬‬
‫ٔ‪ -‬اذا اردنا اثبات اف الميؿ لخط االنحدار‪ β1‬او الحد الثابت ‪ β0‬ال يساوي صف اًر فتكوف الفرضية‪:‬‬

‫‪H0: β1 = 0‬‬ ‫‪vs.‬‬ ‫‪H1: β1 ≠ 0‬‬

‫أو‪:‬‬ ‫‪. . .‬‬ ‫)‪(1-3‬‬
‫‪H0: β0 = 0‬‬ ‫‪vs.‬‬ ‫‪H1: β0 ≠ 0‬‬
‫وىكذا يمكف تعميمو الي قيمة غير الصفر‪.‬‬
‫ويسمى االختبار بيذه الحالة اختبار بجانبيف )‪(Two tail test‬‬

‫ٕ‪ -‬اذا كنا نسعى الى اثبات اف ميؿ انحدار المجتمع موجباً او اف الحد الثابت موجباً فتكوف‬
‫الفرضية‪:‬‬

‫‪46‬‬
‫‪H0: β1 ≤ 0‬‬ ‫‪vs.‬‬ ‫‪H1: β1> 0‬‬
‫‪ . . .‬أو‪:‬‬ ‫)‪(2-3‬‬
‫‪H0: β0 ≤ 0‬‬ ‫‪vs.‬‬ ‫>‪H1: β0‬‬
‫ويسمى االختبار في ىذه الحالة اختبار بجانب واحد )‪(One – tail test‬‬

‫ٖ‪ -‬أما اذا أردنا اثبات اف ميؿ انحدار المجتمع سالباً او اف الحد الثابت سالباً فاف الفرضية تصاغ‬
‫عمى وفؽ اآلتي‪:‬‬
‫‪H0: β1 ≥ 0‬‬ ‫‪vs.‬‬ ‫‪H1: β1< 0‬‬
‫‪ . . .‬أو‪:‬‬ ‫)‪(3-3‬‬
‫‪H0: β0 ≥ 0‬‬ ‫‪vs.‬‬ ‫‪H1: β0< 0‬‬

‫وىكذا يمكف تعميـ الحاالت الثبلث السابقة الي قيمة معمومة ) غير الصفر ( وكاآلتي‪:‬‬
‫الحالة االولى‪:‬‬
‫‪H0: β1 = (β1)0‬‬ ‫‪vs.‬‬ ‫‪H1: β1 ≠ (β1)0‬‬
‫‪ . . .‬أو‪:‬‬ ‫')‪(1-3‬‬
‫‪H0: β0 = (β0)0‬‬ ‫‪vs.‬‬ ‫‪H1: β0 ≠ (β0)0‬‬

‫الحالة الثانية‪:‬‬
‫‪H0: β1 ≤ (β1)0‬‬ ‫‪vs.‬‬ ‫‪H1: β1> (β1)0‬‬
‫أو‪:‬‬ ‫‪. . .‬‬ ‫')‪(2-3‬‬
‫‪H0: β0 ≤ (β0)0‬‬ ‫‪vs.‬‬ ‫‪H1: β0> (β0)0‬‬

‫الحالة الثالثة‪:‬‬
‫‪H0: β1 ≥ (β1)0‬‬ ‫‪vs.‬‬ ‫‪H1: β1< (β1)0‬‬
‫‪ . . .‬أو‪:‬‬ ‫')‪(3-3‬‬
‫‪H0: β0 ≥ (β0)0‬‬ ‫‪vs.‬‬ ‫‪H1: β0< (β0)0‬‬

‫والجدير بالذكر اف صياغة الفرضيات واختيار حجـ الخطأ مف النوع االوؿ)‪ (α‬ينبغي اف تسبؽ تحميؿ‬
‫البيانات والحصوؿ عمى المقدرات‪.‬‬

‫)‪(4-1-3‬االحصاءة المستخدمة لالختبار ‪. testStatistic forUsed‬‬

‫إلجراء اختبار الفرضيات المؤشرة في الحاالت الػثبلث المؤشػرة فػي الفقػرة السػابقة ينبغػي عمينػا‬
‫اوالً أف نستذكر خصائص المتغير العشوائي ‪ ut‬التي تـ افتراضيا‪ ،‬فيي متغيرات عشوائية ذات قيـ متوقعة‬
‫صفرية ‪ ،‬وليا قيمة ثابتة لمتبايف وليا تغايرات صفرية كما انيا مستقمة عف المتغيرات الموجودة في الطرؼ‬
‫األيمف مف المعادلة ) وىنا ىو المتغير المستقؿ ‪ .( X‬كما اف األخطاء العشوائية موزعػة توزيعػاً طبيعيػاً أي‬

‫‪47‬‬
‫اف دالتيا االحتمالية ىو المنحنػى الطبيعػي* وبػذلؾ يمكػف تحديػده بواسػطة الوسػط الحسػابي والتبػايف‪ .‬والتػي‬
‫يمكف إدراجيا كاآلتي‪:‬‬
‫) ‪ut ~ N ( 0 , σ2‬‬

‫‪Y = β0 + β1 X + u‬‬ ‫وحيث اف‪:‬‬

‫) ‪Y ~ N ( β0 + β1 X , σ2‬‬ ‫فاف‪:‬‬

‫وكما أوضحنا في الفصؿ الثاني اف ‪ ˆ0‬و ‪ ˆ1‬توليفات خطية بداللة األخطاء العشوائية‬
‫‪ un ، . . . ، u1‬لقيـ معطاة لممتغير المستقؿ ‪ . X‬وىي مقدرات غير متحيزة‪ ،‬وتـ اشتقاؽ صيغاً لتبايناتيا‬
‫وبذلؾ يمكف اف نكتب توزيع ىذه المقدرات كاآلتي‪:‬‬
‫‪2 X‬‬
‫‪2‬‬
‫ˆ‬
‫‪0 ~ N ( 0 , ‬‬ ‫)‬
‫‪nx 2‬‬
‫‪2‬‬
‫‪ˆ1 ~ N ( 1 ,‬‬ ‫)‬ ‫وكذلؾ‬
‫‪x 2‬‬
‫وبذلؾ يمكننا استخداـ طرؽ اإلحصاء الختبار الفرضيات المرتبطة بػ ‪ β0‬و ‪ β1‬ومبادئ‬
‫اإلحصاء األولية التي يمكننا مف استخداـ توزيع ‪ Z‬الطبيعي المعياري وجداولو الخاصة‪ .‬واستخداـ‬

‫االحصاءة ‪ Z‬يتطمب اف تكوف قيمة تبايف المجتمع معموماً‪ .‬وحيث اف تبايف المعممات المقدرة ‪ ˆ0‬و ‪ˆ1‬‬

‫تعتمد عمى تبايف الخطأ ‪ σ2‬وىي قيمة غير معمومة لذلؾ فاف تبايف المعممات المقدرة ‪ ˆ0‬و ‪ ˆ1‬ىي‬
‫األخرى غير معمومة‪ .‬ولقد تـ استخداـ المقدر ˆ‪ ‬مف أجؿ الحصوؿ عمى تباينات المقدرات حيث‬
‫‪2‬‬

‫‪ei2‬‬
‫‪ˆ ‬‬ ‫‪2‬‬

‫)‪(n  2‬‬
‫ومع ىذا التعديؿ فميس باإلمكاف استخداـ المنحنى الطبيعي الختبار الفرضيات وانما يتـ اعتماد توزيع‬
‫ستيودنت**‪ t‬بدرجات حرية )‪ . (n-2‬ويتـ استخداـ الجداوؿ الخاصة بتوزيع ‪ t‬ولدرجات حرية )‪(n-2‬‬
‫الستخراج القيـ النظرية‪ .‬وبذلؾ فاف االحصاءة المستخدمة ىي‪:‬‬

‫____________‬
‫* اف كثير مف النتائج المذكورة في ىذا الكتاب ال تتطمب مف الناحية الفنية ليذا االفتراض‪.‬‬
‫** يشبو توزيع ‪ t‬التوزيع الطبيعي‪ .‬ومع كبر حجـ العينة )‪ (n‬فاف التوزيع سوؼ يؤوؿ الى التوزيع الطبيعي‪.‬‬

‫‪48‬‬
 ‫‪ˆ0  (  0 ) 0 ‬‬
‫ˆ‪t ‬‬ ‫‪‬‬ ‫‪‬‬
‫‪0‬‬
‫‪s.e( ˆ0 ) ‬‬
‫‪‬‬ ‫‪...‬‬ ‫)‪(4 - 3‬‬
‫‪ˆ1  ( 1 ) 0 ‬‬
‫ˆ‪t ‬‬ ‫‪‬‬
‫‪1‬‬
‫‪s.e( ˆ1 ) ‬‬ ‫‪‬‬

‫و ‪. (3  3)‬‬ ‫و ‪(2  3)‬‬ ‫الختبار الحاالت الثبلث المذكورة في المعادالت ‪(1  3)‬‬
‫وتسمى القيـ في المعادلة )‪ (4-3‬قيـ ‪ t‬العممية ) المحسوبة ( وتقارف ىذه القيـ العممية مع النظرية والتي‬
‫يتـ استخراجيا مف جداوؿ خاصة بتوزيع ‪ t‬ولدرجات حرية )‪ (n-2‬وبموجب مستوى معنوية مختار مسبقاً‬
‫ويرمز لو‪tc ( n  2, ) :‬‬
‫‪ : γ‬ىو االحتماؿ الذي يكوف متغير ‪ t‬بدرجات حرية )‪ (n-2‬أقؿ مف ‪ tc‬مع مبلحظة‪:‬‬
‫‪‬‬
‫‪ :  ‬في حالة اختبار الطرفيف‪.‬‬
‫‪2‬‬
‫‪ :   ‬في حالة اختبار الطرؼ الواحد‪.‬‬

‫)‪(5-1-3‬نسبة ‪ : t‬قاعدة لمحساب ‪t- Ratio.‬‬

‫اف االستنتاج الذي يمكف الوصوؿ اليو يعتمد عمى حالة االختبار‪ ،‬ويمكف تحديد الحاالت التالية‪:‬‬

‫الحالة األولى‪ :‬في حالة االختبار ذي الطرفيف‪ ،‬اذا كانت قيمة المعممة المقدرة أكبر مف ضعؼ حجـ‬
‫الخطأ المعياري المقدر‪ ،‬فاف االستنتاج يكوف اختبلؼ المعممة المقدرة معنوياً عف الصفر وعند مستوى‬
‫معنوية ‪ 5%‬بمعنى رفض فرضية العدـ المذكورة في المعادلة )‪. (1-3‬‬
‫أما اذا كانت قيمة المعممة المقدرة اكبر مف ثبلثة أمثاؿ حجـ الخطأ المعياري المقدر فاف ىذه المعممة‬
‫مختمفة عف الصفر عند مستوى معنوية ‪. 1%‬‬
‫وبشكؿ عاـ المخطط التالي يوضح منطقة القبوؿ والرفض لمفرضية بجانبيف وبافتراض مستوى معنوية‬
‫‪:α %‬‬

‫منطقة القبول‬
‫‪Acceptance Region‬‬

‫‪ t‬‬ ‫‪t‬‬

‫‪2‬‬ ‫‪2‬‬

‫‪49‬‬
 ‫المساحة المضممة تمثؿ منطقة الرفض ‪ ، Rejection Region‬فعندما تقع القيمة المحسوبة لػ ‪ t‬في‬
‫منطقة الرفض يكوف القرار برفض ‪ H0‬أي عدـ رفض ‪ . H1‬والعكس صحيح‪.‬‬

‫ˆ‪t ‬‬ ‫‪ t‬‬ ‫‪‬‬ ‫بمعنى ‪:‬‬

‫‪c ( n  2,‬‬ ‫)‬
‫‪2‬‬

‫يكوف القرار رفض ‪.H0‬‬

‫مثاؿ )‪ :(1-3‬لوحة البيانات عف دراسة لفحص العبلقة بيف الخبرة واالجر لمجموعة اف ارد في حرفة معينة‬
‫ومنطقة جغرافية معينة‪ ،‬حيث اف الخبرة متمثمة بعدد سنوات الخدمة )‪ (X‬واالجر )‪ (Y‬بالؼ دوالر ولعينة‬
‫مكونة مف )‪ (16‬حرفي‪.‬‬

‫‪Y  750 , X  245 , XY  13210 , X 2  5291 , Y 2  38080‬‬

‫ـ‪ -1 /‬قدر عبلقة انحدار ‪ Y‬بداللة ‪ X‬لمعينة‪.‬‬

‫‪ -2‬فسر المعممات المقدرة‬
‫‪ -3‬اختبر معنوية المقدرات‬
‫الحؿ‪ (1) :‬تقدير معادلة االنحدار‪:‬‬
‫‪1‬‬
‫‪XY ‬‬ ‫) ‪(X )(Y‬‬
‫‪S‬‬
‫‪̂1 ‬‬ ‫‪n‬‬ ‫‪ XY‬‬
‫‪1‬‬ ‫‪S XX‬‬
‫‪X 2  (X ) 2‬‬
‫‪n‬‬

‫‪1‬‬
‫‪S XY  13210 ‬‬ ‫)‪(245)(750‬‬
‫‪16‬‬
‫‪ 13210  11484.38‬‬
‫‪ 1725.62‬‬

‫‪1‬‬
‫‪S XX  5291‬‬ ‫‪(245) 2‬‬
‫‪16‬‬
‫‪ 5291  3755.238‬‬
‫‪ 1539.44‬‬

‫‪1725.62‬‬
‫‪ˆ1 ‬‬ ‫‪ 1.121‬‬
‫‪1539.44‬‬

‫‪51‬‬
‫‪ˆ0  Y  ˆ1 X‬‬
‫)‪ 46.88  (1.121)(15.3125‬‬
‫‪ 29.71‬‬

‫‪Yˆ  29.71  1.121X‬‬ ‫اذف معادلة االنحدار المقدرة‪:‬‬

‫)‪ (2‬تفسير المعممات‪:‬‬
‫‪ : 29.71  ˆ0‬تمثؿ متوسط األجر عند أوؿ التعييف أي أجر العامؿ في بداية التعييف‪.‬‬
‫‪ : 1.121  ˆ1‬اثر الخبرة في أجر العامؿ‪ .‬وىي موجبة اذف زيادة سنوات الخبرة سنة واحدة تسيـ في‬
‫زيادة األجر لدى األفراد بمقدار )‪ (1.121‬ألؼ دوالر‪.‬‬

‫)‪ (3‬اختبار معنوية المقدرات‪ :‬بالنسبة لممعممة ‪: ˆ1‬‬

‫‪H0: β1 = 0‬‬

‫‪H1: β1 ≠ 0‬‬
‫نسبة ‪:t‬‬
‫‪ˆ1‬‬
‫‪t *ˆ ‬‬
‫‪1‬‬
‫) ‪s.e( ˆ1‬‬
‫‪ˆ 2‬‬ ‫‪ˆ 2‬‬
‫‪s.e( ˆ1 ) ‬‬ ‫‪var( ˆ1 ) ‬‬ ‫‪‬‬
‫‪x 2‬‬ ‫‪S XX‬‬
‫‪e 2‬‬
‫‪ˆ ‬‬ ‫‪2‬‬
‫حيث اف‪:‬‬
‫‪n2‬‬
‫‪e 2  y 2  ŷ 2‬‬
‫‪yˆ 2  ESS  ˆ1S xy  (1.121)(1725.62)  1934.42‬‬ ‫و‬
‫‪(Y ) 2‬‬ ‫‪(750) 2‬‬
‫‪S yy  TSS  y  Y ‬‬ ‫‪2‬‬
‫‪ 38080 ‬‬
‫‪2‬‬
‫‪ 2923.75‬‬
‫‪n‬‬ ‫‪16‬‬
‫‪ e2  RSS  TSS  ESS‬‬
‫‪ 2923.75  1934.42‬‬
‫‪ 989.33‬‬
‫‪989.33‬‬
‫‪ˆ 2 ‬‬ ‫‪ 70.67‬‬
‫‪14‬‬
‫‪70.67‬‬
‫‪ var( ˆ1 ) ‬‬ ‫‪ 0.046‬‬
‫‪1535.76‬‬

‫‪51‬‬
‫‪ s.e(ˆ1 )  0.046  0.214‬‬

‫‪1.121‬‬
‫‪t*ˆ ‬‬ ‫ىي‪:‬‬ ‫نسبة ‪ t‬لممعممة ‪ˆ1‬‬
‫‪1‬‬
‫‪0.214‬‬
‫‪ 5.238‬‬

‫نختار مستوى داللة ‪ 5%‬ونستخرج القيمة النظرية لمنسبة ‪ t‬مف جداوؿ ‪ t‬بدرجات حرية )‪ (n-2‬وتحت‬
‫‪tc (14, 0.025)  2.145‬‬ ‫مستوى داللة ‪ 0.025‬الف االختبار ذو طرفيف‪:‬‬

‫القرار‪ :‬الف )‪  t ˆ1  tc (14, 0.025‬نرفض ‪ H0‬أي اف المعممة ‪ β1‬في المجتمع تختمؼ عف‬
‫*‬

‫الصفر‪ .‬أو اف المتغير ‪ X‬ميـ في تحديد التغيرات في المتغير ‪ .Y‬بعبارة أخرى اف سنوات الخبرة ميمة في‬
‫تحديد قيمة األجر السنوي‪.‬‬
‫وبالطريقة نفسيا يتـ اختبار الفرضية‪:‬‬
‫‪H0: β0 = 0‬‬

‫‪H1: β0 ≠ 0‬‬

‫‪‬‬ ‫‪ˆ0‬‬ ‫‪ˆ0‬‬

‫‪t‬‬ ‫ˆ‪‬‬ ‫‪‬‬ ‫‪‬‬
‫) ‪s.e( ˆ0‬‬ ‫) ‪var( ˆ0‬‬
‫‪0‬‬

‫ˆ‬ ‫‪ˆ 2X 2‬‬ ‫‪5291‬‬ ‫‪373914.97‬‬

‫‪var(  0 ) ‬‬ ‫‪ 70.67 ‬‬ ‫‪‬‬
‫‪n S XX‬‬ ‫)‪16(1539.44‬‬ ‫‪24631.04‬‬
‫‪ 15.18‬‬
‫‪s.e( ˆ0 )  3.896‬‬

‫‪29.71‬‬
‫‪t*ˆ ‬‬ ‫‪ 7.626‬‬
‫‪0‬‬
‫‪3.896‬‬
‫‪tc (14, 0.025)  2.145‬‬
‫اذف نرفض ‪ H0‬أي اف المعممة ‪ β0‬معنوية إحصائياً‪.‬‬

‫الحالة الثانية‪ :‬في حالة االختبار بذيؿ واحد ) جانب واحد (‪ ،‬نكوف نسبة ‪ t‬مف المعادلة )‪ (4-3‬ونقارنيا‬
‫بػ )‪.tc(n-2,α‬‬
‫‪‬‬
‫اذا كانت القيمة الحسابية ضمف منطقة القبوؿ ) ‪. t ˆi  tc ( n  2,‬‬

‫‪52‬‬
 ‫فاف القرار يكوف بقبوؿ الفرضية ‪ H0‬والعكس صحيح‪.‬‬
‫والمخطط يوضح ذلؾ‪.‬‬

‫منطقة القبول‬
‫‪ t‬‬ ‫‪t‬‬

‫المنطقة المضممة تمثؿ منطقة الرفض‪.‬‬

‫مثاؿ )‪ (2-3‬استخدـ معمومات المثاؿ السابؽ نفسيا‪.‬‬

‫‪H0: β1> 1‬‬ ‫اختبر‪:‬‬
‫ضد‬
‫‪H1: β1 ≤ 1‬‬
‫‪ˆ1  1‬‬
‫‪t‬‬ ‫*‬
‫‪‬‬ ‫قيمة ‪ t‬المحسوبة لممعممة ‪ ˆ1‬ىي‪:‬‬
‫ˆ‪‬‬
‫‪1‬‬
‫) ‪s.e( ˆ1‬‬

‫‪0.121‬‬
‫‪‬‬ ‫‪ 0.565‬‬
‫‪0.214‬‬
‫االختبار مف طرؼ واحد باستخداـ مستوى داللة ‪ 5%‬مثبلً‪:‬‬
‫‪t c (14,0.05) = 1.761‬‬

‫وبإتباع المخطط‬

‫منطقة القبول‬

‫‪‬‬
‫‪ t = -1.761‬‬ ‫‪0.565‬‬
‫فاف القيمة المحسوبة لػ ‪ t‬تقع ضمف مجاؿ القبوؿ‬
‫فالقرار يكوف بقبوؿ فرضية العدـ باف ‪ β1‬اكبر مف واحد‪.‬‬

‫‪53‬‬
 ‫الحالة الثالثة‪ :‬بعد تكويف نسبة ‪ t‬مف العبلقة )‪ (4-3‬تتـ مقارنتيا بػ ‪ t‬النظرية بدرجات حرية )‪(n-2‬‬
‫ومستوى داللة ‪.α %‬‬

‫) ‪t *ˆ  tc ( n  2,‬‬ ‫اذا كانت القيمة الحسابية ضمف منطقة القبوؿ‪:‬‬

‫فيكوف القرار بقبوؿ فرضية العدـ والعكس صحيح‪.‬‬
‫والمخطط يوضح ذلؾ‪:‬‬

‫منطقة القبول‬

‫‪-t‬‬ ‫‪t‬‬
‫‪t‬‬
‫والمنطقة المضللة تمثل منطقة الرفض‪.‬‬

‫مثاؿ )‪ : (3-3‬عينة بعدد ‪ 15‬مشاىدة‪ ،‬اذا اعطيت معادلة التقدير‪:‬‬

‫‪Yˆi  0.71  0.2 X i‬‬
‫‪s.e :‬‬ ‫)‪(0.27‬‬
‫‪H0: β1< 0‬‬ ‫اختبر الفرضية‪:‬‬

‫‪H1: β1 ≥ 0‬‬
‫‪0.211‬‬
‫‪t *ˆ ‬‬ ‫‪ 0.78‬‬
‫‪1‬‬
‫‪0.27‬‬
‫باستخداـ مستوى داللة ‪5 %‬‬
‫‪t c (13,0.05) = 1.771‬‬

‫‪-t‬‬ ‫‪0.78‬‬ ‫‪t‬‬

‫*‬
‫‪tα‬‬
‫‪1.1771‬‬
‫اذف القيمة المحسوبة تقع ضمف مجاؿ القبوؿ‬
‫القرار‪ :‬اف معممة االنحدار سالبة‪.‬‬

‫يتضح مف االمثمة المذكورة اف اختبارات المعنوية التي تخص المعممة ‪ β1‬ىي اكثر أىمية مف االختبارات‬
‫التي تخص معممة الحد الثابت )‪ . (β0‬اذ اف المعممة ‪ β1‬والتي تمثؿ معممة االنحدار فاف اختبار معنويتيا‬

‫‪54‬‬
 ‫تدؿ عمى اختبار معممة االنحدار واختبار لمعبلقة بيف متغير االستجابة ‪ Y‬مع المتغير المستقؿ ‪ X‬فاف‬
‫قبوؿ الفرضية ‪H0: β1 = 0‬‬
‫يشير إلى أحد األمريف‪:‬‬
‫‪ -1‬اف المتغير المستقؿ ‪ X‬ليس لو تأثير معنوي حقيقي عمى االستجابة وبذلؾ فاف ‪Y  Y‬‬
‫ألي قيمة مف قيـ ‪. X‬‬
‫المخطط يوضح ىذه الحالة‪Y.‬‬

‫‪X‬‬
‫‪X1‬‬ ‫‪X2‬‬ ‫‪X3‬‬

‫‪ -2‬أو اف نموذج االنحدار ‪ Y   0  1 X  u‬غير مبلئـ لتمثيؿ البيانات أي اف العبلقة الحقيقية‬

‫بيف‪ X‬و ‪ Y‬ىي غير خطية‪.‬‬
‫المخطط يوضح ذلؾ‪.‬‬
‫‪Y‬‬

‫‪X‬‬

‫‪H0: β1 = 0‬‬ ‫أما رفض الفرضية‪:‬‬

‫فانو يشير إلى اف ‪ X‬لو أىمية في تفسير التغيرات في المتغير ‪ Y‬وذلؾ يؤكد أحد أمريف‪:‬‬
‫‪ -1‬اف العبلقة بيف ‪ X‬و ‪ Y‬قد مثمت البيانات تمثيبلً مناسباً‪ .‬وبذلؾ فاف العبلقة الخطية مناسبة‬
‫لتمثيؿ المجتمع‪ .‬والمخطط يوضح ذلؾ‪.‬‬
‫‪Y‬‬

‫‪X‬‬

‫ٕ‪ -‬أو بالرغـ مف وجود تأثير خطي لػ ‪ X‬عمى ‪ Y‬فاف نموذجاً بدرجات أعمى يكوف أفضؿ لتمثيؿ‬
‫البيانات‪ ،‬والمخطط يوضح ذلؾ‪.‬‬

‫‪55‬‬
 ‫‪Y‬‬

‫‪X‬‬

‫المقدرة‪parametersinterval of the estimatedConfidence.‬‬ ‫)‪(2-3‬حدود الثقة لممعممات‬

‫اف تقدير المعممات ‪ β0‬و ‪ β1‬والتي تمت في الفصؿ الثاني فيي تمثؿ تقدير نقطة أو قيمة واحدة (‬

‫) ‪ Point estimation‬وىي ‪ ˆ0‬و ‪ ˆ1‬عمى التوالي واعتماداً عمى بيانات العينة‪.‬‬

‫والباحث يرغب في اف يحدد فترة حوؿ قيمة المعممة الحقيقية ) ‪ β0‬أو ‪ ( β1‬لتشعره بدرجة مف‬
‫وىو ما يسمى بحدود الثقة‪ .‬فيو عممية إيجاد القيمة الحقيقية لممعممة بيف حدي ثقة أدنى‬ ‫الثقة‪.‬‬
‫واعمى وباحتماؿ مقداره ) ‪( 1-α‬وذلؾ باستخداـ تقديرات النقطة لممعممات‪.‬‬
‫الحد األدنى ‪(L)Lower limit‬‬
‫الحد األعمى ‪(U)Upper limit‬‬
‫ودوف الخوض بتفاصيؿ أخرى فاف تقدير فترة الثقة لممعممات المقدرة يعتمد عمى التبايف لممعممات‬
‫المقدرة وعدد المشاىدات لمعينة التي يتـ اختيارىا لتمثيؿ المجتمع الى جانب مستوى المعنوية ‪.α‬‬
‫وحيث اف‪:‬‬
‫‪ˆi   i‬‬
‫~‬ ‫‪t‬‬
‫) ‪s.e( ˆi‬‬
‫لذا فاف فترة الثقة باحتماؿ ‪ ( 1-α )100‬لممعممة ‪ βi‬في معادلة االنحدار ىي الفترة المغمقة‪:‬‬
‫‪‬‬ ‫‪ˆi   i‬‬ ‫‪‬‬
‫‪ t‬‬ ‫‪ ‬‬ ‫‪ t‬‬ ‫‪ ‬‬
‫‪‬‬ ‫) ‪c ( n  2,‬‬ ‫ˆ‬
‫) ‪s.e(  i‬‬ ‫‪c‬‬ ‫(‬ ‫‪n‬‬ ‫‪‬‬ ‫‪2‬‬ ‫‪,‬‬
‫‪2 ‬‬
‫)‬
‫‪2‬‬ ‫‪‬‬
‫أو بعد التبسيط‪:‬‬
‫ˆ‪‬‬ ‫‪ˆ )t‬‬ ‫‪ˆ  s.e( ˆ )  t‬‬ ‫‪‬‬
‫‪‬‬
‫‪ i‬‬ ‫‪‬‬ ‫‪s‬‬‫‪.‬‬‫‪e‬‬‫(‬ ‫‪‬‬ ‫‪i‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪i‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪i‬‬ ‫‪i‬‬ ‫‪ ‬‬ ‫‪...‬‬ ‫)‪(5 - 3‬‬
‫) ‪c ( n  2,‬‬ ‫) ‪c ( n  2,‬‬
‫‪‬‬ ‫‪2‬‬ ‫‪2 ‬‬

‫كما ويمكف استخداـ حدود الثقة كأسموب الختبار معنوية معممة معينة فاذا كانت القيمة المختبر حوليا‬
‫‪ (  i ) 0‬تقع ضمف حدود الثقة فذلؾ يدلؿ عمى قبوؿ فرضية العدـ والعكس صحيح‪.‬‬

‫‪56‬‬
 ‫مثاؿ )‪ : (4-3‬استخدـ معمومات المثاؿ )‪ (1-3‬نفسيا ص‪.50‬‬
‫حدود الثقة لمعممة االنحدار ‪ β1‬باحتماؿ ‪ 95%‬ىي‪:‬‬

‫الحد األدنى‪:‬‬
‫)‪L  ˆ1  s.e( ˆ1 )  tc (14, 0.025‬‬
‫‪ 1.121  0.214(2.145)  0.662‬‬
‫الحد األعمى‪:‬‬
‫)‪U  ˆ1  s.e( ˆ1 )  tc (14, 0.025‬‬
‫‪ 1.121  0.214(2.145)  1.58‬‬

‫اذف المعممة ‪ β1‬الحقيقية نجدىا ضمف الفترة )‪ (L,U‬باحتماؿ ‪.95%‬‬

‫(‬ ‫)‬
‫*‬ ‫وحيث اف قيمة الصفر غير مضمنة في ىذه الفترة‪.‬‬
‫‪0‬‬ ‫‪0.662‬‬ ‫‪1.58‬‬

‫اذف يمكف استخداـ فترة الثقة أيضاً الختبار معنوية المعممة‪ ،‬وبيذا فاف ‪ β1‬تعد معنوية باستخداـ مستوى‬
‫معنوية ‪ 5%‬وذلؾ ألف الصفر غير مضمف في فترة الثقة لممعممة باحتماؿ ‪.95%‬‬

‫أما حدود الثقة باحتماؿ ‪ 95%‬لمعممة المقطع الصادي فيي‪:‬‬

‫الحد األدنى‪:‬‬
‫)‪L  ˆ0  s.e( ˆ0 )  t c (14, 0.025‬‬
‫‪ 29.71  3.896(2.145)  21.35‬‬
‫الحد األعمى‪:‬‬
‫)‪U  ˆ0  s.e( ˆ0 )  tc (14, 0.025‬‬
‫‪ 29.71  3.896(2.145)  38.066‬‬

‫أي اف قيمة المقطع الصادي ‪ β0‬لممجتمع نجدىا في المجاؿ )‪ ( 21.35 , 38.066‬وباحتماؿ ‪. 95%‬‬
‫ويمكف مبلحظة اف قيمة الصفر غير مضمنة في تمؾ الفترة لذا نستنتج باف المعممة ‪β0‬تختمؼ معنوياً عف‬
‫الصفر‪.‬‬
‫اف الربط الجوىري بيف ) مجاؿ الثقة ( و ) اختبار المعنوية ( يمكف تمخيصو عمى وفؽ االتي‪:‬‬
‫‪ -‬في حالة مجاؿ الثقة نحاوؿ تحديد المجاؿ او المدى الذي يمتمؾ احتمالية محدودة الحتواء القيمة‬
‫الحقيقية لممعممة والتي تكوف غير معمومة‪.‬‬

‫‪57‬‬
 ‫‪ -‬اما في حالة اختبار المعنوية فاننا نفترض قيمة معينة لممعممة ثـ نحاوؿ اف نرى فيما اذا كانت القيمة‬
‫المقدرة ) ‪ ( ˆi‬محصورة في مجاؿ معقوؿ حوؿ القيمة االفتراضية‬

‫)‪(3-3‬االستدالل حول متوسط االستجابة الحقيقي عند مستوى معموم لممتغير ‪Inference about .X‬‬
‫‪mean prediction at given value of X‬‬
‫في الفصؿ الثاني تـ التطرؽ إلى أحدى أىـ التطبيقات لنموذج االنحدار وىو تكويف التنبؤات‬
‫والتي تـ تصنيفيا إلى تنبؤات ضمف حدود العينة أو تقدير متوسط االستجابة واآلخر ىو تقديرات لمقيمة‬
‫التنبؤية الجديدة‪ .‬وفي ىذه الفقرة سيتـ تحديد توزيع المعاينة لكؿ مف متوسط االستجابة وكذلؾ لمقيمة‬
‫التنبؤية الجديدة مف اجؿ الحصوؿ عمى فترة ثقة أو اختبار الفرضيات حوليما‪.‬‬

‫)‪(1-3-3‬التوزيع االحتمالي لـ ‪.distribution for mean predictionprobability Yˆf‬‬

‫نفترض اف ‪ Xf‬ىي قيمة مف القيـ الحقيقية لممتغير‪ . X‬ونرغب في عمؿ تقدير فترة ثقة لمتوسط االستجابة‬

‫) ‪ ، (Y X  X f‬ومع توافر المقدرات ‪ ˆ0‬و ‪ ˆ1‬باالعتماد عمى عينة بحجـ )‪ (n‬مف مشاىدات )‪(X‬‬

‫و )‪ ،(Y‬وحيث اف ‪ ˆ0‬و ‪ ˆ1‬ىي مقدرات غير متحيزة لػ ‪ β0‬و ‪ ، β1‬لذا فاف الصيغة‬
‫‪ Yˆf  ˆ0  ˆ1 X f‬ىي مقدر غير متحيز لػ ‪Yf‬بعبارة اخرى‪:‬‬
‫‪(Y X  X f )  Yˆf  ˆ0  ˆ1 X f‬‬
‫والقيمة المتوسطة لػ ˆ‪ Y‬ىي ‪ . Yf‬أما نوع التوزيع لػ ‪ Yf‬فيو التوزيع الطبيعي‪ ،‬الي قيمة مف قيـ ‪Xf‬المعطاة‪،‬‬

‫النيا تركيب خطي بداللة ‪ ˆ0‬و ‪ ˆ1‬والتي ليا توزيع طبيعي‪.‬‬

‫ويبقى تحديد تبايف ‪: Yˆf‬‬
‫‪Yˆf  ˆ0  ˆ1 X f‬‬
‫‪ Y  ˆ X  ˆ X‬‬
‫‪1‬‬ ‫‪1‬‬ ‫‪f‬‬

‫) ‪ Y  ˆ1 ( X f  X‬‬
‫‪‬‬
‫) ‪var(Yˆf )  var Y  ˆ1 ( X f  X‬‬ ‫‪‬‬
‫‪‬‬ ‫‪‬‬
‫) ‪ var(Y )  var ˆ1 ( X f  X )  2 cov Y , ˆ1 ( X f  X‬‬ ‫‪‬‬ ‫‪‬‬
‫‪‬‬
‫‪cov Y , ˆ1 ( X f  X )  0‬‬ ‫‪‬‬ ‫وحيث اف ‪ ˆ1‬ال تعتمد عمى ‪ Y‬‬
‫‪‬‬ ‫‪2‬‬
‫‪ var(Yˆf ) ‬‬ ‫) ‪ ( X f  X ) 2 var( ˆ1‬‬
‫‪n‬‬

‫‪58‬‬
 ‫‪2‬‬ ‫‪2‬‬
‫‪‬‬ ‫‪ (X f  X ) ‬‬ ‫‪2‬‬
‫‪...‬‬ ‫)‪(6 - 3‬‬
‫‪n‬‬ ‫‪S XX‬‬
‫‪ 1 ( X f  X )2 ‬‬
‫‪‬‬ ‫‪2‬‬
‫‪Yˆ f‬‬ ‫‪  ‬‬‫‪2‬‬
‫‪‬‬
‫‪ n‬‬ ‫‪S XX‬‬ ‫‪‬‬
‫ويمكف تمخيص ذلؾ‪:‬‬
‫‪‬‬ ‫‪ 1 ( X f  X )2 ‬‬
‫‪Yˆf ~ N   0  1 X f ;   ‬‬
‫‪2‬‬
‫‪‬‬ ‫‪...‬‬ ‫)‪(7 - 3‬‬
‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪n‬‬ ‫‪‬‬ ‫‪x‬‬‫‪i‬‬
‫‪2‬‬
‫‪‬‬
‫‪ ‬‬
‫‪ei2‬‬
‫‪ˆ ‬‬
‫‪2‬‬
‫وحيث اف ‪ σ2‬غير معمومة ويمكف تقديرىا عمى وفؽ‪:‬‬
‫‪n2‬‬

‫وعميو فاف نسبة ‪ t‬لمتوسط االستجابة‪:‬‬

‫) ‪Yˆf  (Y X  X f‬‬
‫‪t‬‬ ‫)‪~ t( n  2‬‬ ‫‪...‬‬ ‫)‪(8 - 3‬‬
‫‪var Yˆf‬‬

‫)‪ (2-3-3‬حدود الثقة لمتوسط االستجابة ‪Confidence interval for mean prediction.‬‬
‫وبذلؾ فاف فترة الثقة باحتماؿ ) ‪ ( 1 – α‬لػ ‪ Yˆf‬يحسب عمى وفؽ اآلتي‪:‬‬
‫‪Yˆf  t‬‬ ‫‪‬‬ ‫‪ ˆ Yˆ  (Y X  X f )  Yˆf  t‬‬ ‫‪‬‬ ‫ˆ‪ ˆ Y‬‬ ‫‪...‬‬ ‫)‪(9 - 3‬‬
‫) ‪c ( n 2,‬‬ ‫‪f‬‬ ‫) ‪c ( n 2,‬‬ ‫‪f‬‬
‫‪2‬‬ ‫‪2‬‬

‫مثاؿ )‪ :(5-3‬بالعودة الى المثاؿ )‪ (1-3‬لدراسة العبلقة بيف الخبرة واألجر‪ .‬افترض اف عدد سنوات الخدمة‬
‫ألحد أفراد المجتمع ‪ Xf = 10‬فاف أجره يحدد عمى وفؽ‪:‬‬
‫)‪Yˆ10  29.71  1.121(10‬‬
‫‪ 40.9 2‬‬
‫)‪ (40.92‬ألؼ دوالر أجرة الفرد الذي خدمتو )‪ (10‬سنوات‪.‬‬

‫‪e2  989.33 ; ˆ u2  70.67 ; X  15.3125 ; x 2  1539.44‬‬

‫‪e 2  1 ( X f  X ) ‬‬
‫‪2‬‬

‫‪s.e(Yˆ10 ) ‬‬ ‫‪‬‬

‫‪n2n‬‬ ‫‪‬‬ ‫‪S XX‬‬ ‫‪‬‬
‫‪‬‬
‫‪‬‬ ‫‪1‬‬ ‫(‬‫‪10‬‬ ‫‪‬‬ ‫‪15‬‬‫‪.‬‬‫‪3125‬‬‫)‬ ‫‪2‬‬
‫‪‬‬
‫‪var(Yˆ10 )  70.67 ‬‬ ‫‪‬‬
‫‪ 16‬‬ ‫‪1539.44‬‬ ‫‪‬‬

‫‪59‬‬
 ‫‪1‬‬ ‫‪‬‬
‫)‪ 70.67  0.01833   70.67  (0.08083‬‬
‫‪ 16‬‬ ‫‪‬‬
‫‪ 5.7122‬‬
‫‪s.e(Yˆ10 )  2.3900‬‬
‫‪ ‬مجاؿ الثقة لمتوسط االستجابة عندما ‪ Xf =10‬وباحتماؿ ‪ 95%‬ىو‪:‬‬

‫‪40.92 ±( 2.39) ·(2.145) ≡ 40.92 ± 5.12655‬‬

‫)‪E (Y(35.79 345 ≤/Xf = 10( ≤ 46.046‬‬ ‫أي‬

‫ويمكف بالطريقة نفسيا إيجاد فترة ثقة ) ‪E (Y/X=Xf‬ولكؿ قيمة مف قيـ ‪ X‬األصمية‪.‬‬

‫مثاؿ )‪ :(6-3‬حصؿ باحث عمى الخبلصة اإلحصائية التالية‪:‬‬

‫‪Yˆi  2.9  1.35 X i‬‬ ‫‪,‬‬ ‫‪i  1, . . . ,15‬‬

‫‪SYY  290.5‬‬ ‫‪,‬‬ ‫‪S XX  112.4‬‬ ‫‪,‬‬ ‫‪X  20‬‬

‫اختبر معنوية متوسط االستجابة عند ‪ Xf = 10‬باستخداـ مستوى معنوية ‪.5%‬‬
‫‪Yˆi  2.9  1.35(10)  16.4‬‬ ‫الحؿ‪:‬‬
‫‪ESS  ˆ 2 S  (1.35) 2 (112.4)  204.849‬‬
‫‪1‬‬ ‫‪XX‬‬

‫‪RSS  SYY  ESS  85.651‬‬

‫‪RSS 85.651‬‬
‫‪ˆ 2 ‬‬ ‫‪‬‬ ‫‪ 6.588‬‬
‫‪n2‬‬ ‫‪13‬‬
‫ˆ‬ ‫‪1‬‬ ‫‪(10  20) 2 ‬‬
‫‪var(Y10 )  6.588‬‬ ‫‪‬‬ ‫‪‬‬
‫‪15‬‬ ‫‪112.4 ‬‬
‫‪ 6.588(0.067  0.89)  6.305‬‬
‫‪s.e(Yˆ10 )  2.511‬‬
‫‪0 : (Y X f  10)  0‬‬ ‫‪v.s 1 : (Y X f  10)  0‬‬
‫‪16.4‬‬
‫‪t *yˆ1 0 ‬‬ ‫‪ 6.531‬‬
‫‪2.511‬‬
‫تقارف نسبة ‪ t‬المحسوبة مع قيمة ‪ t‬الجدولية عند مستوى داللة ‪ 0.025‬ودرجات حرية )‪(13‬‬

‫‪61‬‬
‫‪tc (13,0.025)  2.16‬‬
‫وبما اف القيمة المحسوبة )العممية( لنسبة ‪ t‬اكبر مف القيمة الجدولية ) النظرية( نرفض فرضية العدـ‪.‬‬
‫بمعنى اف متوسط االستجابة عند ‪ X f  10‬لممجتمع تختمؼ معنوياً عف الصفر‪.‬‬

‫التنبؤية الجديدة‪Probability distribution and :‬‬ ‫)‪(4-3‬التوزيع االحتمالي وحدود الثقة لـ ‪Y f‬‬
‫‪level of significance for individual prediction‬‬
‫اف التنبؤ المستقبمي لػ ) ‪ ، Y (Y f‬يكوف متطابقاً مع المقدر ‪Yˆf  ˆ0  ˆ1 X f‬‬
‫الذي يمثؿ متوسط االستجابة عندما ‪. X  X f‬‬
‫غير اف ىناؾ فرقاً بيف تقدير متوسط االستجابة ) ‪ (Y X  X f‬وبيف التنبؤ باالستجابة الجديدة‬
‫) ‪ . (Y f new‬في األوؿ يتـ تقدير متوسط التوزيع إلى ‪ y‬فبتكرار المعاينة ستتولد لدينا عدة معادالت انحدار‬
‫تقديرية وبتقدير متوسط التوزيع إلى ‪ Y‬يتـ تقدير متوسط االستجابة‪ .‬أما في حالة التنبؤ بالقيمة الجديدة‬
‫فإننا نتنبأ بنتيجة مفردة تسحب مف توزيع ‪ Y‬وىي مستقمة عف العينة األساسية‪.‬‬
‫‪Y f  Yˆf  u f‬‬ ‫وينشأ عف ذلؾ‪:‬‬
‫حيث اف ‪ uf‬خطأ عشوائي جديد باالفتراضات السابقة نفسيا وىو خطأ التنبؤ لمعينة المختارة‪.‬‬
‫) ‪(e f  Y f  Yˆf‬‬ ‫والذي متوسطو = صفر‬
‫ويتوزع توزيعاً طبيعياً‬
‫) ‪var(e f )  var(Y f )  var(Yˆf‬‬ ‫اما تباينو‪:‬‬
‫‪ 1 ( X f  X )2 ‬‬
‫‪    ‬‬
‫‪2‬‬ ‫‪2‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬ ‫‪n‬‬ ‫‪S‬‬ ‫‪XX‬‬ ‫‪‬‬
‫‪‬‬
‫‪‬‬ ‫‪1 (X f  X ) ‬‬
‫‪2‬‬

‫‪  1  ‬‬
‫‪2‬‬
‫‪‬‬ ‫‪‬‬ ‫‪  ‬‬
‫‪‬‬
‫‪‬‬ ‫‪n‬‬ ‫‪S‬‬ ‫‪XX‬‬ ‫‪‬‬
‫‪‬‬
‫وباختصار ‪e f ~ N (0, var(e f )) :‬‬ ‫وىو اكبر مف تبايف متوسط االستجابة‪.‬‬
‫وبذلؾ فاف‪:‬‬

‫‪ef‬‬
‫~‬ ‫)‪N (0,1‬‬
‫) ‪1 (X f  X‬‬
‫‪2‬‬

‫‪ 1‬‬ ‫‪‬‬

‫‪n‬‬ ‫‪ x2‬‬
‫وحيث اف ‪ σ‬غير معمومة يتـ تقديرىا عمى وفؽ‪:‬‬

‫‪61‬‬
 ‫‪ˆ ‬‬ ‫‪e‬‬ ‫‪2‬‬

‫‪n2‬‬
‫وبذلؾ‪:‬‬
‫‪Y f  Yˆf‬‬
‫~‬ ‫) ‪t( n  2‬‬ ‫‪‬‬ ‫)‪(11 - 3‬‬
‫) ‪1 (X f  X‬‬
‫‪2‬‬

‫‪ 1‬‬ ‫‪‬‬

‫‪n‬‬ ‫‪ x2‬‬
‫وىكذا فاف فترة ثقة باحتماؿ ‪ 100(1-α)%‬لممشاىدات الجديدة ‪ Yf‬عند ‪ Xf‬ىي‪:‬‬

‫‪1‬‬ ‫‪( X f  X )2‬‬ ‫‪1‬‬ ‫‪( X f  X )2‬‬

‫‪Yˆf  ˆ 1  ‬‬ ‫‪ t c ( n2, )  Y f  Yˆf  ˆ 1  ‬‬ ‫) ‪ t c ( n  2,‬‬ ‫)‪. . . (12 - 3‬‬
‫‪n‬‬ ‫‪‬‬ ‫‪x‬‬ ‫‪2‬‬
‫‪2‬‬ ‫‪n‬‬ ‫‪‬‬ ‫‪x‬‬ ‫‪2‬‬
‫‪2‬‬

‫وفترة الثقة لمقيمة التنبؤية الجديدة تكوف أوسع مف فترة الثقة لمتوسط االستجابة‪ ،‬ىذا فضبلً عف اف فترة‬
‫الثقة تزداد مع ابتعاد القيمة التنبؤية لػ )‪ X(Xf‬عف متوسط قيـ ) ‪ X ( X‬لكؿ مف متوسط االستجابة أو‬
‫لمقيمة التنبؤية الجديدة‪.‬‬
‫ويمكف توضيح ذلؾ مف خبلؿ الشكؿ )‪(1-3‬‬

‫الشكل )‪(1-3‬‬
‫‪Y‬‬
‫‪ˆ0  ˆ1 X‬‬

‫) ‪1 (X f  X‬‬
‫‪2‬‬
‫‪t  ˆ 1  1 n‬‬ ‫‪t  ˆ 1 ‬‬ ‫‪‬‬
‫‪n‬‬ ‫‪ x2‬‬

‫‪X‬‬
‫‪X‬‬ ‫‪Xf‬‬
‫مثاؿ)‪ :(7-3‬باالعتماد عمى معمومات المثاؿ)‪ (1-3‬لفرد في الحرفة نفسيا خبرتو)سنوات خدمتو( )‪(25‬‬
‫سنة فاف فترة تنبؤية باحتماؿ ‪ 95%‬ألجره المتوقع يحسب عمى وفؽ اآلتي‪:‬‬
‫)‪Yˆ25  29.71  1.121(25‬‬
‫‪ 57.735‬‬

‫‪62‬‬
 ‫ˆ‬ ‫‪1 (25  15.3125) 2‬‬
‫‪var(Y25 )  70.67(1  ‬‬ ‫)‪)  70.67(1.063  0.061‬‬
‫‪16‬‬ ‫‪1539.44‬‬
‫‪ 79.433‬‬
‫‪ˆ  8.913‬‬
‫)‪57.735  8.913(2.145)  Y25  57.735  8.913(2.145‬‬
‫‪38.617  Y25  76.853‬‬

‫لذا فاف فرداً بالحرفة نفسيا وبخبرة )‪ (25‬سنة‪ ،‬يتوقع اف يكوف أجرة بيف ‪ 76.853‬الؼ دينار و ‪38.617‬‬
‫الؼ دينار‪.‬‬
‫ويمكف استخداـ مجاؿ الثقة الختبار فيما اذا كانت المشاىدات الجديدة ) ‪ ( X f , Y f‬متولدة مف ىيكؿ‬
‫المولد نفسو لمشاىدات العينة اـ ال‪.‬‬
‫فمثبلً النقطة )‪ (25,80‬تكوف قيمة ‪Y‬خارج مجاؿ الثقة وبالتالي نستنتج باف ىذه النقطة التتولد مف ىيكؿ‬
‫العينة نفسو‪.‬‬

‫مثاؿ )‪ :(8-3‬مع توافر البيانات التالية ‪:‬‬

‫‪Yˆi  2.5  0.7 X i‬‬ ‫‪i  1,2,...,15‬‬

‫‪Tss  290‬‬ ‫‪,‬‬ ‫‪X‬‬ ‫‪2‬‬
‫‪ 260‬‬ ‫‪,‬‬ ‫‪ X  30‬‬
‫احسب حدود الثقة باحتماؿ ‪ 99%‬لمقيمة التنبؤية الجديدة عندما ‪. X f  10‬‬
‫‪Yˆ10  2.5  0.7(10)  9.5‬‬ ‫الحؿ‪:‬‬

‫‪var(Yˆ10‬‬ ‫‪)‬‬
‫‪e‬‬ ‫‪‬‬
‫‪2‬‬

‫‪ 1  ‬‬
‫‪1‬‬ ‫(‬‫‪10‬‬ ‫‪‬‬ ‫‪X‬‬ ‫)‬ ‫‪2‬‬
‫‪‬‬
‫‪X 2‬‬
‫‪‬‬ ‫‪,‬‬
‫‪n2  n‬‬ ‫‪S XX‬‬ ‫‪‬‬
‫) ‪( X‬‬ ‫‪2‬‬

‫‪S XX   X 2 ‬‬ ‫‪ 260  60  200‬‬

‫‪n‬‬
‫‪Ess  ˆ1 S XX  98‬‬
‫‪2‬‬

‫‪Rss  Tss  Ess  290  98  192‬‬

‫‪192‬‬
‫‪ˆ 2 ‬‬ ‫‪ 14.769‬‬
‫‪13‬‬

‫‪s.e(Yˆ10 )  14.769(1.067  0.32)  14.769 (1.387)  20.485  4.526‬‬

‫‪63‬‬
 ‫حدود الثقة باحتماؿ ‪ 99%‬لمقيمة التنبؤية الجديدة عندما ‪: X f  10‬‬
‫)‪9.5  4.526(3.012)  Y10  9.5  4.526(3.012‬‬
‫‪9.5  13.632  Y10  9.5  13.632‬‬
‫‪ 4.132  Y10  23.132‬‬
‫يمكف اف نستنتج مف فترة الثقة باف القيمة التنبؤية الجديدة غير معنويػة الف قيمػة الصػفر توجػد ضػمف فتػرة‬
‫الثقة‪.‬‬

‫)‪(5-3‬تحميل التباين لنموذج االنحـدار الخطـي البسـيط ‪ANOVA for simple Linear Regression‬‬
‫‪Model.‬‬
‫فػػي ىػػذه الفق ػرة سػػتتـ د ارسػػة تحميػػؿ التبػػايف‪ .‬والبػػد مػػف التأكيػػد ىنػػا الػػى اف اختبػػار معنويػػة‬
‫المتغي ػػر المس ػػتقؿ‪ ( 0 : 1  0) . X‬وال ػػذي تم ػػت د ارس ػػتو ف ػػي المبح ػػث )‪ ،(1-3‬يمك ػػف ايضػ ػاً معالجت ػػو‬
‫باستخداـ اطار تحميؿ التبايف‪ ،‬والجدوؿ )‪ (1-3‬يوضح ذلؾ‪.‬‬
‫يتكػوف الجػػدوؿ مػف عػػدة أعمػدة‪ ،‬العمػػود االوؿ يتمثػؿ بتقسػػيـ التغيػرات االجماليػػة فػي المتغيػػر‪ Y‬الػى تغيػرات‬
‫مشػروحة مػف قبػؿ المتغيػر ‪ X‬ومتغيػرات غيػر مشػروحة متروكػة لحػد الخطػأ العشػوائي كمػا تػـ توضػيحو فػػي‬
‫الفقرة )‪. (8-4-2‬‬
‫والعمود الثاني يمثؿ مجموع المربعات لفقرات العمود االوؿ‪ ،‬ويرمز لو ‪. ss‬‬
‫والعمػػود الثالػػث يمثػػؿ درجػػات الحريػػة لفقػرات العمػػود االوؿ‪ .‬ويرمػػز لػػو ‪ d.f‬وتتميػػز عناصػػر كػػؿ عمػػود بػػاف‬
‫حاصؿ جمعيا يمثؿ المجموع الكمي‪.‬‬
‫والعمود ال اربػع يتمثػؿ بمتوسػط المربعػات )‪ (MS‬يػتـ الحصػوؿ عمػى عناصػره بقسػمة عناصػر العمػود الثػاني‬
‫)مجموع المربعات( لكؿ سطر عمى عدد درجات الحرية المناظر لو في العمود الثالث‪.‬‬
‫واليفوتنا التأكيد عمػى اف التفسػير البػدييي لمفيػوـ درجػات الحريػة )‪ (d.f‬ىػو عػدد القػيـ التػي يمكػف وضػعيا‬
‫بشكؿ كيفي )اعتباطي(‪ .‬فمثبلً لقيـ ‪ y‬يمكف وضع )‪ (n-1‬مف قيمو كما نشاء‪ .‬وتبقى المشاىدة االخيرة )‪(n‬‬
‫البػد مػف تحديػدىا تحػت شػرط ‪ y  0‬وكػذلؾ بالنسػبة لقػيـ االخطػاء )‪ (e‬يمكػف تحديػد )‪ (n-2‬مػف قيميػا‬
‫كيفما اتفؽ‪ .‬حيث اف تقدير المربعات الصغرى يضع قيديف عمى )‪ (e‬وىما ‪ e  0‬و ‪. Xe  0‬‬
‫وبذلؾ تبقى درجة حرية واحدة مرتبطة بمجموع المربعات المشروحة والتي تعتمد عمى معممة ‪.β1‬‬
‫أما العمود االخير في الجدوؿ فيتمثػؿ بقيمػة ‪ F‬والمتمثمػة بقسػمة متوسػط المربعػات المشػروحة عمػى متوسػط‬
‫المربعات غير المشروحة‬
‫‪MES‬‬ ‫‪ESS 1‬‬
‫‪F‬‬ ‫‪‬‬ ‫‪...‬‬ ‫)‪(13 - 3‬‬
‫)‪MRS RSS (n  2‬‬

‫‪64‬‬
 ‫وبذلؾ فاف أثر المتغير ‪ X‬يمكف االستدالؿ حولو واختيار أىميتو لمعادلة االنحدار مف خبلؿ مقارنة القيمة‬
‫العممية لػ ‪ F‬مع القيمة النظرية )الجدولية( والتي تستخرج مف جداوؿ ‪ F‬الخاصة بدرجات حرية)‪ (1‬لمبسط و‬
‫)‪ (n-2‬لممقاـ ومستوى داللة ‪. 5%‬‬
‫‪ESS 1‬‬
‫‪F‬‬ ‫‪‬‬ ‫)‪F(1,n2,0.95‬‬ ‫فاذا كانت‪:‬‬
‫)‪RSS (n  2‬‬
‫فيكوف القرار برفض فرضية العدـ‪ ( 0 : 1  0) :‬عند مستوى داللة ‪. 5%‬‬
‫اف العبلقة )‪ (13-3‬يتـ الحصوؿ عمييا عمى وفؽ أساسيات اإلحصاء الرياضي كآالتي‪:‬‬
‫معموـ مف مباحث الفصؿ الثاني اف‪:‬‬
‫‪ˆ1  1‬‬
‫)‪~ N (0,1‬‬
‫‪‬‬ ‫‪S XX‬‬
‫‪( ˆ1  1 ) 2‬‬
‫‪‬‬ ‫)‪~  2 (1‬‬
‫‪ S XX‬‬
‫‪2‬‬

‫‪e 2‬‬
‫وكذلؾ‪~  2 ( n  2 ) :‬‬
‫‪2‬‬
‫‪( ˆ1  1 ) 2 x 2‬‬
‫‪F ‬‬ ‫) ‪~ F(1, n  2‬‬
‫)‪e 2 (n  2‬‬

‫حيث اف ‪ F‬ىي النسبة لمتغيريف مستقميف كؿ منيما ذو توزيع ‪ χ2‬مقسوـ عمى عدد درجات الحرية‬
‫‪ 0 : 1  0‬‬ ‫المناسبة‪ .‬وتحت فرضية العدـ‪:‬‬
‫‪ˆ12 x 2‬‬
‫‪F‬‬ ‫‪. . .‬‬ ‫)‪(14 - 3‬‬
‫)‪e 2 (n  2‬‬

‫وباعتماد تجزئة مجموع المربعات الكمية فاف العبلقة )‪ (14-3‬ستؤوؿ الى‪:‬‬

‫‪ESS 1‬‬
‫‪F ‬‬
‫)‪RSS (n  2‬‬
‫وىي بالضبط العبلقة )‪(13-3‬‬

‫‪65‬‬
 ‫جدوؿ)‪(1-3‬‬
‫جدوؿ تحميؿ التبايف لبلنحدار البسيط‬
‫‪- ANOVA-‬‬
‫‪Source of variation‬‬ ‫‪Sum of squares‬‬ ‫‪Degree of‬‬ ‫‪Mean squares‬‬
‫مصدر المتغيرات‬ ‫)‪ (SS‬مجموع المربعات‬ ‫‪freedom‬‬ ‫‪ MSS‬متوسط مجموع‬
‫)‪ (d.f‬درجات الحرية‬ ‫المربعات‬
‫)‪ : (x‬االنحرافات الموضحة‬ ‫‪ESS  yˆ 2  ˆ12x 2‬‬ ‫‪1‬‬ ‫‪ESS 1‬‬
‫‪ ̂1xy‬‬
‫(البواقي)‪ :‬االنحرافات غير‬ ‫‪n-2‬‬ ‫‪RSS n  2‬‬
‫الموضحة‬ ‫‪RSS  e 2‬‬

‫اإلجمالي‪ :‬المجموع الكلي‬ ‫‪TSS  y 2‬‬ ‫‪n-1‬‬

‫مثاؿ )‪ : (9-3‬بالرجوع الى معمومات المثاؿ )‪ (1-3‬فاف اختبار أىمية المتغير التوضيحي ) عدد سنوات‬
‫الخدمة ( في تحديد االجر‪ ،‬يمكف اختباره عمى وفؽ جدوؿ تحميؿ التبايف كاالتي‪:‬‬

‫‪vs  0 : 1  0 1 : 1  0‬‬
‫تحسب قيمة ‪ F‬لمعينة‪:‬‬
‫‪ESS  1934.42‬‬
‫‪RSS  989.33‬‬
‫‪n  2  14‬‬
‫‪1934.42 1 1934.42‬‬
‫‪F‬‬ ‫‪‬‬ ‫‪ 27.37‬‬
‫‪989.33 14‬‬ ‫‪70.67‬‬
‫وبمقارنتيا مع القيمة الجدولية‪F(1,14, 0.95)  4.60 :‬‬
‫نرفض فرضية العدـ‪ ،‬أي اف المعممة ‪β1‬معنوية أي اف‬ ‫قيمة ‪ F‬لمعينة اكبر مف القيمة الجدولية‬
‫المتغير ‪ X‬ميـ في تحديد التغيرات في‪. Y‬‬
‫والنتيجة متماثمة مع مثاؿ)‪ (1-3‬الذي تـ استخداـ نسبة ‪ t‬لبلختبار‪.‬‬
‫ويمكف وضع النتائج في الجدوؿ )‪(2-3‬‬

‫‪66‬‬
 ‫جدوؿ)‪(2-3‬‬
‫جدوؿ تحميؿ التبايف لممثاؿ )‪(9-3‬‬
‫‪S.o.v‬‬ ‫‪SS‬‬ ‫‪d.f‬‬ ‫‪MSS‬‬
‫‪X‬‬ ‫‪ESS  1934.42‬‬ ‫ٔ‬ ‫‪1934.42‬‬

‫‪RSS  989.33‬‬ ‫‪70.67‬‬

‫‪Error‬‬ ‫‪14‬‬

‫‪Total‬‬ ‫‪TSS  2923.75‬‬ ‫‪16‬‬

‫مبلحظة‪ :‬البد مف التنويو ىنا اف استخداـ جدوؿ تحميؿ التبايف يصمح الختبار الفرضية )‪( 0 : 1  0‬‬
‫حص اًر‪ .‬اما اختبار الفرضيات حوؿ معنوية المقطع الصادي أو اختبار الفرضية ذات الطرؼ الواحد أو‬
‫اختبار الفرضيات باف ‪ 1‬تساوي قيمة معينة فبل يصح إال باستخداـ االحصاءة ‪. t‬‬

‫‪Goodness of Fit‬‬ ‫)‪(6-3‬اختبار حسن التوفيق‬

‫ويسمى ايضاً مقياس جودة التقدير أو معامؿ التحديد )‪(Coefficient of determination‬‬
‫وىو مقياس يقيس تشتت المشاىدات حوؿ خط االنحدار‪.‬‬
‫فيو يمثؿ األىمية النسبية لمتغيرات المشروحة مف قبؿ معادلة التقدير‪ .‬ويرمز لو ‪:R2‬‬
‫‪ESS‬‬ ‫‪‬‬
‫‪R2 ‬‬ ‫‪‬‬
‫‪TSS‬‬ ‫‪‬‬
‫‪‬‬ ‫‪‬‬ ‫)‪(15  3‬‬
‫‪RSS ‬‬
‫‪ 1‬‬
‫‪TSS ‬‬
‫‪‬‬
‫مثاؿ)‪ : (10-3‬مف معادلة االنحدار‪:‬‬
‫‪Yˆi  2.3  0.7 X i‬‬ ‫‪i  1,2,...,20‬‬
‫‪(Y  Y ) 2  135‬‬ ‫‪,‬‬ ‫‪X 2  260‬‬ ‫‪,‬‬ ‫‪X  30‬‬
‫‪ESS‬‬
‫‪R2 ‬‬
‫‪(Y  Y ) 2‬‬
‫ˆ‬ ‫‪2‬‬ ‫‪(30) 2 ‬‬
‫‪ESS  1 x  (0.7) 260 ‬‬ ‫)‪  (0.49)(215‬‬
‫‪2‬‬ ‫‪2‬‬

‫‪‬‬ ‫‪20‬‬ ‫‪‬‬

‫‪105.35‬‬
‫‪ R2 ‬‬ ‫‪ 0.78‬‬
‫‪135‬‬
‫‪ 78%‬مف التغيرات اإلجمالية في المتغير المعتمد ‪ Y‬تـ تفسيرىا بواسطة المتغير التوضيحي ‪. X‬‬

‫‪67‬‬
 ‫‪ 22%‬فقط مف ىذه التغيرات اإلجمالية تركت لحد الخطأ‪.‬‬
‫فيو بذلؾ يقيس تشتت المشاىدات حوؿ خط االنحدار‪.‬‬
‫فكمما كانت المشاىدات قريبة مف الخط المقدر يعطي داللة عمى اف التقدير جيد‪ .‬وعميو فاف ‪ R2‬تقيس‬
‫مقدار التغيرات في ‪ Y‬التي تـ توضيحيا عف طريؽ التغيرات في ‪. X‬‬
‫اما قيمة ىذا المؤشر فتمتمؾ الصفتيف‪:‬‬
‫ٔ‪ -‬قيمتو غير سالبة النو نسبة بيف مجموع المربعات المشروحة الى الكمية‪.‬‬
‫ٕ‪ -‬حدود قيمتو‪0  R 2  1 :‬‬
‫فاذا كانت القيمة تساوي واحد يعني اف جميع مشاىدات العينة تقع عمى معادلة الخط المقدر‪ ،‬أي اف‬

‫العبلقة بيف ‪ Y‬و ‪ X‬تامة )‪ ، (perfect‬أي اف ) ‪ (Yˆi  Yi  i‬كما في )‪ (a‬مف الشكؿ )‪.(2-3‬‬
‫وعمى النقيض مف ذلؾ اذا كانت ‪ R2=0‬فيذا يعني التوجد عبلقة بيف ‪ Y‬و‪ ) X‬بمعنى ‪ ( ˆ1  0‬وبذلؾ‬
‫‪ . Yˆi  ˆ0  Y‬بمعنى اف افضؿ تنبؤ لقيـ ‪ Y‬يكوف ببساطة ممثمة بقيمة المتوسط وفي ىذه الحالة فاف‬
‫الخط المستقيـ المقدر يكوف خطاً موازياً لممحور‪ X‬كما في الشكؿ )‪. (b‬‬
‫والبد مف التأكيد باف ‪ R2‬قد يكوف مقياساً غير جيد لمداللة عمى مبلءمة النموذج لمبيانات كما في )‪ (c‬و‬
‫)‪ (d‬مف الشكؿ )‪. (2-3‬‬

‫الشكل )‪(2-3‬‬

‫‪Y‬‬ ‫‪Y‬‬

‫‪ˆ0‬‬
‫‪X‬‬ ‫‪X‬‬

‫)‪(a‬‬ ‫)‪(b‬‬

‫‪Y‬‬ ‫‪Y‬‬
‫‪Y  X2‬‬
‫‪r0‬‬

‫‪X‬‬ ‫‪X‬‬

‫)‪(c‬‬ ‫)‪(d‬‬

‫فالشكبلف )‪ (c‬و )‪ (d‬يوضحاف إذا كانت ‪ R  0‬فيذا اليعني اف المتغيريف مستقبلف‪.‬‬

‫‪2‬‬

‫‪68‬‬
 ‫مثاؿ )‪ : (11-3‬بيانات الجدوؿ )‪ (1-2‬لممثاؿ )‪(1-2‬‬
‫معامؿ التحديد‪:‬‬
‫‪ESS 221966.242‬‬
‫‪R2 ‬‬ ‫‪‬‬
‫‪TSS 240407.309‬‬
‫‪ 0.92329‬‬
‫ىذا يعني اف ‪ 92%‬مف التغيرات في المتغير ‪ Y‬تـ تحديدىا بواسطة التغيرات في المتغير ‪ ، X‬كما اف‬
‫)‪ (1-92.32976‬أي ‪ 7.67%‬مف التغيرات لـ تتمكف معادلة االنحدار توضيحيا بؿ تركت لحد الخطأ‪.‬‬
‫كما يمكف حساب معامؿ التحديد مف أحد القوانيف التالية‪:‬‬

‫‪ESS‬‬ ‫‪‬‬
‫‪R2 ‬‬ ‫‪‬‬
‫‪TSS‬‬
‫‪‬‬
‫‪yˆ 2‬‬ ‫‪‬‬
‫‪‬‬ ‫‪‬‬
‫‪y 2‬‬ ‫‪‬‬
‫)‪(16  3‬‬
‫‪‬‬
‫‪‬‬
‫‪ˆ12 x 2‬‬ ‫ˆ‬ ‫‪2  x‬‬
‫‪2‬‬
‫‪‬‬ ‫‪ 1 ‬‬ ‫‪‬‬
‫‪y‬‬ ‫‪2‬‬
‫‪ y‬‬
‫‪2‬‬
‫‪‬‬
‫‪‬‬
‫‪ˆ1xy‬‬ ‫‪ xy ‬‬ ‫‪‬‬
‫‪‬‬ ‫‪ ˆ1 ‬‬ ‫‪‬‬
‫‪2 ‬‬ ‫‪‬‬
‫‪y 2‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪y‬‬ ‫‪‬‬ ‫‪‬‬

‫‪Simple Correlation Coefficient‬‬ ‫)‪(7-3‬معامل االرتباط البسيط‬

‫اف تحميػػؿ االرتبػػاط مختمػػؼ تمامػاً عػػف مفيػػوـ االنحػػدار‪ .‬فتحميػػؿ االرتبػػاط ىػػو مقيػػاس لدرجػػة‬
‫الترابط الخطي بيف متغيريف ويرمز لمعامؿ ارتباط المجتمع بالرمز ) ‪ ( ρ‬اما في حالة العينة فيرمز لو )‪(r‬‬
‫والػػذي يعػػد تقػػدي اًر لمعامػػؿ ارتبػػاط المجتمػػع ) ‪ ( ρ‬ويسػػمى معامػػؿ ارتبػػاط بيرسػػف )‪ .(Pearson‬وبػػادئ ذي‬
‫بػدء البػد مػػف توضػيح الفػػرؽ المفػاىيمي بػػيف تحميػؿ االنحػػدار وتحميػؿ االرتبػػاط‪ .‬ففػي تحميػػؿ االنحػدار يوجػػد‬
‫عػػدـ تماثػػؿ ف ػػي طريقػػة معاممػػة المتغي ػػر المعتمػػد والمتغي ػػر المسػػتقؿ‪ .‬فػػالمتغير المعتم ػػد يفتػػرض اف يك ػػوف‬
‫عشػوائيا ويمتمػػؾ توزيعػاً احتماليػاً‪ .‬فػي حػػيف المتغيػػر المسػػتقؿ يفتػػرض اف تكػوف قيمػػو ثابتػػة لمعينػػة المختػػارة‪.‬‬
‫وعمػػى الجانػػب اآلخػػر فػػي تحميػػؿ االرتبػػاط يػػتـ معاممػػة المتغي ػريف بشػػكؿ متماثػػؿ‪ .‬فػػبل يوجػػد اخػػتبلؼ بػػيف‬
‫المتغير المعتمد والمتغير المستقؿ فكبلىما يفترض اف يكوف عشوائياً‪.‬‬
‫اف الغرض مف تحميؿ االرتباط الخطي البسيط ىو تحديد نوع وقوة العبلقة بيف متغيريف‪.‬‬
‫ويعػػرؼ معامػػؿ االرتبػػاط بػػيف متغي ػريف بأنػػو يتمثػػؿ فػػي نسػػبة التغػػاير بػػيف المتغي ػريف الػػى حاصػػؿ ضػػرب‬
‫انحرافيما المعيارييف‪.‬‬

‫‪69‬‬
 ‫) ‪( X  X )(Y  Y‬‬ ‫‪XY  XY n‬‬ ‫‪xy‬‬
‫‪r  ˆ xy ‬‬ ‫‪‬‬ ‫‪‬‬ ‫)‪. . . (17 - 3‬‬
‫) ‪( X  X ) (Y  Y‬‬
‫‪2‬‬ ‫‪2‬‬
‫) ‪(X‬‬‫‪2‬‬
‫) ‪(Y‬‬ ‫‪2‬‬
‫‪x y‬‬‫‪2‬‬ ‫‪2‬‬
‫‪X 2 ‬‬ ‫‪ Y 2 ‬‬
‫‪n‬‬ ‫‪n‬‬

‫‪:‬‬ ‫عالقة معامل االرتباط مع معممة االنحدار ‪ˆ1‬‬

‫‪xy‬‬ ‫‪x 2‬‬ ‫‪S XX‬‬
‫‪r‬‬ ‫‪‬‬ ‫‪ ˆ1‬‬ ‫‪. . .‬‬ ‫)‪(18 - 3‬‬
‫‪x 2‬‬ ‫‪y 2‬‬ ‫‪SYY‬‬
‫خواص معامل االرتباط البسيط‪:‬‬
‫ٔ‪ -‬اشارة معامؿ االرتباط تعتمد عمى اشارة التغاير بيف المتغيريف‪ .‬فقد تكوف موجبة )طردية( أو سالبة‬
‫)عكسية( كما في )‪ (a‬و )‪ (b‬مف الشكؿ )‪.(3-3‬‬
‫والموجب منيا ىو الغالب في الواقع‪.‬‬
‫الشكؿ )‪ : (3-3‬انماط االرتباط بيف متغيريف‬

‫‪Y‬‬ ‫‪Y‬‬

‫‪X‬‬ ‫‪X‬‬
‫)‪(a‬‬ ‫)‪(b‬‬
‫‪r = -1r = +1‬‬
‫‪Y‬‬ ‫‪Y‬‬ ‫‪Y‬‬

‫‪X‬‬ ‫‪X‬‬ ‫‪X‬‬

‫)‪(c‬‬ ‫)‪(d‬‬ ‫)‪(e‬‬
‫‪r 1‬‬ ‫‪r  1‬‬ ‫‪r 0  0‬‬
‫‪Y‬‬ ‫‪Y‬‬ ‫‪Y‬‬

‫‪X‬‬ ‫‪X‬‬ ‫‪X‬‬

‫)‪(h)(g)(f‬‬
‫‪r 0  0‬‬ ‫‪r 0‬‬ ‫‪r 0‬‬
‫عدم وجود عالقة‬ ‫وجود عالقة غٌر خطٌة بٌن ‪ X‬و ‪Y‬‬

‫‪71‬‬
 ‫ٕ‪ -‬متماثمة أي) ‪ ( rXY = rYX‬وخالية مف الوحدات ومستقمة عف نقطة األصؿ‪ .‬اذا كانت‬
‫‪ X  aX  c‬و ‪ d ، c ، a > 0 ، b > 0 ، Y  bY  d‬ثوابت‪ ،‬فاف معامؿ ارتباط‬
‫*‬ ‫*‬

‫‪ X‬و ‪ Y‬ىو نفس معامؿ ارتباط *‪ X‬و *‪: Y‬‬

‫* ‪rXY  rX *Y‬‬
‫‪ –3‬ىو مقياس لدرجة الترابط الخطي فقط وبذلؾ قد يكوف معامؿ االرتباط ) صفر ( بيف متغيريف‬
‫وىو اليدؿ عمى انعداـ االرتباط بينيما فقد تكوف عبلقة غير خطية عالية بيف المتغيريف كما‬
‫في الشكؿ) ‪.( h‬‬

‫ٗ – بالرغـ مف اف المقياس يوضح درجة الترابط الخطي بيف متغيريف ولكنو في الوقت نفسو ال يبرر‬
‫وجود عبلقة سببية بيف المتغيريف فربما ينشأ الترابط بسبب وجود متغير ثالث يظير ذلؾ‬
‫الترابط‪.‬‬

‫‪ -5‬قوة العبلقة بيف متغيريف يمكف تحديدىا مف حيث درجة قربيا أو بعدىا عف )‪( ± 1‬حيث اف‬
‫المدى لمعامؿ االرتباط البسيط ىو‪ (1- < r < 1) :‬ويمكف تصنيؼ درجات القوة كما في الشكؿ‬
‫)‪(4-3‬‬

‫الشكؿ )‪(4-3‬‬
‫درجات قوة معامؿ االرتباط‬
‫ارتباط عكسي‬ ‫ارتباط طردي‬
‫*‬ ‫*‬ ‫*‬ ‫*‬ ‫*‬ ‫*‬
‫‪-1‬‬ ‫‪1‬‬
‫قوي ‪ -0.9‬قوي جداً‬ ‫ضعيؼ‪ -0.5‬متوسط ‪-0.7‬‬ ‫‪0‬‬ ‫‪ 0.5‬ضعيؼ‬ ‫قوي جداً ‪ 0.9‬قوي ‪ 0.7‬متوسط‬

‫مثاؿ )‪ :(12-3‬افترض المساحة المزروعة باألعبلؼ الخضراء )ألؼ ىكتار( )‪ (X‬واجمالي انتاج المحوـ‬
‫)‪) (Y‬ألؼ طف( لمسنوات ‪.2006-1999‬‬

‫السنة‬ ‫‪1999‬‬ ‫‪2000‬‬ ‫‪2001‬‬ ‫‪2002‬‬ ‫‪2003‬‬ ‫ٕٗٓٓ‬ ‫‪2005 2006‬‬ ‫المجاميع‬
‫المساحة ‪X‬‬ ‫‪305‬‬ ‫‪313‬‬ ‫‪297‬‬ ‫‪289‬‬ ‫‪233‬‬ ‫‪214‬‬ ‫‪240‬‬ ‫‪217‬‬ ‫‪2108‬‬

‫اإلنتاج ‪Y‬‬ ‫‪592‬‬ ‫‪603‬‬ ‫‪662‬‬ ‫‪607‬‬ ‫‪635‬‬ ‫‪699‬‬ ‫‪719‬‬ ‫‪747‬‬ ‫‪5264‬‬

‫المطموب‪ :‬حساب معامؿ االرتباط بيف المساحة المزروعة وكمية إنتاج المحوـ‪ .‬ووضح داللتو اإلحصائية‪.‬‬

‫‪71‬‬
 ‫الحؿ‪ :‬بتطبيؽ العبلقة )‪ (17-3‬عمى وفؽ االتي‪:‬‬

‫اوالً‪ :‬المتغيرات كانحرافات عف المتوسط‪.‬‬

‫‪ -1‬حساب المتوسط الحسابي لكؿ مف ‪ X‬و ‪:Y‬‬

‫‪X 2108‬‬
‫‪X‬‬ ‫‪‬‬ ‫‪ 263.5‬‬
‫‪n‬‬ ‫‪8‬‬
‫‪Y 5264‬‬
‫‪Y‬‬ ‫‪‬‬ ‫‪ 658‬‬
‫‪n‬‬ ‫‪8‬‬
‫‪ -2‬نحسب ‪ X‬و ‪ Y‬كانحرافات عف متوسطاتيا‪:‬‬
‫‪y  Y Y‬‬ ‫‪,‬‬ ‫‪x X X‬‬

‫‪X‬‬ ‫‪Y x  X  X y  Y Y‬‬ ‫‪xy‬‬ ‫‪x2‬‬ ‫‪y2‬‬

‫‪305‬‬ ‫‪592‬‬ ‫‪41.5‬‬ ‫‪-66‬‬ ‫‪-2739‬‬ ‫‪1722.25‬‬ ‫‪4356‬‬

‫‪313‬‬ ‫‪603‬‬ ‫‪49.5‬‬ ‫‪-55‬‬ ‫‪-2722.5‬‬ ‫‪2450.25‬‬ ‫‪3025‬‬
‫‪297‬‬ ‫‪662‬‬ ‫‪33.5‬‬ ‫‪4‬‬ ‫‪134‬‬ ‫‪1122.25‬‬ ‫‪16‬‬
‫‪289‬‬ ‫‪607‬‬ ‫‪25.5‬‬ ‫‪-51‬‬ ‫‪-1300.5‬‬ ‫‪650.25‬‬ ‫‪2601‬‬
‫‪233‬‬ ‫‪635‬‬ ‫‪-30.5‬‬ ‫‪-23‬‬ ‫‪701.5‬‬ ‫‪930.25‬‬ ‫‪529‬‬
‫‪214‬‬ ‫‪699‬‬ ‫‪-49.5‬‬ ‫‪41‬‬ ‫‪-2029.5‬‬ ‫‪2450.25‬‬ ‫‪1681‬‬
‫‪240‬‬ ‫‪719‬‬ ‫‪-23.5‬‬ ‫‪61‬‬ ‫‪-1433.5‬‬ ‫‪552.25‬‬ ‫‪3721‬‬
‫‪217‬‬ ‫‪747‬‬ ‫‪-46.5‬‬ ‫‪89‬‬ ‫‪-4138.5‬‬ ‫‪2162.25‬‬ ‫‪7921‬‬

‫‪ -3‬نحسب المجاميع‪:‬‬
‫‪xy  S xy  13528 , x 2  S xx  12040 , y 2  S yy  23850‬‬

‫‪ -4‬نطبؽ العبلقة )‪(17-3‬‬

‫‪72‬‬
 ‫‪ 13528‬‬
‫‪r‬‬
‫‪12040 23850‬‬
‫‪ 13528‬‬ ‫‪ 13528‬‬
‫‪r‬‬ ‫‪‬‬ ‫‪ 0.798‬‬
‫‪(109.727)(154.434) 16945.619‬‬
‫الداللة اإلحصائية‪ :‬يوجد ارتباط عكسي قوي بيف المساحة المزروعة وكمية انتاج المحوـ‪ .‬فزيادة‬
‫المساحات المزروعة تسيـ بانخفاض المساحات المحددة لمرعي وىذه بدورىا تؤدي الى انخفاض الثروة‬
‫الحيوانية أي انخفاض انتاج المحوـ‪.‬‬

‫ثانياً‪ :‬باستخداـ المتغيرات االصمية‪:‬‬

‫‪ -1‬نحسب المجاميع‪:‬‬
‫‪X‬‬ ‫‪Y‬‬ ‫‪XY‬‬ ‫‪X2‬‬ ‫‪Y2‬‬

‫‪305‬‬ ‫‪592‬‬ ‫‪180560‬‬ ‫‪93025‬‬ ‫‪350464‬‬

‫‪313‬‬ ‫‪603‬‬ ‫‪188739‬‬ ‫‪97969‬‬ ‫‪363609‬‬
‫‪297‬‬ ‫‪662‬‬ ‫‪196614‬‬ ‫‪88209‬‬ ‫‪438244‬‬
‫‪289‬‬ ‫‪607‬‬ ‫‪175423‬‬ ‫‪83521‬‬ ‫‪368449‬‬
‫‪233‬‬ ‫‪635‬‬ ‫‪147955‬‬ ‫‪54289‬‬ ‫‪403225‬‬
‫‪214‬‬ ‫‪699‬‬ ‫‪149586‬‬ ‫‪45796‬‬ ‫‪488601‬‬
‫‪240‬‬ ‫‪719‬‬ ‫‪172560‬‬ ‫‪57600‬‬ ‫‪516961‬‬
‫‪217‬‬ ‫‪747‬‬ ‫‪162099‬‬ ‫‪47089‬‬ ‫‪558009‬‬
‫‪2108‬‬ ‫‪5264‬‬ ‫‪1373536 567498 3487562‬‬

‫)‪(2108)(5264‬‬
‫‪1373536 ‬‬
‫‪r‬‬ ‫‪8‬‬
‫‪2‬‬
‫)‪(2108‬‬ ‫‪(5264) 2‬‬
‫‪567498 ‬‬ ‫‪558009 ‬‬
‫‪8‬‬ ‫‪8‬‬
‫‪ 13528‬‬ ‫‪ 13528‬‬
‫‪‬‬ ‫‪‬‬
‫‪12040 23850 16945.619‬‬
‫‪ 0.798‬‬
‫وىي النتيجة السابقة نفسيا‪.‬‬

‫‪73‬‬
 ‫اختبار معنوية االرتباط البسيط‪:‬‬
‫معامؿ االرتباط بيف المتغيريف ‪ X‬و ‪ Y‬لممجتمع قيمتو مجيولة ‪ ρXY‬وتـ تقدير معامؿ االرتباط‬
‫‪ ، ( ˆ XY‬ولمتحقؽ مف معنوية المعممة المقدرة )‪ (rXY‬يتـ إتباع التالي‪:‬‬ ‫لمعينة ) ‪ rXY‬‬
‫‪H0 :   0‬‬
‫‪H1 :   0‬‬
‫‪r 0‬‬
‫‪t* ‬‬ ‫‪~t‬‬ ‫‪‬‬ ‫‪...‬‬ ‫)‪(19 - 3‬‬
‫‪1 r‬‬ ‫‪2‬‬ ‫) ‪( n  2,‬‬
‫‪2‬‬

‫‪n2‬‬

‫‪H0 :   0‬‬ ‫‪vs‬‬ ‫مثاؿ)‪ :(13-3‬اختبر الفرضية التالية ‪H1 :   0‬‬

‫باالعتماد عمى معمومات المثاؿ )‪(12-3‬‬
‫وبتطبيؽ العبلقة )‪:(19-3‬‬

‫‪ 0.798‬‬ ‫‪ 0.798‬‬ ‫‪ 0.798‬‬

‫‪t* ‬‬ ‫‪‬‬ ‫‪‬‬
‫‪1  (0.798) 2‬‬ ‫‪1  637‬‬ ‫‪0.06‬‬
‫‪82‬‬ ‫‪6‬‬

‫‪ 0.798‬‬
‫‪t* ‬‬ ‫‪ 3.244‬‬
‫‪0.246‬‬
‫‪tc ( 6, 0.025)  2.447‬‬
‫وبمقارنة قيمة * ‪ t‬المحسوبة )‪ (3.244‬مع القيمة الجدولية )‪ t c(2.447‬يتضح اف‪:‬‬

‫‪t *  tc‬‬
‫فيكوف القرار بمعنوية معامؿ االرتباط احصائياً‪.‬‬
‫اف ىذا االختبار ىو مطابؽ تماماً الختبار‪H 0 : 1  0 :‬‬

‫عالقة معامل االرتباط البسيط ومعامل التحديد في نموذج االنحدار البسيط‪:‬‬

‫يمكف استخداـ معامؿ االرتباط البسيط ) ‪ ( r‬في قياس قوة العبلقة في معادلة االنحدار البسيط‪.‬‬

‫‪.‬‬ ‫اقتراب ‪ Y‬و ˆ‪Y‬‬ ‫ىو ) ̂‪ ( YY‬يمكف استخدامو لقياس مدى‬ ‫فمعامؿ االرتباط البسيط بيف ‪ Y‬و ˆ‪Y‬‬
‫وىو بذلؾ يعد مقياساً لقدرة نموذج االنحدار عمى تفسير قيـ ‪.Y‬‬

‫‪74‬‬
 :‫ويمكف برىنة ذلؾ عمى وفؽ اآلتي‬
rXY  R2
xy
rXY 
x 2 y 2
12
xy x 2 ˆ1 x 2  ˆ12x 2 
 2   2 
x x y
2 2
y 2
  y 
12
 ESS 
  R2
 TSS 
:‫( عمى وفؽ اآلتي‬ryyˆ  R 2 ) ‫كما يمكف برىنة‬
(Y  Y )(Yˆ  Yˆ )
rYYˆ 
(Y  Y ) 2 (Y  Yˆ )
2

Y (Yˆ  e) ˆ
Y   Y :‫ولكف‬
n n
:‫البسط‬


(Y  Y )(Yˆ  Y )   (Yˆ  e)  Y  Yˆ  Y 
 (Yˆ  Y )  e Yˆ  Y 
 (Yˆ  Y )(Yˆ  Y )  e(Yˆ  Y )
 (Yˆ  Y )2  eYˆ  Ye
:‫الف‬
eYˆ  e( ˆ0  ˆ1 X )  ˆ0e  ˆ1eX
0

(Y  Y )(Yˆ  Y )  (Yˆ  Y ) 2  ESS

:‫المقاـ‬

(Y  Y ) 2 (Yˆ  Y ) 2  (TSS )( ESS )

75
 ‫‪ESS‬‬
‫‪rYYˆ ‬‬ ‫‪‬‬ ‫‪R2‬‬ ‫‪...‬‬ ‫)‪(20 - 3‬‬
‫‪TSS‬‬

‫بعبارة اخرى فاف مربع معامؿ االرتباط بيف متغيريف )‪ (Xi‬و )‪ (Xj‬يقيس جزء التغيرات المشتركة بيف ىذيف‬
‫أي اف ‪ 31%‬مف التبايف يكوف مشتركاً بيف المتغير ‪X‬‬ ‫المتغيريف فاذا كاف )‪(r2=0.31)(rXY = .56‬‬
‫و‪.Y‬‬

‫جدول تحميل التباين بداللة معامل التحديد‪:‬‬

‫باالعتماد عمى العبلقة )‪ (16-3‬يمكف إعادة كتابة االحصاءة ‪F‬عمى وفؽ اآلتي‪:‬‬

‫‪ESS‬‬ ‫‪R 2 TSS‬‬ ‫‪R2‬‬

‫‪F‬‬ ‫‪‬‬ ‫‪‬‬
‫)‪RSS (n  2‬‬ ‫)‪(1  R 2 ) (n  2‬‬
‫)‪(1  R 2 ) TSS (n  2‬‬
‫حيث‪:‬‬
‫‪ESS‬‬
‫‪R2 ‬‬ ‫‪‬‬ ‫‪ESS  R 2 TSS‬‬
‫‪TSS‬‬
‫‪ R 2(Y  Y )2‬‬
‫‪RSS‬‬
‫‪R2  1‬‬ ‫‪‬‬ ‫‪RSS  (1  R 2 ) TSS‬‬ ‫و‬
‫‪TSS‬‬
‫‪ (1  R 2 ) (Y  Y ) 2‬‬

‫وبذلؾ فاف جدوؿ تحميؿ التبايف يمكف إعادة صياغتو كآالتي‪:‬‬

‫جدوؿ)‪(2-3‬‬
‫جدوؿ تحميؿ التبايف ‪ANOVA Table‬‬

‫‪S.o.v‬‬ ‫‪SS‬‬ ‫‪d.f‬‬ ‫‪MSS‬‬

‫‪X‬‬ ‫‪R 2 (Y  Y ) 2‬‬ ‫ٔ‬ ‫‪R 2(Y  Y ) 2‬‬

‫البواقي‬
‫‪(1  R) 2 (Y  Y ) 2‬‬ ‫‪n-2‬‬ ‫)‪(1  R 2 ) (Y  Y ) 2 (n  2‬‬

‫‪Total‬‬ ‫‪(Y  Y ) 2‬‬ ‫‪n-1‬‬

‫‪76‬‬
 ‫مثاؿ)‪ :(14-3‬استخدـ بيانات المثاؿ )‪ (10-3‬في تحديد جدوؿ تحميؿ التبايف‪.‬‬
‫‪(Y  Y ) 2  135‬‬ ‫‪,‬‬ ‫‪R 2  0.78‬‬ ‫‪,‬‬ ‫‪n  20‬‬ ‫ممخص البيانات‪:‬‬
‫فجدوؿ تحميؿ التبايف‪:‬‬

‫‪S.o.v‬‬ ‫‪SS‬‬ ‫‪d.f‬‬ ‫‪MSS‬‬ ‫*‪F‬‬

‫‪X‬‬ ‫)‪(0.78)(135‬‬ ‫ٔ‬ ‫‪105.3‬‬
‫‪63.8‬‬
‫‪Error‬‬ ‫)‪(0.22)(135‬‬ ‫‪1.65‬‬
‫‪18‬‬
‫‪Total‬‬ ‫‪135‬‬ ‫‪19‬‬

‫كما ويمكف معرفة معنوية العبلقة الخطية المفترضة بيف المتغير المعتمد والمتغير المستقؿ مف خبلؿ‬
‫مقارنة قيمة ‪ F‬النظرية )الجدولية( بدرجات حرية )‪ (1‬البسط و )‪ (18‬لممقاـ وباستخداـ مستوى داللة‬
‫معيف‪.‬‬
‫مثاؿ )‪ :(15-3‬اكمؿ جدوؿ تحميؿ التبايف الختبار خطية العبلقة بيف ‪ X‬و ‪ Y‬اذا توفرت لديؾ المعمومات‪:‬‬

‫‪n  50 , rXY  0.63 , TSS  500‬‬

‫الحؿ‪:‬‬
‫‪R2  r 2‬‬
‫‪ 0.397‬‬

‫‪S.o.v‬‬ ‫‪SS‬‬ ‫‪d.f‬‬ ‫‪MSS‬‬ ‫*‪F‬‬

‫‪X‬‬ ‫‪(500)(0.63)2‬‬ ‫ٔ‬ ‫‪198.5‬‬
‫‪31.61‬‬
‫‪Error‬‬ ‫)‪(500)(1-0.397‬‬ ‫‪6.28‬‬
‫‪48‬‬
‫‪Total‬‬ ‫‪500‬‬ ‫‪49‬‬

‫الختبار معنوية العبلقة الخطية‪:‬‬

‫‪H 0 : 1  0‬‬
‫‪H1 : 1  0‬‬

‫‪77‬‬
 ‫‪M ( ESS ) 198.5‬‬
‫‪F* ‬‬ ‫‪‬‬ ‫‪ 31.61‬‬
‫‪M ( RSS ) 6.28‬‬

‫وبمقارنتيا بالقيمة الجدولية لمستوى الداللة ‪ 5%‬و ‪ 1%‬عمى التوالي‪:‬‬

‫‪F(1, 48,0.95)  4.04‬‬
‫‪F(1, 48,0.99)  7.19‬‬
‫لذا نرفض ‪ H0‬أي اف العبلقة الخطية معنوية‪.‬‬

‫مثاؿ )‪ (16-3‬تطبيقي شامؿ‪:‬‬

‫في دراسة العبلقة بيف عيوب المنتج )‪ (Y‬مقاسة بعدد العيوب الموجودة في المشاىدة وخبرة العامؿ‬
‫مقاسة بعدد سنوات الخدمة )‪ ، (X‬لعينة مف )‪ (15‬مشاىدة‪.‬‬

‫رقـ المشاىدة‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪7‬‬ ‫‪8‬‬ ‫‪9‬‬ ‫‪10‬‬ ‫‪11‬‬ ‫‪12‬‬ ‫‪13‬‬ ‫‪14‬‬ ‫‪15‬‬

‫عيوب المنتج )‪(Y‬‬ ‫‪39‬‬ ‫‪35‬‬ ‫‪40‬‬ ‫‪28‬‬ ‫‪35‬‬ ‫‪30‬‬ ‫‪33‬‬ ‫‪33‬‬ ‫‪26‬‬ ‫‪40‬‬ ‫‪41‬‬ ‫‪33‬‬ ‫‪31‬‬ ‫‪33‬‬ ‫‪38‬‬

‫الخبرة )‪(X‬‬ ‫‪5‬‬ ‫‪11‬‬ ‫‪4‬‬ ‫‪12‬‬ ‫‪11‬‬ ‫‪13‬‬ ‫‪9‬‬ ‫‪11‬‬ ‫‪12‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪7‬‬ ‫‪9‬‬ ‫‪6‬‬

‫‪X  125‬‬ ‫‪, Y  515‬‬ ‫‪, X 2  1185 , XY  4128 , Y 2  17973‬‬

‫‪ -‬رسم االنتشار‪:‬‬

‫‪Y‬‬

‫‪X‬‬

‫رسـ االنتشار لبيانات المثاؿ )‪ (16-3‬باستخداـ برنامج ‪SPSS‬‬

‫مف رسـ االنتشار يتضح اف العبلقة الخطية ىي المرشحة‬

‫‪78‬‬
 (125)(515)
4128 
X iYi  X i Yi n  163.67
ˆ1   15   1.142 -
X i  (X i ) n
2 2 2
(125) 143.3
1185 
15
ˆ0  Y  ˆ1 X  34.34  1.142(8.34)  43.85 -

Yˆi  43.85  1.142 X i :‫معادلة التقدير‬  -

. 1≈1.142 ‫زيادة سنوات الخبرة سنة واحدة تؤدي الى انخفاض عيوب المنتج بمقدار‬
:‫ اختبار معنوية المعممات‬-
:‫المقطع الصادي‬
vs H 0 :  0  0 H1 :  0  0
2 X (X ) 2
2
ˆ
var(  0 )  ˆ ; S xx  X  2
 143.3
nS xx n
e2 (Y ) 2
ˆ  2
; y  Y 
2 2
 291.33 ;
n2 n

ESS  ˆ1 S xx  (1.142)2 (143.3)  186.88

2

RSS  TSS  ESS  104.45

104.45
ˆ 2   8.035
13
1185 1185
var( ˆ0 )  8.035   8.035   4.43
15(143.3) 2149.5
43.85 43.85
t
; ˆ0    20.83 tc (13, 0.025)  2.16
4.43 2.105
.ً‫ المقطع الصادي معنوي إحصائيا‬.‫نرفض فرضية العدـ‬  t *̂0 tc

H 0 : 1  0 vs H1 : 1  0 : ˆ1 ‫الميؿ‬ -

ˆ ˆ 2 8.035
var( 1 )    0.056
S xx 143.3

79
 ‫‪ 1.142‬‬
‫‪t *ˆ ‬‬ ‫‪ 4.82‬‬
‫‪1‬‬ ‫‪0.237‬‬
‫‪tc (13,0.025)  2.16‬‬

‫نرفض ‪ . H0‬أي اف المتغير المستقؿ ميـ لتحديد التغيرات في ‪. Y‬‬ ‫‪ t *̂1 tc‬‬
‫‪43.85  2.105(2.16)  43.85  4.547‬‬ ‫‪ -‬مجاؿ الثقة لػ ‪:  0‬‬
‫‪(39.303‬‬ ‫‪,‬‬ ‫)‪48.396‬‬ ‫أي‪:‬‬

‫‪ 1.142  0.237(2.16)  1.142  0.512‬‬ ‫‪ -‬مجاؿ الثقة لػ ‪: 1‬‬

‫‪(1.654‬‬ ‫‪,‬‬ ‫)‪ 0.63‬‬
‫‪ -‬معامؿ التحديد‪:‬‬
‫‪ESS‬‬ ‫‪186.88‬‬
‫‪R2 ‬‬ ‫‪‬‬ ‫‪ 0.641‬‬
‫‪TSS‬‬ ‫‪291.33‬‬

‫‪ 64 %‬مف التغيرات في ‪) Y‬عيوب المنتج( يتـ توضيحيا مف قبؿ معادلة االنحدار باستخداـ خبرة العامؿ‪.‬‬
‫‪ANOVA Table‬‬
‫‪S.o.v‬‬ ‫‪SS‬‬ ‫‪d.f‬‬ ‫‪MSS‬‬ ‫*‪F‬‬
‫‪X‬‬ ‫‪186.88‬‬ ‫‪1‬‬ ‫‪186.88‬‬
‫‪23.258‬‬
‫‪Error‬‬ ‫‪104.45‬‬ ‫‪13‬‬ ‫‪8.035‬‬
‫‪Total‬‬ ‫‪291.33‬‬ ‫‪14‬‬

‫‪ -‬مجاؿ الثقة لمتوسط االستجابة‪:‬‬

‫متوسط االستجابة عندما تكوف سنوات خدمة العامؿ = ‪ 10‬سنوات‬
‫‪Yˆ10  43.85  1.142(10)  32.43‬‬

‫ˆ‬ ‫‪2 1‬‬ ‫‪(10  X ) 2 ‬‬

‫‪var(Y10 )  ˆ  ‬‬ ‫‪‬‬
‫‪n‬‬ ‫‪x 2‬‬ ‫‪‬‬
‫‪ 1 (2.89) ‬‬
‫‪ 8.035 ‬‬ ‫‪ 8.035(0.07  0.02)  0.723‬‬
‫‪15 143.3 ‬‬
‫‪s.e(Yˆ10 )  0.85‬‬
‫حدود متوسط االستجابة عندما ‪ Xf =10‬ىي‬

‫‪81‬‬
‫)‪(32.43  0.85(2.16))  (32.43  1.84‬‬
‫)‪(30.59 , 34.27‬‬

‫المشاىدة الجديدة‪ (10,30) :‬التتولد مف ىيكؿ العينة نفسو‪ ،‬الف قيمة ‪ Y‬تكوف خارج حدود مجاؿ الثقة‬
‫‪ 34.266‬و ‪. 30.59‬‬

‫‪ -‬مجاؿ الثقة لمقيمة التنبؤية الجديدة عندما خدمة العامؿ = ‪ 10‬سنوات‬

‫‪Yˆ10  32.43‬‬
‫‪var(Y10 )  ˆ 2  var(Yˆ10 )  8.035  0.723  8.758‬‬
‫‪s.e(Y10 )  2.96‬‬
‫حدود الثقة عندما ‪ Xf = 10‬ىي‪:‬‬
‫)‪(32.43  2.96(2.16))  (32.45  6.39‬‬
‫)‪(26.04 , 38.824‬‬

‫نفرض اف العيوب التي ينتجيا عامؿ لو خدمة ‪ )10‬سنوات( = ‪12‬‬

‫أي اف المشاىدات الجديدة )‪ (10,12‬التنتمي إلى ىيكؿ العينة موضع الدراسة‪ .‬في حيف اف المشاىدات‬
‫الجديدة )‪ (10,20‬تنتمي إلى ىيكؿ العينة‪.‬‬
‫في جميع االمثمة السابقة تـ استخداـ الطرائؽ الحسابية االعتيادية لمحؿ‪ .‬ويمكف استخداـ طريقة البرنامج‬
‫الجاىز ‪ SPSS‬لجميع ىذه الحسابات‪ .‬وسيتـ توضيح عرض نتائج ‪.SPSS‬‬

‫مثاؿ )‪ (17-3‬لدراسة جودة منتج معيف تـ اختيار عينة مف خمس عشرة مشاىدة وتـ قياس عدد العيوب‬
‫في كؿ منتج مف المشاىدات )‪ (Y‬واعتمد عمى خبرة العامؿ بقياسيا بعدد سنوات الخدمة )‪، (X1‬‬
‫والبيانات معروضة في الجدوؿ )‪(3-3‬‬
‫الجدوؿ )‪(3-3‬‬
‫عدد العيوب )‪ (Y‬وسنوات الخدمة )‪ (X1‬لعينة مف )‪ (15‬مشاىدة سحبت عشوائياً مف مصنع معيف‪.‬‬
‫‪Y‬‬ ‫‪39‬‬ ‫ٓٗ ٖ٘‬ ‫‪28‬‬ ‫‪35‬‬ ‫‪30‬‬ ‫‪33‬‬ ‫‪33‬‬ ‫‪26‬‬ ‫‪40‬‬ ‫‪41‬‬ ‫‪33‬‬ ‫ٖٔ‬ ‫‪33‬‬ ‫‪38‬‬
‫‪X1‬‬ ‫‪5‬‬ ‫‪11‬‬ ‫‪4‬‬ ‫‪12‬‬ ‫‪11‬‬ ‫‪13‬‬ ‫‪9‬‬ ‫‪11‬‬ ‫‪12‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪ٚ‬‬ ‫‪ٜ‬‬ ‫‪ٙ‬‬
‫المصدر‪http // samehar. word press.com :‬‬
‫ومف أجؿ االجابة عف الفقرات التالية‪:‬‬
‫ٔ‪ .‬تقدير معادلة االنحدار‪.‬‬

‫‪81‬‬
 ‫ٕ‪ .‬اختبار معنوية المعممات المقدرة‪.‬‬
‫ٖ‪ .‬اختبار معنوية النموذج‪.‬‬
‫ٗ‪ .‬حساب معامؿ التحديد‪.‬‬
‫يتـ استخداـ برنامج ‪ SPSS‬فتظير نتائج التقدير وكما موضحة في الجدوؿ)‪:(4-3‬‬

‫جدوؿ )‪(4-3‬‬
‫نتائج التقدير الخاصة بالمعامبلت‬

‫‪Model‬‬ ‫‪Unstandardized‬‬ ‫‪Standardized‬‬

‫‪Coefficients‬‬ ‫‪Coefficients‬‬
‫‪β‬‬ ‫‪Std. Error‬‬ ‫‪Beta‬‬ ‫‪t‬‬ ‫‪Sig.‬‬
‫)‪(1‬‬ ‫)‪(2‬‬ ‫)‪(3‬‬ ‫)‪(4‬‬ ‫)‪(5‬‬
‫)‪(Constant‬‬ ‫‪43.849‬‬ ‫‪2. 041‬‬ ‫‪20.837‬‬ ‫‪.000‬‬
‫‪X1‬‬ ‫‪-1.142‬‬ ‫‪.237‬‬ ‫‪-.801‬‬ ‫‪-4.823‬‬ ‫‪.000‬‬
‫المصدر‪ :‬نتائج برنامج ‪ SPSS‬باالعتماد عمى بيانات العينة‪.‬‬

‫‪. ˆ1  1.142‬‬ ‫و‬ ‫فالعمود االوؿ يمثؿ قيـ معممات النموذج المقدرة‪ˆ0  43.849 :‬‬
‫والعمود الثاني يمثؿ قيـ الخطأ المعياري لممعممات بالتناظر ‪ s.e(ˆ0 )  2.041‬وكذلؾ‬
‫‪s.e(ˆ )  0.237‬‬ ‫‪1‬‬

‫‪ˆi‬‬
‫‪t ‬‬
‫*‬
‫ˆ‪‬‬ ‫في حيف القيـ في العمود )‪ (4‬تمثؿ قيـ االحصاءة ‪ t‬المحسوبة لكؿ معممة والتي تمثؿ‬
‫) ‪s.e( ˆi‬‬
‫‪i‬‬

‫فاف قيمة ‪ t‬المحسوبة لممعممة ‪ ˆ 0‬ىي )‪ (20.837‬وكذلؾ قيمة ‪ t‬المحسوبة لممعممة ‪ ˆ1‬ىي‬
‫)‪.(-4.823‬‬
‫أما العمود )‪ (5‬مف الجدوؿ فيشير الى قيـ ‪ p‬وىو االحتماؿ الذي تكوف المعممة المعنية معنوية‪ .‬فاذا‬
‫كانت قيمة ‪ p‬أقؿ مف ‪ (p < 0.05)٘%‬فدليؿ عمى معنوية المعممة المعنية باستخداـ مستوى داللة ‪.٘%‬‬
‫يمكف عرض النتائج بالصيغة التالية‪:‬‬
‫‪Yˆ  43.849  1.142 X 1‬‬
‫)‪s.e : (2.104‬‬ ‫)‪(0.237‬‬
‫*)‪t : (20.837)* (4.823‬‬
‫اذ تشير )*( الى اف المعممة المعنية معنوية باستخداـ ‪.٘%‬‬
‫ويمكف تفسير المعممات المقدرة كاالتي‪:‬‬

‫‪82‬‬
 ‫‪ (1) ˆ0  43.849‬تمثؿ أثر المتغيرات غير المضمنة في معادلة النموذج عمى عيوب المنتج وىي‬
‫قيمة موجبة وكبيرة‪ ،‬وتدؿ عمى اف ىناؾ متغيرات اخرى ميمة محذوفة مف معادلة التقدير مثؿ المواد‬
‫االولية المستخدمة‪ ،‬او طرؽ التصنيع‪ . . .‬الخ‪.‬‬
‫وتشير ‪ ˆ1  1.142‬الى اف زيادة سنة اضافية مف سنوات الخبرة لدى العامؿ كفيمة بخفض العيوب‬
‫في المنتج بمقدار )‪.(1.142‬‬

‫)‪ (2‬اف قيمة ) ‪ s.e( ˆi‬االنحراؼ المعياري لممعممات المقدرة منخفضة وىي أقؿ مف ) قيمة المعممة‬
‫‪1‬‬
‫‪2‬‬
‫‪ˆi‬‬
‫‪i ، t ‬‬
‫*‬
‫ˆ‪‬‬ ‫المقدرة( فيذا دليؿ عمى معنوية المعممات والتي تؤكدىا قيـ ‪ t‬المحسوبة لممعممات‪:‬‬
‫) ‪s.e( ˆi‬‬
‫‪i‬‬

‫‪= 1,2‬‬
‫‪ t‬وىي كبيرة مقارنة بالقيمة الجدولية باحتماؿ ‪ 5%‬وبدرجات حرية ) ‪ ( n-2‬وىذا ما‬
‫*‬
‫ˆ‪‬‬
‫‪ 20.837‬‬
‫‪0‬‬

‫تؤكده قيـ ‪ p‬المناظرة ليا وىي أقؿ مف ‪ ، 5%‬أي اف معممة المقطع الصادي معنوية باحتماؿ ‪.5%‬‬

‫ىي االخرى اكبر مف‬ ‫وكما اف القيمة المطمقة لبلحصاءة ‪ t‬الخاصة بمعممة االنحدار ‪t *ˆ  4.823‬‬
‫‪1‬‬

‫قيمة االحصاءة ‪ t‬الجدولية وىذا ما تؤكده قيـ ‪ p‬المناظرة‪.‬‬

‫لذا نستنتج اف المعممة ‪ ˆ1‬معنوية احصائيا باحتماؿ ‪ . 5%‬أي اف سنوات الخبرة تعد مف المتغيرات‬
‫الميمة التي تؤثر في عيوب المنتج حسب نتائج العينة المستخدمة‪.‬‬

‫)‪ (3‬كما اف مخرجات البرنامج توفر جدوؿ تحميؿ التبايف والذي يساعد في اختبار معنوية النموذج ككؿ‬
‫عمى وفؽ اختبار ‪ F‬وكاالتي‪:‬‬
‫جدول (‪)5-3‬‬
‫نتائج تحميل التباين‬
‫‪ANOVA‬‬

‫‪s.o.v‬‬ ‫‪SS‬‬ ‫‪d.f‬‬ ‫‪MSS‬‬ ‫‪F‬‬ ‫‪Sig‬‬

‫)‪(1‬‬ ‫)‪(2‬‬ ‫)‪(3‬‬ ‫)‪(4‬‬ ‫)‪(5‬‬
‫‪Regression‬‬ ‫‪186.884‬‬ ‫‪1‬‬ ‫‪186.884‬‬ ‫‪23.260‬‬ ‫‪.000‬‬
‫‪Residual‬‬ ‫‪104.449‬‬ ‫‪13‬‬ ‫‪8.035‬‬
‫‪Total‬‬ ‫‪291.333‬‬ ‫‪14‬‬

‫المصدر‪ :‬نتائج برنامج ‪ SPSS‬باالعتماد عمى بيانات العينة‪.‬‬

‫‪83‬‬
‫فالجدوؿ )‪ (5-3‬يوضح نتائج تحميؿ تبايف االنحدار) ‪ (ANOVA‬الذي مف خبللو يتـ اختبار معنوية‬
‫النموذج ككؿ‪ ،‬فالعمود )‪ (1‬يمثؿ قيـ مجموع مربعات التغيرات لكؿ فقرة مف فقرات الجدوؿ وىي االنحدار‬
‫والبواقي والتغيرات االجمالية‪ ،‬وىي عمى التوالي ‪. 291.333 ، 104.449 ، 186.884‬‬
‫أما القيـ المعروضة في العمود)‪ (2‬مف الجدوؿ فتشير الى درجات الحرية وعمى التوالي لبلنحدار= ‪،1‬‬
‫لمبواقي = ‪ ، 13‬ولممجموع = ‪. 14 = n-1‬‬
‫والعمود)‪ (3‬ىو متوسطات القيـ )‪ (MS‬والتي تمثؿ مجموع المربعات لكؿ فقرة مقسومة عمى درجات الحرية‬
‫المناسبة ليا‪.‬‬
‫‪EMS‬‬
‫‪ ( F ‬والقيمة كبيرة مقارنة بالقيـ الجدولية‬ ‫والعمود )‪ (4‬يمثؿ قيـ ‪ F‬الحسابية )‪ 23.260‬‬
‫‪RMS‬‬
‫بدرجات حرية )‪ (1‬لمبسط و )‪ (13‬لممقاـ وىذا ما تدعمو القيمة في العمود )‪ (5‬اف )‪ (P = 0.000‬وىو اقؿ‬
‫مف )‪ (0.05‬وبالتالي فاف قيمة )‪ (F‬دالة إحصائياً‪ ،‬اي يمكننا القوؿ اف معادلة االنحدار ككؿ دالة‬
‫احصائياً عند مستوى داللة اقؿ مف )‪.(0.05‬‬
‫)‪ (4‬كما اف مخرجات البرنامج توفر قيمة معامؿ التحديد كما في الجدوؿ )‪(6-3‬‬

‫جدوؿ )‪(6-3‬‬
‫ممخص نتائج تحميؿ االنحدار‬
‫‪R‬‬ ‫)‪R Square (R2‬‬ ‫‪2‬‬
‫) ‪Adjusted R ( R‬‬ ‫‪Std. Error of the‬‬
‫)‪(1‬‬ ‫)‪(2‬‬ ‫‪Square‬‬ ‫‪Estimate‬‬
‫)‪(3‬‬ ‫)‪(4‬‬
‫‪.801‬‬ ‫‪.641‬‬ ‫‪0.614‬‬ ‫‪2.8345‬‬
‫المصدر‪ :‬نتائج برنامج ‪ SPSS‬باالعتماد عمى بيانات العينة‪.‬‬

‫ونبلحظ في جدوؿ )‪ (6-3‬ممخص لنتائج تحميؿ االنحدار يظير العمود )‪ (1‬معامؿ االرتباط المتعدد‬
‫)‪ (R= 0.801‬بيف المتغير التابع والمتغير المستقؿ وىو نفسو معامؿ بيرسوف الف النموذج يحوي عمى‬
‫متغير مستقؿ واحد‪ ،‬فيو يدؿ عمى اف ىناؾ عبلقة عالية بيف المتغير المستقؿ )خبرة العامؿ( والمتغير‬
‫التابع ) جودة المنتج(‪ ،‬ويشير العمود )‪ (2‬الى معامؿ التحديد الذي يفسر نتائج النموذج‪ ،‬وقيمتو‬
‫تساوي)‪(R2 =0.641‬وتعني اف النموذج المقدر يعبر عف )‪ %(64‬مف البيانات أي اف المتغيرالمستقؿ‬
‫يفسر)‪ %(64‬مف تبايف المتغير التابع‪ ،‬وفي العمود )‪(3‬تـ حساب معامؿ التحديد المعدؿ لمنموذج والذي‬
‫يساوي )‪ ( R  0.614‬ويستخدـ لمغرض نفسو المذكو اًر آنفاً ولكف بصورة ادؽ‪.‬‬
‫‪2‬‬

‫‪84‬‬
 ‫الخواص الحسابية لمقدرات المربعات الصغرى االعتيادية‪:‬‬
‫ٔ‪ -‬يمر الخط المستقيـ المقدر مف نقطة متوسطات العينة لػ ‪ Y‬و ‪: X‬‬

‫‪ ˆ0  Y  ˆ1 X  Y  ˆ0  ˆ1 X‬‬ ‫البرىاف‪:‬‬

‫) ‪ (Y , X‬إحداثيات نقطة المتوسط‪.‬‬

‫ٕ‪ -‬القيمة المتوسطة لقيـ ‪ Y‬المقدرة ) ˆ‪ (Y‬تساوي القيمة المتوسطة لقيـ ‪ Y‬الفعمية ) ‪: (Y‬‬
‫‪Yˆ  ˆ0  ˆ1 X  (Y  ˆ1 X )  ˆ1 X‬‬ ‫البرىاف‪:‬‬
‫‪Y‬‬
‫ٖ‪ -‬مجموع البواقي يساوي صف اًر‪:‬‬
‫) ‪ei  (Yi  Yˆi‬‬ ‫البرىاف‪:‬‬

‫‪ (Yi  ˆ0  ˆ1 X i )  0‬‬ ‫تمثؿ المعادلة االولى مف المعادالت الطبيعية‪.‬‬

‫‪ e 0‬‬

‫ٗ‪ -‬البواقي ‪ ei‬ال ترتبط بػ ‪: Xi‬‬

‫) ‪X i ei  X i (Yi  ˆ0  ˆ1 X i‬‬ ‫البرىاف‬

‫تمثؿ المعادلة الثانية مف المعادالت الطبيعية‪ X iYi  ˆ0X i  ˆ1X i .‬‬

‫‪2‬‬

‫‪=0‬‬
‫٘‪ -‬البواقي ال ترتبط بالقيمة المقدرة لػ ‪: Yi‬‬
‫البرىاف‪:‬‬
‫‪(eiYˆi )  eyˆ i‬‬

‫‪ei yˆi  ei (ˆ1 xi )  ˆ1xi ei  0‬‬ ‫أو‪:‬‬

‫العالقة بين ‪ t‬و ‪:)F = t2( F‬‬

‫‪ˆ12xi2‬‬
‫‪ˆ12xi2‬‬
‫‪F 2‬‬ ‫‪‬‬ ‫البرىاف‪:‬‬
‫)‪ei (n  2‬‬ ‫‪ˆ 2‬‬
‫‪ˆ12‬‬ ‫‪ˆ12‬‬
‫‪‬‬ ‫‪‬‬
‫‪ˆ 2 S XX‬‬ ‫) ‪v( ˆ1‬‬

‫‪85‬‬
 ‫‪2‬‬
‫‪ ˆ1 ‬‬
‫‪ ‬‬ ‫‪  t2‬‬ ‫‪...‬‬ ‫)‪(21 - 3‬‬
‫‪ˆ ‬‬
‫‪ s.e( 1 ) ‬‬

‫العالقة بين ‪ F‬و‪:R2‬‬

‫‪‬‬ ‫‪R 2 (n  2) ‬‬
‫‪F ‬‬ ‫‪‬‬
‫‪‬‬ ‫‪1 R2 ‬‬
‫البرىاف‪:‬‬
‫‪ESS‬‬ ‫)‪ESS (n  2‬‬
‫‪F‬‬ ‫‪‬‬
‫)‪RSS (n  2‬‬ ‫‪RSS‬‬

‫‪ ESS ‬‬

‫‪‬‬ ‫)‪(n  2‬‬
‫‪‬‬ ‫‪TSS ‬‬ ‫)‪R 2 (n  2‬‬
‫‪‬‬ ‫‪‬‬ ‫‪...‬‬ ‫)‪(22 - 3‬‬
‫‪RSS‬‬ ‫‪1 R2‬‬
‫‪TSS‬‬

‫العالقة بين‪ t‬و‪:R2‬‬

‫)‪R 2 (n  2‬‬
‫‪t‬‬ ‫‪F ‬‬ ‫‪...‬‬ ‫)‪(23 - 3‬‬
‫‪1 R2‬‬

‫)‪(8-3‬الترجيح ووحدات القياس‪Scaling and unites of Measurement:‬‬

‫مف أجؿ تبسيط الحسابات في بعض الحاالت أو لتسييؿ تفسير النتائج في حاالت أخرى يتـ‬
‫استخداـ وحدات قياس معقولة‪.‬‬
‫‪Y   0  1 X  u‬‬ ‫افترض اف وحدات القياس لممتغير ‪ X‬و ‪ Y‬في عبلقة االنحدار‬
‫مقاسة ببميوف الوحدات‪ .‬وباحث آخر استخدـ بيانات عف ‪ X‬و ‪ Y‬مقاسة بمميوف الوحدات‪ ،‬فيؿ اف نتائج‬
‫االنحدار تكوف متماثمة في الحالتيف؟‬
‫ويمكف صياغة السؤاؿ بالشكؿ اآلخر التالي‪ :‬ىؿ اف قياس الوحدات لممتغيريف ‪ X‬و ‪ Y‬تولد اختبلفات في‬
‫نتائج االنحدار مف ناحية تقدير المعممات او االستدالؿ حوؿ معنوية معمماتيا‪ .‬ولئلجابة عف السؤاؿ‬
‫افترض‪:‬‬

‫‪Yi*  W1Yi‬‬ ‫&‬ ‫‪X i*  W2 X i‬‬

‫حيث ‪ W1‬و ‪ W2‬ىي أوزاف التحويؿ )ثوابت( قد تكوف متساوية او مختمفة‪.‬‬
‫مثبلً‪ Xi :‬و ‪ Yi‬مقاسة بالبميوف مف الوحدات‪ ،‬وأراد الباحث تحويميا الى ) مميوف مف الوحدات (‬

‫‪86‬‬
 (W1 =W2 =1000) ‫ وبذلؾ فاف‬Yi  1000Yi X i*  1000 X i
*
,
:‫بشكؿ عاـ‬
: Yi , X i ‫االف افترض االنحدار باستخداـ المتغيرات‬
* *

Yi*   *0   1* X i*  ui* ... (24 - 3)

Yi*  W1Yi , X i*  W2 X i :‫حيث اف‬

:‫واآلف نسعى إليجاد العبلقات بيف اآلتي‬

. ˆ0* , ˆ0 (1)

. ˆ1* , ˆ1 (2)

. var( ˆ0* ) , var( ˆ0 ) (3)

. var( ˆ1* ) , var( ˆ1 ) (4)

ˆ * , ˆ 2 (5)
2

2 2
. rX *Y * , rXY (6)

:‫باستخداـ قوانيف المربعات الصغرى لتقدير المعممات‬

ˆ0  Y  ˆ1 X  ˆ0*  Y *  ˆ1* X * :  0 ‫• المعممة‬
W1 ˆ
 W1Y  1  (W2 X )  W1 (Y  ˆ1 X )  W1ˆ0
W2
ˆ *  W ˆ
0 1 0 . . . (25 - 3)

ˆ x* y* ( w2 x)(w1 y ) w2 w1 ( xy ) w1 xy

1 
*
  
x *2  ( w2 x ) 2
 w 2 2
2 x w2 x 2

w1 ˆ
ˆ1*   1 . . . (26 - 3)
w2
ˆ *  w12ˆ 2
2
:‫وىكذا يمكف البرىنة عمى‬
var(ˆ0* )  w12 var(ˆ0 ) ... (27 - 3)

87
 ‫‪2‬‬
‫‪w‬‬ ‫‪‬‬
‫‪var( ˆ )   1‬‬
‫*‬
‫‪1‬‬
‫) ‪ var( ˆ1‬‬ ‫‪...‬‬ ‫)‪(28 - 3‬‬
‫‪ w2‬‬ ‫‪‬‬
‫‪2‬‬
‫‪rXY‬‬ ‫* ‪ rX2*Y‬‬ ‫‪. . .‬‬ ‫)‪(29 - 3‬‬

‫خبلصة القوؿ‪ :‬بمعرفة األوزاف )‪ (wi‬يمكف عممياً اختيار وحدات القياس المناسبة سواء لمحسابات أو‬
‫لمتفسير‪.‬‬

‫)‪ (1‬فاذا كانت وحدات قياس المتغير ‪ X‬والمتغير ‪ Y‬متساوية )‪ (w1=w2=w‬فاف معممة االنحدار‪β1‬‬
‫وانحرافو المعياري )‪ s.e (β1‬ال تتغير في كبل معادلتي االنحدار باستخداـ المتغيرات ) ‪ ( Y , X‬أو‬
‫) *‪ .( Y* , X‬في حيف يكوف المقطع الصادي وانحرافو المعياري مرجحاً بالوزف ‪. w‬‬

‫)‪ (2‬اذا كانت وحدات ‪ X‬لـ تتغير أي )‪ (w2=1‬في حيف وحدات قياس ‪ Y‬تتغير بالوزف )‪ (w1‬فاف الميؿ‬
‫)‪ (β1‬والمقطع الصادي )‪ (β0‬وانحرافيما المعياري يتـ ترجيحيا بالوزف )‪. (w1‬‬

‫)‪ (3‬اذا وحدات ‪ Y‬لـ تتغير أي )‪ (w1=1‬في حيف وحدات قياس ‪ X‬تتغير)‪ (w2‬فاف الميؿ ) ‪( 1‬‬
‫‪1‬‬
‫( في حيف يبقى المقطع الصادي )‪ (β0‬وانحرافو‬ ‫وانحرافو المعياري )‪ s.e (β1‬يتـ ترجيحيا بالوزف )‬
‫‪w2‬‬
‫المعياري )‪ s.e (β0‬اليتأثر‪.‬‬

‫)‪ (4‬اف تحويؿ ‪ X‬و ‪ Y‬الى *‪ X‬و *‪ Y‬لف يؤثر في صفات المقدرات بطريقة ‪. OLS‬‬

‫مثاؿ)‪ : (18-3‬افترض باحث استخداـ بيانات الجدوؿ )‪ (1-2‬وأراد أف يحسب )‪ (Y‬بالكيموغرامات وتبقى ‪X‬‬
‫باليكتار‪ .‬فما ىي معادلة التقدير‪.‬‬

‫‪Yi*  1000 yi X i*  X i‬‬ ‫الجواب‪ w2 =1 :‬بينما ‪، =1000w1‬‬

‫وحيث اف معادلة االنحدار باستخداـ ‪ X‬و ‪ Y‬ىي‪:‬‬

‫‪Yˆi  35.35  2.564 X i‬‬
‫* ‪Yˆ *  35350  2564 X‬‬
‫‪i‬‬ ‫‪i‬‬

‫)‪s.e : (24668.4) (260.768‬‬ ‫وكذلؾ االنحراؼ المعياري‬

‫‪ˆ *  2308.3802‬‬
‫‪2‬‬

‫‪88‬‬
 ‫ويبقى تفسير المعممات‪.‬‬
‫) ‪ : ( ˆ1‬زيادة المساحة المزروعة بمقدار ىكتار واحد تؤدي الى زيادة االنتاج بمقدار )‪ (2564‬كغـ أو‬
‫)‪ (2.564‬ألؼ كغـ‪.‬‬

‫‪89‬‬
 ‫أسئهة انفصم انثبنث‪:‬‬
‫سٔ‪ :‬اجب باختصار عما يأتي‪:‬‬
‫أ‪ .‬كيؼ نحدد فرضية العدـ‬
‫ب‪ .‬الخطأ مف النوع االوؿ )‪(Type I error‬‬
‫ج‪ .‬الخطأ مف النوع الثاني)‪(Type II error‬‬
‫د‪ .‬رفض فرضية العدـ‪H0 : β1 = 0 :‬‬
‫ىػ‪ .‬قبوؿ فرضية العدـ‪H0 : β0 = 0 :‬‬
‫و‪ .‬حدود الثقة لممعممات المقدرة‪.‬‬
‫ز‪ .‬الربط الجوىري بيف مجاؿ الثقة واختبار المعنوية‪.‬‬
‫ح‪ .‬الفرؽ بيف متوسط االستجابة )‪ E(Yt / X = Xf‬وبيف التنبؤ باالستجابة الجديدة )‪(Yfnew‬‬
‫ط‪ .‬التفسير البدييي لمفيوـ درجات الحرية‪.‬‬
‫ي‪ .‬اف ‪ R2‬قد يكوف مقاساً غير جيد لمداللة عمى مبلءمة النموذج لمبيانات‪.‬‬
‫ؾ‪ .‬تأثير االختبلؼ في وحدات قياس المتغيريف ‪ X‬و ‪ Y‬عمى نتائج االنحدار‪.‬‬

‫س‪ :2‬صحح الخطأ اف وجد في العبارات التالية‪:‬‬

‫ٔ‪ .‬اف قبوؿ فرضية العدـ او رفضيا يتـ عمى اساس اف قيمة المعممة الحقيقية تختمؼ عف الصفر‪.‬‬
‫ٕ‪ .‬اف الخطأ مف النوع االوؿ يكافئ الخطأ مف النوع الثاني‪.‬‬
‫ٖ‪ .‬اذا اردنا اثبات اف الميؿ لخط االنحدار)‪ ( β1‬ال يساوي صف اًر فتشكؿ فرضية العدـ‪:‬‬
‫‪ ، H0 : β1 = 0‬اما اذا كنا نسعى الى اثبات اف ميؿ االنحدار لممجتمع موجباً فتكوف فرضية‬
‫العدـ ≥‪. 0H0 : β1‬‬
‫ٗ‪ .‬في حالة االختبار ذي الطرفيف فاف معنوية المعممة المقدرة باستخداـ مستوى داللة ‪ 5%‬يحدد اذا‬
‫‪1‬‬
‫كانت قيمة المعممة المقدرة اكبر مف ‪  ‬حجـ الخطأ المعياري المقدر‪.‬‬
‫‪2‬‬
‫٘‪ .‬قبوؿ فرضية العدـ ‪ < 0 H0 : β1‬اذا كانت القيمة الحسابية ضمف منطقة القبوؿ‬
‫‪‬‬
‫) ‪t *ˆ  (n  2,‬‬
‫‪1‬‬
‫‪2‬‬
‫‪ .ٙ‬اذا كانت القيمة المختبر حوليا لممعممة تقع ضمف حدود الثقة فذلؾ دليؿ عمى رفض فرضية‬
‫العدـ والعكس صحيح‪.‬‬
‫‪ .ٚ‬تبايف متوسط االستجابة تعادؿ تبايف خطأ التنبؤ‪.‬‬
‫‪ .ٛ‬اف فترة الثقة لمقيمة التنبؤية الجديدة تزداد مع ابتعاد القيمة التنبؤية لػ ‪ X‬عف نقطة المركز‪.‬‬
‫‪ .ٜ‬االحصاءة ‪ F‬ىي النسبة لمتغيريف مستقميف ذو توزيع ‪. χ2‬‬

‫‪91‬‬
 ‫ٓٔ‪ .‬اف استخداـ جدوؿ تحميؿ التبايف يصمح الختبار معنوية المعممات المقدرة بشكؿ عاـ‪.‬‬
‫ٔٔ‪ .‬معامؿ االرتباط البسيط ىو مقياس لدراسة الترابط بيف متغيريف ويعكس العبلقة السببية بينيما‪.‬‬
‫ٕٔ‪ .‬اف دقة المعالـ المقدرة تعتمد عمى تحقيؽ الفروض والصيغة المستخدمة الختبار ىذه الفروض‬
‫ىو رسـ االنتشار‪.‬‬
‫ٖٔ‪ .‬اذا كانت فترة الثقة لممعممة ‪ β‬ىي‪ (-0.3 ≤β≤ 0.9) :‬فاف المعممة ‪ β‬تكوف معنوية‪.‬‬

‫س‪ :3‬اشتؽ التوزيع المناسب لمتوسط االستجابة عند مستوى معموـ لممتغير )‪ . X(X0‬وقارف بينو وبيف‬
‫التوزيع االحتمالي لػ ‪ Yf‬التنبؤية الجديدة ؟‬

‫س‪ :4‬بيف أىـ مبلمح االختبلؼ بيف تحميؿ االرتباط وتحميؿ االنحدار؟‬

‫س‪ :5‬برىف اف معامؿ التحديد يعكس مربع معامؿ االرتباط البسيط بيف المتغيريف ‪ X‬و‪ Y‬؟‬

‫س‪ :6‬اكتب جدوؿ تحميؿ التبايف )‪ (ANOVA‬معتمداً عمى معامؿ التحديد وحجـ العيف ؟‬

‫س‪ :7‬معادلة االنحدار المقدرة‪:‬‬

‫‪Yˆi  200  2.3 X i‬‬ ‫‪i  1,,20‬‬
‫‪t :‬‬ ‫)‪(2.9‬‬
‫احسب معامؿ التحديد وفسر داللتو ؟‬

‫س‪ :ٛ‬اذا عممت اف معادلة التقدير‪:‬‬

‫‪Yˆi  30.5  0.8 X i‬‬ ‫‪i  1, ,18‬‬
‫‪s.e :‬‬ ‫)‪(0.04‬‬
‫‪X  62‬‬ ‫‪,‬‬ ‫‪R 2  0.42‬‬ ‫‪,‬‬ ‫‪y 2  490‬‬
‫تنبأ عف قيمة ‪ Y‬عندما ‪ X = 20‬ثـ اختبر معنويتيا ؟‬

‫س‪ :ٜ‬حدد حجـ العينة المستخدمة اذا عممت‪:‬‬

‫‪Yˆi  12.5  2.3 X i‬‬
‫‪t :‬‬ ‫)‪(0.3‬‬ ‫‪R 2  0.72‬‬

‫سٓٔ‪(1):‬اختبر معنوية العبلقة الخطية بيف ‪ Y‬و ‪ X‬اذا عممت‪Y   8 9 12 17 21:‬‬

‫واف ‪. R2 = 0.75‬‬
‫)ٕ( احسب تبايف خطأ التقدير‪.‬‬

‫‪91‬‬
 ‫س‪ :11‬الجدوؿ التالي يمثؿ عدد ساعات المطالعة العممية اليومي )‪ (X‬والمعدؿ العاـ )‪ (Y‬لعينة مف‬
‫الطمبة‪:‬‬

‫‪X‬‬ ‫‪2‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪4‬‬

‫‪Y‬‬ ‫‪60‬‬ ‫‪80‬‬ ‫‪75‬‬ ‫‪65‬‬ ‫ٔ‪ .‬قدر معدؿ طالب يدرس )‪ (3‬ساعات ‪ .‬واحسب مجاؿ ثقة‬
‫التقدير؟‬
‫ٕ‪ .‬احسب قيمة معامؿ التحديد وفسر داللتو اإلحصائية‪ .‬ثـ كوف جدوؿ تحميؿ التبايف باالعتماد عمى‬
‫معامؿ التحديد ؟‬

‫س‪ :12‬اختبر الفرضية >‪ 1H0 : 2β1‬إذا عممت‪:‬‬

‫‪Yˆi  22.01  0.973 X i‬‬ ‫‪i  1,,20‬‬
‫‪x 2  55‬‬ ‫‪,‬‬ ‫‪y 2  64‬‬

‫س‪ :13‬باحث يروـ استخداـ الصيغة الخطية لتقدير العبلقة بيف ‪ Y‬و ‪ X‬وقد التبس عميو أي النموذجيف‬
‫‪Y  0  1 X i  ui‬‬ ‫أم‬ ‫‪Yi  1 X i  ui‬‬ ‫يستخدـ‬
‫ما مقترحاتؾ إلزالة ىذا المبس ؟‬

‫‪Yˆi  2.6  1.5 X i‬‬ ‫‪, i  1,,20‬‬ ‫س‪ :14‬اعتماداً عمى الخبلصة اإلحصائية التالية‪:‬‬
‫‪X 5 ,‬‬ ‫‪Y  120‬‬ ‫‪,‬‬ ‫‪Y 2  903.5‬‬ ‫‪,‬‬ ‫‪X 2  568.9‬‬
‫اختبر معنوية متوسط االستجابة عندما ‪ X = 10‬باستخداـ مستوى داللة ‪ 5%‬؟‬

‫‪92‬‬
 ‫انفصم انرابع‬
‫االنحذار انخطي انمتعذد ‪Multiple Linear Regression‬‬
‫يعػػد نمػػوذج االنحػػدار المتعػػدد ) النمػػوذج الخطػػي العػػاـ ‪ (General Linear Model‬االمتػػداد‬
‫الطبيعػ ػ ػػي والمنطقػ ػ ػػي لمنمػ ػ ػػوذج الخطػ ػ ػػي بمتغي ػ ػ ػريف‪ .‬ففػ ػ ػػي حالػ ػ ػػة اسػ ػ ػػتخداـ ‪ k‬مػ ػ ػػف المتغي ػ ػ ػرات المسػ ػ ػػتقمة‬
‫)‪ (X1,X2,…,Xk‬لتفسير تبايف المتغير المعتمد )التابع( ‪ Y‬في معادلة االنحدار‪ ،‬فاف جميع المفػاىيـ فػي ىػذه‬
‫الحالػػة تتشػػابو مػػع حالػػة نمػػوذج االنحػػدار البسػػيط‪ .‬غيػػر اف تعػػدد المتغي ػرات المسػػتقمة تجعػػؿ التعامػػؿ مػػع‬
‫ط ارئ ػػؽ الجب ػػر الخط ػػي ) جب ػػر المص ػػفوفات ( ى ػػي المس ػػتخدمة لتق ػػدير واختب ػػار وتحمي ػػؿ نم ػػاذج االنح ػػدار‬
‫المتع ػػدد‪ .‬وب ػػذلؾ يمك ػػف تعميمي ػػا وتطبيقي ػػا عم ػػى ح ػػاالت المتغيػ ػريف‪ ،‬او ثبلث ػػة المتغيػ ػرات او أي ع ػػدد م ػػف‬
‫المتغيرات بشرط ال يفوؽ عدد المتغيرات عمى عدد المشاىدات المستخدمة لمتقدير‪.‬‬

‫)‪(1-4‬النموذج الخطي العام ( من خالل نقطة األصل) ‪Through the origin‬‬

‫نفترض اف المتغير المعتمد ‪ Y‬دالة خطية بداللة )‪ ( k‬مف المتغيرات المستقمة‪:‬‬
‫)‪ (X1,X2,…,Xk‬وبذلؾ يصاغ نموذج االنحدار الخطي العاـ عمى وفؽ العبلقة‪:‬‬

‫‪Yi  0  1 X 1i   2 X 2i  3 X 3i  ...   k X ki  ui‬‬ ‫‪...‬‬ ‫)‪(1 - 4‬‬

‫‪; i  1,2,..., n‬‬
‫حيث ان‪:‬‬
‫‪ :  j , j  1,..., k‬تمثؿ معػالـ النمػوذج الجزئيػة التػي تقػيس اسػتجابة المتغيػر التػابع لممتغيػر المسػتقؿ‬
‫المعني مع جعؿ بقية المتغيرات المستقمة ثابتة‪ .‬وىي تمثؿ مقدار التغير في ‪ Y‬لمتغير بوحػدة واحػدة مػف ‪Xi‬‬
‫مع ثبات بقية المتغيرات المستقمة‪.‬‬

‫‪ :‬تمثل قيم المتغير العشوائي المجهولة‪.‬‬ ‫‪ui , i  1,..., n‬‬

‫ولعينة مػف )‪ (n‬مػف المشػاىدات‪ ،‬فػاف العبلقػة )‪ (1-4‬تتحقػؽ لكػؿ مشػاىدة فيتكػوف ‪ n‬مػف المعػادالت وعمػى‬
‫وفؽ اآلتي‪:‬‬
‫‪Yi  0  1 X 11   2 X 21  ...   k X k1  u1‬‬
‫‪Y2   0  1 X 12   2 X 22  ...   k X k 2  u2‬‬
‫‪.‬‬
‫‪.‬‬
‫‪.‬‬
‫‪Yn   0  1 X 1n   2 X 2 n  ...   k X kn  un‬‬
‫وباستخدام المصفوفات يحول نظام المعادالت على وفق‪:‬‬

‫‪93‬‬
 ‫‪‬‬ ‫‪‬‬ ‫‪ 0 ‬‬
‫‪ Y1 ‬‬ ‫‪1 X 11‬‬ ‫‪X 21 . . . X k 1 ‬‬ ‫‪‬‬ ‫‪  u1 ‬‬
‫‪ ‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪ 1   ‬‬
‫‪ Y2 ‬‬ ‫‪1 X 12‬‬ ‫‪X 22 . . . X k 2 ‬‬ ‫‪    u2 ‬‬
‫‪. ‬‬ ‫‪.‬‬ ‫‪‬‬ ‫‪ 2  . ‬‬
‫‪ ‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪.    ‬‬
‫‪. ‬‬ ‫‪.‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪ . ‬‬
‫‪ ‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪.‬‬ ‫‪ . ‬‬
‫‪. ‬‬ ‫‪.‬‬ ‫‪‬‬ ‫‪.   ‬‬
‫‪Y ‬‬ ‫‪‬‬ ‫‪ ‬‬
‫‪ n‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪ ‬‬ ‫‪  un ‬‬
‫‪1 X 1n‬‬
‫‪‬‬ ‫‪‬‬
‫‪X 2 n . . . X kn ‬‬ ‫‪ k‬‬

‫وباختصار‪:‬‬
‫‪Y  X  u‬‬ ‫‪. . .‬‬ ‫)‪(2 - 4‬‬
‫حيث اف‪:‬‬
‫‪ :Y‬متجو عمودي لمشاىدات المتغير المعتمد وبترتيب )‪. (n 1‬‬
‫‪ :X‬مصػػفوفة تحتػػوي مشػػاىدات المتغي ػرات المسػػتقمة ‪ Xk ، . . . ، X2 ، X1‬وعمودىػػا االوؿ متغيػػر وىمػػي‬
‫لمدالل ػػة عم ػػى المقط ػػع الص ػػادي‪ .‬وترتي ػػب المص ػػفوفة )‪ . n  (k  1‬حي ػػث اف الص ػػؼ األوؿ م ػػف ى ػػذه‬

‫‪(data‬‬ ‫المصػفوفة ىػو‪ . (1 X 11 X 21 . . . X k1 ) :‬وتسػمى المصػفوفة بمصػفوفة المعمومػات‬

‫)‪.matrix‬‬
‫‪.‬‬ ‫‪ : β‬متجو عمودي يحتوي معالـ النموذج الخطي المراد تقديرىا‪ .‬وبترتيب ‪(k  1) 1‬‬
‫‪ : u‬متجو عمودي يحوي قيـ المتغير العشوائي المجيولة‪ .‬وبترتيب )‪. (n 1‬‬

‫الطػػرؼ األيمػػف فػػي العبلقػػة )‪ (2-4‬يمثػػؿ الجػػزء المحػػدد بػػالمتغيرات المسػػتقمة )‪(Xβ‬مضػػاؼ الييػػا الجػػزء‬
‫االحتمالي العشوائي )‪. (u‬‬

‫مثاؿ)‪ :(1-4‬ولتوضيح التمثيؿ بالصيغة المصػفوفية فػي حالػة متغيػريف ‪ Y‬و ‪ X‬ولسػبعة مشػاىدات كمػا فػي‬
‫الجدوؿ )‪. (1-4‬‬

‫جدوؿ )‪(1-4‬‬
‫‪Y 70‬‬ ‫‪65‬‬ ‫‪90‬‬ ‫‪95 111‬‬ ‫‪115 120‬‬
‫‪X 80 100 120‬‬ ‫‪140‬‬ ‫‪160‬‬ ‫‪180 200‬‬

‫فاف معادلة االنحدار بصيغة المصفوفات ىي‪:‬‬

‫‪94‬‬
‫‪70  1‬‬ ‫‪80 ‬‬ ‫‪u1 ‬‬
‫‪65  1‬‬ ‫‪u ‬‬
‫‪‬‬ ‫‪ ‬‬ ‫‪100 ‬‬
‫‪‬‬ ‫‪ 2‬‬
‫‪90  1‬‬ ‫‪120 ‬‬ ‫‪  0  u3 ‬‬
‫‪‬‬ ‫‪ ‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪  ‬‬
‫‪‬‬‫‪90‬‬ ‫‪  1‬‬ ‫‪140 ‬‬ ‫‪ 1   u 4 ‬‬
‫‪110 1‬‬ ‫‪160 ‬‬ ‫‪‬‬ ‫‪ u ‬‬
‫‪‬‬ ‫‪ ‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪  5‬‬
‫‪115 1‬‬ ‫‪180 ‬‬ ‫‪u 6 ‬‬
‫‪120 1‬‬ ‫‪200‬‬ ‫‪u ‬‬
‫‪‬‬ ‫‪ ‬‬ ‫‪‬‬ ‫‪ 7‬‬

‫‪Y  X  u‬‬
‫)‪(7  1‬‬ ‫)‪(7  2‬‬ ‫)‪(2 1‬‬ ‫)‪(7 1‬‬

‫كمػػا فػػي حالػػة االنحػػدار الخطػػي البسػػيط‪ .‬يكػػوف اليػػدؼ الػرئيس بعػػد جمػػع البيانػػات وتمثيػػؿ الصػػيغة الداليػػة‬
‫يكػػوف اليػػدؼ البلحػػؽ ىػػو تقػػدير معممػػات النمػػوذج المتمثػػؿ بالعبلقػػة )‪ (1-4‬عمػػى وفػػؽ الصػػيغة المصػػفوفية‬
‫العامػػة )‪ ، (2-4‬يكػػوف المطمػػوب إيجػػاد تقػػدير المتجػػو ‪ .β‬ويػػتـ ذلػػؾ عمػػى وفػػؽ طريقػػة )‪ (OLS‬أو طريقػػة‬
‫اإلمكػػاف األعظػػـ ‪ . ML.‬وحيػػث اف الط ػريقتيف تعطػػي نتػػائج متماثمػػة فيمػػا يخػػص المعممػػات المقػػدرة ‪ β‬لػػذا‬
‫سيتـ التركيز عمى طريقة المربعات الصغرى ‪. OLS‬‬

‫)‪(2-4‬فرضيات نموذج االنحدار الخطي بصيغة المصفوفات ‪Assumptions of classical linear‬‬

‫‪regression model in matrix form‬‬
‫•الفرضية األولى‪ :‬متوسط متجو المتغير العشوائي لكؿ عنصر مف عناصره‪ ،‬يساوي صف اًر‪ .‬أي‪:‬‬

‫‪(ui )  0‬‬ ‫‪, i  1,..., n‬‬

‫وبالصيغة المصفوفية‪:‬‬
‫‪ u1  (u1 )   0 ‬‬
‫‪  ‬‬ ‫‪  ‬‬
‫‪ u2  (u2 )   0 ‬‬
‫‪ u  (u )   0 ‬‬
‫‪ 3 ‬‬ ‫‪3‬‬
‫‪  ‬‬
‫‪(u )   .   .‬‬ ‫‪  . ‬‬ ‫)‪  ‬‬
‫‪  ‬‬ ‫‪ . ‬‬
‫‪ .  .‬‬ ‫‪  ‬‬
‫‪ .  .‬‬ ‫‪ . ‬‬
‫‪  ‬‬ ‫‪ 0‬‬
‫‪u‬‬
‫‪  ‬‬
‫‪n‬‬ ‫‪‬‬ ‫(‬‫‪u‬‬ ‫‪n‬‬ ‫)‬ ‫‪  ‬‬

‫•الفرضية الثانية‪ :‬تبايف المتغير العشوائي متجانس‪ ،‬قيمة التبايف متساوية لكؿ مشاىدة‪ .‬أي‪:‬‬
‫‪(ui u j )  var(ui )   2‬‬ ‫‪,‬‬ ‫)فرضية تجانس التبايف‪i  j (Homoscedasticity‬‬

‫‪95‬‬
 ‫•الفرضية الثالثة‪ :‬التبايف المشترؾ ألي مشاىدتيف مف مشاىدات المتغير العشوائي‪ ،‬تساوي صف اًر أي‪:‬‬

‫‪(ui u j )  0‬‬ ‫‪,‬‬ ‫‪i j‬‬

‫وتسمى فرضية عدـ وجود ارتباط ذاتي )‪(No serial correlation‬‬
‫وبالصيغة المصفوفية يمكف دمج الفرضية الثانية والثالثة كآالتي‪:‬‬
‫‪ u1 ‬‬
‫‪ ‬‬
‫‪ u2 ‬‬
‫‪. ‬‬
‫‪‬‬ ‫‪‬‬
‫‪(uu )     u1 u 2 . . . u n ‬‬
‫‪.  ‬‬ ‫‪‬‬
‫‪ ‬‬
‫‪. ‬‬
‫‪u ‬‬
‫‪ n‬‬

‫‪ 2‬‬ ‫‪‬‬

‫‪ u 1 u1u 2 u1u3 . . . u1u n ‬‬
‫‪‬‬ ‫‪‬‬
‫‪u u u2 u u . . . u u ‬‬
‫‪ 2 1‬‬ ‫‪2‬‬ ‫‪2 3‬‬ ‫‪2 n‬‬
‫‪‬‬
‫‪‬‬ ‫‪‬‬
‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪. ‬‬
‫‪(uu )  ‬‬ ‫‪‬‬
‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪. ‬‬
‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪‬‬
‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪. ‬‬
‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪2 ‬‬
‫‪ n 1‬‬
‫‪u‬‬ ‫‪u‬‬ ‫‪u‬‬ ‫‪u‬‬
‫‪n 2‬‬ ‫‪u‬‬ ‫‪u‬‬
‫‪n 3‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪u‬‬ ‫‪n ‬‬

‫‪96‬‬
 ‫‪‬‬ ‫‪‬‬
‫‪ u 1‬‬ ‫‪u1u 2‬‬ ‫‪u1u3 . . . u1u n ‬‬
‫‪2‬‬

‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪‬‬
‫‪ u 2u1‬‬ ‫‪u 22‬‬ ‫‪u 2u3 . . . u 2u n ‬‬
‫‪‬‬ ‫‪‬‬
‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪‬‬
‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪‬‬
‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪‬‬
‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪‬‬
‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪‬‬
‫‪‬‬ ‫‪‬‬
‫‪‬‬
‫‪ u n u1‬‬ ‫‪u n u 2‬‬ ‫‪u n u3 . .‬‬ ‫‪u n2 ‬‬‫‪‬‬
‫‪‬‬ ‫‪‬‬

‫‪ 2‬‬ ‫‪0‬‬‫‪‬‬ ‫‪‬‬ ‫‪0‬‬ ‫‪1 0 ‬‬ ‫‪0‬‬

‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬
‫‪ 0‬‬ ‫‪2 ‬‬ ‫‪‬‬ ‫‪0‬‬‫‪20‬‬ ‫‪1 ‬‬ ‫‪0‬‬
‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪  ‬‬ ‫‪‬‬
‫‪ ‬‬ ‫‪ ‬‬ ‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪‬‬
‫‪ 0‬‬ ‫‪2‬‬
‫‪  ‬‬ ‫‪0 0 ‬‬ ‫‪1 ‬‬
‫‪‬‬ ‫‪0‬‬ ‫‪‬‬

‫‪(uu)   2 n‬‬ ‫‪. . .‬‬ ‫)‪(4 - 4‬‬

‫والمصفوفة الممثمة بالعبلقة )‪ (4-4‬تمثؿ مصفوفة التبايف‪ .‬والتبايف المشػترؾ لممتغيػر العشػوائي ‪ u‬بالصػيغة‬
‫المصػػفوفية‪ ،‬عناصػػر القطػػر ال ػرئيس )‪ (main diagonal‬تمثػػؿ تب ػايف مشػػاىدات المتغيػػر العش ػوائي‪ .‬فػػي‬
‫حيف عناصر المثمث العموي تساوي عناصر المثمث السفمي ألنيا تمثؿ التبايف المشترؾ لمشاىدات المتغير‬
‫العشوائي‪ .‬وغني عف الذكر المصفوفة تكوف متماثمة )‪.(symmetric‬‬

‫الفرضػػية الرابعػػة‪ :‬المتغي ػرات ‪ X1,X2,…,Xk‬متغي ػرات ثابتػػة لمعينػػة المختػػارة فيػػي غيػػر عش ػوائية بمعنػػى اف‬
‫المتغي ػرات التوضػػيحية تكػػوف متغي ػرات خارجيػػة )‪ ، (Exogenous‬وبػػذلؾ فػػاف المصػػفوفة ‪ X‬ذات الترتيػػب‬
‫)‪ n  (k  1‬غير عشوائية‪ .‬بمعنى تحتوي عمى أرقاـ ثابتة‪.‬‬

‫الفرضػػية الخامسػػة‪ :‬ال توجػػد عبلقػػة خطيػػة تامػػة بػػيف المتغيػرات التػػي تمثػػؿ المصػػفوفة ‪ . X‬بمعنػػى ال وجػػود‬
‫لمتعدد الخطي‪.(Multicollinearity) .‬‬
‫ويمكف تجزئة الفرضية كاآلتي‪:‬‬

‫‪97‬‬
 ‫‪rx0 x j  0‬‬ ‫‪‬‬ ‫(‪j  1,2,..., k )1‬‬

‫وتق أر باستقبلؿ العمود األوؿ ) والذي مشاىداتو واحد ( مع أي مف أعمدة المصفوفة األخرى‪.‬‬
‫وعممي ػ ػاً يعنػ ػػي وجػ ػػود تغيي ػ ػرات واضػ ػػحة وممموسػ ػػة فػ ػػي مشػ ػػاىدات كػ ػػؿ متغيػ ػػر مػ ػػف المتغي ػ ػرات المسػ ػػتقمة‬
‫) التوضيحية ( ‪. Xk ، . . . ،X1‬‬

‫‪rxi x j  0‬‬ ‫‪i  j ,‬‬ ‫(‪i, j  1,2,..., k )2‬‬

‫وبذلؾ يفترض استقبلؿ المتغيرات التوضيحية عف بعضيا اآلخر‪ .‬فاألعمدة الثاني والثالث ‪ ......‬والعمود‬
‫)‪ (k+1‬مستقمة عف بعضيا اآلخر‪.‬‬
‫ويمكف عرض ىذه الفرضية بالصيغة المصفوفية‪:‬‬

‫‪( X )  k 1  n‬‬ ‫‪. . .‬‬ ‫)‪(5 - 4‬‬

‫رتبة مصفوفة المعمومات )‪ (X‬تامة مف ناحية األعمدة وىي أقؿ مف عدد المشاىدات )‪. (n‬‬

‫الفرضػػية السادسػػة‪ :‬يفتػػرض اف مشػػاىدات المتغيػػر العشػوائي ‪ u‬تتػػوزع بشػػكؿ متماثػػؿ أي ليػػا توزيػػع طبيعػػي‬
‫)‪ . (Normal‬وىذه الفرضية ميمة لمرحمة اختبار الفرضيات في الفصؿ الخامس‪.‬‬
‫وبصيغة المصفوفات‪:‬‬
‫‪u~N‬‬ ‫اف متجو المتغير العشوائي ‪ u‬لو توزيع طبيعي متعدد‪.‬‬
‫وبدمج الفرضيات )‪ (2‬و )‪ (3‬و )‪ (6‬يمكف صياغتيا مصفوفياً كاآلتي‪:‬‬
‫‪2‬‬
‫)‪u ~ N )0, σ In) . . . (6-4‬‬

‫)‪(3-4‬تقدير المعممات بطريقة المربعات الصغرى االعتيادية‪" Parameter Estimation by OLS ":‬‬
‫اف المعيػػار الػػذي تسػػتند إليػػو طريقػػة المربعػػات الصػػغرى االعتياديػػة ىػػو جعػػؿ مجمػػوع مربعػػات‬
‫الخطأ ) البواقي ( أقؿ ما يمكف‪ .‬وحيث اف البواقي تمثؿ قيـ ‪ y‬الحقيقية مطروحاً منيا القيـ التقديريػة ) ˆ‪( y‬‬
‫‪ei  Yi  Yˆi‬‬ ‫‪‬‬ ‫‪i  1,2,..., n‬‬ ‫‪ .‬أي‪:‬‬

‫وباستخداـ المصفوفات‪:‬‬
‫ˆ‪e  Y  Y‬‬
‫̂‪ Y  X‬‬
‫‪n‬‬
‫وبذلؾ فاف دالة اليدؼ بالصيغة المصفوفية‪:‬‬
‫‪e‬‬
‫‪i 1‬‬
‫‪2‬‬
‫‪i‬‬ ‫‪ ee‬‬

‫‪98‬‬
 ‫‪ e1‬‬ ‫‪‬‬
‫‪‬‬ ‫‪‬‬
‫‪ e2‬‬ ‫‪‬‬
‫‪.‬‬ ‫‪‬‬
‫‪ (e1 e2‬‬ ‫‪. . . en ) ‬‬ ‫‪  e12  e22  . . .  en2‬‬
‫‪.‬‬ ‫‪‬‬
‫‪‬‬ ‫‪‬‬
‫‪.‬‬ ‫‪‬‬
‫‪e‬‬ ‫‪‬‬
‫‪ n‬‬ ‫‪‬‬

‫) ˆ‪ee  (Y  Xˆ )(Y  X‬‬

‫ˆ‪ Y Y  2ˆ X Y  ˆ X X‬‬ ‫‪...‬‬ ‫)‪(7 - 4‬‬

‫حيث ان ) ‪ ( ˆ X Y‬متجه بترتيب )‪ (1×1)(scalar‬أو عدد حقيقي وبذلك‬

‫‪Y Xˆ  ( ˆ X Y )  ˆ X Y‬‬
‫العبلقة )‪ (7-4‬تمثؿ دالة اليدؼ التي نسعى لتصغيرىا وىي دالة بداللة متجو المعممات ˆ‪. ‬‬
‫‪ee‬‬ ‫وبتطبيؽ الشرط الضروري‪:‬‬
‫‪0‬‬
‫ˆ‪‬‬
‫تعطي )‪ (k+1‬من المعادالت والتي تمثل المعادالت الطبيعية‪.‬‬
‫‪ee‬‬
‫‪ 2 X Y  2 X Xˆ  0‬‬ ‫‪...‬‬ ‫)‪(8 - 4‬‬
‫ˆ‪‬‬
‫وبحل نظام المعادالت )‪ (6-4‬بالصيغة المصفوقية‪:‬‬
‫‪X Xˆ  X Y‬‬ ‫‪...‬‬ ‫)‪(9 - 4‬‬
‫نظام المعادالت )‪ (9-4‬يمثل المعادالت الطبيعية كاآلتي‪:‬‬

‫‪nˆ0‬‬ ‫‪ ˆ1 X 1i‬‬ ‫‪ ˆ2 X 2i‬‬ ‫‪ . . .  ˆk X ki  Yi‬‬

‫‪ˆ0 X 1i  ˆ1 X 12i‬‬ ‫‪ ˆ2 X 1i X 2i‬‬ ‫‪ . . .  ˆk X 1i X ki  X 1iYi‬‬

‫‪‬‬

‫‪ˆ0 X ki  ˆ1X ki X 1i  ˆ2 X ki X 2i  . . .  ˆk X ki2  X kiYi‬‬

‫‪99‬‬
 ‫وبالصيغة المصفوفية‪:‬‬
‫‪‬‬ ‫‪‬‬
‫‪ n‬‬ ‫‪X 1i‬‬ ‫‪X 2i‬‬ ‫‪...‬‬ ‫‪X ki‬‬ ‫‪‬‬ ‫‪ ˆ0  ‬‬ ‫‪‬‬
‫‪  ‬‬ ‫‪‬‬‫‪Y‬‬ ‫‪‬‬
‫‪‬‬ ‫‪‬‬ ‫ˆ‬
‫‪ X‬‬ ‫‪ 1   X 1Y ‬‬
‫‪X 12i‬‬ ‫‪X 1i X 2i‬‬ ‫‪. . . X 1i X ki ‬‬ ‫‪ ˆ  ‬‬ ‫‪‬‬
‫‪‬‬ ‫‪1i‬‬ ‫‪‬‬
‫‪‬‬ ‫‪‬‬ ‫‪  2    X 2Y ‬‬
‫‪ ‬‬ ‫‪‬‬ ‫‪   ‬‬ ‫‪‬‬
‫‪‬‬ ‫‪‬‬ ‫‪    ‬‬
‫‪‬‬ ‫‪‬‬ ‫‪ ˆ  ‬‬ ‫‪‬‬
‫‪X ki X ki X 1i‬‬ ‫‪X ki X 2i‬‬ ‫‪. . . X ki2 ‬‬ ‫‪ k   X k Y ‬‬
‫‪‬‬
‫‪X X ̂  X Y‬‬
‫‪(k  1)  (k  1) (k  1) 1‬‬ ‫‪(k  1) 1‬‬
‫حيث اف‪:‬‬
‫المصػػفوفة ‪ X X‬تس ػػمى مصػػفوفة فيش ػػر لممعمومػػات‪ ،‬ى ػػي بترتيػػب )‪ (k  1)  (k  1‬وى ػػي مص ػػفوفة‬
‫مربعة )‪ (square‬ومتماثمة )‪ (symmetric‬وغير شاذة )‪ (nonsingular‬النيا ذات رتبػة تامػة مػف ناحيػة‬
‫األعمػ ػػدة عمػ ػػى وفػ ػػؽ الفرضػ ػػية الخامسػ ػػة { العبلقػ ػػة )‪ }(5-4‬وبػ ػػذلؾ فػ ػػاف معكوسػ ػػيا موجػ ػػود ) ‪. ( X X‬‬
‫‪1‬‬

‫وبضرب طرفي العبلقة )‪ (9-4‬بػ ) ‪ ( X X‬وتبسيط الطػرفيف يػتـ الحصػوؿ عمػى قػانوف المربعػات الصػغرى‬
‫‪1‬‬

‫بالصيغة المصفوفية‪:‬‬
‫‪ˆ  ( X X ) 1 X Y‬‬ ‫‪...‬‬ ‫)‪(10 - 4‬‬
‫‪(k  1) 1‬‬ ‫)‪(k  1)  (k  1‬‬ ‫‪(k  1) 1‬‬

‫ونرمز للمصفوفة ) ‪ ( X X‬بالرمز ‪C‬معكوس مصفقوفة فيشر‪.‬‬

‫‪1‬‬

‫ولتوضيح استخداـ المصفوفات‪ ،‬يتـ استخداـ معمومات المثاؿ )‪ (1-4‬كحالة خاصة لبلنحدار الخطي‬

‫‪Y  665 , X  980 , X 2  148400 , XY  98500‬‬ ‫البسيط‪.‬‬

‫‪ ˆ0 ‬‬

‫ˆ‬
‫‪  ‬‬
‫‪ ˆ1 ‬‬
‫‪ n X   7‬‬ ‫‪‬‬
‫‪‬‬ ‫‪ ‬‬ ‫‪980‬‬ ‫‪‬‬
‫‪( X X )  ‬‬ ‫‪‬‬ ‫‪‬‬
‫‪ X X 2  ‬‬ ‫‪‬‬
‫‪‬‬ ‫‪  980‬‬ ‫‪148400 ‬‬
‫‪ 665 ‬‬
‫‪X Y  ‬‬ ‫‪‬‬
‫‪‬‬ ‫‪98500‬‬ ‫‪‬‬

‫‪111‬‬
  1.89  0.013  c c01 
  00
 1
(X X )   C  
  0.013 0.000089   c10 c11 
   
ˆ0   23.65
ˆ
   
ˆ1  0.12 

:‫ حالة ثبلث متغيرات‬: (2-4) ‫مثاؿ‬

. X2 ‫ و‬X1‫ و‬Y ‫بيانات افتراضية خمس مشاىدات لقيـ‬
(2-4) ‫جدوؿ‬
Y 3 1 8 3 5 ∑20
X1 3 1 5 2 4 ∑15
X2 5 4 6 4 6 ∑25

X 12  55 , X 22  129 , X 1Y  76 , X 2Y  109
‫تمثيؿ النموذج بصيغة المصفوفات‬
1 3 5
 
 3    u1 
  1 1 4  
 
1    0   u2 
 8   1    
5 6  1    u3
    
 3      u4 
 2
 5 1 2 4  
     u5 
1 4 6

 


:‫المعادالت الطبيعية‬
X X ̂  X Y

5 15 25 
   ˆ0   20 
    
 15 55 81   ˆ    76 
   1 
25 81 129  ˆ2  109 
 
 
:‫وإليجاد المعممات المقدرة يتطمب‬

111
 ‫ٔ‪ -‬حساب ) ‪. ( X X‬‬
‫‪1‬‬

‫ٕ‪ -‬أو باستخداـ طريقة كريمر باستخداـ المحددات‪.‬‬

‫ٖ‪ -‬أو باستخداـ تحويؿ المصفوفة ) ‪ ( X X‬الى المصفوفة مثمثية‪.‬‬
‫باستخداـ طريقة )‪.(Elimination‬‬
‫وسيتـ استخداـ الطريقة )‪) (2‬طريقة كريمر( ‪:‬‬

‫‪20‬‬ ‫‪15‬‬ ‫‪25‬‬

‫‪76‬‬ ‫‪55‬‬ ‫‪81‬‬

‫‪109‬‬ ‫‪81 129‬‬

‫‪ˆ0 ‬‬ ‫‪4‬‬
‫‪5‬‬ ‫‪15‬‬ ‫‪25‬‬

‫‪15‬‬ ‫‪55‬‬ ‫‪81‬‬

‫‪25‬‬ ‫‪81 129‬‬

‫‪5‬‬ ‫‪20‬‬ ‫‪25‬‬ ‫‪5‬‬ ‫‪15‬‬ ‫‪20‬‬

‫‪15‬‬ ‫‪76‬‬ ‫‪81‬‬ ‫‪15 55 76‬‬

‫‪25 109 129‬‬ ‫‪25 81 109‬‬

‫‪ˆ1 ‬‬ ‫‪ 2.5‬‬ ‫‪,‬‬ ‫‪ˆ 2 ‬‬ ‫‪ 1.5‬‬
‫‪5‬‬ ‫‪15‬‬ ‫‪25‬‬ ‫‪5‬‬ ‫‪15‬‬ ‫‪25‬‬

‫‪15‬‬ ‫‪55‬‬ ‫‪81‬‬ ‫‪15 55 81‬‬

‫‪25 81 129‬‬ ‫‪25 81 129‬‬

‫اذن معادلة االنحدار التقديرية‪:‬‬

‫‪Yˆ  4  2.5 X1  1.5 X 2‬‬
‫أو‪:‬‬
‫‪Y  4  2.5 X 1  1.5 X 2  e‬‬

‫‪112‬‬
 ‫)‪(4-4‬معنى معامالت االنحدار في حالة ثالثة متغيرات‪:Е(Yi / X1i , X2i) :‬‬

‫‪(Yi X 1i , X 2i )   0  1 X 1i   2 X 2i‬‬

‫‪ : 1‬وىي معممة تقيس التغير في متوسط قيـ ‪ . Y‬لوحدة تغير في ‪ ، X1‬مع إبقاء ‪ X2‬ثابتاً ‪ .‬وىي تقػيس‬
‫ميؿ ‪ Y‬نسبة إلى ‪ X1‬مع إبقاء ‪ X2‬ثابتاً‪.‬‬
‫‪Y‬‬
‫( ‪ .X1‬وى ػػي تقػػيس األث ػػر المباش ػػر )‪ (direct‬أو‬ ‫ورياض ػياً ف ػػاف المشػػتقة الجزئي ػػة لػ ػ ‪ Y‬نس ػػبة إلػػى )‬
‫‪X 1‬‬
‫الصػافي )‪ (net‬لوحػػدة التغيػػر فػػي ‪ X1‬عمػػى متوسػػط قػػيـ ‪ Y‬صػػافي ل ػ ‪ . X2‬وكػػذلؾ الحػػاؿ بالنسػػبة ل ػ ‪ 2‬‬
‫فيي تقيس األثر المباشر فقط ‪ X2‬عمى ‪ .Y‬ويمكف قياس األثر المباشر بالطريقة التي تتركػز بإ ازلػة أثػر ‪X2‬‬
‫عمى وفؽ الخطوات التالية‪:‬‬

‫‪Y  b0  b12 X 2  e1‬‬ ‫ٔ‪ -‬نجري انحدار ‪ Y‬عمى ‪ X2‬فقط‪:‬‬

‫‪X 1  b1  b12 X 2  e2‬‬ ‫ٕ‪ -‬انحدار‪ X1‬عمى ‪ X2‬فقط‪:‬‬

‫حيث اف ‪ : e1‬تمثؿ قيـ ‪ Y‬بعد إ ازلة األثر الخطي لػ ‪ X2‬عمى ‪.Y‬‬

‫‪ : e2‬تمثؿ قيـ ‪X1‬بعد إزالة األثر الخطي لػ ‪ X2‬عمى ‪.X1‬‬

‫‪e1  a0  a1e2  e3‬‬ ‫ٖ‪ -‬نجري انحدار ‪ e1‬عمى‪: e2‬‬

‫وبذلؾ يكوف ) ‪ (aˆ1‬ىو التقدير الحقيقي ‪ ،‬اذ يقيس األثر الصافي لوحدة التغير في ‪ X1‬عمى ‪ . Y‬او‬
‫الميؿ الحقيقي لػ ‪ Y‬بالنسبة لػ ‪ X1‬وىي بذلؾ ‪:‬‬

‫‪e1‬‬ ‫‪ˆ1  aˆ1‬‬

‫‪a1  1‬‬

‫‪e2‬‬

‫‪113‬‬
 ‫)‪(5-4‬صفات متجه المعممات المقدرة‪Properties of estimated parameter vector‬‬
‫‪ -1‬المعممػات المقػدرة تقػديرات غيػر متحيػزة لقػيـ المعممػات الحقيقيػة فػي المجتمػع‪ .‬لبرىنػة ىػذه الصػفة‬
‫بالصيغة المصفوفية‪:‬‬
‫‪̂  ( X X ) 1 X Y‬‬
‫) ‪ ( X X ) 1 X ( X  u‬‬
‫‪ ( X X ) 1 X X  ( X X ) 1 X u‬‬
‫‪   ( X X ) 1 X u‬‬ ‫‪. . .‬‬ ‫)‪(11 - 4‬‬

‫وبأخذ التوقع للطرفين‪:‬‬

‫) ‪( ˆ )    ( X X ) 1 X (u‬‬
‫‪( ˆ )  ‬‬

‫‪ ˆ0‬‬ ‫‪ ‬‬ ‫‪‬‬ ‫حيث ان )‪( 0 = E(u‬الفرض األول)‬

‫‪‬‬ ‫‪  0‬‬ ‫‪‬‬
‫ˆ‪ ‬‬ ‫‪  1‬‬ ‫‪‬‬
‫‪ 1‬‬ ‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪ ‬‬ ‫‪‬‬
‫ˆ ‪‬‬ ‫‪ ‬‬ ‫‪‬‬
‫‪ k‬‬ ‫‪  k‬‬ ‫‪‬‬
‫‪ -2‬المتجو ˆ‪ ‬يعد تركيب خطي بداللة المتجو ‪Y‬‬
‫وحيث اف ‪ X‬ثابتة لمعينة المختارة‬

‫اذف ‪ ( X X ) X‬ثابتة أيضاً‬

‫‪1‬‬

‫‪ ( X X ) 1 X  A‬‬ ‫نفرض‬

‫‪ ̂  AY‬‬
‫‪ -3‬المعممات المقدرة ليا أقؿ تبايف بموجب نظرية )‪. (Gauss Markov‬‬

‫وبػػذلؾ فػػاف المقػػدرات بطريقػػة ‪ OLS‬ىػػي أفضػػؿ مقػػدرات خطيػػة غيػػر منحػػازة او مػػا يطمػػؽ عمييػػا اختصػػا اًر‬
‫)‪.(BLUE‬‬

‫ˆ‪Variance-Covariance Matrix. ‬‬ ‫)‪(6-4‬مصفوفة التباين – والتباين المشترك لـ‬

‫اف مصػػفوفة التبػػايف والتبػػايف المشػػترؾ لممعممػػات المقػػدرة تعػػد ميمػػة إلغ ػراض االسػػتدالؿ اإلحصػػائي حػػوؿ‬
‫المعممات‪.‬‬

‫‪‬‬
‫‪‬‬ ‫‪‬‬‫‪‬‬
‫‪var  cov( ˆ )   ˆ  (  ) ˆ  (  ) ‬‬ ‫‪‬‬ ‫‪...‬‬ ‫)‪(12 - 4‬‬
‫‪‬‬ ‫‪‬‬

‫‪114‬‬
 :‫وحيث اف‬
̂  ( X X ) 1 X Y
 ( X X ) 1 X ( X  u)
 ( X X ) 1 X X  ( X X ) 1 X u
ˆ    ( X X ) 1 X u
 ˆ    ( X X ) 1 X u
 
var  cov( ˆ )   ( X X ) 1 X u uX ( X X ) 1 

  ( X X ) 1 X uu X ( X X ) 1 
 ( X X ) 1 X (uu ) X ( X X ) 1
 ( X X ) 1 X  2 I n X ( X X ) 1 :(4-4) ‫وباعتماد العبلقة‬

  2 ( X X ) 1
var  cov( ˆ )   2C ... (13 - 4)

‫( تبػػيف عناصػػر التبػػايف لمعممػػات االنحػػدار فضػػبل عػػف التبػػايف المشػػترؾ فيمػػا بػػيف المعممػػات‬12-4) ‫العبلقػػة‬
:‫المقدرة والتي يمكف كتابتيا بشكؿ صريح كاآلتي‬

 ˆ0 
 
 ˆ 
ˆ
var  cov(  )  var  cov 1 
 
 ˆ 
 k 

 ˆ0   0 
 
 ˆ     ˆ 
  1 1
 (  0   0 ) ( ˆ1  1 ) . . . ( ˆk   k )
   
ˆ 
 k  k 

115
  ˆ 
 (  0   0 )
2
( ˆ0   0 )( ˆ1  1 ) . . . ( ˆ0   0 )( ˆ k   k ) 
 
 
 ( ˆ1  1 ) 2 . . . ( ˆ1  1 )( ˆ k   k ) 
 
 . 
 
var  cov( ˆ )   
 . 
 
 
 . 
 
 (  k   k ) 
ˆ 2
 
 
 var( ˆ0 ) cov( ˆ0 , ˆ1 ) . . . cov( ˆ0 , ˆk ) 
 
 ˆ ˆ ˆ ˆ ˆ 
 cov( 1   0 ) var( 1 ) . . . cov( 1 ,  k ) 
 
 . 
 
 
 . 
 
 
 . 
 
 cov( ˆ , ˆ ) cov( ˆ , ˆ ) . . . var(  k ) 
ˆ
 k 0 k 1


var  cov( ˆ )   2C (13-4) ‫وبموجب العبلقة‬

:‫فاف‬
var( ˆi )   2cii i
cov( ˆi , ˆ j )   2 cij i  j i  0,1,..., k
j  0,1,..., k
.C ‫ تمثؿ عناصر القطر الرئيس لممصفوفة‬cii ‫حيث اف‬
.C ‫ تمثؿ عناصر المثمث العموي )أو السفمي( لممصفوفة‬cij
var( ˆ0 )   2 c00
var( ˆ )   2 c
1 11

var( ˆ k )   2 ckk

116
‫‪cov( ˆ0 , ˆ1 )   2 c0 1‬‬
‫‪‬‬

‫‪cov( ˆ1 , ˆk )   2 c1k‬‬

‫وهكذا‪.‬‬

‫وىكػػذا فػػاف المعممػػات المقػػدرة والتػػي تتصػػؼ بأنيػػا غيػػر متحيػزة وانيػػا تركيػػب خطػػي بداللػػة ‪ ،Y‬وبػػذلؾ فانيػػا‬
‫تحمػػؿ توزيػػع ‪ Y‬نفسػػو‪ ،‬وحيػػث اف ‪ Y‬ليػػا توزيػػع ‪ u‬نفسػػو الػػذي تػػـ افت ارضػػو بانػػو يتػػوزع توزيع ػاً طبيعي ػاً فػػاف‬
‫المعممات المقدرة تتوزع توزيعاً طبيعياً بمتوسط ‪( ˆi )   i‬‬

‫‪& var  cov( ˆi )   2c‬‬

‫والتي يمكن تلخيصها على وفق العالقة التالية‪:‬‬
‫) ‪ˆ ~ (  , 2C‬‬ ‫‪. . .‬‬ ‫)‪(14-4‬‬

‫) ‪ˆ0 ~ ( 0 , 2c00‬‬

‫)‪ˆ1 ~  ( 1 , 2c11‬‬
‫‪‬‬
‫) ‪ˆk ~  (  k , 2ckk‬‬
‫عمماً باف ) ‪ (‬تمثؿ تبايف الخطأ لممجتمع والتي تعد قيمة مجيولة يمكف تقديرىا باالعتماد عمى بيانات‬
‫‪2‬‬

‫‪e2‬‬ ‫العينة المختارة وعمى وفؽ اآلتي‪:‬‬

‫‪ ‬‬
‫‪2‬‬

‫‪n  k 1‬‬
‫وبصيغة المصفوفات‪:‬‬
‫‪ee‬‬
‫‪2 ‬‬ ‫‪...‬‬ ‫)‪(15 - 4‬‬
‫‪n  k 1‬‬
‫وحيث اف درجات الحرية ىي )‪(n-k-1‬‬
‫وسيتـ برىاف ذلؾ في الفقرة القادمة‪.‬‬

‫)‪(7-4‬القيمة التقديرية لتباين الخطأ ‪Estimated value of Error Variance‬‬

‫حيث اف قيمة ‪ u‬الحقيقية ال يمكف معرفتيػا لػذا فيػتـ تقػديرىا خػبلؿ اسػتخداـ العينػة وبػذلؾ فػاف تقػدير تبػايف‬
‫الخطأ ‪ ‬سيعتمد عمى مجموع مربعات البواقي )‪ . (ee‬والسػؤاؿ ىػو كػـ ىػي درجػات الحريػة التػي تجعػؿ‬
‫‪2‬‬

‫القيمة المقدرة لتبايف الخطأ غير متحيزة‪ .‬واالجابة عف ذلؾ تكمف في الخطوات التالية‪:‬‬

‫‪117‬‬
 e  Y  X̂

 Y  X ( X X ) 1 X Y

 I n  X ( X X ) 1 X  Y 
 MY . . . (16 - 4)
n n

M  I n  X ( X X ) 1 X  :‫حيث ان‬

. M X = 0 ‫وهي مصفوفة متماثلة وصماء و‬

M M  M 
e  M ( X  u)
 MX  Mu
 Mu
 ee  uM Mu ‫ صماء‬M ‫وحيث ان‬
 uMu
:‫وبأخذ التوقع للطرفين‬
(ee)  (uMu)
(1 n)(n  n)(n 1)
‫الرتبة = األثر‬ (scalar) ‫ثابت‬ uMu ‫وحيث ان‬
Rank = trace

.‫ يمثل حاصل جمع عناصر القطر الرئيس للمصفوفة‬tr(A) ‫حيث ان‬

 (uMu )  tr (uMu )
 tr (uMu )   tr (Muu)
 tr Muu  tr Muu  tr (M 2 n )
(ee)   2tr (M ) ... (17 - 4)
 
tr (M )  tr  n  X ( X X ) 1 X   tr  n  tr ( X ( X X ) 1 X )
 tr ( n )  tr ( X X ) 1 X X
 n  (k  1)  n  k  1
(17-4) ‫وبالتعويض في العالقة‬
(ee)   2 (n  k  1)

118
 (ee)
 2 
n  k 1
:‫أو ان‬
ee
ˆ 2  ... (18 - 4)
(n  k  1)
‫ولكن‬
ee  (Y  Yˆ )(Y  Yˆ )
 (Y   ˆ X )(Y  Xˆ )
 Y Y  2ˆ X Y  ˆ X Xˆ
 Y Y  2ˆ X Y  ˆ ( X X )( X X ) 1 X Y
 Y Y  2ˆ X Y  ˆ X Y

ee  Y Y  ̂ X Y ... (19 - 4)

RSS  TSS  ESS
‫( تمثل حساب مجموع مربعات االخطاء باالعتماد على البيانات االصلية حيث ان‬19-4) ‫ان العالقة‬

Y 2  Y Y
 Y 
  ‫وان‬

  1 
X Y
ˆ
  0 ˆ1. . . ˆk      ˆ X Y
  
 
 X k 
Y
:‫ويمكن حسابها باستخدام القيم كانحرافات وكاالتي‬
ee  RSS  Y  ( ˆ0 Y  ˆ1X 1Y    ˆk X k Y )
2


 Y 2  (Y  ˆ1 X   ˆk X k ) Y  ˆ1X 1Y   
 2 (Y ) 2  ˆ  X Y   X k Y 
  Y    1  X 1Y  1     ˆk  X kY  
 n   n   n 
 y 2  ˆ1x1 y  ˆ2x2 y   ˆk xk y)
RSS  SYY  ( ˆ1S X1Y  ˆ2 S X 2Y    ˆk S X kY ) ... (20 - 4)

119
 ‫والعبلقة )‪ (20-4‬تحسػب مجمػوع مربعػات االخطػاء بانيػا الفػرؽ بػيف مجمػوع المربعػات الكميػة )‪ (TSS‬وبػيف‬
‫مجمػػوع المربعػػات المشػػروحة مػػف قبػػؿ عبلقػػة االنحػػدار وبالصػػيغة المصػػححة )‪ (ESS‬أي البيانػػات تحسػػب‬
‫كانحرافات عف متوسطاتيا‪.‬‬
‫كما يمكف كتابة العبلقة )‪ (20-4‬بصيغة اخرى بعد ضرب حدود ‪ ESS‬بالمقدار‬
‫‪SX k X k‬‬ ‫‪SX 2 X 2‬‬ ‫‪S X1 X1‬‬
‫على التوالي فينتج‪:‬‬ ‫‪،‬‬ ‫‪ ،‬‬ ‫‪،‬‬
‫‪SX‬‬ ‫‪Xk‬‬
‫‪SX 2 X 2‬‬ ‫‪S X1 X1‬‬
‫‪k‬‬

‫‪‬‬ ‫‪S X1Y‬‬ ‫‪S X 2Y‬‬ ‫‪S X kY‬‬ ‫‪‬‬

‫‪RSS  SYY   ˆ1‬‬ ‫‪S X1X1  ˆ2‬‬ ‫‪S X 2 X 2    ˆk‬‬ ‫‪S Xk Xk‬‬ ‫‪‬‬
‫‪ SX X‬‬ ‫‪S‬‬ ‫‪S‬‬ ‫‪‬‬
‫‪‬‬ ‫‪1 1‬‬ ‫‪X2X2‬‬ ‫‪Xk Xk‬‬ ‫‪‬‬
‫) ‪ SYY  (ˆ12 S X1 X1  ˆ 22 S X 2 X 2    ˆ k2 S X k X k‬‬ ‫‪...‬‬ ‫)‪(21 - 4‬‬

‫‪RSS  TSS  ESS‬‬

‫‪Y Y  ˆ X Y‬‬ ‫وبالتعويض في المعادلة )‪: (18-4‬‬
‫‪ ‬‬
‫ˆ‬ ‫‪2‬‬

‫‪n  k 1‬‬

‫العبلق ػ ػ ػ ػ ػ ػ ػ ػ ػػة )‪ (19-4‬تجػ ػ ػ ػ ػ ػ ػ ػ ػ ػ أز التغيػ ػ ػ ػ ػ ػ ػ ػ ػ ػرات الكمي ػ ػ ػ ػ ػ ػ ػ ػ ػػة ف ػ ػ ػ ػ ػ ػ ػ ػ ػػي المتغي ػ ػ ػ ػ ػ ػ ػ ػ ػػر ) ‪ Y (Y Y‬ال ػ ػ ػ ػ ػ ػ ػ ػ ػػى تغيػ ػ ػ ػ ػ ػ ػ ػ ػ ػرات‬
‫مشروحة ) ‪ ( ˆ X Y‬وتغيرات لمخطأ )‪. (ee‬‬

‫برهان بعض خواص االنحدار الحسابية بالصيغة المصفوفية‪.‬‬

‫‪(e)  0 -1‬‬
‫البرىاف‪:‬‬
‫حيث اف ‪e  Mu‬‬
‫) ‪(e)  ( Mu )  M(u‬‬
‫‪0‬‬
‫‪X e  0 -2‬‬
‫باالعتماد على المعادلة الطبيعية‪:‬‬
‫ˆ‪X (Y  Xˆ )  X Y  X X‬‬
‫‪0‬‬
‫‪Yˆ e  0 -3‬‬
‫‪Yˆ e  ( Xˆ )e‬‬

‫‪111‬‬
 ‫حيث ان‪ ̂ X e :‬‬
‫‪X e  0  Yˆ e  0‬‬

‫‪Regression equation through theX. , Y‬‬ ‫)‪(8-4‬معادلة االنحدار من خالل نقطة المتوسط‬
‫‪mean‬‬
‫اف انتقػػاؿ الحسػػابات مػػف نقطػػة األصػػؿ إلػػى نقطػػة المتوسػػطات يعمػػؿ عمػػى تسػػييؿ العمميػػات الحسػػابية مػػف‬
‫اجؿ ايجاد معالـ النموذج المػدروس‪ .‬اذ اف جميػع المتغيػرات )المتغيػر المعتمػد ‪ Y‬والمتغيػرات المسػتقمة( يػتـ‬
‫التعامؿ معيا كانحرافات عف متوسطاتيا الحسابية‪.‬‬

‫‪Yi  0  1 X1i   2 X 2i  ...   k X ki  ui‬‬ ‫فالنموذج‪:‬‬

‫‪Y  0  1 X 1   2 X 2  ...   k X k  u‬‬ ‫وبأخذ المتوسط للطرفين‬

‫وبالطرح‪:‬‬
‫) ‪Yi  Y  1 ( X1i  X1 )  2 ( X 2i  X 2 )  ...  k ( X ki  X k )  (ui  u‬‬
‫‪yi  1 x1i   2 x2i  ...   k xki  ui‬‬ ‫وبصيغة أخرى‪:‬‬

‫تمثػ ػػؿ انح ارفػ ػػات المتغي ػ ػرات ‪ Y1i,X1i,X2i,Xki‬عػ ػػف متوسػ ػػطاتيا‬ ‫اذ اف ‪ 0  u‬واف ‪xki , x2i , x1i , yi‬‬
‫الحسابية عمى التوالي‪.‬‬
‫ويمكف إعادة كتابة النموذج بالصيغة المصفوفية العامة عمى وفؽ اآلتي‪:‬‬

‫‪x‬‬ ‫‪x2 1 . . . xk 1 ‬‬

‫‪ 11‬‬ ‫‪‬‬
‫‪ y1 ‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪1 ‬‬ ‫‪ u1 ‬‬
‫‪‬‬ ‫‪‬‬ ‫‪ x1 2‬‬ ‫‪x2 2 . . . xk 2 ‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬
‫‪ y2 ‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪2 ‬‬ ‫‪ u2 ‬‬
‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬
‫‪    ‬‬
‫‪  ‬‬ ‫‪ ‬‬ ‫‪‬‬ ‫‪ ‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬
‫‪ y ‬‬ ‫‪‬‬ ‫‪ k   uk ‬‬
‫ˆ‬ ‫‪‬‬ ‫‪‬‬
‫‪ n‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬
‫‪x‬‬ ‫‪x2 n‬‬ ‫‪xkn ‬‬
‫‪‬‬ ‫‪‬‬
‫‪ 1n‬‬ ‫‪‬‬
‫‪‬‬

‫‪y  x*  ui‬‬ ‫‪...‬‬ ‫)‪(22 - 4‬‬

‫‪ : y‬متجو انحرافات قيـ المتغير المعتمد بترتيب )‪.(n×1‬‬

‫‪ : x‬مصػػفوفة انح ارفػػات ق ػػيـ المتغي ػرات المسػػتقمة بترتي ػػب )‪ ، (n×k‬ويبلحػػظ اف ترتيبيػػا ق ػػد انخفػػض ع ػػف‬
‫مصفوفة ‪ X‬المقاسة بالقيـ األصمية‪.‬‬

‫‪111‬‬
 ‫*‪ :β‬متجههه معلمههات النمههوذر بترتيههب )‪ ، (k×1‬ونالحههظ ان المتجههه قههد حههذع منههه العنصههر ‪ ، β0‬والههذ‬
‫‪ˆ0  Y  ˆ1 X  ...  ˆk X‬‬ ‫يستوجب تقديره خارر نطاق النموذر‪:‬‬
‫وبذلك تكون المعادالت الطبيعية للعالقة )‪ (22-4‬على وفق اآلتي‪:‬‬

‫‪( xx)*  xy‬‬ ‫‪...‬‬ ‫)‪(23 - 4‬‬

‫وعليه فان المعلمات المقدرة بموجب ‪: OLS‬‬

‫‪ˆ*  ( xx) xy  C* xy‬‬
‫‪1‬‬
‫‪...‬‬ ‫)‪(24 - 4‬‬

‫‪‬‬ ‫‪‬‬
‫‪‬‬
‫‪ 1‬‬‫‪x‬‬ ‫‪2‬‬
‫‪‬‬ ‫‪x‬‬ ‫‪x‬‬
‫‪1 2‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪‬‬ ‫‪x‬‬ ‫‪x‬‬
‫‪1 k ‬‬
‫‪ x1 y ‬‬ ‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪x 2 . . . x2 xk ‬‬
‫‪2‬‬
‫‪‬‬ ‫‪‬‬ ‫‪x‬‬ ‫‪y‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬
‫‪xy  ‬‬ ‫‪xx ‬‬
‫‪2‬‬
‫‪‬‬ ‫‪,‬‬
‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪‬‬ ‫‪‬‬
‫‪ x y ‬‬ ‫‪ ‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪k‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪‬‬
‫‪‬‬
‫‪ k 1‬‬
‫‪x‬‬ ‫‪x‬‬ ‫‪‬‬ ‫‪x‬‬ ‫‪x‬‬
‫‪k 2‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬‫‪‬‬ ‫‪x‬‬ ‫‪2‬‬
‫‪k‬‬ ‫‪‬‬

‫‪ : xx‬هي مصفوفة فيشر للمعلومات كانحرافات عن متوسطاتها وهي بترتيب )‪. (k×k‬‬

‫*‪ :C‬هي مصفوفة معكوس فيشر وهي بترتيب )‪(k×k‬‬

‫‪‬‬ ‫‪‬‬
‫‪ c11‬‬ ‫‪c12 . . . c1k ‬‬
‫‪‬‬ ‫‪‬‬
‫‪ c21‬‬ ‫‪c22 . . . c2 k ‬‬
‫‪C*  ‬‬ ‫‪‬‬
‫‪‬‬ ‫‪‬‬
‫‪ ‬‬ ‫‪‬‬ ‫‪ ‬‬
‫‪‬‬ ‫‪‬‬
‫‪c‬‬ ‫‪ck 2 . . . ckk ‬‬
‫‪ k1‬‬

‫*‪var  cov( ˆ* )  ˆ 2 ( xx) 1  ˆ 2C‬‬ ‫كما اف‪:‬‬

‫وىػي مصػفوفة التتضػػمف تبػايف الحػػد الثابػت ) ‪ v(β‬والتبػػايف المشػترؾ ل ػ ˆ‪ ‬مػع ˆ‪ ˆ , . . . , ‬وعميػػو‬
‫‪1‬‬ ‫‪k‬‬ ‫‪0‬‬ ‫‪0‬‬

‫يجب اشتقاؽ صيغة خاصة لذلؾ‪.‬‬

‫ولمتبسيط نفرض حالة نموذج متضمف متغيريف فقط يكوف فييا النموذج‬
‫‪Yi  0  1 X1i   2 X 2i  ...  ui‬‬ ‫‪...‬‬ ‫)‪(25 - 4‬‬

‫‪112‬‬
 ˆ0  Y  1 X 1   2 X 2 :‫ان الحد الثابت لنموذر بمتغيرين يمكن تقديره‬

Y  0  1 X1   2 X 2  ...  u : (25-4) ‫وبأخذ التوقع لطرفي المعادلة‬

:‫اذن‬
0  Y  1 X1   2 X 2  ...  u
ˆ0  0  ˆ1 X 1  1 X 1  ˆ2 X 2   2 X 2  u

  X1 (ˆ1  1 )  X 2 (ˆ2   2 )  u ... (26 - 4)

E(ˆ0  0 ) 2  X 12 E (ˆ1  1 ) 2  2 X1 X 2 E(ˆ1  1 )(ˆ2   2 )  X 22 E(ˆ2   2 ) 2  E(u ) 2
 2
 X 1 var(ˆ1 )  2 X 1 X 2 cov( ˆ1 , ˆ2 )  X 22 var(ˆ2 ) 
2
... (27 - 4)
n
 var(ˆ ) cov( ˆ1 , ˆ2 )
   1
  X1   2
 X1 X 2    
  n
 cov( ˆ2 , ˆ1 ) var(ˆ2 )   X 2 
 
 2
 1
var( ˆ0 )  X  2 ( xx) 1 X    2  X ( xx) 1 X   ... (28 - 4)
n  n 
.‫ىو متجو متوسطات المتغيرات المستقمة‬: X
:‫ فيمكف اشتقاقيا عمى وفؽ اآلتي‬ˆ2 ‫ و‬ˆ1 ‫ وبيف كؿ مف‬ˆ 0 ‫أما التبايف المشترؾ بيف‬
(ˆ0  0 )  X 1 (ˆ1  1 )   X 2 E (ˆ2   2 )  u :‫( بالصيغة‬26-4) ‫تعاد كتابة العبلقة‬
:‫وبتربيع الطرفيف وأخذ التوقع‬


E ( ˆ0   0 )  X 1 ( ˆ1  1 )  2

 E  X 2 E (ˆ2   2 )  u  2

var(ˆ0 )  X 12 var(ˆ1 )  2 X 1 cov( ˆ0 , ˆ1 )  X 22 var(ˆ2 )  var(u )  2 X 2 cov( ˆ2u )

 2 X 1 cov(ˆ0 , ˆ1 )   var(ˆ0 )  X 12 var(ˆ1 )  X 22 var(ˆ2 )  var(u )

:‫( وتبسيط العبلقة ينتج‬27-4) ‫ بما يساوييا مف العبلقة‬var( ˆ0 ) ‫وبالتعويض عف قيمة‬
cov(ˆ0 , ˆ1 )   X1 var(ˆ1 )  X 2 cov(ˆ1 , ˆ2 ) ... (29 - 4)
: ˆ ‫ و‬ˆ ‫وبالطريقة نفسيا يمكف التوصؿ الى التبايف المشترؾ بيف‬
2 0

cov(ˆ0 , ˆ2 )   X 2 var(ˆ2 )  X1 cov(ˆ1 , ˆ2 ) ... (30 - 4)

:‫( بصيغة مصفوفات يتـ الحصوؿ عمى‬30-4) ‫( و‬29-4) ‫وبدمج العبلقتيف‬

113
 ‫) ˆ‪ var(‬‬ ‫‪cov( ˆ1 , ˆ2 )‬‬
‫‪ cov( ˆ0 , ˆ1 ) ‬‬ ‫‪ X1 ‬‬
‫‪ ‬‬ ‫‪‬‬
‫‪1‬‬
‫‪‬‬ ‫‪ ‬‬
‫‪ cov( ˆ , ˆ ) ‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪...‬‬ ‫)‪(31 - 4‬‬
‫‪‬‬ ‫‪0‬‬ ‫‪2 ‬‬ ‫) ‪ cov( ˆ2 , ˆ1‬‬ ‫ˆ‬
‫‪var( 2 ) ‬‬ ‫‪X2 ‬‬
‫‪‬‬ ‫‪‬‬
‫ويمكف تعميـ العبلقة )‪ (31-4‬لػ ‪ k‬مف المتغيرات المستقمة‪.‬‬

‫‪ cov( ˆ0 , ˆ1 ) ‬‬ ‫‪ 2‬‬ ‫‪‬‬ ‫‪ X1 ‬‬
‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬‫‪X‬‬ ‫‪‬‬ ‫‪X‬‬ ‫‪X‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪‬‬ ‫‪X‬‬ ‫‪X‬‬ ‫‪‬‬
‫‪ cov( ˆ , ˆ ) ‬‬
‫‪1‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪1‬‬ ‫‪k‬‬
‫‪ ‬‬
‫‪‬‬ ‫‪‬‬ ‫‪ X2‬‬
‫‪‬‬ ‫‪0‬‬ ‫‪2‬‬
‫‪   2  ‬‬ ‫‪‬‬ ‫‪...‬‬ ‫)‪(32 - 4‬‬
‫‪ ‬‬ ‫‪‬‬ ‫‪  ‬‬
‫‪‬‬ ‫‪2 ‬‬ ‫‪ ‬‬
‫‪‬‬ ‫‪ˆ ˆ ‬‬ ‫‪‬‬ ‫‪‬‬
‫‪ k 1‬‬
‫‪X‬‬ ‫‪X‬‬ ‫‪‬‬ ‫‪X‬‬ ‫‪X‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪‬‬‫‪X‬‬ ‫‪k ‬‬ ‫‪ X k ‬‬
‫‪ cov(  0 ,  k ) ‬‬
‫‪k 2‬‬
‫‪‬‬ ‫‪‬‬
‫‪(33-4) cov( ˆ0 , ˆ j )   ( xx) X‬‬
‫‪2‬‬ ‫‪1‬‬
‫‪. . .‬‬

‫‪  2 C* X‬‬ ‫أ ‪:‬‬

‫‪ : X‬متجه لمتوسطات المتغيرات المستقلة بترتيب )‪(k×1‬‬

‫مث ػػاؿ)‪ :(3-4‬ب ػػالعودة ال ػػى المث ػػاؿ)‪ (2-4‬حال ػػة ثبلث ػػة متغيػ ػرات‪ ،‬وذل ػػؾ باس ػػتخداـ البيان ػػات كانح ارف ػػات ع ػػف‬
‫متوسطاتيا‪.‬‬

‫‪Y  4 , X1  3 , X 2  5‬‬ ‫وتحسب المتوسطات‪:‬‬

‫ثـ تحسب قيـ المتغيرات كانحرافات عف متوسطاتيا‪:‬‬

‫جدول )‪(3-4‬‬
‫‪y  Y Y‬‬ ‫‪x1  X1  X1 x2  X 2  X 2‬‬ ‫‪y2‬‬ ‫‪x12 x22‬‬ ‫‪x1 x2‬‬ ‫‪x1 y x2 y‬‬
‫‪-1‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬
‫‪-3‬‬ ‫‪-2‬‬ ‫‪-1‬‬ ‫‪9‬‬ ‫‪4‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪6‬‬ ‫‪3‬‬
‫‪4‬‬ ‫‪2‬‬ ‫‪1‬‬ ‫‪16‬‬ ‫‪4‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪8‬‬ ‫‪4‬‬
‫‪-1‬‬ ‫‪-1‬‬ ‫‪-1‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬
‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬
‫‪Ʃ‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪28‬‬ ‫‪10‬‬ ‫‪4‬‬ ‫‪6‬‬ ‫‪16‬‬ ‫‪9‬‬

‫‪‬‬ ‫‪ 10 6‬‬ ‫‪16‬‬

‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪ 6 4‬‬ ‫‪9 ‬‬
‫‪‬‬ ‫‪x‬‬ ‫‪x‬‬ ‫‪x‬‬ ‫‪y‬‬
‫‪‬‬ ‫‪ ‬‬

‫‪114‬‬
  3  3
 1    ˆ1   1  
( xx)  
1 2 C    2   16    2.5 
 3 5 *
 ˆ   3 5   9    1.5 
   2  
 2 2  2 2

ˆ0  Y  ˆ1 X 1  ˆ2 X 2 :‫ على وفق القانون‬ˆ0 ‫ثم نستخرر قيمة‬

 4  2.5(3)  (1.5(5))
4
Yˆ  4  2.5 X 1  1.5 X 2 :‫اذن معادلة االنحدار‬
‫اما تبايف المعممات المقدرة‬
 ˆ1 
var     2C*
 ˆ 
 2

var( ˆ1 )   2c11   2 (1)

var(ˆ2 )   2c22   2 (5 2)
:‫( يمكف الحصوؿ عمى‬28-4) ‫وبتطبيؽ العبلقة‬
  3 
  1    3 1 
   
var( ˆ0 )    X ( xx) X      3 5       
2 1 1 2 2
 n     3 5   5 5 
   2 2  
 

1
var( ˆ0 )   2 (156  )
5
:‫ فيمكف تقديرىا عمى وفؽ‬ˆ ‫أما قيمة‬
RSS RSS RSS
 
n  k 1 5  3 2
‫أما‬
RSS  TSS  ESS
TSS  28
ESS  ̂* xy

115
 ‫‪ 16 ‬‬
‫‪ (2.5  1.5)  ‬‬
‫‪ 9‬‬
‫‪ 40  13.5  26.5‬‬
‫‪RSS  28  26.5  1.5‬‬
‫‪ ˆ 2  0.75‬‬

‫‪Coefficient‬‬ ‫)‪ (9-4‬معاملل التحديلد ‪ R2‬بالصليغة المصلفوفية‪of Determination using .‬‬

‫‪matrix form‬‬
‫معامل التحديد وكما تم تعريفه في الفصل الثالث ‪:‬‬
‫‪ESS‬‬
‫‪R2 ‬‬
‫‪TSS‬‬
‫‪ˆ1xy‬‬ ‫ففي حالة االنحدار البسيط‪:‬‬
‫‪R ‬‬
‫‪2‬‬
‫‪,‬‬ ‫‪k 1‬‬
‫‪y 2‬‬
‫‪ˆ x y  ˆ2x2 y‬‬ ‫في االنحدار المتعدد‪:‬‬
‫‪R2  1 1‬‬ ‫‪,‬‬ ‫‪k 2‬‬
‫‪y 2‬‬
‫أما عندما يكون عدد المتغيرات = ‪ˆ1x1 y  ˆ2x2 y  . . .  ˆk xk yk‬‬
‫‪R2 ‬‬
‫‪y 2‬‬
‫وبالصيغة المصفوفية‪:‬‬
‫‪̂ xy‬‬
‫‪(34-4) R ‬‬
‫‪2‬‬
‫‪. . .‬‬
‫‪yy‬‬
‫معامل االرتباط المتعدد ‪Multiple correlation coeffecient‬‬
‫ويرمز لو بالرمز ‪R‬‬
‫وىو مقياس لمعبلقة بيف و‪ ( RYŶ ) . ŶY‬ويعبر عنو بالقانوف‪:‬‬
‫) ‪(Y  Y )(Yˆ  Y‬‬
‫‪RYYˆ ‬‬
‫‪(Y  Y ) 2 (Yˆ  Y ) 2‬‬
‫وىو يمثؿ الجذر ألتربيعي لمعامؿ التحديد‪.‬‬

‫معامل التحديد المعدل ‪R2Adjusted‬‬

‫‪2‬‬
‫ويرمز له ‪ ، R‬ويستخدم هذا المؤشر في االنحدار المتعدد النه يعطي داللة أوضح من ‪ R2‬حهول‬
‫جودة ( حسن مالءمة ) النموذر‪.‬‬

‫‪116‬‬
 ‫حيث اف ‪ R2‬تزداد‪ ،‬عادة‪ ،‬بإضافة متغيرات مستقمة جديدة في النموذج ) بغض النظػر عػف مػدى مبلءمتيػا‬
‫لػػو(‪ .‬وتكمػػف الصػػعوبة مػػع ‪ R2‬ىػػو عػػدـ وجػػود تحديػػد عمػػى زيػػادة عػػدد المتغي ػرات المسػػتقمة المسػػتخدمة فػػي‬
‫تفسػػير المتغيػػر التػػابع‪ .‬فػػي حػػيف اف معامػػؿ التحديػػد المعػػدؿ ‪ R‬ي ارعػػي نسػػبة االنخفػػاض فػػي تبػػايف )او‬
‫‪2‬‬

‫تغيير( المتغير ‪ Y‬والتي تع از إلضافة ‪ Xi‬لمنموذج الذي يحوي ‪ . Xj‬ويكوف معامؿ التحديد المعدؿ‪:‬‬
‫)‪RSS (n  k  1‬‬
‫‪R 2  1‬‬
‫)‪TSS (n  1‬‬
‫‪n 1‬‬
‫‪R 2  1‬‬ ‫) ‪(1  R 2‬‬ ‫‪...‬‬ ‫)‪(35 - 4‬‬
‫‪n  k 1‬‬
‫ويمكػػف اف تػػزداد قيمػػة ‪ R‬او تظػػؿ عمػػى حاليػػا وقػػد تػػنقص اذا أضػػفنا متغيػرات مسػػتقمة إضػػافية لمنمػػوذج‪.‬‬
‫‪2‬‬

‫وذلؾ الف مثؿ ىذه المتغيرات المستقمة اإلضافية سوؼ تخفض عادة مف قيمة ‪ RSS‬ولكنيػا وبالوقػت نفسػو‬
‫سوؼ تقمؿ مف )‪ (n-k-1‬وبعبارة أخرى يفضؿ عدـ إضافة متغير لمنموذج اذا تسببت إضافتو الى تخفيض‬

‫‪R 2  R2‬‬ ‫قيمة ) ‪ ( R‬ويتضح مف العبلقة )‪ (35-4‬اف‪:‬‬

‫‪2‬‬

‫‪TSS  y 2  28‬‬ ‫مثاؿ)‪ :(4-4‬باستخداـ بيانات الجدوؿ )‪ (2-4‬نفسيا فاف‪:‬‬

‫‪16‬‬
‫‪ESS  ˆ xy  2.5‬‬ ‫‪ 1.5    26.5‬‬
‫‪‬‬ ‫‪ 9 ‬‬
‫وبذلؾ فاف مجموع مربعات الخطأ‪:‬‬
‫‪RSS  28  26.5  1.5‬‬
‫وعميو يكوف معامؿ التحديد لمنموذج ) معامؿ االرتباط المتعدد (‬
‫‪26.5‬‬
‫‪RY2 X1 X 2 ‬‬ ‫‪ 0.9464‬‬
‫‪28‬‬
‫أي اف استخداـ المتغيريف ‪ X1‬و ‪ X2‬تمكنت مف تفسير ‪ 94.64%‬مف التغيرات اإلجمالية في ‪.Y‬‬
‫‪4‬‬
‫‪R 2  1  (1  0.9464)  0.8928  R 2‬‬ ‫أما معامؿ التحديد المعدؿ‪:‬‬
‫‪2‬‬
‫)‪ (10-4‬االنحدار المتعدد واالنحدار البسيط‪Multiple VS simple regression.‬‬
‫ىػػؿ توجػػد عبلقػػة بػػيف معػػامبلت االنحػػدار المتعػػدد ومعػػامبلت البسػػيط ؟ لئلجابػػة عػػف ىػػذا الس ػؤاؿ‪ ،‬لػػنمعف‬
‫النظر في عبلقات االنحدار التالية‪:‬‬

‫‪117‬‬
‫‪Yi   0  1 X 1   2 X 2  u‬‬

‫‪Y  a0  b1 X 1‬‬ ‫‪ v1‬‬

‫‪Y  c0  b2 X 2‬‬ ‫‪ v2‬‬

‫‪X 2  d 0  b21 X 1‬‬ ‫‪ v3‬‬

‫‪X 1  e0  b12 X 2‬‬ ‫‪ v3‬‬

‫حيث ان‪:‬‬
‫‪Y‬‬ ‫‪ ‬استبعاد أثر ‪ X2‬‬ ‫‪Y‬‬ ‫استبعاد أثر ‪ X1‬‬ ‫‪‬‬
‫‪2 ‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪1 ‬‬ ‫‪‬‬ ‫‪‬‬
‫‪X 2‬‬ ‫‪ X2 constant ‬‬ ‫‪X 1‬‬ ‫‪ X constant‬‬ ‫‪‬‬
‫‪1‬‬

‫‪dY‬‬ ‫‪dY‬‬
‫‪b1 ‬‬ ‫‪,‬‬ ‫‪b2 ‬‬
‫‪dX 1‬‬ ‫‪dX 2‬‬

‫‪dX 2‬‬ ‫‪dX 1‬‬

‫‪b2 1 ‬‬ ‫‪,‬‬ ‫‪b1 2 ‬‬
‫‪dX 1‬‬ ‫‪dX 2‬‬
‫ويمكن اثبات العالقات التالية‪:‬‬
‫‪b1  b2b2 1‬‬
‫‪1 ‬‬ ‫‪...‬‬ ‫)‪(36 - 4‬‬
‫‪1  R22 1‬‬
‫وكذلك‪:‬‬
‫‪b2  b1b1 2‬‬
‫‪2 ‬‬ ‫‪...‬‬ ‫)‪(37 - 4‬‬
‫‪1  R12 2‬‬

‫ومف تفحص المعادالت )‪ (36-4‬و )‪ (37-4‬يتضح انػو فػي حػاؿ انعػداـ العبلقػة بػيف ‪ X1‬و ‪ X2‬فػاف ‪ b21‬و‬
‫‪ b12‬تساوي صف اًر وكذلؾ ‪ R12‬و ‪ R21‬تساوي صف اًر ‪.‬‬
‫‪2‬‬ ‫‪2‬‬

‫وبذلؾ‪ b1 β1 = :‬وكذلؾ = ‪b2 β2‬‬

‫أي اف معػػامبلت االنحػػدار الجزئيػػة فػػي االنحػػدار المتعػػدد = معػػامبلت االنحػػدار المقابمػػة ليػػا فػػي االنحػػدار‬
‫البسيط اذا كاف االرتباط بيف المتغيرات التوضيحية معدوماً‪.‬‬

‫• وبش ػػكؿ ع ػػاـ اذا كان ػػت مص ػػفوفة المعموم ػػات مص ػػفوفة فيش ػػر ) ‪ ( X X‬مص ػػفوفة قطري ػػة ف ػػاف المعمم ػػات‬
‫المقدرة مف االنحدار المتعدد تكافئ معممات االنحدار المقابمة ليا في االنحدار البسيط‪.‬‬

‫‪118‬‬
 ‫برىاف ىذه الحالة تترؾ كتمريف‪.‬‬
‫)‪(11-4‬األثر المباشر واألثر غير المباشر ‪.Direct & Indirect effect‬‬
‫اف االفتراض الذي ينص عمى تشخيص النموذج بشكؿ صحيح فضبلً عف كونو خالياً مف األخطاء‬
‫تعد فرضية ميمة‪ .‬وعمى أساس تحقؽ ىذه الفرضية فاف المقدرات تتمتع بصفة ) ‪.(BLUE‬‬
‫لتوضيح فكرة ىذا المبحث‪ ،‬نفترض اف النموذج الصحيح ىو‪:‬‬
‫‪Y  0  1 X 1   2 X 2  ut . . .‬‬ ‫)‪(38-4‬‬
‫وبذلك فان معلمات االنحدار المتعدد المقدرة ‪ ˆ2 , ˆ1‬تمثل المشتقات الجزئية‪:‬‬
‫‪Y‬‬ ‫‪Y‬‬
‫‪ˆ1 ‬‬ ‫‪& ˆ2 ‬‬
‫‪X 1‬‬ ‫‪X 2‬‬
‫‪( ˆ1 )  1‬‬ ‫ومع تحقق الفروض فان‪:‬‬

‫‪& ( ˆ2 )   2‬‬

‫اذا تم االفتراض ان الباحث اعتمد نموذر االنحدار البسيط في التقدير كاآلتي‪:‬‬
‫‪Y  b0  b01 X 1  ut . . .‬‬ ‫(‪(39-4‬‬
‫‪dY‬‬
‫‪b‬‬
‫‪ 01‬يمثل أثر المتغير ‪ X1‬على ‪.Y‬‬ ‫‪‬‬
‫فان ‪dX 1‬‬
‫فالسؤاؿ المطروح‪ :‬ىؿ اف المعممة )‪ (b01‬ستوفر تقدير غير متحيز لػ ‪ .β1‬بمعنى ‪(b01)  1‬‬
‫عمماً باف المتغير ‪ X2‬تـ حذفو مف المعادلة)‪.4(38 -‬‬
‫الجواب‪ :‬بشكؿ عاـ ‪(b01)  1‬‬

‫‪b01  1   2b21X 1  error‬‬ ‫حيث يمكف البرىنة عمى اف‪:‬‬

‫اذ اف‪ (b21) :‬ىي معممة انحدار ‪) X2‬المحذوؼ( عمى ‪ ،X1‬أي‪:‬‬

‫‪X 2t  c2  b21X1  error‬‬
‫أي اف‪(b01)  1  b21   2 :‬‬
‫‪x x‬‬
‫‪bˆ21  2 2 1‬‬
‫‪x1‬‬ ‫وبشكؿ عاـ‪b21   2  0 :‬‬
‫اذن )‪ (b01‬متحيزة‪.‬‬
‫التقديـ السابؽ لو تفسػير ميػـ فػي توضػيح فكػرة األثػر المباشػر أو الصػافي ل ػ ‪ X1‬عمػى ‪ .Y‬وذلػؾ مػف خػبلؿ‬
‫جعؿ أثر ‪ X2‬ساكناً‪ .‬إلػى جانػب قيػاس األثػر غيػر المباشػر عمػى ‪ Y‬نسػبة إلػى أثػره عمػى المتغيػر المحػذوؼ‬
‫‪.X2‬‬
‫وبذلؾ فاف ‪ β1‬يقيس فقط االثر المباشر او الصػافي ل ػ ‪ X1‬عمػى ‪ .Y‬فػي حػيف )‪ (b01‬يقػيس األثػر اإلجمػالي‬
‫لػ ‪ X1‬عمى ‪ Y‬ويبقى االثر غير المباشر لػ ‪ X1‬عمى ‪ Y‬يكوف ممثبلً بػ ) ‪ ( ˆ2  bˆ2 1‬عبر أثر ‪.X2‬‬

‫‪119‬‬
 :‫ويمكف توضيح ذلؾ مف خبلؿ المخطط التالي‬
(1-4) ‫مخطط‬
.‫األثر المباشر واألثر غير المباشر في نموذج ثبلثة متغيرات‬

ˆ1 ˆ2

X1 X2
b2 1  bˆ2 1  ˆ2

     
Y   1 3 8 , X 1  1 2 3 , X 2  2 1  3 :(6-4) ‫مثال‬
     
:‫قدر العالقات التالية‬
(i ) Yi   0  1 X 1i  u1i
(ii ) Yi  0  2 X 2i  u2i
(iii ) Yi   0  1 X 1i   2 X 2i  uit
:‫ىؿ اف‬
‫ ولماذا ؟‬ˆ1  ˆ1 (‫)أ‬
‫ ولماذا ؟‬ˆ2  ˆ2 (‫)ب‬

:‫الحل‬
X 1  6 , X 2  0 , Y  12 , X 1Y  31 , X 2Y  19
X 12  14 , X 22  14 , X 1  2 , X 2  0 , Y  4

X 1Y (6)(12)
X 1Y  31 
ˆ1  n  3
(X 1 ) 2
62
X 1 
2
14 
n 3
31  24 7
   3.5
14  12 2

ˆ1  1.286

121
 ‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬
‫‪y   3  1 4 , x1   1 0 1 , x2  2 1  3‬‬
‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬
‫‪1‬‬ ‫‪1‬‬
‫‪ 2‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬
‫‪ ˆ1 ‬‬ ‫‪‬‬‫‪x‬‬ ‫‪‬‬‫‪x‬‬ ‫‪x‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪2‬‬ ‫‪‬‬ ‫‪5‬‬ ‫‪  7 ‬‬
‫‪   ( xx) 1 xy  ‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪‬‬ ‫‪x‬‬‫‪1‬‬ ‫‪y‬‬
‫‪‬‬
‫‪‬‬
‫‪ ˆ ‬‬ ‫‪‬‬ ‫‪ x y  ‬‬ ‫‪   19‬‬
‫‪ 2‬‬ ‫‪‬‬ ‫‪x2 ‬‬
‫‪2‬‬
‫‪‬‬ ‫‪2‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪14 ‬‬ ‫‪‬‬
‫‪‬‬ ‫‪‬‬ ‫‪‬‬
‫‪14 5 ‬‬
‫‪ 3 3   7  32.67  31.67  1 ‬‬
‫‪‬‬ ‫‪ ‬‬ ‫‪‬‬ ‫‪   1‬‬ ‫‪ ˆ1  1 , ˆ2  1‬‬
‫‪‬‬ ‫‪5‬‬ ‫‪2‬‬ ‫‪ ‬‬ ‫‪‬‬ ‫‪19‬‬ ‫‪ ‬‬‫‪11‬‬‫‪.‬‬‫‪67‬‬ ‫‪‬‬ ‫‪12‬‬‫‪.‬‬‫‪67‬‬ ‫‪  ‬‬
‫‪ 3‬‬ ‫‪3‬‬‫‪‬‬

‫‪ˆ1  1‬‬ ‫‪ ˆ1  3  b0 1‬في حين‬

‫وكذلك‬
‫‪9‬‬
‫‪ˆ2  1‬‬ ‫‪ˆ2  ‬‬
‫في حين‬ ‫‪7‬‬
‫‪ ˆ1  ˆ1‬الف ‪ 1‬يمثؿ األثر المباشر لػ ‪ X1‬عمى‪.Y‬‬
‫ˆ‬
‫في حيف ‪ ̂1‬يمثؿ األثر اإلجمالي وىو يمثؿ األثر المباشر‪ +‬األثر غير المباشر مف خبلؿ المتغير‪.X2‬‬
‫) ˆ‪b  (ˆ  ˆ  ˆ b‬‬
‫‪01‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪2‬‬‫والفرؽ يكمف في األثر غير المباشر‪.‬‬
‫‪21‬‬

‫وكذلؾ ‪ˆ2  ˆ2‬‬

‫حيث اف ‪ ˆ2‬تمثؿ األثر المباشر فقط لػ ‪ X2‬عمى ‪.Y‬‬
‫تمثػػؿ األثػػر الصػػافي )اإلجمػػالي( والػػذي يمثػػؿ األثػػر المباشػػر ‪ +‬األثػػر غيػػر المباشػػر مػػف‬ ‫فػػي حػػيف اف ‪̂2‬‬
‫‪X 1  b1  b12 X 2  error‬‬ ‫خبلؿ المتغير ‪ ، X1‬وذلؾ بتطبيؽ العبلقة‪:‬‬

‫‪ˆ2  ˆ2  bˆ12ˆ1‬‬ ‫واالختبلؼ يكمف في األثر غير المباشر ) ‪ ( ˆ1  bˆ1 2‬أي‪:‬‬

‫مثاؿ )‪ :(7-4‬عينة بحجـ )‪ (13‬مشاىدة لقيـ ‪ Y‬و ‪ X1‬و ‪ ، X2‬أعطت النتائج التالية‪:‬‬

‫‪(1) Yˆ  7.2  14 X 1  1.5 X 2‬‬ ‫‪r 2  0.87‬‬

‫‪(2) Yˆ  6.12  0.25 X 1‬‬ ‫‪r 2  0.013‬‬

‫)‪t : (1.4‬‬ ‫)‪(0.3‬‬

‫‪121‬‬
‫‪(3) X 2  0.7  1.1X 1‬‬ ‫‪r  0.4‬‬

‫‪t:‬‬ ‫)‪(0.2) (2.7‬‬

‫فسر نتائج التقدير؟‬

‫الحؿ‪ ˆ1 = -1.4 :‬تمثؿ األثر المباشر لػ ‪ X1‬عمى ‪.Y‬‬
‫‪ b̂0 1 = 0.25‬تمثؿ األثر الكمي ) الصافي( لػ ‪ X1‬عمى ‪.Y‬‬
‫‪ b̂2 1 = 1.1‬تمثؿ األثر الصافي لػ ‪ X1‬عمى ‪.X2‬‬
‫‪ ˆ2 = 1.5‬تمثؿ األثر المباشر لػ ‪X2‬عمى ‪.Y‬‬

‫‪(1.65  (1.1)(1.5)  ˆ2  b2 1 )  X 2‬‬ ‫األثر غير المباشر لػ ‪ X1‬عمى ‪ Y‬عبر‬

‫فالمعادلة )‪ (3‬تعني عند زيادة ‪ X1‬بمقدار وحدة واحدة فاف ‪ X2‬يزداد بمقدار )‪ . (1.1‬ولكف عند زيادة ‪X2‬‬
‫) ‪. 1.65  (1.1) (1.5)  (ˆ2  b2 1‬‬ ‫بيذا القدر فاف أثره في ‪ Y‬سيكوف‬
‫وعميو فاف األثر الصافي‪= (-1.4) + 1.65‬‬
‫‪=0.25‬‬

‫)‪(12-4‬معامل االرتباط الجزئي ) ‪(Partial correlation coefficient‬‬

‫في حالة وجود متغيريف‪ ،‬فاف معامؿ االرتباط البسيط يعني درجة الترابط الخطػي بػيف المتغيػريف ‪Y‬‬
‫و ‪ . X‬وعنػػدما نػػدرس حالػػة ثبلثػػة متغيػرات وأكثػػر‪ ،‬البػػد مػػف إعطػػاء عنايػػة خاصػػة لتفسػػير معامػػؿ االرتبػػاط‬
‫بػػيف أي متغي ػريف‪ .‬فػػي حالػػة ثبلثػػة متغي ػرات ‪ Y‬و ‪ X2‬و ‪ X3‬يمكػػف حسػػاب معػػامبلت االرتبػػاط التاليػػة‪r12 :‬‬
‫معامػػؿ ارتبػػاط ‪ Y‬مػػع ‪ ، X2‬ومعامػػؿ ارتبػػاط ‪ Y‬مػػع )‪ X3(r13‬و ‪ r23‬معامػػؿ ارتبػػاط ‪ X2‬و ‪ .X3‬ويطمػػؽ عمييػػا‬
‫معػامبلت االرتبػاط البسػيط او معامػؿ ارتبػاط مػف الدرجػة صػفر ‪(correlation coefficient of zero‬‬
‫)‪ ، order‬والتي يمكف حسابيا بموجب العبلقة ‪:‬‬
‫‪xi x j‬‬
‫‪rij ‬‬
‫‪xi2 x 2j‬‬
‫والسػؤاؿ المطػػروح ىنػػا‪ ،‬ىػػؿ اف )‪ (r12‬سػػوؼ يعكػػس درجػػة الت ػرابط بػػيف المتغيػػريف ‪ Y‬و ‪ X2‬فػػي حالػػة وجػػود‬
‫المتغيػػر ‪ X3‬والػػذي قػػد يكػػوف مرتبطػاً مػػع كمييمػػا‪ .‬واإلجابػػة اف ‪ r12‬بشػػكؿ عػػاـ ال يعكػػس درجػػة التػرابط بػػيف‬
‫المتغيريف‪ Y‬و ‪ X2‬في حاؿ وجود متغير ثالث )‪ (X3‬وذلؾ الف قسماً مف التغيرات في ‪ Y‬ىي بسبب المتغيػر‬
‫‪ .X3‬وفي حقيقة األمر فاف ‪ r12‬يعكس انطباعاً خاطئاً لطبيعة الترابط بيف ‪ Y‬و ‪ X2‬ويتطمب األمػر معامػؿ‬
‫ارتباط آخر يسمى معامؿ االرتباط الجزئي )‪ (r12.3‬و )‪ (r13.2‬و )‪.(r23.1‬‬

‫‪122‬‬
 ‫‪:r12.3‬معامؿ االرتباط بيف ‪ Y‬و ‪ X2‬بافتراض اف ‪ X3‬ثابت‪.‬‬
‫‪ :r13.2‬معامؿ االرتباط بيف ‪ Y‬و ‪ X3‬بافتراض اف ‪ X2‬ثابت‪.‬‬
‫‪ :r23.1‬معامؿ االرتباط بيف ‪X2‬و ‪ X3‬بافتراض اف ‪ Y‬ثابتاً‪.‬‬

‫وتحسب القيم على وفق المعادالت التالية‪:‬‬

‫‪r12  r13r23‬‬
‫‪r12.3 ‬‬
‫‪1  r132 1  r232‬‬
‫‪r13  r12r23‬‬
‫‪r13.2 ‬‬
‫‪1  r122 1  r232‬‬
‫‪r23  r12r13‬‬
‫‪r23.1 ‬‬
‫‪1  r122 1  r132‬‬

‫ويمكف تعميـ ذلؾ الي ثبلثة متغيرات ‪ k , j , i‬فاف معامؿ االرتباط الجزئي يتبع الصيغة التالية‪:‬‬
‫‪rij  rik rjk‬‬
‫‪rij .k ‬‬ ‫‪...‬‬ ‫)‪(40 - 4‬‬
‫‪1 r‬‬ ‫‪2‬‬
‫‪ik‬‬ ‫‪1 r‬‬ ‫‪2‬‬
‫‪jk‬‬

‫والعبلقة )‪ (40-4‬تسمى معامؿ االرتبػاط الجزئػي لمدرجػة األولػى‪ ،‬وىكػذا ‪r12.34‬ىػو معامػؿ االرتبػاط الجزئػي‬
‫لمدرجة الثانية و ‪ r12.345‬ىو معامؿ االرتباط لمدرجة الثالثة‪ ،‬في حيف ‪ r12‬و ‪ r13‬و ‪ r23‬ىو معامؿ االرتباط‬
‫مف الدرجة صفر‪ .‬ويتضح مف العبلقة )‪ (40-4‬اف معامؿ االرتباط الجزئي يكوف بداللة معامبلت االرتباط‬
‫البسيط )مف الدرجة صفر(‪.‬‬
‫اف معامػػؿ االرتبػػاط الجزئػػي ‪ r12.3‬يمكػػف حسػػابو بػػإجراء معامػػؿ االرتبػػاط بػػيف الب ػواقي الناتجػػة مػػف انحػػدار‬
‫) ‪ Y‬عمػى ‪ (X3‬وبػيف بػواقي انحػدار ) ‪ X2‬عمػى ‪ (X3‬وبالطريقػة نفسػيا يمكػف اسػتنتاج ‪ r13.2‬و ‪ r23.1‬وبشػكؿ‬
‫عاـ فاف معامؿ االرتباط الجزئي بيف متغيريف يقاس بعبلقة االرتباط بيف البواقي لكؿ متغير بعد إزالة األثر‬
‫الخطي لجميع المتغيرات التوضيحية التي يتـ تثبيتيا‪.‬‬
‫وباالعتماد عمى العبلقة )‪ (40-4‬يمكف التوصؿ إلى االستنتاجات التالية‪:‬‬
‫)ٔ( اذا ‪ rij = 0‬فاف ‪ rij.k‬تبقى مختمفة عف الصفر ما لـ يتحقؽ أحد الشرطيف او كبلىما‪:‬‬
‫أما ‪ rik = 0‬أو ‪ rjk = 0‬أو كبلىما‪.‬‬

‫)ٕ( اذا ‪ rij = 0‬و ‪ rjk ≠ 0‬وباإلشارة نفسيا فاف ‪ rij.k‬سالبة‪.‬‬

‫في حيف تكوف موجبة اذا اختمفت ‪ rik‬و ‪ rjk‬باإلشارة‪.‬‬

‫)ٖ( اف إشارة )‪ (rij‬و )‪ (rij.k‬ليست بالضرورة متطابقة‪.‬‬

‫‪123‬‬
 ‫)ٗ( اذا ‪ rik = 0‬و ‪ rjk = 0‬فاف ‪ rij‬ليس بالضرورة يساوي صف اًر‪.‬‬

‫(‪0  r122  r132  r232  2r12 r13 r23  1 )5‬‬

‫)‪ (ٙ‬فػي حالػة ثػبلث متغيػرات‪ ،‬اف التغيػرات فػي المتغيػر ) ‪ ( i‬يمكػف تجزئتيػا إلػى جػزأيف‪ ،‬األوؿ يمثػؿ‬
‫التغيػرات فػي المتغيػػر ) ‪ ( i‬والتػػي يػتـ توضػػيحيا مػف قبػؿ المتغيػػر ) ‪ ( j‬فقػػط ) ‪ . (rij‬أمػا الجػػزء‬
‫‪2‬‬

‫اآلخػػر فيػػو الجػػزء غيػػر الموضػػح مػػف قبػػؿ المتغيػػر ) ‪( j‬وىػػو ) ‪ (1  rij‬ومرجح ػاً بمقػػدار الجػػزء‬
‫‪2‬‬

‫الموضح بواسطة المتغير )‪ (k‬بعد جعؿ تأثير المتغير ) ‪ ( j‬ثابتاً‪:‬‬

‫‪Ri2. jk  rij2  (1  rij2 ) rik2. j‬‬ ‫‪...‬‬ ‫)‪(41 - 4‬‬
‫‪ Ri . jk‬معامؿ التحديد النحدار المتغير ) ‪ ( i‬عمى المتغيريف ) ‪ ( j‬و ) ‪.( k‬‬
‫‪2‬‬

‫أو‪:‬‬
‫‪Ri2. jk  rik2  (1  rik2 ) rij2.k‬‬ ‫‪...‬‬ ‫)‪(41 - 4‬‬

‫)‪ (ٚ‬وبشػػكؿ عػػاـ‪ :‬معامػػؿ التحديػػد فػػي نمػػوذج االنحػػدار المتعػػدد يكػػوف اكبػػر مػػف معامػػؿ التحديػػد فػػي‬
‫نموذج االنحدار البسيط اذا كاف معامؿ التحديد الجزئي موجباً‪.‬‬

‫‪Ri2. jk  rij2‬‬ ‫‪iff‬‬ ‫‪rik . j  0‬‬ ‫أي‪:‬‬

‫)‪ (ٛ‬وبإعادة صياغة العبلقة )‪ (41-4‬يتـ الحصوؿ عمى‪:‬‬

‫‪Ri2. jk  rik2‬‬
‫‪rij2.k ‬‬ ‫‪...‬‬ ‫)‪(42 - 4‬‬
‫‪1 r‬‬ ‫‪2‬‬
‫‪ik‬‬

‫حيث اف البسط في العبلقة )‪ (42-4‬يمثؿ مجموع المربعات المشروحة مف قبؿ المتغير ) ‪ ( j‬فقط‬
‫بعد ازالة أثر المتغير ) ‪ . ( k‬أي‪ESS ( j k ) :‬‬
‫فيػػو يمثػػؿ مجمػػوع مربعػػات الخطػػأ مػػف انحػػدار ‪ i‬عمػػى المتغيػػر ) ‪ ( k‬أي‪:‬‬ ‫أمػػا المقػػاـ ) ‪(1  rik2‬‬
‫) ‪. RSS (k‬‬

‫يفسر مربع التغيرات في المتغير ) ‪ ( i‬والتي يػتـ توضػيحيا‬ ‫)‪ (ٜ‬مربع معامؿ االرتباط الجزئي ) ‪(rij2.k‬‬
‫مف قبػؿ المتغيػر ) ‪ ( j‬فػي حػيف يػتـ عػزؿ أثػر المتغيػر ) ‪ . ( k‬وىػو بػذلؾ مماثػؿ لمعامػؿ التحديػد‪،‬‬
‫فيو يقيس األىمية النسبية لمتغيرات المشروحة مف قبؿ المتغير ) ‪ ( j‬باعتبار أثر المتغيػر ‪ k‬يبقػى‬
‫ثابتاً وىو بذلؾ ينفع لقياس جودة المواءمة الجزئية اذا كاف ترميز المتغيرات عمى وفؽ التي‪:‬‬
‫المتغير ‪ : i‬ىو المتغير المعتمد ) التابع (‪.‬‬

‫‪124‬‬
 ‫المتغير ‪ ، j‬والمتغير ‪ k‬ىما المتغيراف المستقبلف‪.‬‬
‫وعميو فاف العبلقة )‪ (42-4‬تعكس الحقيقة التالية‪:‬‬
‫) ‪ESS ( j k‬‬
‫‪rij2.k ‬‬ ‫‪...‬‬ ‫)‪(43 - 4‬‬
‫) ‪RSS (k‬‬
‫ويمكػػف تفسػػيره بانػػو نسػػبة االنخفػػاض فػػي تبػػايف المتغيػػر المعتمػػد ) ‪ ( i‬والتػػي تعػ از إلضػػافة المتغيػػر ) ‪( j‬‬
‫لمنموذج والذي يتضمف المتغير التوضيحي ) ‪.( k‬‬
‫وفي حالة أربعػة متغيػرات )متغيػر معتمػد )‪ i(Y‬وثبلثػة متغيػرات توضػيحية ‪ L ، k ، j‬وىػي ‪.X4 ، X3 ، X2‬‬
‫فاف نسبة االنخفاض في تبايف ‪ Y‬بسبب إضافة المتغير ‪ X2‬لمنموذج الذي يتضمف ‪ X3‬و ‪ X4‬وىي‪:‬‬
‫) ‪ESS ( X 2 X 3 X 4‬‬
‫‪rYX2 2 . X 3 X 4 ‬‬
‫) ‪RSS ( X 3 X 4‬‬

‫عالقة معامل التحديد وتباين معممة االنحدار‪Relation between coefficient of :‬‬

‫‪determination and regression parameter‬‬

‫فػػي نمػػوذج االنحػػدار ‪ Y   0  1 X 1   2 X 2  u‬يمكػػف تحديػػد قيمػػة تبػػايف معممتػػي االنحػػدار‬

‫‪ ˆ1‬و ‪ ˆ2‬بداللة مربع معامؿ االرتباط كاآلتي‪:‬‬

‫ˆ‬ ‫‪2‬‬ ‫‪1‬‬ ‫ˆ‬ ‫‪2‬‬ ‫‪1‬‬

‫‪var(1 )  2 ‬‬ ‫&‬ ‫‪var(  2 )  2 ‬‬
‫) ‪x1 (1  r122‬‬ ‫) ‪x2 (1  r122‬‬
‫حيث اف ‪ r12‬ىو معامؿ التحديد النحدار ‪ )X1‬عمى ‪ ( X2‬أو النحدار ‪ X2‬عمى ‪. X1‬‬
‫‪2‬‬

‫‪Y  0  1 X 1   2 X 2  . . .   k X k  u‬‬ ‫وبشكؿ عاـ في االنحدار المتعدد‪:‬‬

‫فاف‪:‬‬

‫‪1‬‬ ‫‪1‬‬
‫‪var( ˆ j )  2 ‬‬ ‫‪...‬‬ ‫)‪(44 - 4‬‬
‫) ‪x j (1  R 2j‬‬
‫‪;  j  1, . . . , k‬‬
‫حيث اف ‪ R j‬يمثؿ معامؿ التحديد النحدار المتغير ‪ Xj‬عمى جميع المتغيرات التوضيحية‪:‬‬
‫‪2‬‬

‫‪X j   0  1 X1   2 X 2  . . .   j1 X j1   j1 X j1  . . .   k X k  e‬‬

‫‪125‬‬
 ‫أسئهة انفصم انرابع‪:‬‬
‫س‪ :1‬في نموذج خطي بثبلثة متغيرات ‪ X2 ،X1،Y‬حدد المعادالت الطبيعية لتقدير معادلة االنحدار مف‬
‫خبلؿ نقطة المتوسط ومف خبلؿ نقطة االصؿ‪.‬‬

‫س‪ :2‬فسر داللة الفرضيات التالية‪:‬‬

‫ٔ‪ .‬رتبة المصفوفة ‪ X  (X )‬تامة مف ناحية األعمدة‪.‬‬
‫ٕ‪ u .‬متغير عشوائي كروي ‪spherical dist.‬‬
‫ٖ‪ .‬المصفوفة‪ X‬مصفوفة لمشاىدات المتغيرات المستقمة‪.‬‬

‫س‪ :3‬أ‪ .‬ما ىو المعيار الذي تستند إليو طريقة المربعات الصغرى االعتيادية ‪.OLS‬‬
‫اذكر معايير اخرى تستخدـ في التقدير‪.‬‬
‫ب‪ .‬يعتمد مبدأ المربعات الصغرى عمى جممة مف الفرضيات ‪ ،‬ناقشيا مف الناحية العممية‪.‬‬
‫س‪ :4‬اذا توافرت المعمومات التالية‪:‬‬
‫‪20‬‬ ‫‪24 8 ‬‬
‫;‪n  20‬‬ ‫;‪Y  20‬‬ ‫;‪X 2  5‬‬ ‫;‪X 1  10‬‬ ‫;‪y y  60‬‬ ‫‪x y    ; x x  ‬‬
‫‪16 ‬‬ ‫‪‬‬ ‫‪20‬‬
‫‪ .1‬قدر معممات النموذج وفسر دالالتيا االحصائية‪.‬‬
‫ٕ‪ .‬االنحراؼ المعياري لممقدرات‪.‬‬
‫‪x1  1 ,‬‬ ‫ٖ‪ .‬تنبأ عف قيـ ‪ y‬عندما ‪x2  9‬‬
‫س٘‪ :‬في نموذج االنحدار الخطي المتعدد كيؼ تعبر إحصائياً عف عدـ وجود عبلقة خطية تامة بيف‬
‫المتغيرات التوضيحية ‪.‬‬
‫س‪ : :6‬لوحة بيانات انحدار ‪ Y‬عمى‪ ، X2 ،X1‬أعطت معامؿ التحديد ‪ R  0.79‬عمما اف البيانات‬
‫‪2‬‬

‫ىي‪:‬‬
‫‪Y‬‬ ‫‪ٛ‬‬ ‫‪ٜ‬‬ ‫ٖٔ‬ ‫ٕٔ ٕٓ‬
‫‪X1‬‬ ‫ٔ‬ ‫ٕ‬ ‫ٖ‬ ‫٘‪ٕ.‬‬ ‫ٗ‬
‫‪X2‬‬ ‫٘‬ ‫‪ٚ‬‬ ‫‪ٜ‬‬ ‫ٔٔ ٓٔ‬
‫المطموب ‪:‬‬
‫ٔ‪ .‬فسر داللة ‪ R‬لممعادلة‪.‬‬
‫‪2‬‬

‫ٕ‪ .‬احسب قيمتو المعدلة‪.‬‬

‫ٖ‪ .‬احسب تبايف الخطأ لمعادلة التقدير‪.‬‬
‫س‪ :7‬مع توافر لوحة المعمومات التالية‪:‬‬
‫‪TSS  1260.89 , n  20 , ESS ( X 2 )  1175.19‬‬

‫‪126‬‬
 ‫اختبر االثر االضافي لتضميف‪ X3‬لمعادلة االنحدار ‪Y   0  1 X 2  U :‬‬
‫س‪ :8‬اختبر معنوية تساوي معممتي االنحدار )مستوى داللة ٘‪ (%‬اذا عممت ‪rX1 X 2  0.5 :‬‬
‫‪Yˆ  2.7  2.1X 1  0.78 X 2‬‬
‫‪t:‬‬ ‫‪3.7  2.5‬‬
‫س‪ :9‬المتغير المعتمد ‪ Yi‬يرتبط بالمتغيرات المستقمة ‪ Xij‬عمى وفؽ النموذج الخطي العاـ التالي‪:‬‬
‫‪ Y  X  U‬حيث ‪ . U ~ NID(0,  ln ) :‬اشتؽ الصيغة لتقدير متجو المعممات )‪(β‬‬
‫‪2‬‬

‫باستخداـ طريقة االمكاف االعظـ )‪. (ML‬‬

‫ثـ احسب قيمة المقدرات مف واقع البيانات‪:‬‬
‫‪0.86  0.15  0.07‬‬ ‫‪9‬‬
‫‪( xx) 1  ‬‬ ‫‪32‬‬ ‫‪ 0.45‬‬ ‫‪,‬‬ ‫‪xy  12‬‬
‫‪‬‬ ‫‪0.55 ‬‬ ‫‪16‬‬
‫س‪ : 10‬في النموذج‪Y  0  1 X 1   2 X 2  U :‬‬
‫اشتؽ صيغة مبلئمة مصفوفة التبايف والتبايف المشترؾ لممعممة ‪ β0‬المقدرة ‪.‬‬
‫س‪ :11‬البيانات التالية تخص عدد الوحدات المصنعة )‪ (X‬وكمفة العمؿ الكمية المرافقة ليا )‪ (Y‬لػ ٕٔ‬
‫منشأة متماثمة‪.‬‬
‫‪X‬‬ ‫‪35‬‬ ‫‪25‬‬ ‫‪40‬‬ ‫‪35‬‬ ‫‪64‬‬ ‫‪25‬‬ ‫‪50‬‬ ‫‪67‬‬ ‫‪69‬‬ ‫‪50‬‬ ‫‪70‬‬ ‫‪50‬‬
‫‪Y 112 125 128 115 162 130 142 158 175 140 170 145‬‬
‫ىؿ اف النموذج الخطي مطابؽ لمبيانات ‪ .‬استخدـ مستوى داللة ٘‪.%‬‬
‫س‪ :12‬حدد صحة العبارات التالية موضحا جوانب الخطأ في حالة كوف العبارة خاطئة‪:‬‬
‫ٔ‪ .‬حسف التطابؽ يقيس تشتت المشاىدات عف خط االنحدار المقدر ويقاس بمعيار متوسط مربعات‬
‫الخطا‪.‬‬
‫ٕ‪ .‬اف فرضية استقبلؿ المتغيرات التوضيحية ‪ X , s‬في معادلة االنحدار تعني اف المتغيرات ‪X , s‬‬

‫ثابتة لمعينة المختارة‪.‬‬

‫‪ var(ˆi ) ‬بشكؿ عاـ‪.‬‬

‫‪x ‬‬ ‫‪2‬‬
‫‪i‬‬
‫‪2‬‬

‫ٖ‪ .‬اف تبايف المعممات المقدرة بطريقة ‪ OLS‬تتبع القانوف‬

‫‪ x ‬‬
‫‪2 2‬‬
‫‪i‬‬

‫تمثؿ النسبة التي تـ توضيحيا مف قبؿ ‪ X1‬لتبايف ‪Y‬‬ ‫ٗ‪ .‬عند انحدار ‪ Y‬عمى ‪X2 ، X1‬فاف ‪rY21.2‬‬
‫المتبقي دوف اف يوضحو ‪.X2‬‬

‫‪127‬‬
 ‫س‪ :13‬مع توافر لوحة البيانات‪:‬‬
‫‪Y‬‬ ‫‪3‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪10‬‬ ‫‪10‬‬ ‫‪11‬‬
‫‪X1‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪1‬‬ ‫‪3‬‬ ‫ٖ‬ ‫‪4‬‬
‫‪X2‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪3‬‬
‫ٔ‪ -‬احسب معامبلت االرتباط البسيط‪.‬‬
‫ٕ‪ -‬احسب معامبلت االرتباط الجزئي‪.‬‬
‫ٖ‪ -‬اذكر خطوات حسابيا بطريقة االنحدار‪.‬‬

‫‪128‬‬
 ‫انفصم انخبمس‬
‫االستذالل في نمورج االنحذار انمتعذد‬
‫‪Inference in multiple linear regression‬‬

‫يعد ىذا الفصؿ استم ار اًر لمفصؿ الثالث‪ .‬فيو توسيع لفكرة االستدالؿ في نموذج المربعات الصغرى عندما‬
‫يكوف عدد المتغيرات التوضيحية متغيريف أو أكثر ومع التركيز عمى بعض التمايز عف االنحدار البسيط‬
‫والتطرؽ إلى األنواع المختمفة مف االختبارات في االنحدار المتعدد‪.‬‬
‫في ىذا الصدد البد مف التأكيد عمى فرضية التوزيع االحتمالي لممتغير العشوائي )‪( u‬والذي تـ افتراضو‬
‫بأنو يتبع التوزيع االحتمالي الطبيعي )‪ (Normal‬بمتوسط صفري وتبايف ثابت ‪ ζ2‬حيث إف ىذا‬
‫االفتراض مع االفتراضات األخرى وبتطبيؽ المربعات الصغرى فاف المعممات المقدرة تتميز بصفة‬
‫)‪ ، (BLUE‬فضبلً عف إنيا تتبع التوزيع الطبيعي ويمكف تحديد التوزيع لممعممات المقدرة‪:‬‬
‫‪ˆ j ~ N ( j ,  2c jj ) ، j = 0,1,2, . . . , k‬‬
‫وبتعويض قيمة ‪ ζ2‬بالقيمة المقدرة ˆ‪ ‬فاف‪:‬‬
‫‪2‬‬

‫‪ˆ j   j‬‬ ‫‪ˆ j   j‬‬

‫‪‬‬ ‫)‪~ t( n k 1‬‬ ‫‪...‬‬ ‫)‪(1 - 5‬‬
‫) ‪s.e( ˆ j‬‬ ‫‪ˆ c jj‬‬
‫وبذلؾ فاف توزيع ستيودنت ‪ t‬يمكف استخدامو لتحديد مجاالت الثقة فضبلً عف اختبارات المعنوية حوؿ‬
‫معممات االنحدار الجزئية الحقيقية‪ .‬وفي ىذا الصدد سيتـ عرض فقرات ىذا الفصؿ عمى وفؽ اآلتي‪:‬‬

‫)‪(1-5‬اختبار الفرضيات حول معممة االنحدار الجزئية‪Testing hypothesis about partial .‬‬
‫‪regression estimates‬‬
‫لتوضيح آلية االختبار‪ ،‬فاف فرضية العدـ‪:‬‬
‫‪H0: βj = 0‬‬ ‫‪vs.‬‬ ‫)أ( ‪H1: βj≠ 0  j  1,2,, k‬‬

‫‪H0: βj = βj0‬‬ ‫‪vs.‬‬ ‫‪H1: βj≠βj0‬‬ ‫)ب( وبشكؿ عاـ ‪:‬‬

‫حيث اف ‪ :βj0‬تمثؿ قيمة المعممة عند نقطة محددة )معمومة(‪.‬‬

‫والختبار ىذه الفرضية يتـ استخداـ المختبر ‪ t‬في العبلقة )‪ ، (1-5‬ثـ تقارف القيمة المحسوبة لػ ‪ t‬بالقيمة‬
‫الجدولية وبدرجات حرية )‪ ،(n-k-1‬ولمستوى معنوية محددة ) ‪ ، tc ( n k 1, ) ،(α‬فيكوف القرار برفض‬
‫‪2‬‬

‫فرضية العدـ‪ .‬إذا ‪ ، t ̂ j  t c‬أي إف المعممة المقدرة ‪ ˆ j‬تختمؼ معنوياً عف الصفر في )أ(‪ ،‬أو‬
‫*‬

‫تختمؼ معنوياً عف القيمة المعمومة ٓ‪ βj‬في الحالة )ب(‪.‬‬

‫‪129‬‬
‫والبد مف تحديد التقابؿ بيف اختبارات المعنوية حوؿ المعممات الجزئية ومجاؿ الثقة المقدر فاف ‪(1-α)%‬‬
‫ثقة لممعممة ‪ βj‬ىو‪:‬‬
‫‪ˆ j  t‬‬ ‫‪‬‬ ‫‪ s.e( ˆ j )   j  ˆ j  t‬‬ ‫‪‬‬ ‫) ‪ s.e( ˆ j‬‬
‫(‪c‬‬ ‫)‬ ‫(‪c‬‬ ‫)‬
‫‪2‬‬ ‫‪2‬‬
‫أي‪:‬‬
‫‪L  j  U‬‬

‫بمعنى أف ) ‪ ( βj‬تقع ما بيف الحديف األدنى ‪L‬والحد األعمى ‪ U‬وباحتماؿ ثقة ‪(1-α)%‬‬
‫بعبارة أخرى ‪:‬إذا تـ سحب )‪(100‬عينة كؿ بحجـ ) ‪( n‬مف المشاىدات وتـ عمؿ )‪ (100‬فترة ثقة‬
‫لممعممة ‪ ( ˆ j  s.e( ˆ j )  tc (  ) )  j‬فأننا نتوقع ‪95%‬مف ىذه الفترات سوؼ تتضمف معممة المجتمع )‪.(βj‬‬
‫‪2‬‬

‫مثاؿ‪(1-5):‬اعتماداً عمى المشاىدات في المثاؿ )‪(2-4‬فاف معادلة التقدير‪:‬‬

‫‪Yˆ  4  2.5 X 1  1.5 X 2‬‬
‫والختبار معنوية معممتي االنحدار الجزئية نتبع اآلتي‪:‬‬
‫الختبار معنوية المعممة ‪. β1‬‬
‫‪H0: β 1 = 0‬‬ ‫‪vs.‬‬ ‫‪H1: β1≠ 0‬‬ ‫‪ -‬الفرضية‪:‬‬
‫‪ -‬نحسب النسبة ‪ t‬لفرضية العدـ‪:‬‬

‫‪ˆ1  0‬‬
‫‪t ‬‬
‫*‬
‫ˆ‪‬‬
‫‪1‬‬
‫) ‪s.e( ˆ1‬‬ ‫وبما إف‪:‬‬
‫‪s.e( ˆ1 )  ˆ c11‬‬ ‫حيث إف‪:‬‬

‫‪10 6 ‬‬
‫‪( xx)  ‬‬ ‫‪‬‬ ‫‪,‬‬ ‫‪( xx) 1  C‬‬
‫‪ 6 4‬‬
‫إذف ‪:‬‬
‫‪‬‬ ‫‪‬‬
‫‪ 1‬‬ ‫‪ 1.5 ‬‬
‫‪C ‬‬ ‫‪‬‬
‫‪  1.5 2.5 ‬‬
‫‪‬‬ ‫‪‬‬
‫‪e 2‬‬
‫‪ˆ ‬‬
‫‪2‬‬
‫‪c11  1‬‬ ‫‪ ،‬واف‬
‫‪n  k 1‬‬
‫‪RSS 1.5‬‬
‫‪ˆ 2 ‬‬ ‫‪‬‬ ‫‪ 0.75‬‬
‫‪53 2‬‬

‫‪131‬‬
‫‪s.e( ˆ1 )  0.75  1‬‬
‫‪2.5‬‬ ‫إذف‪:‬‬
‫‪t ‬‬
‫*‬
‫ˆ‪‬‬
‫‪ 2.89‬‬
‫‪1‬‬
‫‪0.75‬‬
‫*‬
‫‪tc ( 2,0.025)  4.3036‬‬ ‫‪-‬تقارف ‪ t ˆ1‬مع القيمة الجدولية بمستوى داللة ‪ 5%‬ىو‪:‬‬
‫‪ -‬الق ارر‪:‬إف المعممة ‪β1‬غير معنوية‪.‬‬

‫ولحساب فترة ثقة باحتماؿ ‪ 95%‬لممعممة‪β1‬نعوض في العبلقة‪:‬‬

‫ويتضح أف الصفر يقع ضمف فترة الثقة لممعممة ‪ ،β1‬بمعنى اف المعممة‪β1‬التختمؼ معنوياً عف الصفر ‪.‬‬
‫وىو النتيجة نفسيا التي تـ التوصؿ إلييا عند استخداـ اختبار المعنوية باالعتماد عمى النسبة ‪.t‬‬
‫اختبار معنوية المعممة ‪. β2‬‬
‫‪H0: β 2 = 0‬‬ ‫‪vs.‬‬ ‫‪ -‬الفرضية ‪H1: β 2≠ 0:‬‬

‫‪.‬‬ ‫ˆ*‪t ‬‬ ‫‪ -‬نحسب النسبة‬

‫‪2‬‬

‫) ‪0.75 ( 2.5 )  ˆ c22  s.e(ˆ2‬‬ ‫‪ -‬االنحراؼ المعياري لممعممة ‪:‬‬

‫إذف‪:‬‬
‫‪ 1.5‬‬ ‫‪1.5‬‬
‫‪t‬‬ ‫*‬
‫ˆ‪‬‬
‫‪‬‬ ‫‪‬‬ ‫‪ 1.1‬‬
‫‪2‬‬
‫)‪0.75(2.5‬‬ ‫‪1‬‬‫‪.‬‬‫‪369‬‬

‫ˆ*‪t ‬‬ ‫‪ -‬القرار‪ tc ( 0.025) :‬‬

‫‪2‬‬

‫إذف النرفض فرضية العدـ ‪.‬أي أف المعممة ‪β2‬التختمؼ معنوياً عف الصفر‪.‬‬

‫أما فترة الثقة باحتماؿ ‪ 95%‬لممعممة‪β 2‬تحسب عمى وفؽ اآلتي‪:‬‬

‫‪131‬‬
 ‫وحيث إف الصفر يقع ضمف الفترة المذكورة ) ‪ ،( -7.391 , 4.39‬وىذا بدوره يدلؿ عمى اف المعممة‬
‫‪β2‬التختمؼ معنوياً عف الصفر وىي منسجمة مع نتيجة االختبار الذي اعتمد عمى النسبة ‪t‬لممعممة‬
‫المقدرة ‪.β2‬‬
‫وال يختمؼ اختبار موجبيو أو سالبيو معممة االنحدار الجزئي في الخطوات سوى بتحديد فترة القبوؿ أو‬
‫الرفض وكما تـ توضيحو في الفصؿ الثالث ونقطة االختبلؼ ىنا في تحديد درجات الحرية فيي‬
‫)‪ (n-k-1‬وعوضاً عف )‪ (n-2‬في االنحدار البسيط‪.‬‬

‫)‪(2-5‬اختبار معنوية تركيب خطي بداللة المعممات‪Testing significance of linear .‬‬

‫‪combination of parameters‬‬
‫قد تكوف الفرضية المطموب اختبارىا ىي بالصيغ التالية‪:‬‬
‫‪H0: β1 = β2‬‬

‫‪H0: β1 + β2 = 1‬‬

‫‪H0: β1 + β2 + β3 = 1‬‬ ‫أو‬

‫‪H0: 2β1 + 3β2 -5β3 = 0‬‬ ‫أو‬

‫وبشكؿ عاـ‪ ،‬إذا كانت فرضية العدـ‪:‬‬

‫‪k‬‬
‫‪0 : a j j  c‬‬
‫‪j 1‬‬

‫‪ c ،aj‬ثوابت‬
‫فاف مثؿ ىكذا فرضية تسمى تركيب خطي بداللة المعممات ‪.‬ويمكف اختبارىا عمى وفؽ طريقة اختبار‬
‫معممة االنحدار وذلؾ باستخداـ المختبر اإلحصائي ) نسبة ‪ t‬لمتركيب(إذ يتـ افتراض‬
‫‪k‬‬

‫‪a‬‬
‫‪j 1‬‬
‫‪j‬‬ ‫‪j ‬‬

‫وبالتالي فاالحصاءة ‪ t‬تحسب عمى وفؽ اآلتي‪:‬‬

‫‪132‬‬
 ˆ
t *ˆ 
s.e(ˆ ) :‫ويمكف حساب االنحراؼ المعياري لمتركيب‬

k
s.e(ˆ )  var(ˆ )  a j 1
2
j var(ˆ j )  2ai a j cov(ˆi ˆ j )

‫ كانحرافات عف‬X3‫ و‬X2‫ و‬X1‫ و‬Y ‫( إذا عممت أف مصفوفة العزـ الثاني لممتغيرات‬2-5): ‫مثاؿ‬
:‫(مشاىدة‬24) ‫متوسطاتيا لػ‬
 
10 10 5 7 
 
xx  xy  

 30 15  7 

 
 20  26
 

β1 + β2 + β3 = 0 :‫ اختبر الفرضية‬/‫ـ‬

:‫الحؿ‬
H0: β1 + β2 + β3 = 0
H0: β 1+ β 2 + β 3≠ 0 vs.:
β3 + β2 + β1 = γ ‫نفرض‬
ˆ :‫ لمتركيب ىي‬t ‫ نسبة‬-
t*ˆ 
s.e(ˆ )
ˆ3  ˆ2  ˆ1  ˆ -

var(ˆ )  var(ˆ1 )  var(ˆ2 )  var(ˆ3 )  2 cov( ˆ1ˆ2 )  2 cov(ˆ1ˆ3 )  2 cov( ˆ2 ˆ3 ) 

 ˆ 2 (c11  c22  c33  2c12  2c13  2c33 )

RSS
ˆ 
n4
̂  ( xx) 1 xy :‫يتطمب ذلؾ حساب المقدرات‬

133
 ‫‪1‬‬
‫‪10‬‬ ‫‪10‬‬ ‫‪5‬‬
‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫ˆ‬
‫‪‬‬ ‫‪‬‬ ‫‪ 7   1 ‬‬
‫‪‬‬ ‫‪30‬‬ ‫‪15 ‬‬ ‫‪  7    ˆ ‬‬
‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪  2‬‬
‫‪‬‬ ‫‪‬‬ ‫‪  26   ˆ ‬‬
‫‪‬‬ ‫‪20‬‬ ‫‪‬‬ ‫‪  3‬‬
‫‪‬‬
‫‪ ،‬نحسب المحدد باستخداـ طريقة سايروس‪.‬‬ ‫)‪( xx‬‬ ‫لحساب معكوس‬

‫‪10‬‬ ‫‪10‬‬ ‫‪5‬‬

‫‪xx  10‬‬ ‫‪30‬‬ ‫‪15  2500‬‬

‫‪5‬‬ ‫‪15‬‬ ‫‪20‬‬

‫ثـ نحسب مصفوفة المتممات ‪: cofactor‬‬

‫‪‬‬ ‫‪‬‬
‫‪ 375‬‬ ‫‪ 125‬‬ ‫‪0 ‬‬
‫‪‬‬ ‫‪‬‬
‫‪cofactor    125‬‬ ‫‪175  100‬‬
‫‪‬‬ ‫‪‬‬
‫‪ 0‬‬ ‫‪ 100 200 ‬‬
‫‪‬‬ ‫‪‬‬
‫معكوس المصفوفة‪.‬‬ ‫وندورىا لحساب ‪ ad joint‬ثـ نقسـ عناصر المرافقة عمى المحدد فنحصؿ عمى‬

‫‪‬‬ ‫‪‬‬
‫‪ 0.15‬‬ ‫‪ 0.05‬‬ ‫‪0 ‬‬
‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪‬‬
‫‪( xx) 1  C    0.05‬‬ ‫‪0.07‬‬ ‫‪ 0.04‬‬
‫‪‬‬ ‫‪‬‬
‫‪ 0‬‬ ‫‪ 0.04‬‬ ‫‪0.08 ‬‬
‫‪‬‬ ‫‪‬‬

‫مقدرات النموذج بموجب ‪ OLS‬ىي‪:‬‬

‫‪134‬‬
 ‫‪ ˆ1 ‬‬ ‫‪ 1.4 ‬‬
‫‪ ‬‬ ‫‪‬‬ ‫‪‬‬
‫ˆ‬ ‫‪‬‬ ‫ˆ‬ ‫‪‬‬
‫‪   2  ( xx) xy  0.2 ‬‬
‫‪1‬‬
‫‪‬‬
‫‪ ‬‬ ‫‪‬‬ ‫‪‬‬
‫‪ ˆ3 ‬‬ ‫‪  1.8 ‬‬
‫‪ ‬‬ ‫‪‬‬ ‫‪‬‬

‫‪ ˆ  0.2‬‬
‫‪ 7 ‬‬
‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬
‫‪ESS  ˆ xy  1.4 0.2  1.8   7   55.2‬‬
‫‪‬‬ ‫‪ ‬‬ ‫‪‬‬
‫‪  26‬‬
‫‪TSS  y 2  60‬‬

‫‪RSS  TSS  ESS  4.8‬‬

‫‪RSS‬‬ ‫‪4.8‬‬
‫‪ˆ 2 ‬‬ ‫‪‬‬ ‫‪ 0.24‬‬ ‫‪ ˆ  0.49‬‬
‫‪n  k  1 24  4‬‬

‫‪var( ˆi )  ˆ 2cii‬‬

‫‪ s.e(ˆ)  0.49 0.15  0.07  0.08  2(0.05)  0  2(0.04)  0.17‬‬

‫نسبة ‪ t‬المحسوبة‪:‬‬
‫‪ 0.2‬‬
‫‪t*ˆ ‬‬ ‫‪ 1.18‬‬
‫‪0.17‬‬

‫‪tc ( 20,0.025)  2.086‬‬

‫ومف خبلؿ مقارنة القيمة المحسوبة *‪ t‬مع القيمة المجدولة ‪.tc‬‬

‫‪t*ˆ  tc‬‬
‫القرار‪ :‬ال نرفض فرضية العدـ‪ ،‬أي أف مجموع المعممات الحقيقية ال تختمؼ معنوياً عف الصفر‪.‬‬
‫وبعبارة أخرى فاف مجموع المعممات الحقيقية لممجتمع ال تختمؼ معنوياً عف الصفر‪.‬‬

‫‪135‬‬
 ‫)‪ (3-5‬اختبار معنوية نموذج االنحدار ككل‪Testing the overall significance.‬‬
‫‪H0: β1= β 2 = β 3= . . . = β k = 0‬‬ ‫أف الفرضية التي نسعى الختبارىا ىي‪:‬‬
‫بمعنى أف جميع اآلثار المباشرة غير ميمة‪.‬‬
‫وىذه الفرضية ىي فرضية مشتركة تختبر اف ‪ β k ، . . . ،β 2 ،β 1‬تساوي صف اًر بشكؿ آني واالختبار‬
‫المستخدـ ىنا يسمى اختبار المعنوية الكمية لمخط المستقيـ المقدر‪ .‬وبعبارة أخرى يتـ اختبار فيما إذا كاف‬
‫المتغير ‪ Y‬مرتبط خطياً لكؿ مف ‪Xk ، . . . ، X2 ، X1‬‬
‫وفي ىذا المجاؿ ال يمكف استخداـ االحصاءة ‪ t‬الختبار الفرضية المشػتركة فػي حػيف تسػتخدـ االحصػاءة ‪F‬‬
‫إذ أف فرضػػية العػػدـ عبػػارة عػػف عػػدة فرضػػيات تتحقػػؽ آنيػاً‪ .‬وكػػؿ مػػف ىػػذه الفرضػػيات تتػػأثر بالمعمومػػات مػػف‬
‫الفرضيات الكمية في حيف اختبار ‪ t‬يفترض االستقبللية بيف العينات المسحوبة الختبار كؿ فرضية‪.‬‬
‫وبعبارة أخرى فاف اختبار سمسمة مف الفرضيات المنفردة ال تتماثؿ مع اختبار الفرضيات نفسيا بشػكؿ آنػي‪،‬‬
‫والسبب وراء ذلؾ ىو أف اختبار عدة فرضيات بشكؿ آنػي تكػوف الفرضػيات المنفػردة متػأثرة بالمعمومػات فػي‬
‫الفرضيات األخرى‪.‬‬
‫اف فرضية العدـ التي تتكوف مف عدة فرضيات مشتركة يمكف اختبارىا باستخداـ تحميؿ التبايف‬
‫)‪.(ANOVA‬‬
‫كما تـ التوضيح باف مجموع مربعات االنحرافات الكمية )‪ (TSS‬تمت تجزئتيا إلى جزأيف وىي مجموع‬
‫مربعات االنحرافات المشروحة مف قبؿ المتغيرات التوضيحية أو مجموع مربعات االنحدار ‪((Explained‬‬
‫))‪ Sum of squares(ESS‬والجزء الثاني ىو مجموع مربعات االنحرافات غير المشروحة أي مجموع‬
‫مربعات الخطأ أو )مجموع مربعات البواقي( ))‪.(Residual sum of squares(RSS‬‬
‫ولحساب جدوؿ تحميؿ التبايف لمنموذج الخطي العاـ نتبع اآلتي‪:‬‬
‫ٔ‪ -‬نحسب مجموع مربعات االنحرافات الكمية عف متوسطاتيا‪:‬‬
‫‪TSS  SYY‬‬

‫‪(Y ) 2‬‬
‫‪ Y Y ‬‬ ‫‪ Y Y  nY 2‬‬ ‫‪. . .‬‬ ‫)‪(2 - 5‬‬
‫‪n‬‬
‫‪ -2‬نحسب مجموع المربعات العائدة لبلنحدار ‪ ESS‬باستخداـ أحد الصيغ التالية‪:‬‬

‫‪ESS  Yˆ Yˆ (‬‬

‫‪‬‬ ‫‪nY) 22 ‬‬
‫‪Y‬‬
‫‪ ˆ X Y ‬‬ ‫‪‬‬
‫‪n‬‬ ‫‪‬‬
‫‪(Y ) ‬‬
‫‪2‬‬
‫‪ ˆ X Xˆ ‬‬ ‫‪‬‬ ‫‪. . .‬‬ ‫)‪(3 - 5‬‬
‫‪n ‬‬
‫ˆ‬ ‫ˆ ‪1‬‬ ‫‪(Y ) 2 ‬‬
‫‪  C  ‬‬ ‫‪‬‬
‫‪n ‬‬

‫‪136‬‬
 ‫ˆ‪ee  Y Y  Yˆ Y‬‬ ‫ٖ‪-‬نحسب مجموع المربعات العائدة لمخطأ )‪:(RSS‬‬

‫‪ TSS  ESS‬‬ ‫‪...‬‬ ‫)‪(4 - 5‬‬

‫ثـ ينظـ الجدوؿ كاآلتي‪:‬‬

‫جدول)‪(1-5‬‬
‫جدول تحليل التباين‬
‫‪- ANOVA-‬‬
‫‪S.O.V‬‬ ‫‪SS‬‬ ‫‪d.f‬‬ ‫‪MSS‬‬ ‫*‪F‬‬
‫االنحدار‬ ‫‪ESS‬‬ ‫‪k‬‬ ‫‪ESS / k‬‬ ‫‪EMS‬‬
‫الخطأ‬ ‫‪RSS‬‬ ‫‪n-k-1‬‬ ‫)‪RSS /(n-k-1‬‬ ‫‪RMS‬‬

‫اإلجمالي‬ ‫‪TSS‬‬ ‫‪n-1‬‬

‫أف جدوؿ تحميؿ التبايف في االنحدار الخطي العاـ يستخدـ الختبار معنوية العبلقة الخطية المستخدمة مف‬
‫‪ 0 : 1   2  . . .   k  0‬‬ ‫خبلؿ اختبار فرضية العدـ‪:‬‬

‫أي أف جميع المتغيرات التوضيحية ‪ Xk ، . . . ، X2 ، X1‬غير ميمة في تحديد التغير في ‪.Y‬‬

‫‪ 0 : 1   2  . . .   k  0‬‬ ‫ضد الفرضية البديمة‪:‬‬

‫والتي تعرض باف عمى األقؿ أحد المتغيرات التوضيحية )‪ ( Xk ، . . . ، X2 ، X1‬ميمة في تحديد‬
‫التغيرات في ‪ .Y‬بمعنى آخر اف العبلقة الخطية مبلئمة لتمثيؿ البيانات‪:‬‬

‫ويكوف القرار بقبوؿ أو رفض فرضية العدـ بعد مقارنة القيمة العممية )المحسوبة( لبلحصاءة ‪ F‬مع القيمة‬
‫النظرية )الجدولية( لبلحصاءة ‪ F‬عمى وفؽ مستوى داللة مختار ودرجات حرية البسط ‪ k‬ودرجات حرية‬
‫المقاـ )‪.(n-k-1‬‬
‫فإذا كانت ‪ )F‬المحسوبة( > ) ‪ F‬المجدولة( ولمستوى معنوية ‪ α‬فيكوف القرار برفض ‪ . H0‬أي اف العبلقة‬
‫الخطية مبلئمة والعكس صحيح‪.‬‬
‫كما ويستخدـ جدوؿ تحميؿ التبايف لمعرفة األىمية النسبية لمتغيرات المشروحة والتغيرات غير المشروحة‬
‫وبالتالي يمكف حسابو باالعتماد عمى معامؿ التحديد ‪ R2‬وعمى وفؽ اآلتي‪:‬‬

‫‪137‬‬
 ‫جدول تحميل التباين باستخدام معامل التحديد‪ANOVA Table using coefficient of .‬‬
‫‪determination‬‬
‫‪ESS‬‬
‫‪R2 ‬‬ ‫وحيث أف‪:‬‬
‫‪TSS‬‬
‫إذف يمكف التعويض عف )‪ (ESS = R2 TSS‬وكذلؾ‬
‫‪RSS = (1-R2) TSS‬‬
‫في جدوؿ تحميؿ التبايف وبذلؾ فاف االحصاءة ‪:F‬‬
‫‪R2 k‬‬
‫‪F‬‬ ‫‪...‬‬ ‫)‪(5 - 5‬‬
‫)‪(1  R 2 ) (n  k  1‬‬

‫مثاؿ)‪ :(3-5‬اعتماداً عمى بيانات الجدوؿ )‪ (3-4‬صٗٔٔ‪ ،‬والختبار معنوية النموذج ككؿ‪:‬‬

‫‪ 0 : 1   2  0‬‬ ‫‪vs.‬‬ ‫‪1 : 1   2  0‬‬

‫‪EMS‬‬ ‫‪26.5 2‬‬ ‫‪13.25‬‬
‫‪F* ‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪ 17.7‬‬
‫‪RMS 1.5 (5  3) 0.75‬‬
‫أو باستخداـ معامؿ التحديد‪:‬‬
‫‪R2 k‬‬ ‫‪0.9464 2 0.4732‬‬
‫‪F ‬‬
‫*‬
‫‪‬‬ ‫‪‬‬ ‫‪ 17.7‬‬
‫)‪(1  R ) (n  k  1‬‬
‫‪2‬‬
‫‪0.054 2‬‬ ‫‪0.0268‬‬

‫وتقارف مع )‪ 19 = Fc (2,2,0.95‬وحيث أف ‪ ، F*< Fc‬القرار‪ :‬ال نرفض فرضية العدـ‪ .‬أي أف العبلقة‬
‫الخطية غير مبلئمة لمبيانات‪ .‬أو أف المتغيرات ‪ X1‬و ‪ X2‬غير ميمة معنوياً‪.‬‬

‫‪138‬‬
 ‫مثاؿ )‪ :(4-5‬مف بيانات المثاؿ )‪ (2-5‬الختبار معنوية النموذج ككؿ‪:‬‬

‫‪ 0 : 1   2   3  0‬‬ ‫‪vs.‬‬ ‫‪1 : 1   2   3  0‬‬

‫جدوؿ )‪(ANOVA‬‬

‫‪S.O.V‬‬ ‫‪d.f‬‬ ‫‪SS‬‬ ‫‪MSS‬‬ ‫*‪F‬‬ ‫)‪Fc(3,20,0.95‬‬

‫‪Regression‬‬ ‫‪3‬‬ ‫‪ESS =55.2‬‬ ‫‪18.4‬‬
‫‪76.7‬‬ ‫‪3.10‬‬
‫‪Error‬‬ ‫‪20‬‬ ‫‪RSS = 4.8‬‬ ‫‪0.24‬‬
‫‪Total‬‬ ‫‪23‬‬ ‫‪TSS = 60‬‬

‫وبمقارنة القيمة الحسابية لػ ‪ F‬مع القيمة الجدولية يتضح أف ‪. F*> Fc‬‬

‫القرار‪ :‬نرفض ‪ H0‬أي أف عمى األقؿ أحد المتغيرات التوضيحية ميـ معنوياً‪ .‬أو أف العبلقة الخطية مبلئمة‬
‫لمبيانات‪.‬‬
‫وباستخداـ معامؿ التحديد‪:‬‬
‫‪ESS‬‬
‫‪R2 ‬‬ ‫‪ 0.92‬‬
‫‪TSS‬‬
‫يمكف إعادة جدوؿ تحميؿ التبايف عمى وفؽ اآلتي‪:‬‬

‫جدوؿ )‪(ANOVA‬‬

‫‪S.O.V‬‬ ‫‪d.f‬‬ ‫‪SS‬‬ ‫‪MSS‬‬ ‫*‪F‬‬ ‫)‪Fc(3,20,0.95‬‬

‫‪Regression‬‬ ‫‪3‬‬ ‫‪(0.92)(60) 18.4‬‬
‫‪Error‬‬ ‫‪20 (0.08)(60) 0.24 76.7‬‬ ‫‪3.10‬‬

‫)‪(4-5‬مجموع المربعات اإلضافي‪(Additional sum of squares) .‬‬

‫افترض النموذج اآلتي‪:‬‬
‫‪Y  0  1 X 1   2 X 2  3 X 3   4 X 4  5 X 5  e‬‬
‫ونرغب حساب أثر مجموعة جزئية مف المتغيرات المستقمة وىي ‪ X3‬و ‪ X4‬و ‪ X5‬عمى التنبؤ بقيـ ‪ .Y‬لذا‬
‫تتـ تجزئة المصفوفة ‪ X‬إلى جزأيف ىما ‪ X1‬و ‪.X2‬‬
‫حيث اف ‪ X1‬تشتمؿ عمى األعمدة األوؿ والثاني مف المصفوفة ‪ X‬و‬
‫‪ X2‬تشتمؿ عمى األعمدة الثالث والرابع والخامس مف المصفوفة ‪.X‬‬

‫‪139‬‬
 ‫وكذلؾ يتـ تجزئة المتجو ‪ β‬إلى متجييف جزئييف يضـ ‪β1‬مع ‪ β2‬والثاني يضـ ‪ β3‬و ‪ β4‬و ‪ β5‬وكاالتي‪:‬‬

‫‪Y  X  e‬‬

‫‪    0‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5 ‬‬ ‫حيث اف‪:‬‬

‫‪Y  X 1 1  X 2 2  e‬‬

‫‪ 0 ‬‬ ‫‪3 ‬‬

‫‪ 1   1 ‬‬ ‫‪,‬‬ ‫‪ 2    4 ‬‬
‫‪ 2 ‬‬
‫‪‬‬ ‫‪‬‬ ‫‪5 ‬‬
‫‪‬‬ ‫‪‬‬

‫وإليجاد مقدار مساىمة المتغيرات المستقمة ‪ X3‬و ‪ X4‬و ‪ X5‬لمتنبؤ لػ ‪ Y‬يكوف مف خبلؿ أثر المتغيرات في‬
‫المصفوفة الجزئية ‪ X2‬عمماً اف ) المتغيرات التوضيحية في المصفوفة الجزئية ‪ X1‬مضمنة أصبلً في‬
‫النموذج‪.‬ويرمز ليا ) ‪ SS ( X 3 , X 4 , X 5 X 0 X 1 X 2‬ويسمى مجموع المربعات اإلضافي العائد إلى‬
‫الحدود الموجودة في)‪ . (γ2‬وىو بذلؾ يقيس مجموع المربعات العائدة مف إضافة المتغيرات المستقمة ‪ X3‬و‬
‫‪ X4‬و ‪ X5‬إلى النموذج والذي يحتوي عمى المتغيرات المستقمة ‪ X1‬و ‪ X2‬و ‪.X0‬‬

‫وتحسب ) ‪ SS ( X 3 X 4 X 5 X 0 X 1 X 2‬كاآلتي‪:‬‬

‫) ‪ SS ( X 0 X 1 X 2 X 3 X 4 X 5‬لمنموذج الكمي مطروحاً منو ) ‪SS ( X 0 X1 X 2‬‬

‫حيث اف‪:‬‬

‫‪SS ( X 0 X 1 X 2 )  ˆ1 X 1Y‬‬ ‫و‬ ‫‪SS ( X 0 X 1 X 2 X 3 X 4 X 5 )   X Y‬‬

‫وبذلؾ‪:‬‬

‫) ‪ESS ( X 3 X 4 X 5 X 0 X 1 X 2 )  ESS ( X 0 X 1 X 2 X 3 X 4 X 5 )  ESS ( X 0 X 1 X 2‬‬

‫وتسمى ىذه الطريقة بالطريقة المباشرة لحساب مجموع المربعات اإلضافية‪.‬‬

‫ويمكف حسابيا بطريقة أخرى كاآلتي‪:‬‬
‫‪1‬‬
‫‪c c c ‬‬ ‫‪ ˆ3 ‬‬
‫‪ 33 34 35 ‬‬ ‫‪ ‬‬
‫‪‬‬ ‫‪‬‬ ‫‪ ˆ ‬‬
‫‪ESS ( X 3 X 4 X 5 X 0 X 1 X 2 )   ˆ3 ˆ4‬‬ ‫‪ˆ5   c43 c44 c45 ‬‬
‫‪‬‬ ‫‪ ‬‬ ‫‪‬‬ ‫‪ 4‬‬
‫‪ c53 c54 c55 ‬‬ ‫‪ ˆ5 ‬‬
‫‪‬‬ ‫‪‬‬ ‫‪ ‬‬

‫‪141‬‬
 ‫حيث اف‪:‬‬
‫‪c c c ‬‬
‫‪ 33 34 35 ‬‬
‫‪c c c ‬‬
‫‪  43 44 45 ‬ىي جزء مف مصفوفة معكوس فيشر والمرتبطة بالمتغيرات ‪.X5 ، X4 ، X3‬‬
‫‪ c53 c54 c55 ‬‬
‫‪‬‬ ‫‪‬‬

‫وىكذا وبشكؿ عاـ يمكف حساب مجموع المربعات المشروحة اإلضافية ألي مجموعة جزئية ‪Xk ، Xj ، Xi‬‬
‫إلى نموذج عاـ بالطريقة المباشرة‪.‬‬

‫جميع المتغيرات‬ ‫جميع المتغيرات‬

‫‪ESS ( X i X j X k‬‬ ‫)التوضيحية األخرى‬ ‫‪ ESS ( X 1 , . . ., X k )  ESS ( X i X j X k‬‬ ‫عدا‬ ‫)‬

‫) ‪ESS ( X1 X 2 )  ESS ( X1 X 2 )  ESS ( X 2‬‬ ‫‪...‬‬ ‫)‪(6 - 5‬‬

‫وبالطريقة المختصرة‬
‫‪1‬‬
‫‪ cii cij cik ‬‬ ‫‪ ˆi ‬‬
‫‪‬‬ ‫‪‬‬ ‫‪ ‬‬
‫‪ESS ( X i X j X k‬‬
‫جميع المتغيرات‬
‫التوضيحية االخرى‬ ‫‪‬‬
‫‪)  ˆi ˆ j ˆk‬‬ ‫‪‬‬ ‫‪c c c ‬‬
‫‪ ji jj jk ‬‬
‫‪ ˆ ‬‬
‫‪ j‬‬
‫)‪. . . (7 - 5‬‬
‫‪‬‬ ‫‪‬‬ ‫‪ ˆ ‬‬
‫‪ cki ckj ckk ‬‬ ‫‪ k‬‬
‫وبالطريقة نفسيا يمكف إيجاد مجموع مربعات االنحدار اإلضافي العائد لمتغير مستقؿ واحد عمى وفؽ‬
‫اآلتي‪:‬‬
‫) ‪ESS ( X1 X 2 X 3 X 4 X 5 )  ESS ( X1 X 2 X 3 X 4 X 5 )  ESS ( X 2 X 3 X 4 X 5‬‬
‫‪ˆ12‬‬
‫‪‬‬
‫‪c1 1‬‬

‫‪ˆ2 2‬‬
‫‪ESS ( X 2 X 1 X 3 X 4 X 5 ) ‬‬
‫‪c22‬‬
‫وبشكؿ عاـ ‪:‬‬
‫‪ˆi 2‬‬
‫‪ESS ( X i X 1 X 2 , . . . , X i 1 , X i 1 , . . . X K ) ‬‬ ‫‪...‬‬ ‫)‪(8 - 5‬‬
‫‪cii‬‬

‫‪141‬‬
 ‫مثاؿ )‪ :(5-5‬مع توافر المعمومات التالية‪:‬‬

‫‪yˆ i  0.75 x1i  3 x2i  1.5 x3i‬‬ ‫‪i  1, . . . 15‬‬ ‫‪; Y 2  436‬‬

‫‪Y  75‬‬
‫‪‬‬ ‫‪‬‬
‫‪ 5.6‬‬ ‫‪ 0.8‬‬ ‫‪0.8‬‬ ‫‪3 ‬‬
‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪xx  xy‬‬ ‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪8.4‬‬ ‫‪ 2.4‬‬ ‫‪21 ‬‬
‫‪‬‬
‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪ 3 ‬‬
‫‪‬‬ ‫‪2.4‬‬
‫‪‬‬ ‫‪‬‬
‫احسب التغيرات المشروحة مف قبؿ المتغيرات ‪ X1‬و ‪ X2‬عمماً بوجود المتغير ‪. X3‬‬
‫الحؿ‪:‬‬
‫يمكف إيجاد مجموع المربعات المشروحة باستخداـ الطريقة المباشرة كاآلتي‪:‬‬

‫) ‪ESS ( X 1 X 2 X 3 )  ESS ( X 1 X 2 X 3 )  ESS ( X 3‬‬

‫‪ESS ( X 1 X 2 X 3 )  ̂  xy‬‬

‫‪3 ‬‬
‫‪‬‬ ‫‪‬‬
‫‪ 0.75‬‬ ‫‪3‬‬ ‫‪1.5‬‬ ‫‪ 21   60.75‬‬
‫‪‬‬ ‫‪‬‬
‫‪  3‬‬
‫‪‬‬ ‫‪‬‬
‫‪ESS ( X 3 )  ˆ3x3 y‬‬

‫‪S x3 y‬‬ ‫‪3‬‬

‫‪ESS ( X 3 ) ‬‬ ‫‪ S x3 y ‬‬ ‫‪(3)  3.75‬‬
‫‪S x3 x3‬‬ ‫‪2.4‬‬

‫‪ ESS ( X1 X 2 X 3 )  60.75  3.75  57‬‬

‫‪142‬‬
 ‫مثاؿ)‪ :(6-5‬مع توافر المعمومات التالية النحدار ‪ Y‬عمى ‪ X2‬و ‪:X3‬‬

‫‪20‬‬
‫‪Yˆ  0.6  X 2  3 X 3‬‬ ‫‪,‬‬ ‫‪e‬‬
‫‪i 1‬‬
‫‪2‬‬
‫‪i‬‬ ‫‪ 3.67‬‬

‫‪‬‬ ‫‪‬‬
‫‪ 9.1‬‬ ‫‪ 0.8‬‬ ‫‪ 2.3 ‬‬
‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪‬‬
‫‪( X X ) 1‬‬ ‫‪‬‬ ‫‪0.16‬‬ ‫‪0.2 ‬‬
‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪0.7 ‬‬
‫‪‬‬ ‫‪‬‬

‫احسب مجموع المربعات اإلضافية المشروحة لممتغير ‪ X2‬عمماً بتثبيت ‪ ، X3‬ولممتغير ‪ X3‬عمماً بتثبيت‬
‫‪.X2‬‬
‫‪ˆ22‬‬ ‫‪1‬‬ ‫الحؿ‪ :‬باستخداـ الطريقة المختصرة‪:‬‬
‫‪ESS ( X 2 X 3 ) ‬‬ ‫‪‬‬ ‫‪ 6.25‬‬
‫‪c22‬‬ ‫‪0.16‬‬
‫‪ˆ 2‬‬ ‫‪32‬‬
‫‪ESS ( X 3 X 2 ) ‬‬ ‫‪2‬‬
‫‪‬‬ ‫‪ 4.2‬‬
‫‪c33‬‬ ‫‪0.7‬‬

‫)‪(5-5‬اختبار األهمية اإلضافية لمتغير معين او مجموعة جزئية من المتغيرات‪Test the .‬‬
‫‪significancy of one variable or partial of group of additional variables‬‬
‫نفترض إف انحدار ‪ Y‬عمى ‪ X2‬تـ تقديرىا أوالً‪ ،‬وتـ التأكد مف معنوية المعممة ‪ . β2‬ثـ أضيؼ‬
‫المتغير ‪ X3‬لمنموذج‪ ،‬لدراسة فيما إذا كاف المتغير ‪ X3‬قد أسيـ في توضيح ‪ ،Y‬والمساىمة التي يقدميا ‪X3‬‬
‫تفيد بزيادة التغيرات المشروحة لػ )‪ (Y‬عند إضافة ‪ X3‬لمنموذج‪،‬وكذلؾ زيادة ‪ R2‬بشكؿ معنوي نسبة إلى‬
‫التغيرات غير المشروحة )‪ . (RSS‬أف ىذه المساىمة تسمى المساىمة اإلضافية آو الحدية ‪Marginal‬‬
‫‪ .contribution‬ومف خبلؿ ذلؾ يمكف التأكد فيما إذا كاف في إضافة متغير جديد لمنموذج ) عمماً بوجود‬
‫متغيرات أخرى في النموذج ( ميماً‪ .‬حيث أف الباحث ال يرغب بإضافة متغيرات تكوف مساىمتيا ضئيمة‬
‫في زيادة التغيرات المشروحة‪.‬‬
‫والسؤاؿ المطروح ىنا‪ ،‬كيؼ نقرر فيما إذا كاف متغير معني يسيـ في تقميص ‪ RSS‬أي زيادة )‪(ESS‬‬
‫والجواب عمى ىذا السؤاؿ يكمف في توسيع جدوؿ )‪ (ANOVA‬بما ينسجـ مع فكرة األىمية اإلضافية‪.‬‬

‫‪143‬‬
 ‫جدوؿ تحميؿ التبايف لتوضيح فكرة األىمية اإلضافية لمتغير إضافي ) أو متغيرات إضافية (‬
‫جدول )‪(2-5‬‬
‫‪S.O.V‬‬ ‫‪SS‬‬ ‫‪d.f‬‬ ‫‪MSS‬‬

‫للوتغُش ‪X2‬‬ ‫‪ESS ( X 2 )  ˆ122 x22‬‬ ‫‪1‬‬ ‫‪(X2)ESS/ 1‬‬

‫للوتغُش ‪ X3‬هع وجىد‪X2‬‬ ‫)‪ESS(X3/X2) = ESS(X2,X3)-ESS(X2‬‬ ‫‪1‬‬ ‫‪(X3ESS/X2)/ 1‬‬

‫للوتغُش‪ X2‬و ‪ X3‬هعا‬ ‫‪ESS ( X 2 , X 3 )  ˆ2x2 y  ˆ3x3 y‬‬ ‫‪2‬‬ ‫‪ESS )X2, X3( /2‬‬

‫للبىاقٍ‬ ‫)‪RSS(X2,X3‬‬ ‫‪n-3‬‬ ‫(‪RSS/ )n-3‬‬

‫اإلجوالُت‬ ‫‪TSS =∑y2‬‬ ‫‪n-1‬‬

‫الجدول (‪ )2-5‬يعرض في السطر األول معمومات عف معادلة التقدير النحدار ‪ Y‬عمى ‪: X2‬‬

‫ىي القيمة المقدرة النحدار ‪ Y‬عمى ‪ X2‬فقط‪ ،‬وتحسب في‬ ‫‪ Yˆi  ˆ1  ˆ12 X 2i‬حيث أف ‪̂12‬‬
‫ˆ ‪‬‬ ‫‪x y ‬‬
‫وفؽ العبلقة‪ 12  22  :‬‬
‫‪‬‬ ‫‪x2 ‬‬
‫وبعد إضافة المتغير ‪ X3‬إلى النموذج الذي يتضمف ‪ X2‬وكما في السطر الثاني مف الجدوؿ فاف معادلة‬
‫‪Yˆi  ˆ1  ˆ2 X 2  ˆ3 X 3‬‬ ‫التقدير‪:‬‬
‫والمعممات ‪ ˆ2‬و ‪ ˆ3‬ىي األثر المباشر لػ ‪ X2‬و ‪ X3‬عمى ‪ Y‬وتحسب عمى وفؽ‪:‬‬
‫‪ ˆ2 ‬‬
‫‪‬‬ ‫‪  ( xx) 1 xy‬‬
‫‪ ˆ ‬‬
‫‪ 3‬‬
‫ˆ‬ ‫‪yx2 x32  yx3x2 x3‬‬
‫‪2 ‬‬ ‫أو‬
‫‪(x22 )(x32 )  (x2 x3 ) 2‬‬

‫(‬ ‫‪‬‬‫‪yx‬‬ ‫()‬‫‪‬‬ ‫‪x‬‬ ‫‪2‬‬

‫) ‪)  (yx2 )(x2 x3‬‬
‫‪& ˆ3 ‬‬ ‫‪3‬‬ ‫‪2‬‬
‫‪(x22 )(x32 )  (x2 x3 ) 2‬‬
‫كما إف مجموع المربعات المشروحة مف قبؿ المتغيريف ‪ X2‬و ‪ X3‬عمى ‪ Y‬تحسب عمى وفؽ‪:‬‬

‫‪ESS ( X 2 , X 3 )  ˆ2x2 y  ˆ3x3 y  ˆ xy‬‬

‫لذلؾ فاف التغيرات التي يتـ توضيحيا مف قبؿ المتغير ‪ X3‬النحدار ) ‪(Y   0  12 X 2  u‬‬

‫‪144‬‬
 ‫يمكف تقديره بالفرؽ بيف ) مجموع المربعات المشروحة مف قبؿ المتغيريف ‪ X2‬و ‪ X3‬معاً( وبيف مجموع‬
‫المربعات التي يتـ توضيحيا مف قبؿ المتغير ‪ X2‬فقط‪:‬‬
‫)‪ESS(X3/X2) = ESS(X2,X3)-ESS(X2‬‬

‫وبدرجات حرية مقدارىا عدد المتغيرات التوضيحية المضافة لممعادلة األصمية ) وىو المتغير ‪( X3‬‬
‫أي إف متوسط المربعات المشروحة اإلضافية ىي‪:‬‬
‫) ‪ESS ( X 3 X 2‬‬
‫‪1‬‬
‫أما مجموع مربعات بواقي العبلقة الجديدة )‪ RSS(X2,X3‬فتحسب عمى وفؽ القانوف‪:‬‬

‫) ‪RSS ( X 2 X 3 )  TSS  ESS ( X 2 X 3‬‬

‫)‪(n  3)  n  (2  1‬‬ ‫وبدرجات حرية تمثؿ عدد المعممات في النموذج الجديد وىي‪:‬‬
‫ويذلؾ فاف قيمة ‪ F‬الختبار األىمية اإلضافية ىي‪:‬‬
‫‪ESS ( X 3 X 2 ) 1‬‬
‫‪F* ‬‬
‫)‪RSS ( X 2 X 3 ) (n  3‬‬
‫وتقارف مع ‪ F‬الجدولية بدرجات حرية )‪ (1‬لمبسط ‪ (n-3) ،‬لممقاـ ولمستوى داللة ‪(Fc(1,n-3,1-α ))α‬‬
‫فيكوف القرار باف إضافة المتغير ‪ X3‬إلى النموذج الذي يحتوي عمى المتغير المستقؿ ‪ X2‬قد ساعد عمى‬
‫تحسيف القدرة التفسيرية لمنموذج إذا كانت‪( F*> Fc ) :‬‬
‫ويمكف تعميـ ذلؾ الختبار أىمية مجموعة جزئية مف المتغيرات كآالتي‪:‬‬
‫افترض إف الرغبة في حساب أثر مجموعة جزئية مف المتغيرات التوضيحية وىي ) ‪ X4‬و ‪ X5‬مثبلً( عمى‬
‫التنبؤ بقيـ ‪ .Y‬مف العبلقة‪:‬‬
‫‪Y  0  1 X1   2 X 2  3 X 3   4 X 4  5 X 5  u‬‬

‫فيتـ تقسيـ االنحدار إلى‪ :‬العبلقة القديمة‪:‬‬

‫‪Y  0  1 X 1   2 X 2  3 X 3  u1‬‬

‫في حيف العبلقة الجديدة‪ Y  0  1 X1   2 X 2  3 X 3   4 X 4  5 X 5  u :‬ىي النموذج‬

‫الكمي‪ .‬ولحساب أىمية إضافة المتغيريف ‪ X4‬و ‪ X5‬عمى النموذج القديـ يتبع اآلتي‪:‬‬
‫النموذج الجديد‪Y  X  u :‬‬
‫‪   1‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5 ‬‬ ‫حيث اف‪:‬‬
‫يتـ تقسيـ معامبلت االنحدار ‪ βi‬إلى‬
‫‪   1‬‬ ‫‪2‬‬ ‫‪3   4‬‬ ‫‪5    1   2 ‬‬

‫‪145‬‬
 ‫‪ 1 ‬‬
‫‪ ‬‬ ‫‪ ‬‬
‫‪  1‬و ‪ 2   4 ‬‬ ‫حيث اف‪   2  :‬‬
‫‪ 5 ‬‬ ‫‪ ‬‬
‫‪ 3‬‬
‫‪ ،‬حيث ‪ X1‬يشمؿ األعمدة التي تمثؿ المتغيرات‬ ‫وبذلؾ فاف معادلة االنحدار‪Y  X1 1  X 2 2  u :‬‬
‫األوؿ والثاني والثالث‪ ،‬كما أف ‪ X2‬يمثؿ العموديف المذيف يمثبلف المتغيرات ‪ X4‬و ‪. X5‬‬
‫والختبار أىمية إضافة المجموعة الجزئية ‪ γ2‬يتـ اختبار الفرضية‪:‬‬
‫‪-‬والتي تتطمب‬ ‫‪vs.‬‬ ‫‪H1: γ2≠ 0 H0: γ2 = 0‬‬
‫حساب مجموع المربعات المشروحة اإلضافية عند إضافة المتغيرات ‪ X4‬و ‪ X5‬لمنموذج القديـ‪:‬‬
‫‪ . Y  1 X1   2 X 2  3 X 3  u1‬والتي يرمز ليا ‪ESS ( X 4 X 5 X 1 X 2 X 3 ) :‬‬
‫‪ ESS ( 2‬وبدرجات حرية عددىا )‪(2‬‬ ‫‪ -‬والتي يتـ حسابيا‪ 1 )  ESS ( 1 2 )  ESS ( 1 ) :‬‬
‫والتي تمثؿ عدد المتغيرات التوضيحية المضافة‪.‬‬
‫‪ -‬ثـ تحسب مجموع المربعات لبواقي االنحدار الجديد ) ‪ RSS ( X 1 X 2 X 3 X 4 X 5‬وبدرجات حرية‬
‫بضمتيا المقطع الصادي ‪.β0‬‬ ‫مقدارىا‪) :‬عدد المعممات في النموذج الجديد ‪(n  6)  (n ‬‬
‫‪ESS ( X 4 X 5 X 1 X 2 X 3 ) 2‬‬
‫‪F‬‬ ‫وبذلؾ فاف المختبر المستخدـ ىو‪:‬‬
‫)‪RSS ( X 1 X 2 X 3 X 4 X 5 ) (n  6‬‬

‫أما في حاؿ استخداـ الطريقة الثانية ) الطريقة المختصرة ( لحساب مجموع المربعات اإلضافي لحدود ‪γ2‬‬
‫فيتـ عمى وفؽ اآلتي‪:‬‬
‫‪1‬‬
‫‪‬‬ ‫‪ ˆ ‬‬
‫‪‬‬
‫‪ESS ( X 4 X 5 X 1 X 2 X 3 )   ˆ4‬‬
‫‪‬‬
‫‪ˆ5 ‬‬ ‫‪‬‬ ‫‪c‬‬ ‫‪44‬‬ ‫‪c‬‬ ‫‪45‬‬ ‫‪  4 ‬‬
‫‪‬‬ ‫‪ c c   ˆ5 ‬‬
‫‪ 54 55 ‬‬
‫حيث ‪ ˆ4‬و ‪ ˆ5‬ىي المقدرات التي يتـ الحصوؿ عمييا مف تقدير النموذج الكمي ) الجديد (‪،‬‬
‫وكذلؾ فاف ‪ c55 ، c45 ، c44‬ىي عناصر معكوس مصفوفة فيشر لمنموذج الكمي ) الجديد (‬
‫أما تعميـ ذلؾ فيتبع اآلتي‪:‬‬
‫‪‬‬
‫‪ESS (  2 1 )  ˆ2  CZ12 ˆ2 ‬‬ ‫‪...‬‬ ‫)‪(9 - 5‬‬
‫تمثؿ عناصر مصفوفة معكوس فيشر الخاصة بالمتغيرات ‪.Z2‬‬ ‫حيث ‪cz2‬‬
‫وىكذا يمكف اختبار األىمية اإلضافية ألي مجموعة جزئية ‪ γ2‬وبأي عدد مف المتغيرات‪.‬‬

‫‪146‬‬
 ‫‪ESS (  2 1 ) r‬‬
‫‪Fˆ*2‬‬ ‫‪ˆ1‬‬ ‫‪‬‬ ‫‪...‬‬ ‫)‪(10 - 5‬‬
‫)‪RSS ( 1 ,  2 ) (n  k  1‬‬

‫حيث ) ‪ ( r‬تمثؿ عدد المتغيرات الموجودة في المصفوفة ‪ ) Z2‬المضافة لمنموذج القديـ (‪.‬‬
‫) ‪ ( k‬تمثؿ عدد المتغيرات في النموذج الكمي ) الموجودة في النموذج الجديد (‪.‬‬
‫كما يمكف التأكيد عمى استخداـ النسبة ‪ F‬باعتماد معامؿ التحديد فقط ‪ ،‬وذلؾ باستخداـ العبلقة التالية‪:‬‬
‫‪2‬‬
‫‪( Rnew‬‬ ‫‪ Rold‬‬
‫‪2‬‬
‫‪) r‬‬
‫‪F‬‬ ‫‪...‬‬ ‫)‪(11 - 5‬‬
‫‪(1  Rnew‬‬
‫‪2‬‬
‫)‪) (n  k  1‬‬
‫حيث أف‪:‬‬
‫‪2‬‬
‫‪ : Rnew‬تمثؿ معامؿ التحديد لمنموذج الجديد ) الكمي ( الذي يتضمف المتغيرات ‪ Z1‬و ‪Z2‬‬
‫‪2‬‬
‫‪ :‬تمثؿ معامؿ التحديد لمنموذج القديـ والذي يتضمف المتغيرات ‪ Z1‬فقط‪.‬‬ ‫‪Rold‬‬
‫‪ :‬تمثؿ عدد المتغيرات الموجودة في المصفوفة ‪ ) Z2‬المضافة لمنموذج القديـ(‬ ‫‪r‬‬
‫‪ :‬تمثؿ عدد المتغيرات في النموذج الجديد ) الكمي (‪.‬‬ ‫‪k‬‬

‫‪Testing Linear Equality Restrictions‬‬ ‫)‪ (6-5‬اختبار القيود الخطية‬

‫‪Y   0  1 X 1   2 X 2  . . .   k X k  ut‬‬ ‫في النموذج الخطي العاـ‪:‬‬
‫ولتوضيح القيود الخطية نقدـ بعض األمثمة‪:‬‬
‫أوال‪:‬‬
‫‪1  2  1‬‬ ‫‪-1‬‬
‫‪1‬‬
‫‪1   2   3 ‬‬ ‫‪-2‬‬
‫‪2‬‬
‫‪ 4  5  0   4  5‬‬ ‫‪-3‬‬

‫‪‬‬
‫وهكذا‬

‫يندرج ضمنيا اختبار أي تركيب خطي بداللة المعممات‪.‬‬

‫ويتـ اختبار القيود الخطية والتي تتبع الصيغ الواردة في أعبله باالعتماد عمى اختبار ‪ t‬وكما تـ توضيحو‬
‫في فقرة اختبار التركيب الخطي‪ .‬أو يمكف اختبارىا عمى وفؽ اختبار ‪ F‬وعمى وفؽ اآلتي‪:‬‬

‫‪( RSS r  RSSUr ) m (eer  eeUr ) m‬‬

‫‪F* ‬‬ ‫‪‬‬ ‫‪...‬‬ ‫)‪(12 - 5‬‬
‫)‪RSSUr (n  k  1) eeUr (n  k  1‬‬

‫‪147‬‬
 ‫حيث إف ‪ : RSS r  eer :‬يمثؿ مجموع مربعات األخطاء لعبلقة االنحدار بعد إدخاؿ القيد‬
‫المفروض)عبلقة االنحدار المقيدة والتي تحقؽ فرضية العدـ(‬

‫‪ : RSSUr  eeUr‬تمثؿ مجموع مربعات األخطاء لعبلقة االنحدار الكمي ) غير المقيد(‬
‫‪: m‬تمثؿ عدد القيود ‪. m=1‬‬
‫ولتوضيح الفكرة‪:‬‬
‫إذا افترضنا القيد ‪1   2  1‬‬
‫تعاد صياغتو كاألتي‪ 1  (1   2 ) :‬وتعوض ىذه القيمة في النموذج األصمي‪ ،‬فيصبح النموذج‬

‫‪Y   0  (1   2 ) X 1   2 X 2  . . .   k X k  u‬‬ ‫المقيد‪:‬‬

‫‪Y  0  X1   2 X1   2 X 2  . . .  k X k  u‬‬

‫‪(Y  X 1 )   0   2 ( X 2  X 1 )  3 X 3  . . .   k X k  u‬‬

‫‪X k  X k* ،‬‬ ‫‪،‬‬ ‫‪X 3  X 3* ،‬‬ ‫*‪X 2  X 1  X 2‬‬ ‫نفرض‪ Y  X 1  Y * :‬و‬

‫‪Y *  1   2 X *2   3 X 3*  . . .   k X *k  v‬‬ ‫وبذلؾ فالنموذج المقيد‪:‬‬

‫ويتـ حساب مجموع المربعات المشروحة لمنموذجيف )الكمي( والنموذج المقيد‪ ،‬وكذلؾ مجموع المربعات غير‬
‫المشروحة لكبل النموذجيف وتطبيؽ العبلقة )‪.(12-5‬‬
‫وجدير بالذكر إف العبلقة )‪ (12-5‬يمكف إعادة صياغتيا عمى وفؽ القانوف اآلتي‪:‬‬

‫‪( ESSUr  ESS r ) m‬‬

‫‪F* ‬‬ ‫‪...‬‬ ‫)‪(13 - 5‬‬
‫)‪RSSUr (n  k  1‬‬
‫‪RSS  TSS  ESS‬‬ ‫حيث أف‪:‬‬
‫كما يمكف استخداـ معامؿ التحديد لمنموذج األصمي ) ‪ ( RUr‬والنموذج المقيد ) ‪ ( Rr‬لحساب النسبة ‪F‬‬
‫‪2‬‬ ‫‪2‬‬

‫وكاالتي‪:‬‬
‫‪2‬‬
‫‪( RUr‬‬ ‫‪ Rr2 ) m‬‬
‫‪F ‬‬
‫*‬
‫‪...‬‬ ‫)‪(14 - 5‬‬
‫‪(1  RUr‬‬
‫‪2‬‬
‫)‪) (n  k  1‬‬
‫‪2‬‬
‫‪ : RUr‬تمثؿ معامؿ التحديد لمنموذج غير المقيد والذي يمثؿ النموذج الجديد الذي يحوي جميع‬
‫المتغيرات‪.‬‬

‫‪148‬‬
 ‫‪ : Rr‬تمثؿ معامؿ التحديد لمنموذج المقيد الذي يحقؽ فرضية العدـ والذي يتضمف المتغيرات ‪X2 ، X1‬‬
‫‪2‬‬

‫‪ X3 ،‬وىو النموذج القديـ‪.‬‬

‫مع مبلحظة انو ال يمكف استخداـ معامؿ التحديد لممقارنة بيف نموذجيف إال في حالة كوف قيـ المتغير‬
‫المعتمد في النموذجيف متماثمة وكذلؾ عدد المشاىدات‪.‬‬

‫ثانياً ‪ :‬في حالو كوف فرضية العدـ تتضمف أكثر مف فرضية خطية مستقمة ‪.‬‬

‫مثاؿ )‪(1‬‬

‫و‬
‫فيمكف كتابتيا ‪:‬‬
‫و‬
‫وتعاد صياغتيا بالصيغة المصفوفية ‪:‬‬

‫)‪(2‬‬ ‫مثاؿ‪:‬‬
‫و‬

‫يمكف إعادة كتابتيا ‪:‬‬

‫[‬ ‫]‬ ‫] [‬

‫[‬ ‫]‬
‫وىكذا ‪H0 = β1 = β2 = ………..= βk = 0:‬‬

‫يمكف إعادة كتابتيا ‪:‬‬

‫*‬ ‫[‪+‬‬ ‫]‬ ‫‪* +‬‬

‫وبشكؿ عاـ فاف القيود الخطية تتبع اآلتي‪R  r :‬‬

‫‪149‬‬
‫‪:R‬مصفوفة معامبلت المعممات في القيود الخطية‪ .‬ويكوف ترتيبيا ‪ j × k‬اذ‪j‬تمثؿ عدد القيود الخطية‬
‫المطموب اختبارىا ‪.‬‬
‫‪ :K‬عدد المتغيرات المستقمة في النموذج‪.‬‬
‫‪ 1 ‬‬
‫‪ ‬‬
‫‪ 2 ‬‬
‫‪ :β‬متجو معممات النموذج بدوف المقطع الصادي ‪    :‬وبترتيب )‪( k × 1‬‬
‫‪ ‬‬
‫‪ ‬‬
‫‪ k‬‬
‫‪ : r‬متجو القيـ المطمقة في معادالت القيود وبترتيب ) ‪( j × 1‬‬
‫والختيار الفرضية الخطية العامة ‪ RB = r‬نتبع اآلتي ‪:‬‬
‫‪ -1‬التأكد مف أف جميع القيود الخطية تكوف مستقمة بعضيا عف البعض‪ .‬ويتـ حذؼ القيود غير المستقمة‪.‬‬
‫‪ -2‬تعوض القيود المستقمة بالمعادلة األصمية لمحصوؿ عمى المعادلة المقيدة ‪.‬‬
‫‪ -3‬تحسب ‪ ESS‬لكؿ مف المعادلة الكمية ) األصمية ( والمعادلة المقيدة أو ‪ RSS‬لكمييما ‪.‬‬
‫‪ -4‬يتـ تطبيؽ المعادلة ) ‪ (12– 5‬أو ) ‪. ( 13 – 5‬‬
‫‪ -5‬أو تحسب ‪ R2‬لممعادلة الكمية والمعادلة المقيدة ويتـ تطبيؽ العبلقة ) ‪ ( 14 – 5‬لحساب النسبة ‪ F‬مع‬
‫التأكيدعمى أف قيـ المتغير المعتمد في النموذج المقيد وغير المقيد ىي نفسيا وكذلؾ حجـ العينة‪.‬‬
‫‪ -6‬تقارف مع ‪F‬الجدولية بدرجات حرية البسط )عدد القيود المستقمة=‪ (m‬ودرجات حرية المقاـ‪n-‬‬
‫)‪(k-1‬‬

‫أمثمو توضيحية‪:‬‬
‫مثاؿ)‪ :(7-5‬افترض النموذج التالي كانحرافات عف المتوسط ‪Y  1 x1   2 x2  u :‬‬
‫وتـ توفير المعمومات حوؿ العينة ‪:‬‬
‫‪493‬‬
‫‪x12  30 ،‬‬ ‫‪y 2 ‬‬ ‫‪، n  100‬‬
‫‪3‬‬
‫‪x22  3 ،‬‬ ‫‪x1 y  30 ، x2 y  20 x1 x2  0‬‬
‫ـ ‪ -/1‬قدر معممات النموذج باستخداـ ‪ OLS‬واحسب ‪. R2‬‬
‫‪ -2‬اختبر الفرضيات التالية‪:‬‬
‫)أ(‬
‫)ج(‬ ‫)ب(‬
‫‪1 :  2  71‬‬ ‫‪VS‬‬ ‫‪ 0 :  2  71‬‬
‫‪ 30 0 ‬‬ ‫‪ 30 ‬‬
‫‪( x x)  ‬‬ ‫‪‬‬ ‫;‬ ‫‪x y   ‬‬
‫‪‬‬ ‫‪0‬‬ ‫‪3‬‬ ‫‪‬‬ ‫‪ 20 ‬‬

‫‪151‬‬
 ‫الحؿ )‪(1‬‬

‫‪ 1‬‬ ‫‪‬‬

‫‪‬‬ ‫‪0‬‬
‫‪( xx) 1   30‬‬ ‫‪‬‬
‫‪ 0‬‬ ‫‪1‬‬ ‫‪‬‬
‫‪‬‬ ‫‪3‬‬

‫‪ ˆ1  1 ‬‬

‫‪ˆ      20 ‬‬
‫‪ ˆ   ‬‬
‫‪ 2  3 ‬‬

‫‪ESS‬‬ ‫‪‬‬ ‫‪20   30  490‬‬

‫‪R2 ‬‬ ‫‪; ESS  ˆ xy  1‬‬ ‫‪   ‬‬
‫‪TSS‬‬ ‫‪‬‬ ‫‪3‬‬ ‫‪  20 ‬‬ ‫‪3‬‬
‫‪490 3 490‬‬ ‫‪3‬‬
‫‪ R2 ‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪ 0.994‬‬
‫‪493 3‬‬ ‫‪3‬‬ ‫‪493‬‬
‫)‪ ) (2‬أ (‬
‫يمثؿ اختبار معممة انحدار منفردة ويتـ اختبارىا باستعماؿ االحصاءة‪:t‬‬
‫‪ˆ2  7‬‬
‫‪t* ‬‬
‫) ‪s.e( ˆ2‬‬
‫‪RSS‬‬
‫‪var( ˆ2 ) ‬‬ ‫‪ c22‬‬ ‫‪, RSS  TSS  ESS  1‬‬
‫‪n3‬‬
‫‪1 1‬‬ ‫‪1‬‬
‫‪‬‬ ‫‪ ‬‬ ‫‪ 0.00344  s.e( ˆ2 )  0.0587‬‬
‫‪97 3 291‬‬

‫‪20‬‬
‫‪7‬‬
‫ˆ*‪t ‬‬ ‫‪‬‬ ‫‪3‬‬ ‫‪ 5.679‬‬ ‫‪,‬‬ ‫‪tc  2‬‬
‫‪2‬‬
‫‪0.0587‬‬

‫القرار‪ :‬نرفض ‪H0‬‬

‫أيأف‪β2 :‬تختمؼ معنويا عف )‪(7‬‬

‫‪ 0 : 1   2  0‬‬ ‫‪vs‬‬ ‫)ب( ‪1 : 1   2  0‬‬

‫يمثؿ اختبار أكثر مف فرضية في آف واحد ويتـ بذلؾ اختبارىا عمى وفؽ المختبر ‪: F‬‬

‫‪151‬‬
 ‫‪ 490 ‬‬
‫‪‬‬ ‫‪ 2‬‬
‫‪F ‬‬
‫*‬ ‫‪ESS ( x1 x2 ) 2‬‬
‫‪‬‬ ‫‪‬‬ ‫‪3 ‬‬
‫‪‬‬
‫‪490 * 97‬‬
‫‪ 7921.67‬‬
‫)‪RSS ( x1 x2 ) (n  3‬‬ ‫‪1 97‬‬ ‫‪6‬‬
‫القرار نرفض ‪H0‬أيأف العبلقة الخطية مبلئمة لمبيانات المستخدمة‪.‬‬
‫ويمكف استخداـ ‪ R2‬لحساب ‪F‬‬
‫‪R2 2‬‬ ‫‪(490 / 493) / 2‬‬
‫‪F ‬‬
‫*‬
‫‪‬‬ ‫‪ 7921.67‬‬
‫‪(1  R 2 ) (n  3) (1  490 / 493) / 97‬‬

‫)ج(‬

‫يمكف اعتبارىا كتركيب خطي ‪    2  71‬وبذلؾ يتـ اختبارىا باستخداـ االحصاءة ‪: t‬‬

‫‪ˆ2  7 ˆ1‬‬
‫‪t* ‬‬
‫) ‪s.e( ˆ2  7 ˆ1‬‬

‫) ‪var(ˆ2  7ˆ1 )  var(ˆ2 )  49 var(ˆ1 )  14 cov( ˆ1 , ˆ2‬‬

‫‪1‬‬
‫‪‬‬ ‫) ‪(c22  49c11  14c12‬‬
‫‪97‬‬
‫‪1 1‬‬ ‫‪1‬‬
‫‪‬‬ ‫‪(  49‬‬ ‫‪ 14(0))  0.0203‬‬
‫‪97 3‬‬ ‫‪30‬‬

‫‪s.e(ˆ2  7ˆ1 )  0.1425‬‬

‫‪20‬‬ ‫‪1‬‬
‫‪7‬‬ ‫‪‬‬
‫‪t*  3‬‬ ‫‪‬‬ ‫‪3  2.339‬‬ ‫‪‬‬ ‫)‪tc ( 97, 0.025‬‬
‫‪0.1425 0.1425‬‬

‫القرار ‪ :‬نرفض فرضية العدـ ‪.‬‬

‫كما يمكف اختبارىا باستخداـ القيود الخطية ‪:‬‬
‫حيث أف‬
‫وباستخداـ العبلقة ) ‪ ، ( 12 – 5‬حيث ‪r=0 ،m =1‬‬

‫‪152‬‬
 ‫في المعادلة األصمية ‪:‬‬ ‫نعوض‬

‫‪y  1 x1  71 x2  u‬‬ ‫النموذج المقيد‪:‬‬

‫‪y  1 ( x1  7 x2 )  u‬‬
‫‪( x1  7 x2 ) y‬‬ ‫‪x1 y  7x2 y‬‬
‫‪ ˆ1 ‬‬ ‫‪‬‬
‫‪( x1  7 x2 ) 2 x12  14x1 x2  49x22‬‬

‫‪493‬‬
‫‪ESS r  ˆ1( x1  7 x2 ) y  163.2‬‬ ‫‪ eer  RSS r ‬‬ ‫‪ 163.2  1.13‬‬
‫‪3‬‬
‫‪ESSUr  163.333‬‬ ‫‪ eeUr  1‬‬

‫‪(1.13  1) 1‬‬ ‫‪0.13‬‬

‫‪F ‬‬ ‫‪‬‬ ‫وبتطبيؽ العبلقة )‪ 12.621 : (12 – 5‬‬
‫‪1 97‬‬ ‫‪0.0103‬‬
‫القرار‪ :‬نرفض ‪H0‬‬

‫مثاؿ)‪ :(8-5‬إذاأعطيت معادلة التقدير ‪ yˆ  0.75 x1  3x2  1.5x3‬ومصفوفة العزـ الثاني‬

‫النحرافات ‪ Y‬و ‪ X1‬و ‪ X2‬و‪ X3‬عف متوسطاتيا لعينة مف )‪ (15‬مشاىدة‪:‬‬

‫‪5.6  0.8‬‬ ‫‪0.8  2 ‬‬

‫‪xx  xy   ‬‬ ‫‪8.4‬‬
‫‪‬‬
‫‪ 2.4  21 ‬‬
‫‪‬‬ ‫‪2.4   3‬‬
‫‪‬‬

‫ـ‪ (1)/‬احسب التغيرات المشروحة مف قبؿ ‪ X1‬و ‪ X2‬مع تثبيت ‪. X3‬‬

‫)‪ (2‬احسب األىمية النسبية لمتغيرات المشروحة مف قبؿ المتغيريف ‪ X1‬و ‪ X2‬عمما بوجود المتغير‪X3‬‬
‫)‪ (3‬اختبر األثر الكمي لممتغير ‪. X3‬‬
‫)‪ (4‬اختبر األثر اإلضافي لممتغير ‪. X3‬‬
‫عمى ‪Y‬عمماَ بوجود المتغير ‪. X3‬‬ ‫)‪ (5‬اختبر األىميةاإلضافية لممتغيريف‬

‫‪153‬‬
 ‫عمماَ باف ‪:‬‬ ‫)‪ (6‬اختبر الفرضية ‪:‬‬

‫(‬ ‫)‬

‫)‪ (7‬احسب معامؿ التحديد لمنموذج الكمي والنموذج المقيد ‪.‬‬

‫حيث أف‬ ‫)‪ (8‬اختبر الفرضية ‪:‬‬

‫(‬ ‫)‬

‫الحؿ‪(1) :‬‬
‫‪⁄‬‬

‫̂‬ ‫́‬
‫́‬ ‫[‬ ‫]‬

‫‪ 1.5  63  4.5  60‬‬

‫‪x3 y‬‬ ‫‪3‬‬ ‫‪9‬‬
‫‪ESS ( X 3 ) ‬‬ ‫‪ x3 y ‬‬ ‫‪ (3) ‬‬ ‫‪ 3.75‬‬
‫‪x3‬‬‫‪2‬‬
‫‪2.4‬‬ ‫‪2.4‬‬

‫‪ ESS ( X 1 X 2 X 3 )  60  3.75  56.25‬‬

‫أيأف‪ 56.25%‬مف التغيرات اإلجمالية بالمتغير ‪Y‬يتـ توضيحيا عند استعماؿ المتغيريف ‪ X1‬و ‪X2‬في‬
‫النموذج واعتبار ‪X3‬ثابت ‪.‬‬

‫)‪ (2‬األىمية النسبية لمتغيرات المشروحة مف قبؿ المتغيريف ‪ X1‬و ‪ X2‬عمماَ بوجود المتغير ‪ X3‬يتـ‬
‫حسابيا باالعتماد عمى العبلقة‪.‬‬

‫‪ 57.25‬‬

‫‪154‬‬
 ‫‪56.25‬‬
‫‪ rX21 X 2 . X 3 ‬‬ ‫‪ 0.983‬‬
‫‪57.25‬‬
‫)ٖ( األثر الكمي لممتغير ‪ X3‬يتـ حسابو مف االنحدار البسيط إذ انو يمثؿ األثر المباشر وغير المباشر‬
‫لممتغير ‪ X3‬عمى المتغير ‪. Y‬‬

‫) ̂(‬ ‫√‬ ‫√‬

‫∑‬
‫) ‪RSS ( X 3‬‬
‫‪RSS ( X 3 )  57.25‬‬ ‫‪‬‬ ‫‪ 4.4‬‬
‫‪n2‬‬

‫̂‬
‫̂‬ ‫̂‬

‫تقارف مع الجدولية ‪:‬‬

‫القرار ‪:‬ال نرفض ‪H0‬إيأف المتغير ‪ X3‬غير ميـ معنويا في تحديد التغيرات لممتغير المعتمد ‪. Y‬‬

‫)‪ (4‬األثر اإلضافي يعني اختبار أىمية إضافة المتغير ‪X3‬إلى النموذج القديـ الذي يحتوي عمى ‪ X1‬مع‬
‫‪ X2‬فقط وتحسب عمى وفؽ المختبر‪ F‬العبلقة )‪: (9-5‬‬

‫‪RSS ( X1 X 2 X 3 )  TSS  ESS ( X1 X 2 X 3 )  61  60  1‬‬

‫) ‪RSS ( X 1 X 2 X 3‬‬ ‫‪1‬‬
‫‪‬‬ ‫‪‬‬
‫‪n4‬‬ ‫‪11‬‬
‫‪ 0.091‬‬

‫‪155‬‬
 ‫‪ ESS ( x1 x2 )  ̂ xy‬‬
‫̂ و ̂ مف انحدار ‪ Y‬ضد ‪ X1‬و ‪ X2‬فقط‪:‬‬ ‫اوالً‪ :‬يجب تقدير‬

‫‪ 5.6  0.8 ‬‬ ‫‪0.18 0.017‬‬

‫‪( xx)12  ‬‬ ‫‪  ( x x) 1  ‬‬
‫‪‬‬ ‫‪8.4 ‬‬ ‫‪‬‬ ‫‪0.12 ‬‬

‫‪ ˆ1   0.717 ‬‬

‫‪ ‬‬ ‫‪‬‬
‫‪ ˆ   2.554 ‬‬
‫‪ 2‬‬
‫‪2‬‬
‫‪ESS ( X 1 X 2 )  ( 0.717 2.554 )    55.068‬‬
‫‪ 21‬‬

‫‪ESS ( X 3 / X 1 X 2 )  60  55.068  4.932‬‬

‫وبتطبيؽ العبلقة )‪ (9-5‬نحصؿ عمى ‪:‬‬
‫‪4.932‬‬
‫‪F* ‬‬ ‫‪ 54.198‬‬
‫‪0.091‬‬
‫القرار‪ :‬أناألىميةاإلضافية لممتغير ‪ X3‬معنوية ‪ .‬أيأنإضافة المتغير‪ X3‬لمنموذج الذي يحتوي‬
‫)‪ (X2 , X1‬ستعزز القدرة التنبؤية لمنموذج ‪.‬‬

‫)‪(5‬الختيار األىميةاإلضافية لممتغيريف )‪ (X2 , X1‬عمى ‪ Y‬عمماً بوجود ‪. X3‬‬

‫أيأف النموذج القديـ ىو )‪ ، Y= f (X3‬ثـ تمتإضافة المتغيريف ‪ X2 , X1‬فيصبح النموذج‬
‫الجديد)‪Y=f(X1X2X3‬‬

‫والختيار األىميةاإلضافية لممتغيريف يتـ تطبيؽ العبلقة )‪ : (9-5‬حيث ‪ r = 2‬عدد المتغيرات المضافة‬
‫لمنموذج القديـ‪ 3 = k .‬عدد المتغيرات في النموذج الجديد ‪.‬‬
‫‪ESS ( X 1 X 2 / X 3 )  56.25‬‬

‫‪ESS ( X 1 X 2 X 3 ) 2‬‬ ‫‪(56.25) 2 28.125‬‬

‫‪F* ‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪ 309.07‬‬
‫)‪RSS ( X 1 X 2 X 3 ) (n  k  1‬‬ ‫‪0.091‬‬ ‫‪0.091‬‬
‫القرار ‪ :‬األىميةاإلضافية لممتغيريف ‪ X1 ,X2‬ميمة معنوياً ‪.‬‬

‫‪156‬‬
 ‫)‪ (6‬الختبار الفرضية الخطية العامة ‪:‬‬

‫*‬ ‫[‪+‬‬ ‫]‬ ‫) (‬

‫)‪(2‬‬ ‫أي اختبار الفرضيات الخطية ‪:‬‬

‫)‪(3‬‬
‫)‪(4‬‬

‫ويتضح أف الفرضيات )‪ (3‬و )‪(4‬ىي تركيب خطي بداللة الفرضيات )‪ (1‬و )‪(2‬‬
‫فالفرضية )‪ (3‬ىي الفرضية )‪ + (1‬الفرضية )‪(2‬‬
‫والفرضية )‪ (4‬ىي الفرضية )‪ ) *3 + (1‬الفرضية ‪( 2‬‬
‫وعمية فاف الفرضيات المستقمة ىي )‪ (1‬و )‪ ، (2‬تعوض في النموذج الكمي ‪.‬‬

‫فيصبح النموذج المقيد‪:‬‬

‫‪y  3 x1  3 x3  u‬‬

‫نستخرج ‪ ESS‬لكؿ مف النموذج األصمي والنموذج المقيد ‪.‬‬

‫‪ESS r  ˆ3( x1‬‬ ‫‪ x )y ‬‬

‫‪‬‬‫‪( x1  x3 ) y ‬‬
‫‪2‬‬
‫‪ 2‬‬
‫‪(x1 y  x3 y ) 2‬‬
‫‪( x1  x3 ) 2‬‬ ‫‪x1  x32  2x1 x3‬‬
‫‪3‬‬

‫‪‬‬
‫‪2  (3)2‬‬ ‫‪‬‬
‫‪1‬‬
‫‪ 0.104‬‬
‫‪5.6  2(0.8)  2.4‬‬ ‫‪9.6‬‬

‫‪ 2 ‬‬
‫‪ ‬‬
‫‪ESS Ur  ( ˆ1 ˆ 2 ˆ3 ) x y  (0.75 3 1.5) 21   1.5  63  4.5  60‬‬
‫‪  3‬‬
‫‪ ‬‬
‫‪ESSUr  ESS r  59.896‬‬
‫وبتطبيؽ العبلقة )‪(13-5‬‬
‫‪(59.896) 2 29.948‬‬
‫‪F* ‬‬ ‫‪‬‬ ‫‪ 329.099‬‬
‫‪0.091‬‬ ‫‪0.091‬‬
‫حيث أف‪ r = 2‬وىي عدد القيود الخطية المستقمة في فرضية العدـ ‪.‬‬

‫‪157‬‬
 ‫ويمكف حسابيا كاألتي‪):‬عدد المعممات في النموذج الكمي (‪ -‬عدد المعممات في النموذج المقيد‬
‫‪3-1=2‬‬
‫القرار‪ :‬أف القيود المتضمنة في فرضية العدـ تساعد عمى تحسيف القدرة التنبؤية لمنموذج‪.‬‬

‫‪ESS ( X 1 X 2 X 3 )Ur‬‬
‫)‪ (7‬معامؿ التحديد لمنموذج الكمي=‬
‫‪TSS‬‬

‫‪ESS r‬‬
‫الوقُذ =‬ ‫هعاهل التحذَذ للٌوىرج‬
‫‪TSS‬‬

‫كما يمكف اختبار الفرضية الخطية العامة باالعتماد عمى معامبلت التحديد لمنموذج الكمي والنموذج المقيد‬
‫وذلؾ بتطبيؽ العبلقة )‪(14-5‬‬
‫‪(0.984  0.0017) 2 0.49115‬‬
‫‪F* ‬‬ ‫‪‬‬ ‫‪ 327.4‬‬
‫)‪(1  0.984) (n  4‬‬ ‫‪0.0015‬‬
‫والنتيجة غيرمنطبقة بسبب التقريب الذي تـ استخدامو ‪.‬‬
‫غيراف االستنتاج النيائي متطابؽ تماماً ‪ .‬كما في استخداـ العبلقة )‪. (5-4‬‬
‫)‪ (8‬الختبار الفرضية العامة ‪:‬‬

‫*‬ ‫[‪+‬‬ ‫]‬ ‫) (‬

‫تعني ‪:‬‬
‫‪1  0‬‬ ‫)‪(1‬‬
‫‪21  2 2  2 3  0‬‬ ‫)‪(2‬‬ ‫‪‬‬ ‫‪2 2  2 3  0  2 2  2 3‬‬
‫‪31  2 2  2 3  0‬‬ ‫)‪(3‬‬
‫تصبح الفرضية )‪ (3‬غير مستقمة ‪،‬وبذلؾ فاف عدد الفرضيات المستقمة ىي )‪.(2‬‬
‫تعوض الفرضيات المستقمة في النموذج األصمي فنحصؿ عمى النموذج المقيد‪.‬‬

‫النموذج غير المقيد)األصمي(‪:‬‬

‫النموذج المقيد‪:‬‬

‫‪158‬‬
 ‫نحسب مجموع المربعات المشروحة لمنموذج المقيد ‪:‬‬

‫‪ESS r‬‬ ‫‪‬‬

‫‪‬‬‫‪( x2  x3 ) y ‬‬
‫‪2‬‬
‫‪‬‬
‫‪21  (3)2‬‬ ‫‪‬‬
‫‪(18) 2 324‬‬
‫‪‬‬ ‫‪ 54‬‬
‫‪( x2  x3 ) 2‬‬ ‫)‪(8.4)  (2.4)  2(2.4‬‬ ‫‪6‬‬ ‫‪6‬‬

‫‪ESS r  54‬‬

‫‪RSS‬‬
‫‪ 0.091‬‬
‫‪n4‬‬
‫وبتطبيؽ العبلقة )‪:(13-5‬‬
‫‪(60  54) / 2‬‬ ‫‪3‬‬
‫‪F* ‬‬ ‫‪‬‬ ‫‪ 32.967‬‬
‫‪0.091‬‬ ‫‪0.091‬‬
‫أيأف القيود تساعد عمى تحسيف القدرة التنبؤية لمنموذج ‪.‬‬

‫مثاؿ)‪ :(9-5‬تـ تقدير انحدار ‪Y‬عمى ‪ X1‬فتـ الحصوؿ عمى النتائج‬

‫‪r2 = 0.9978 ،‬‬ ‫‪n =15‬‬
‫‪TSS = 66042.2693‬‬
‫‪ESS(X1)=65898.235‬‬

‫ثـ أضيؼ المتغير ‪X2‬فأعطى النتائج ‪:‬‬

‫‪R 2  0.9986 R 2  0.9988‬‬

‫فكـ مف التغيرات أسيـ ‪ X2‬في توضيحيا مف إجمالي التغيرات في ‪ y‬عمماً بوجود ‪ X1‬؟‬
‫‪ESS(X1)=65898.235‬‬ ‫الحؿ ‪:‬‬

‫)‪ESS(X2 /X1)=E(X1 X2)-E(X1‬‬

‫‪ESS(X1 X2)=TSS . R2 = 65963.018‬‬

‫‪ESS(X2 / X1) =64.7836 , RSS(X1 X2)= TSS- ESS(X1 X2) = 79.2513‬‬

‫والختبار معنوية المساىمة الحدية لممتغير ‪: X2‬‬

‫‪159‬‬
 ‫‪ESS ( X 2 / X 1 ) / 1‬‬ ‫‪64.7836 / 1‬‬
‫‪F* ‬‬ ‫‪‬‬ ‫‪ 9.81‬‬
‫‪RSS ( X 1 X 2 ) /( n  3) 79.2513 / 12‬‬

‫وكما يمكف االختبار باالعتماد عمى معامؿ التحديد لمنموذج األصمي والنموذج المقيد ‪.‬‬

‫وىي تحدد أىمية إضافة المتغير ‪. X2‬‬

‫)‪ (7-5‬مجال الثقة لمتوسط االستجابة ولمقيمة التنبؤية الجديدة‪.‬‬

‫‪Cofidence interval for E(Y/X0) and for new prediction.‬‬
‫في مباحث سابقة تـ توضيح مجاؿ الثقة لمعممة مقدرة منفردة ) ( يمكف تحديده اعتماداً عمى‬
‫التوزيع )‪: (t‬‬

‫أما مجاؿ الثقة المشترؾ لمعممتيف أو أكثر يمكف تحديده اعتماداًعمى معادلة القيود الخطية ‪:‬‬

‫وذلؾ بتحديد المصفوفة ‪: R‬‬

‫وحيث أف ˆ‪ ‬تمت برىنتيا بأنيا تتوزع توزيعاً طبيعياً بمتوسط ) ‪ ( ‬وتبايف ‪ 2c‬‬

‫⇒‬ ‫̂‬ ‫́‬

‫)̂ (‬ ‫حيث ‪:‬‬
‫‪‬‬
‫‪var( Rˆ )  E R(ˆ   )(ˆ   )R‬‬ ‫‪‬‬
‫فعند اختبار المعنوية المشتركة لممعمميف ‪  2 , 1‬معاً فاف فرضية العدـ ‪:‬‬

‫⇔‬

‫أيأف ‪:‬‬
‫يمكف كتابتيا كاألتي ‪:‬‬
‫‪ 1 0   1   0 ‬‬
‫‪‬‬ ‫‪     ‬‬
‫‪‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪  2   0‬‬

‫‪161‬‬
 ‫ومع تحققفرضية العدـ‪:‬‬
‫)‪R(ˆ   )  Rˆ  R  Rˆ  r ~ N(0, 2 RCR‬‬

‫‪‬‬ ‫‪‬‬
‫‪-1‬‬

‫‪ ( Rˆ  r )  2 RCR ( Rˆ  r ) ~  q2‬‬

‫‪( R  r ) RCR  ( Rˆ  r ) q‬‬

‫ˆ‬ ‫‪-1‬‬
‫‪‬‬ ‫‪‬‬ ‫‪ee‬‬
‫‪~ F(q,n-k)  2 ~  n‬‬
‫‪2‬‬
‫ولكف‪k :‬‬
‫) ‪ee (n  k‬‬ ‫‪‬‬
‫أما لتحديد مجاؿ الثقة التنبؤي لػ ‪ Y‬نسبة إلى‪ X10‬و ‪ X20‬خارج حدود العينة فيعتمد عمى القيمة التنبؤية لػ‬
‫̂‬ ‫‪ Y‬والتي يتـ الحصوؿ عمييا بتعويض ‪ X10‬و ‪ X20‬في معادلة التقدير ‪̂ :‬‬

‫حيث اف‪:‬‬
‫والقيمة الحقيقية في الفترة التنبؤية ستكوف ‪:‬‬

‫‪ :‬تمثؿ القيمة الحقيقية المفترضة لممتغير العشوائي في الفترة التنبؤية ‪.‬وعمية فيمكف تعريؼ خطأ‬
‫التنبؤ) (والذي يحسب عمى وفؽ اآلتي‪:‬‬
‫‪e f  Y f  Yˆf‬‬

‫وواضح أف) ‪= 0E (ef‬‬

‫حيث أف ‪ ( ˆ )  ‬وكذلؾ) ‪= 0 E (uf‬‬
‫وبذلؾ‪:‬‬
‫‪‬‬
‫‪V (e f )  E  R( ˆ   )  u f‬‬ ‫‪  R(ˆ   )  u  ‬‬
‫‪f‬‬

‫‪1‬‬
‫‪‬‬
‫‪  2 R( X X ) R   2   2 R( X X ) R  1‬‬
‫‪1‬‬
‫‪‬‬
‫‪1‬‬
‫‪var( R )   2 R( X X ) R‬‬
‫الف ‪:‬‬
‫‪‬‬
‫‪e f  Y f  Yˆf ~ N 0 , 2 R( X X ) R  1‬‬
‫‪1‬‬
‫‪‬‬ ‫‪‬‬
‫وبذلؾ ‪:‬‬
‫‪Y f  Yˆf‬‬
‫)‪~ N (0,1‬‬
‫‪ 1  R( X X ) R‬‬ ‫‪1‬‬

‫وبالتعويض عف قيمة ‪ ‬بقيمتيا المقدرة ‪:‬‬

‫‪161‬‬
 ‫‪ee‬‬
‫‪s  ˆ ‬‬
‫‪n  k 1‬‬
‫فاف ‪:‬‬
‫‪Y f  Yˆf‬‬
‫~‬ ‫‪t‬‬ ‫‪‬‬
‫‪ˆ 1  R( X X ) R‬‬ ‫‪1‬‬ ‫) ‪( nk 1,‬‬
‫‪2‬‬

‫يكوف ‪:‬‬ ‫وبذلؾ فاف مجاؿ الثقة باحتماؿ ‪ 95%‬لػ‬

‫‪Yˆf  t 0.025ˆ 1  R( X X ) 1 R‬‬

‫‪ :‬القيمة المتوقعة لػ‪ Y‬في الفترة التنبؤية ‪.‬‬ ‫أما فيما يخص مجاؿ الثقة لمتوسط االستجابة‬

‫وبالتالي فاف ‪95%‬مجاؿ ثقة لمتوسط االستجابة ‪:‬‬

‫‪Yˆf  t0.025  ˆ R( X X ) R‬‬

‫‪1‬‬

‫‪.‬‬ ‫والتي تكوف أضيؽ مف مجاؿ الثقة لمقيمة التنبؤية الجديدة ‪Yf‬‬

‫مثاؿ)‪:(10-5‬‬
‫‪26.7 4.5  8.0‬‬
‫‪( X X )  ‬‬ ‫‪1.0  1.5 ‬‬ ‫‪Yˆ  4  2.5 X 1  1.5 X 2‬‬
‫‪1‬‬
‫‪,‬‬ ‫‪,‬‬ ‫‪n5‬‬
‫‪‬‬ ‫‪2.5 ‬‬
‫‪ˆ 2  0.75‬‬
‫احسب مجاؿ الثقة باحتماؿ ‪ 95%‬لمقيمة التنبؤية الجديدة عندما تكوف‪ X1=10‬و ‪ X2=10‬وكذلؾ‬
‫لمتوسطاالستجابة ‪.‬‬

‫الحؿ ‪:‬‬
‫‪26.7 4.5  8.0‬‬
‫‪R( X X ) 1 R 1 10 10 ‬‬ ‫‪1.0  1.5 ‬‬
‫‪‬‬ ‫‪ 1.5 2.5 ‬‬

‫‪162‬‬
 ‫̂‬

‫وبذلؾ فاف مجاؿ الثقة باحتماؿ ‪ 95%‬لمتوسط االستجابة ‪:‬‬

‫‪14  4.303 0.75 6.7‬‬

‫والمتمثؿ بالفترة‪(23.646 , 4.354) :‬‬

‫ويمكف استخداـ البيانات كانحرافات عف متوسطاتيا وعمى وفؽ اآلتي‪ :‬المتجو ‪ Xf‬كانحرافات‪:‬‬

‫‪x f  X10  X1‬‬ ‫‪X 20  X 2 ‬‬

‫وتكوف القيمة المقدرة لتبايف متوسط االستجابة لػ ‪: Yf‬‬

‫‪1‬‬ ‫‪‬‬
‫‪var(Yˆf )  ˆ 2   x f ( xx) 1 xf ‬‬
‫‪n‬‬ ‫‪‬‬
‫اما القيمة المقدرة لتبايف القيمة التنبؤية ل ػ ‪: Yf‬‬

‫‪ 1‬‬ ‫‪‬‬

‫‪var(Yˆf )  ˆ 2 1   x f ( xx) 1 xf ‬‬
‫‪ n‬‬ ‫‪‬‬

‫‪163‬‬
 ‫)‪(8-5‬معامل االنحدارالجزئي القياس‪Standard Partial regressio coefficient :‬‬
‫يرمز ليذا المعامؿ ‪ ،  i‬وىو معامؿ االنحدار الجزئي عندما يتـ تحويؿ متغيرات النموذج الى‬
‫*‬

‫صيغتيا القياسية كاألتي ‪:‬‬

‫وكذلؾ ‪:‬‬

‫‪x 2j‬‬ ‫‪( X ji  X ) 2‬‬

‫‪s.e( X j ) ‬‬ ‫‪‬‬ ‫حيث اف ‪:‬‬
‫‪n 1‬‬ ‫‪n 1‬‬

‫وكذلؾ ‪:‬‬

‫وبذلؾ فاف معادلة االنحدار القياسية تكوف خالية مف المقطع الصادي ‪:‬‬

‫كما أف المعممات القياسية المقدرة بطريقة المربعات الصغرى ‪:‬‬

‫ويمكف إعادة صياغتيا بداللة المعممات الجزئية غير القياسية ‪:‬‬

‫)‪(15-5‬‬ ‫‪. . .‬‬

‫فذلؾ‬ ‫ضعؼ‬ ‫خالية مف الوحدات لذا يتـ استخداميا إلغراض المقارنة ‪ .‬فإذا كانت‬ ‫وحيث اف‬
‫يدلؿ عمى اف المتغير ‪ X2‬ىو ضعؼ أىمية المتغير ‪ X1‬في تقدير قيمة ‪.Y‬‬

‫مثاؿ)‪ : (11-5‬وبالرجوع الى المثاؿ ‪ (8-5):‬فاف معممات االنحدار القياسية ‪:‬‬

‫‪SX jX j‬‬
‫‪ˆ *j  ˆ j ‬‬
‫‪SYY‬‬

‫‪5.6‬‬
‫‪ˆ1*  (0.75) ‬‬ ‫‪ 0.227‬‬
‫‪61‬‬

‫‪164‬‬
 ‫‪8.4‬‬
‫‪ˆ2*  (3) ‬‬ ‫‪ 1.1132‬‬
‫‪61‬‬

‫‪2.4‬‬
‫‪ˆ3*  (1.5) ‬‬ ‫‪ 0.298‬‬
‫‪61‬‬
‫وعمية فاف المتغير ‪ X2‬ىو أكثر المتغيرات أىمية في تفسير قيـ ‪Y‬ويميو المتغير ‪ X3‬في األىمية‪،‬‬
‫ثـ المتغير ‪ X1‬ىو اقميا أىمية ‪.‬‬

‫مثاؿ)‪ : (12-5‬معادلة تقدير النموذج بصيغتو القياسية ‪:‬‬

‫وحيث أف ‪ ˆ *  0.069‬وىي أقؿ مف ‪ˆ *  0.823‬‬
‫‪2‬‬ ‫‪1‬‬

‫لذلؾ فأف المتغير ‪ X2‬لو أىمية )‪ (12‬مرة أكبر مف المتغير ‪.X1‬‬

‫مثاؿ)‪ : (13-5‬عينة افتراضية بحجـ ) ‪ ( n = 10‬مشاىدات ‪ ،‬صيغتيا التقديرية‬

‫‪yˆ  0.432 x1  0.82 x2  0.789 x3‬‬

‫‪Y 5 ,‬‬ ‫‪X3 1 ,‬‬ ‫‪X2  2‬‬ ‫‪X 1  0 , TSS  156‬‬

‫ومصفوفة العزـ الثاني النحرافات‪ X3، X2، X1 ،Y‬عف متوسطاتيا ‪:‬‬

‫́(‬ ‫) ́‬ ‫[‬ ‫]‬

‫ـ‪ (1) /‬احسب الصيغة التقديرية القياسية ‪:‬‬

‫)‪ (2‬اختبر أىمية أثر ‪ X3‬الكمي واإلضافي ‪.‬‬
‫)‪ (3‬احسب األىميةاإلضافية لممتغير ‪ X3‬عمى النموذج ‪:‬‬

‫)‪ (4‬اختبر الفرضية ‪:‬‬

‫عمماً باف ‪:‬‬ ‫)‪ (5‬اختبر الفرضية ‪:‬‬

‫‪165‬‬
 ‫الجواب‪ (1):‬الصيغة التقديرية القياسية ‪ ،‬باالعتماد عمى العبلقة )‪: (7-4‬‬
‫‪x 2j‬‬
‫‪ˆ *j  ˆ j ‬‬
‫‪y 2j‬‬
‫‪60‬‬
‫‪ˆ1*  (0.432) ‬‬ ‫‪ 0.2679‬‬
‫‪156‬‬

‫‪48‬‬
‫‪ˆ2*  (0.82) ‬‬ ‫‪ 0.455‬‬
‫‪156‬‬

‫‪24‬‬
‫‪ˆ3*  (0.789) ‬‬ ‫‪ 0.309‬‬
‫‪156‬‬
‫وعمية فاف أىمية المتغيرات التوضيحية بالتتابع ىي ‪ X3 , X2 :‬ثـ ‪. X1‬‬

‫*‪yˆ *  0.2679 xi*  0.455x2*  0.309 x3‬‬

‫‪ 0 : 3  0‬‬ ‫‪vs.‬‬ ‫)‪ (2‬األثر الكمي لػ ‪ 0 : 1  0 : X3‬‬

‫ىي قيمة المعممة باستخداـ االنحدار البسيط‬
‫ˆ‪‬‬
‫‪t *ˆ ‬‬ ‫‪3‬‬
‫‪3‬‬
‫) ‪s.e( ˆ3‬‬
‫‪x3 y‬‬
‫‪ˆ3 ‬‬ ‫‪ 2.333‬‬
‫‪x32‬‬
‫‪(x3 y ) 2 (56) 2‬‬
‫‪ESS ( X 3 ) ‬‬ ‫‪‬‬ ‫‪ 130.7‬‬
‫‪x32‬‬ ‫‪24‬‬
‫‪RSS ( X 3 )  TSS  ESS ( X 3 )  156  130.7  25.3‬‬

‫‪RSS ( X 3 ) 25.3‬‬
‫‪‬‬ ‫‪ 3.16‬‬
‫‪n2‬‬ ‫‪8‬‬

‫‪s.e( ˆ3 )  3.16 x32  0.36‬‬

‫‪2.333‬‬
‫‪t *ˆ ‬‬ ‫‪ 6.48‬‬
‫‪3‬‬
‫‪0.36‬‬
‫تقارف مع القيمة الجدولية‬

‫‪166‬‬
 ‫القرار ‪ X3 :‬ميـ معنوياً لتحديد التغيرات في ‪. Y‬‬
‫الختبار األثراإلضافيالذييضيفو ‪ X3‬لمنموذج المتضمف ‪ X1‬و ‪X2‬فاف فرضية العدـ ‪:‬‬
‫‪ 0 : 3 X 1 X 2  0‬‬ ‫‪vs.‬‬ ‫‪1 : 3 X1 X 2 const  0‬‬

‫)‪ESS ( X 1 X 1 X 3 )  (0.432)(91)  (0.82)(82)  (0.789)(56‬‬

‫‪ 39.312  67.24  44.184  150.7‬‬

‫لحساب ) ‪ ، ESS (X1 , X 2‬البد مف حساب ‪ ˆ2 , ˆ1‬أوال‬

‫̂‬
‫(‬ ‫)‬ ‫*‬ ‫‪+‬‬ ‫(‬ ‫)‬
‫̂‬

‫‪0.676 0.746‬‬
‫‪( x x) 1  ‬‬
‫‪‬‬ ‫‪0.845‬‬

‫‪ =(2880-2809) =71‬المحدد‬

‫́ ́̂‬ ‫أذف ‪:‬‬

‫‪RSS ( X 1 X 2 X 3 ) 5.3‬‬
‫‪‬‬ ‫‪ 0.883‬‬
‫‪n  k 1‬‬ ‫‪6‬‬
‫‪4.268‬‬
‫‪ F* ‬‬ ‫‪ 4.834‬‬
‫‪0.883‬‬
‫تقارف مع ‪F(1,6,0.95)  5.99‬‬
‫اذف القرار ال نرفض فرضية العدـ ‪.‬‬
‫أيأف‪ X3‬غير ميـ في تحديد قيمة ‪. Y‬‬

‫‪167‬‬
 ‫)‪(3‬األىميةاإلضافية لممتغير ‪: X3‬‬

‫)ٗ( اختبر ‪:‬‬

‫أي‪:‬‬
‫ىناؾ طريقتاف إلجراء االختبار‪ .‬الطريقة األولى باستخداـ الفرضية الخطية العامة وعمى وفؽ آالتي‪:‬‬
‫النموذج الكمي )غير المقيد(‬
‫النموذج المقيد ‪ :‬بتعويض ‪ 2  3 :‬‬
‫‪y  1 x1  (3 ) x2  3 x3  u‬‬

‫‪let z2  x3  x2‬‬ ‫‪,‬‬ ‫‪x1  z1 Error! Bookmark not defined.‬‬

‫‪y  1 x1  3 ( x3  x2 )  u‬‬
‫‪‬‬ ‫‪‬‬
‫‪z1‬‬ ‫‪z2‬‬
‫فالنموذج المقيد ‪:‬‬

‫‪1‬‬
‫‪ ˆ1  x12‬‬ ‫‪x1 ( x3  x2 )‬‬
‫‪   ‬‬ ‫‪‬‬ ‫‪xy‬‬
‫‪ ˆ 2  ‬‬ ‫‪( x3  x2 ) 2 ‬‬

‫∑‬ ‫∑‬ ‫∑‬ ‫∑‬

‫[‬ ‫]‬ ‫[‬ ‫]‬
‫∑‬ ‫∑‬ ‫∑‬ ‫∑‬ ‫∑‬

‫[‬ ‫]‬ ‫[‬ ‫]‬ ‫*‬ ‫‪+‬‬ ‫*‬ ‫‪+‬‬

‫المحدد‬
‫‪0.2845  0.185‬‬
‫‪( xx) z11z2  ‬‬
‫‪‬‬ ‫‪0.127 ‬‬

‫‪168‬‬
 ‫‪ ˆ1  0.2845  0.185‬‬ ‫‪ 91   25.889  25.53  0.3594‬‬
‫‪   ‬‬ ‫‪138   16.835  17.526   0.691 ‬‬
‫‪ˆ 2  ‬‬ ‫‪0.127 ‬‬ ‫‪  ‬‬ ‫‪ ‬‬ ‫‪‬‬

‫مجموع المربعات المشروحة لمنموذج المقيد ‪:‬‬

‫‪ z Y ‬‬ ‫‪ 91 ‬‬

‫‪ESS r  ˆ1 ˆ 2   1   0.3594 0.691‬‬ ‫‪138  128.0634‬‬
‫‪ z2Y ‬‬ ‫‪ ‬‬
‫وبتطبيؽ العبلقة )‪(13-5‬‬

‫)‪( ESSU  ESS r ) 1 (150.7  128.0634‬‬

‫‪F* ‬‬ ‫‪‬‬ ‫‪ 25.578‬‬
‫)‪RSSU (n  k  1‬‬ ‫‪0.885‬‬
‫وبمقارنتيا مع ) ‪ ( F(1,6,0.95) = 5.99‬فاف القرار يكوف برفض ‪ . H0‬أي أف القيد يحسف القوة التنبؤية‪.‬‬
‫أما الطريقة الثانية ‪:‬‬
‫بما أف الفرضية ‪ ، H0 : β2 + β3 = 0‬فيي تركيب خطي بداللة المعممات ‪ β2‬و ‪ β3‬وبزلك َوكي‬
‫االختباس باستخذام االحصاءة ‪ t‬وكاالتٍ‪:‬‬
‫‪ˆ2  ˆ3‬‬
‫ˆ*‪t ‬‬ ‫‪‬‬
‫) ‪s.e( ˆ2  ˆ3‬‬
‫ˆ‬
‫‪2  3‬‬

‫‪s.e(ˆ2  ˆ3 )  ˆ 2c22  ˆ 2c33  2ˆ 2c23‬‬

‫غُش أى االًحشاف الوعُاسٌ للتشكُب َستىجب هعشفت هعكىس الوصفىفت ) ‪( X X‬‬

‫‪60  53 34 ‬‬
‫‪( X X )  ‬‬ ‫‪48  31‬‬
‫‪‬‬ ‫‪24 ‬‬

‫في جميع أمثمة الفصميف ) الرابع و الخامس( تـ استخداـ الطرائؽ الحسابية االعتيادية في الحموؿ‪ ،‬ويمكف‬
‫استخداـ البرامج الجاىزة ليذا الغرض وسيتـ استخداـ برنامج ‪ SPSS‬عمى بيانات المثاؿ )‪ (4-3‬بعد‬
‫إضافة المتغير)‪ (X2‬الذي يمثؿ درجة ح اررة سائؿ تبريد الماكنة الى بيانات المثاؿ ‪.‬‬
‫مثاؿ)٘ ‪ :( ٔٗ -‬اضافة المتغير)‪ (X2‬الذي يمثؿ درجة ح اررة سائؿ تبريد الماكنة الى بيانات المثاؿ‬
‫)‪ ،(4-3‬وكما ىو معروض في الجدوؿ) ٘‪( ٖ -‬‬

‫‪169‬‬
 ‫الجدوؿ )٘‪( ٖ -‬‬
‫عدد العيوب )‪ (Y‬وسنوات الخدمة )‪ (X1‬ودرجة ح اررة سائؿ التبريد )‪ (X2‬لعينة مف )‪ (15‬مشاىدة سحبت‬
‫عشوائياً مف مصنع معيف‪.‬‬

‫‪Y‬‬ ‫‪39‬‬ ‫ٓٗ ٖ٘‬ ‫‪28‬‬ ‫‪35‬‬ ‫‪30‬‬ ‫‪33‬‬ ‫‪33‬‬ ‫‪26‬‬ ‫‪40‬‬ ‫‪41‬‬ ‫‪33‬‬ ‫ٖٔ‬ ‫‪33‬‬ ‫‪38‬‬
‫‪X1‬‬ ‫‪5‬‬ ‫‪11‬‬ ‫‪4‬‬ ‫‪12‬‬ ‫‪11‬‬ ‫‪13‬‬ ‫‪9‬‬ ‫‪11‬‬ ‫‪12‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪ٚ‬‬ ‫‪ٜ‬‬ ‫‪ٙ‬‬
‫‪X2‬‬ ‫‪36‬‬ ‫‪35‬‬ ‫‪31‬‬ ‫‪30‬‬ ‫‪37‬‬ ‫‪32‬‬ ‫‪36‬‬ ‫‪34‬‬ ‫‪37‬‬ ‫‪30‬‬ ‫‪31‬‬ ‫‪32‬‬ ‫‪33‬‬ ‫‪34‬‬ ‫‪35‬‬
‫الوصذس‪http // samehar. word press.com :‬‬

‫وبعد ادخاؿ البيانات واستخداـ البرنامج ‪ spss‬تظير نتائج التقدير‪:‬‬

‫جدوؿ ) ‪( 4 - 5‬‬
‫نتائج التحميؿ الخاصة بالمعممات‬

‫‪Model‬‬ ‫‪Unstandardized‬‬ ‫‪Standardized‬‬

‫‪Coefficients‬‬ ‫‪Coefficients‬‬
‫‪β‬‬ ‫‪Std. Error‬‬ ‫‪Beta‬‬
‫)‪(1‬‬ ‫)‪(2‬‬ ‫)‪(3‬‬
‫)‪(Constant‬‬ ‫‪39.708‬‬ ‫‪10.891‬‬
‫‪X1‬‬ ‫‪-1.175‬‬ ‫‪0.260‬‬ ‫‪-.824‬‬
‫‪X2‬‬ ‫‪0.132‬‬ ‫‪0.340‬‬ ‫‪0.071‬‬
‫المصدر‪ :‬نتائج برنامج ‪ SPSS‬باالعتماد على بٌانات العٌنة‪.‬‬

‫والتي يمكف عرضيا كاالتي‪:‬‬

‫‪Yˆ  ˆ0  ˆ1 X 1  ˆ2 X 2‬‬
‫‪Yˆ  39.708  1.175 X  0.132 X‬‬
‫‪1‬‬ ‫‪2‬‬

‫ويفسر معممة االنحدار الخاص بالمتغير المستقؿ )‪ ( X1‬اف زيادة خبرة العامؿ بمقدار سنة واحدة سيؤدي‬
‫الى انخفاض في عدد العيوب بمقدار )‪ ، (1.175‬وعند زيادة درجة ح اررة سائؿ تبريد الماكنة )‪ (X2‬بمقدار‬
‫درجة سيميزية واحدة تؤدي الى ارتفاع عيوب المنتج بمقدار )‪. (0.132‬‬
‫فالعمود )‪ (1‬يمثؿ قيـ المعممات المقدرة غير القياسية‪.‬‬
‫العمود )‪ (2‬يمثؿ الخطأ المعياري لممعممات المقدرة غير القياسية‪.‬‬
‫أما العمود)‪ (3‬يمثؿ المعممات المقدرة القياسية ) المعيارية(‪.‬‬

‫‪171‬‬
 ‫وتظير القيـ اف المتغير ‪ X1‬ىو أكثر تأثي اًر فى ‪ Y‬مف المتغير ‪ X2‬عمى وفؽ قيمتو القياسية المقدرة‪.‬‬
‫والجدوؿ) ٘‪ (٘-‬يعرض معمومات تفيد الختبار معنوية المعممات عمى وفؽ االحصاءة ‪ t‬الى جانب‬
‫مجاؿ الثقة باحتماؿ ‪ 95%‬وكاالتي‪:‬‬
‫جدوؿ )‪(5-5‬‬
‫نتائج التحميؿ الخاصة بالمعممات‬

‫‪Model‬‬ ‫‪95% confidence interval for B‬‬

‫‪t‬‬ ‫)‪Sig.(p‬‬ ‫‪Lower Bound‬‬ ‫‪Upper Bound‬‬
‫)‪(1‬‬ ‫)‪(2‬‬ ‫)‪(3‬‬ ‫)‪(4‬‬
‫)‪(Constant‬‬ ‫‪3.646‬‬ ‫‪0.003‬‬ ‫‪15.978‬‬ ‫‪63.438‬‬
‫‪X1‬‬ ‫‪-4.527‬‬ ‫‪0.001‬‬ ‫‪-1.741‬‬ ‫‪-0.610‬‬
‫‪X2‬‬ ‫‪0.388‬‬ ‫‪0.705‬‬ ‫‪-0.608‬‬ ‫‪0.872‬‬
‫المصدر‪ :‬نتائج برنامج ‪ SPSS‬باالعتماد على بٌانات العٌنة‪.‬‬

‫فالعمود )‪ (1‬يعرض قيـ االحصاءة ‪ t‬لممعممات المقدرة والتي تسمح الختبار الفرضيات‪:‬‬
‫‪H0: βi = 0‬‬ ‫‪i = 0, 1, 2‬‬
‫‪vs.‬‬
‫‪H1: βi ≠ 0‬‬

‫‪ˆi‬‬
‫‪t‬‬ ‫*‬
‫‪‬‬
‫ˆ‪‬‬
‫‪i‬‬
‫) ‪s.e( ˆi‬‬
‫)‪t *ˆ  (3.646‬‬ ‫فاف‬
‫‪0‬‬

‫)‪t *ˆ  (4.527‬‬ ‫وكذلؾ‬

‫‪1‬‬

‫وكذلؾ )‪t *ˆ  (0.388‬‬

‫‪2‬‬

‫والعمػػود )‪ (2‬يعػػرض قػػيـ ‪ p‬آزاء كػػؿ معممػػة ‪ ،‬فػػنبلحظ اف قيمػػة ‪ p‬اقػػؿ مػػف ٘‪ (p < 0.05) %‬بالنسػػبة‬
‫لممتغيػػر المسػػقؿ ‪ X1‬وىػػذا يعنػػي اف المعممػػة ‪ ˆ1‬معنويػػة احصػػائياً باسػػتخداـ مسػػتوى داللػػة ٘‪ ،%‬أي اف‬
‫خبرة العاممميمػة فػي تفسػيرالتغيرات فػي جػودة المنػتج‪ .‬كمػا نبلحػظ اف قيمػة ‪ p‬اكبػر مػف ٘‪(p > 0.05)%‬‬
‫بالنسػػبة لممتغيػػر المسػػقؿ ‪ X2‬وىػػذا يعنػػي اف المعممػػة ‪ ̂ 2‬غيػػر معنويػػة احصػػائياً أي اف درجػػة حػ اررة سػػائؿ‬
‫التبريد غير ميمة في تفسير التغيرات في عيوب المنتج‪.‬‬
‫اما العموداف )‪ (3‬و )‪ (4‬فتظير مجاؿ الثقة باحتماؿ ‪ 5%‬لممعممات المقدرة بحدييا االدنى واالعمى‪.‬‬

‫‪171‬‬
 ‫)‪ˆi  s.e(ˆi ).(tc ( nk 1,0.025)  ˆi  ˆi  s.e(ˆi ).(tc ( nk 1,0.025‬‬

‫أي اف مجاؿ الثقة باحتماؿ ‪ 5%‬لممعممات المقدرة يمكف تثبيتو مف الجدوؿ كاالتي‪:‬‬
‫لػ ‪15.978  ˆ0  63.438 ˆ0‬‬

‫لػ ‪ 1.741  ˆ1  0.610 ˆ1‬‬

‫لػ ‪ 0.608  ˆ2  0.872 ̂ 2‬‬

‫واف مخرجات البرنامج توفر جدوؿ تحميؿ التبايف والذي يساعد في اختبار معنوية النموذج ككؿ عمى وفؽ‬
‫اختبار ‪ F‬وكاالتي‪:‬‬

‫جدوؿ )‪(6-5‬‬
‫نتائج تحميؿ التبايف‬
‫‪ANOVA‬‬

‫‪S.O.V‬‬ ‫‪SS‬‬ ‫‪d.f‬‬ ‫‪MSS‬‬ ‫‪F‬‬ ‫‪Sig‬‬

‫‪Regression‬‬ ‫‪188.179‬‬ ‫‪2‬‬ ‫‪94.089‬‬ ‫‪10.945‬‬ ‫‪.002‬‬
‫‪Residual‬‬ ‫‪103.155‬‬ ‫‪12‬‬ ‫‪8.596‬‬
‫‪Total‬‬ ‫‪291.333‬‬ ‫‪14‬‬
‫المصدر‪ :‬نتائج برنامج ‪ SPSS‬باالعتماد على بٌانات العٌنة‪.‬‬

‫ويوضح الجدوؿ )‪ (6-5‬نتائج تحميؿ تبايف االنحدار) ‪ (ANOVA‬فيستدؿ مف خبللو عمى نسبة التبايف‬
‫الذي تفسره المتغيرات المستقمة )خبرة العامؿ( و )درجة ح اررة سائؿ التبريد( مف تبايف المتغير التابع‬
‫) جودة المنتج(‪ ،‬وبما اف مستوى الداللة ىو )‪ (P = 0.002‬وىو اقؿ مف )‪ (0.05‬وبالتالي فاف قيمة )‪(F‬‬
‫دالة إحصائياً‪ ،‬اي يمكننا القوؿ اف النموذج يمثؿ البيانات خير تمثيؿ عند مستوى داللة اقؿ مف )‪.(0.05‬‬
‫وتكوف مخرجات البرنامج بالنسبة لمعامؿ التحديد كما في الجدوؿ )‪(7-5‬‬

‫جدوؿ )‪(7-5‬‬
‫ممخص نتائج تحميؿ االنحدار‬
‫‪R‬‬ ‫)‪R Square (R2‬‬ ‫‪2‬‬
‫) ‪Adjusted R ( R‬‬ ‫‪Std. Error of the‬‬
‫‪Square‬‬ ‫‪Estimate‬‬
‫‪.804‬‬ ‫‪.646‬‬ ‫‪0.587‬‬ ‫‪2.93‬‬
‫المصدر‪ :‬نتائج برنامج ‪ SPSS‬باالعتماد على بٌانات العٌنة‪.‬‬

‫‪172‬‬
 ‫نبلحظ في جدوؿ )‪ (7-5‬معامؿ االرتباط المتعدد‪ = 0.804) (R‬والذي يبيف مدى تأثير المتغيريف‬
‫المستقميف في المتغير التابع أي اف ىناؾ ارتباطاً قوياً بيف المتغيرات المستقمة والمتغير التابع في النموذج‪.‬‬
‫كما يظير في الجدوؿ أيضا معامؿ التحديد الذي يفسر نتائج النموذج‪ ،‬وقيمتو )‪ (R2 = 0.646‬وتعني اف‬
‫النموذج المقدر يعبر عف أكثر مف)‪ %(64‬مف البيانات أي اف المتغيراتالمستقمة تفسر أكثر مف)‪% (64‬‬
‫مف تبايف المتغير التابع‪ ،‬وتـ حساب معامؿ التحديد المعدؿ لمنموذج والذي‬
‫يساوي )‪ ( R 2  0.587‬ويستخدـ لمغرض نفسو اعبله ولكف بصورة ادؽ‪.‬‬

‫‪173‬‬
 ‫أسئهة انفصم انخبمس‬
‫س‪):1‬أ( اشتؽ صيغة مبلئمة لحساب مصفوفة التبايف والتبايف المشترؾ لممعممة ‪ β0‬بافتراض‬
‫‪. Y   0  1 X 1   2 X 2  ui‬‬ ‫النموذج‪:‬‬
‫)ب( اختبر معنوية المعممة ‪ β0‬مف واقع المعمومات‪Yˆ  5.3  2.5 X1  0.78 X 2 :‬‬

‫‪ 0.5 0.1‬‬

‫‪( X X ) 1  ‬‬ ‫‪‬‬ ‫‪, RSS  8.27 ,‬‬ ‫‪n  20 , X 1  100 , X 2  120‬‬
‫‪‬‬ ‫‪0‬‬‫‪.‬‬‫‪3‬‬ ‫‪‬‬

‫)ج( تنبأ عف قيمة ‪ Y‬عندما ‪ X2 = 10 ، X1 = 10‬ثـ احسب مجاؿ الثقة لمقيمة التنبؤية الجديدة‪.‬‬

‫س‪ :2‬مع توافر لوحة البيانات التالية‪:‬‬

‫‪d.fs.o.v‬‬ ‫‪d.f‬‬ ‫‪ss‬‬
‫)‪R(X1X2X3/X0‬‬ ‫‪3‬‬ ‫‪678.294‬‬
‫)‪R(X1X2/X3X0‬‬ ‫‪2‬‬ ‫‪15.6‬‬
‫)‪R(X1X3/ X2X0‬‬ ‫‪2‬‬
‫)‪R(X2/ X0‬‬ ‫‪1‬‬ ‫‪662.7‬‬
‫)‪R(X3/ X0‬‬ ‫‪1‬‬
‫‪Error(X1X2X3‬‬ ‫‪5‬‬ ‫‪0.056‬‬
‫‪Total‬‬ ‫‪8‬‬ ‫‪678.35‬‬

‫اختبر الفرضيات التالية‪:‬‬

‫ٔ‪ H0 : Rβ=ٓ .‬حيث أف ‪:‬‬
‫‪1‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬
‫‪‬‬ ‫‪‬‬
‫‪R  0‬‬ ‫‪0‬‬ ‫‪1 0‬‬
‫‪0‬‬ ‫‪0 1 ‬‬
‫‪‬‬ ‫‪0‬‬
‫ٕ‪ .‬األثر المباشر لممتغير ‪.X3‬‬
‫ٖ‪ .‬األثر اإلضافي لممتغيريف ‪ X1 ، X3‬عمماً بوجود المتغير ‪.X2‬‬

‫س‪ :3‬في نموذج االنحدار الخطي المتعدد كيؼ تعبر إحصائيا عما يمي‪:‬‬
‫ٔ‪ .‬عدـ وجود عبلقة خطية تامة بيف المتغيرات التوضيحية‪.‬‬
‫ٕ‪ .‬خاصية تجانس خطأ التقدير‪.‬‬
‫ٖ‪ .‬االستقبلؿ الذاتي لخطأ التقدير‪.‬‬

‫‪174‬‬
 ‫س‪ :4‬عينة مف )‪ (30‬مشاىدة ‪ X3 ،X2 ،X1 ،Y‬ولدت لوحة البيانات التالية‪:‬‬

‫‪ 7.96  0.39  0.04  0.62 ‬‬ ‫‪ 120 ‬‬

‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪0‬‬‫‪.‬‬‫‪05‬‬ ‫‪‬‬ ‫‪0‬‬‫‪.‬‬‫‪02‬‬ ‫‪0‬‬‫‪.‬‬ ‫‪06‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪437‬‬ ‫‪‬‬
‫‪( X X ) 1  ‬‬ ‫‪,‬‬ ‫‪X‬‬ ‫‪‬‬
‫‪Y‬‬ ‫‪‬‬ ‫‪ 254  , Y Y  1800‬‬
‫‪0.05‬‬ ‫‪0.01 ‬‬
‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪‬‬ ‫‪ 467 ‬‬
‫‪‬‬ ‫‪0‬‬ ‫‪.‬‬‫‪11‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬

‫ٔ‪ .‬افترض تحقؽ فروض التحميؿ‪ ،‬ىؿ نتائج التقدير باستخداـ ‪ OLS‬تختمؼ عنيا عند استخداـ طريقة‬
‫اإلمكاف األعظـ‪.‬‬
‫ٕ‪ .‬احسب معادلة التقدير وفسر نتائج التقدير‪.‬‬
‫ٖ‪ .‬اختبر األىمية اإلضافية لممتغيريف ‪ X2‬و ‪ X3‬لمنموذج‪. Y   0  1 X  ui :‬‬
‫ٗ‪ .‬احسب األىمية النسبية إلضافة المتغيريف ‪ X2‬و ‪. X3‬‬
‫٘‪ .‬احسب القيمة التنبؤية لػ ‪ Y‬عندما ‪ X1 = 2‬و ‪ X2 = 5‬و ‪ X3 = -2‬واحسب مجاؿ الثقة لمقيمة‬
‫التنبؤية باحتماؿ ‪.95%‬‬

‫س٘‪ :‬مع توافر لوحة المعمومات لعينة )‪(n = 14‬‬

‫)‪s.o.v R(X1X2X3/X0) R(X1X2/X0) R(X1X3/X0) R(X2X3/X0) R(X1X0) R(X2/X0) R(X3/X0‬‬
‫‪SS‬‬ ‫‪725‬‬ ‫‪414‬‬ ‫‪645‬‬ ‫‪348‬‬ ‫‪325‬‬ ‫‪242‬‬ ‫‪60‬‬
‫‪Total = 1325‬‬
‫ٔ‪ .‬اختبر األثر المباشر لممتغير ‪.X2‬‬
‫ٕ‪ .‬اختبر األثر اإلضافي لممتغير ‪ X3‬عمى معادلة االنحدار‪:‬‬
‫‪Y   0  1 X 1   2 X 2  ui‬‬
‫‪0‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫‪0‬‬
‫‪‬‬ ‫‪‬‬
‫‪R  0‬‬ ‫‪0‬‬ ‫‪1 0‬‬
‫عمماً أف‪:‬‬ ‫ٖ‪H0 : Rβ=ٓ .‬‬
‫‪0‬‬ ‫‪0 1 ‬‬
‫‪‬‬ ‫‪0‬‬
‫س‪ :6‬عينة مف )‪ (40‬مشاىدة أعطت النتائج التالية‪:‬‬

‫‪ln Yˆ  1.72  0.60 ln X 1  0.351ln X 2‬‬ ‫‪,‬‬ ‫‪rX1X 2  0.31‬‬

‫‪s.e :‬‬ ‫)‪(0.326‬‬ ‫)‪(0.081‬‬
‫أختبر‪:‬‬
‫ٔ‪ .‬تساوي المرونات بالنسبة لمعنصريف ‪ X1‬و ‪. X2‬‬
‫ٕ‪ .‬مجموع المرونات تساوي واحداً صحيحاً‪.‬‬

‫‪175‬‬
 ‫س‪ :7‬مع توافر المعمومات‪:‬‬
‫‪ 9.1  0.5  0.8  2.3 ‬‬
‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪0‬‬‫‪.‬‬‫‪25‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪‬‬ ‫‪20‬‬
‫‪( X X ) 1  ‬‬
‫‪0.16 0.2 ‬‬
‫‪,‬‬ ‫‪e‬‬ ‫‪2‬‬
‫‪i‬‬ ‫‪ 3.67‬‬
‫‪‬‬ ‫‪‬‬ ‫‪i 1‬‬
‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪0‬‬‫‪.‬‬‫‪7‬‬ ‫‪‬‬

‫‪Yˆ  0.6  0.2 X 2  3 X 3‬‬

‫ٔ‪ .‬احسب مجاؿ الثقة باحتماؿ ‪ 95%‬لمتركيب ) ‪.( β2 – β3‬‬
‫ٕ‪ .‬مجموع المربعات اإلضافية لممتغيريف ‪ X2‬و ‪.X3‬‬
‫ٖ‪ .‬األىمية النسبية لمتغيرات المشروحة مف قبؿ المتغير ‪ X1‬فقط في النموذج‪.‬‬

‫س‪ :8‬مف واقع البيانات‪:‬‬

‫‪Yˆ  5.3  2.5 X1  0.78 X 2‬‬ ‫‪i  1,,15‬‬
‫‪ 5.6  0.8 ‬‬
‫‪RSS  8.27 , ( X X ) 1  ‬‬ ‫‪ , X 1  100 , X 2  120‬‬
‫‪‬‬ ‫‪8‬‬‫‪.‬‬‫‪4‬‬ ‫‪‬‬
‫ٔ‪ .‬فسر المدلوؿ اإلحصائي لممعممة ‪.β0‬‬
‫ٕ‪ .‬أختبر معنوية المعممة ‪.β0‬‬

‫س‪ :9‬ما الشروط الواجب توافرىا ألجؿ تساوي المعممات المقدرة باستخداـ صيغة النموذج المتعدد مع‬
‫نظيراتيا مف النموذج الخطي البسيط‪ .‬وضح حالة االنحدار بثبلثة متغيرات ‪ Y‬و ‪ X1‬و ‪. X2‬‬

‫س‪ :10‬مع توافر المعمومات التالية‪:‬‬

‫‪12 8 ‬‬ ‫‪10 ‬‬
‫‪( X X )  ‬‬ ‫‪ ,‬‬ ‫‪xy    , Y  20 , X 1  10 , X 2  5 , y 2  10‬‬
‫‪‬‬ ‫‪12‬‬ ‫‪‬‬ ‫‪8‬‬
‫ٔ‪ .‬احسب االنحراؼ المعياري لممقدرات‪.‬‬
‫ٕ‪ .‬تنبأ عف قيمة ‪ Y‬عندما ‪ = 2X2‬و‪. =10 X1‬‬
‫ٖ‪ .‬احسب مجاؿ الثقة باحتماؿ ‪ 95%‬لمقيمة التنبؤية لػ ‪.Y‬‬
‫ٗ‪ .‬احسب معامؿ التحديد ومعامؿ التحديد المعدؿ وفسر داللتو‪.‬‬

‫‪176‬‬
 ‫س‪ :11‬صحح الخطأ إف وجد‪.‬‬
‫ٔ‪ .‬رتبة المصفوفة ‪ X‬تكوف تامة مف ناحية األعمدة إذا انعدـ وجود ارتباط خطي تاـ بيف المتغيرات‬
‫التوضيحية‪.‬‬
‫‪2‬‬
‫‪var( ˆ 2 ) ‬‬ ‫يكوف‬ ‫ٕ‪ .‬في االنحدار ‪Y  0  1 X 1   2 X 2  ui‬‬
‫) ‪x 22 (1  r122‬‬
‫ٖ‪ .‬تفضؿ العبلقة ‪ Yˆ  ˆ0  ˆ1 X 1  ˆ2 X 2‬مع ‪ R2 = 0.8‬عمى العبلقة‬
‫‪ Zˆ  ˆ 0  ˆ1 ln X 1  ˆ 2 ln X 2‬مع ‪ R2 = 0.7‬إذا كاف حجـ العينة ‪ 12‬في العبلقتيف‬
‫متساوياً‪.‬‬
‫ٗ‪ .‬إف أثر المتغير ‪ X‬عمى المتغير ‪ Y‬يتحدد بمقدار ‪β1‬إذا كانت معادلة التقدير ‪ln Yˆ  ˆ0  ˆ1 X‬‬
‫‪.‬‬
‫٘‪ .‬إذا كانت فترة الثقة لمقيمة التنبؤية باحتماؿ ‪ 99%‬ىي ) ‪ ( 0.3 ≤ Yof≤ 7.8‬فاف القيمة التنبؤية تعد‬
‫غير معنوية باستخداـ مستوى معنوية ‪.1%‬‬
‫‪ .ٙ‬إذا ‪ r12 = 0‬و ‪ r13≠ 0‬و ‪ r23≠ 0‬فاف ‪. r12.3> 0‬‬
‫‪ .ٚ‬رفض الفرضية‪ H 0 : 1   2  3  0 :‬دليؿ عمى إف جميع المتغيرات المستقمة ميمة‬
‫لتحديد استجابة ‪.Y‬‬
‫‪ .ٛ‬يتساوى األثر المباشر مع األثر اإلجمالي في معادالت تحميؿ االنحدار بشكؿ عاـ‪،‬‬

‫‪177‬‬
 ‫انفصم انسبدس‬
‫اختالل فروض انتحهيم انتي تخص توصيف اننمورج وحذ‬
‫االضطراة انعشوائي‬

‫)‪(1-6‬اختالل الفرضية )‪.(3‬‬

‫الفرضية )‪ " :(3‬متوسط المتغير العشوائي يساوي صف اًر‪.‬‬
‫في النموذج الخطي المتعدد‪:‬‬
‫‪Yt  0  1 X1t   2 X 2t     k X kt  ut‬‬
‫‪,‬‬ ‫‪t=1,2, . . . , n‬‬
‫اف اختبلؿ الفرض ‪ E(ui ) = 0‬يكمف في احتماليف‪:‬‬
‫‪(ut X 1 X 2 ,  , X k )  w  cons tan t  0‬‬ ‫)أ(‬
‫وبذلؾ فاف معادلة االنحدار‪:‬‬
‫‪(Yt X1 , X 2 ,, X k )  0  1 X1   2 X 2     k X k  w‬‬
‫‪ (0  w)  1 X1   2 X 2     k X k‬‬
‫وبذلؾ فاف اختبلؿ الفرض يؤدي إلى اف تكوف قيمة المقطع الصادي )‪.   (0  w‬‬
‫‪(ˆ )  (0  w)  ‬‬ ‫أي اف المقطع الصادي المقدر بطريقة ‪ OLS‬يكوف متحي اًز أي‪:‬‬
‫وحيث اف الميـ في الدراسات التطبيقية ىو تقدير معممات االنحدار‪ ،‬وعميو فبل توجد مشكمة في ىذه‬
‫الحالة‪.‬‬
‫‪(ut X 1 X 2 ,, X k )  wt‬‬ ‫‪‬‬ ‫‪t  1,2,, n‬‬ ‫)ب( اذا‬
‫في ىذه الحالة ال يمكف تقدير معممات االنحدار بطريقة ‪ OLS‬وذلؾ ألف عدد المعممات المطموب تقديرىا‬
‫)‪ (n+k-1‬سيكوف أكبر مف عدد المشاىدات )‪. (n‬‬

‫)‪ (2-6‬اختالل الفرضية )‪.(11‬‬

‫الفرضية )‪ :(11‬التوزيع الطبيعي لػ ‪" Normality assumption of U"u‬‬
‫اذا كاف اليدؼ الرئيس ىو التقدير فقط ‪ ،‬فاف افتراض المتغير العشوائي يتوزع توزيعاً‬
‫طبيعياً ليس بالفرضية األساسية‪ .‬أي اف عدـ تحقؽ فرضية التوزيع الطبيعي لػ ‪ u‬ال يفقد المقدرات صفة‬
‫)‪.(BLUE‬‬
‫غير اف المقدرات التمتمؾ صفة التوزيع الطبيعي في العينات الصغيرة وكذلؾ تستمر الصفة مع كبر حجـ‬
‫العينة‪ .‬لذا فاف استخداـ االختبارات المختمفة ‪ F‬و ‪ t‬ممكناً في حالة العينات الكبيرة‪ ،‬أما مع حجـ العينة‬

‫‪178‬‬
‫المحدود أو الصغير فبل تتحقؽ صفة التوزيع الطبيعي‪ .‬ومعموـ إحصائياً إف فرضية التوزيع الطبيعي تكوف‬
‫ميمة إذا كاف اليدؼ ىو الختبار الفرضيات‪.‬‬
‫وعميو فانو مع العمؿ بحجـ محدود أو صغير مف المشاىدات يتطمب إجراء اختبار لمتحقؽ مف التوزيع‬
‫الطبيعي‪ .‬ومف االختبارات المستخدمة في ىذا الشأف ىو اختبار ‪ Jarque - Bera test‬والذي يعتمد‬
‫عمى اختبار الفرضية‪:‬‬
‫‪0 : s  0‬‬ ‫;‬ ‫‪k 3‬‬

‫‪vs  0 : s  0‬‬ ‫;‬ ‫‪k 3‬‬

‫اذ اف التوزيع الطبيعي يكوف متماثبلً او اف معامؿ االنحراؼ ‪s  0‬‬
‫أي اف االنحراؼ عف المتوسط مساوياً الى الصفر‪ .‬الى جانب اف معامؿ التفمطح )‪ (kurtosis‬لمتوزيع‬
‫الطبيعي ىو ) ‪. ( k = 3‬‬
‫عمماً باف ‪ s& k‬الي متغير عشوائي وليكف ‪ ،Y‬تحسب عمى وفؽ االتي‪:‬‬

‫‪s‬‬
‫مربع العزـ الثالث حوؿ المتوسط‬
‫‪‬‬
‫‪(Y   ) ‬‬ ‫‪3‬‬ ‫‪2‬‬

‫)‪ (1  6‬‬
‫مكعب العزـ الثاني‬
‫‪(Y   ) ‬‬ ‫‪2‬‬ ‫‪3‬‬

‫العزـ الرابع‬ ‫‪(Y   ) 4‬‬

‫‪k‬‬ ‫‪‬‬ ‫‪‬‬ ‫)‪(2  6‬‬
‫مربع العزـ الثاني‬ ‫‪(Y   ) ‬‬ ‫‪2‬‬ ‫‪2‬‬

‫أما المختبر المقترح فيو‪:‬‬

‫‪ s 2 (k  3) 2 ‬‬
‫‪J .B  n  ‬‬ ‫‪‬‬ ‫‪‬‬ ‫)‪(3  6‬‬
‫‪‬‬ ‫‪6‬‬ ‫‪24‬‬ ‫‪‬‬

‫وعميو الختبار التوزيع الطبيعي لممتغير العشوائي ‪ u‬يتـ حساب ‪ s :‬و ‪ k‬لبواقي عبلقة االنحدار )‪ (ei‬ثـ‬
‫‪ ،‬وبدرجات‬ ‫يطبؽ المختبر ‪ ، J.B‬عمماً أف المختبر )‪ (J.B‬يتوزع توزيع مربع كاي ‪J .B ~  22 :‬‬
‫حرية مقدارىا )‪. (2‬‬
‫كما ويمكف بشكؿ عاـ استخداـ المدرج التكراري لمبواقي )‪ (Histogram‬ومف خبلؿ المدرج يستدؿ فيما اذا‬
‫كاف يشبو التوزيع الطبيعي أـ ال ‪.‬‬
‫أما االختبار اآلخر فيكمف بمقارنة االنحراؼ المعياري لبلنحدار) ˆ‪ (‬مع مدى قيـ البواقي مقسومة‬
‫هذي ˆ‪e‬‬
‫‪ ( s ‬فاف التوزيع الطبيعي يتحقؽ‪.‬‬ ‫عمى)‪ (6‬فاذا كاف‪) :‬‬
‫‪6‬‬
‫عمماً باف المدى ىو ) قيمة ‪ e‬األكبر‪ -‬القيمة األصغر(‪.‬‬

‫‪179‬‬
 ‫مثاؿ )‪ :(1-6‬في أدناه بواقي عبلقة انحدار ؿ )٘ٔ( مشاىدة‪:‬‬

‫‪e‬‬ ‫‪-2.857 -4.68 3.807 1.984 0.161 3.338‬‬ ‫‪-3.33‬‬ ‫‪5.312‬‬ ‫‪-1.821‬‬
‫‪i‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪7‬‬ ‫‪8‬‬ ‫‪9‬‬

‫‪e -3.489 -0.157‬‬ ‫‪7.865‬‬ ‫‪1.352‬‬ ‫‪-0.471‬‬ ‫‪-6.984‬‬

‫‪i‬‬ ‫‪10‬‬ ‫‪11‬‬ ‫‪12‬‬ ‫‪13‬‬ ‫‪14‬‬ ‫‪15‬‬

‫‪et2  227.1668‬‬
‫‪ˆ 2  17.47‬‬
‫‪ˆ  4.1797‬‬
‫‪̂  s‬‬
‫هذي‬
‫‪2.47 ‬‬ ‫‪‬‬
‫‪6‬‬
‫إما باستخداـ اختبار ‪ Jarqa – Bera‬فيمكف تطبيؽ القوانيف )‪ (ٔ-ٙ‬و)‪ (ٕ-ٙ‬و)‪ (ٖ-ٙ‬تباعا كما‬
‫باإلمكاف اعتماد البرنامج الجاىز)‪ ( SPSS‬لحساب األحصاءة )‪:(J-B‬‬
‫‪s = 0.230483‬‬
‫‪k = 2.415689‬‬ ‫و‬

‫‪J .B  0.346193‬‬ ‫‪ 22( 0.05)  7.81473‬‬

‫القرار نقبؿ فرضية العدـ ‪ ،‬أي النرفض اف التوزيع طبيعي‪.‬‬
‫كما يمكف االستدالؿ مف خبلؿ رسـ ) ‪( Histogram‬‬
‫وعند رسـ )‪ ( Histogram‬لبيانات المثاؿ اعتمادا عمى ) ‪ ( SPSS‬يتضح باف التوزيع الطبيعي‬
‫عده مناسبا لمبيانات والشكؿ التالي يعكس ذلؾ‬
‫يمكف ّ‬

‫المدرج التكراري لبيانات المثاؿ )‪(1-6‬‬

‫المصدر‪ :‬نتائج ‪spss‬‬

‫‪181‬‬
 ‫مثاؿ )‪ :(2-6‬توفرت اخطاء عبلقة انحدار ‪ Y‬عمى ‪ X1‬و ‪ X2‬عمى وفؽ اآلتي‪:‬‬
‫‪e 5.777 -4.746 9.848 2.563 -0.746 4.07702 -1.426 22.82884‬‬
‫‪i‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪7‬‬ ‫‪8‬‬

‫‪e‬‬ ‫‪-1.42811‬‬ ‫‪-6.8166 38.85023 -68.7819‬‬

‫‪i‬‬ ‫‪ٜ‬‬ ‫‪10‬‬ ‫‪11‬‬ ‫‪12‬‬

‫‪n=12 , e  6988.634‬‬
‫‪2‬‬
‫اختبر اف البواقي تتوزع توزيعاً طبيعياً ؟‬
‫الحؿ‪:‬‬
‫نستخدـ اختبار ‪Jarqua – Bera‬‬
‫‪S = -1.506426‬‬
‫‪k = 6.128895‬‬
‫‪ J .B  9.433629‬‬
‫‪ 22( 0.05)  7.81473‬‬ ‫نقارف مع الجدولية‬

‫اذف نرفض فرضية العدـ ‪ ،‬أي اف التوزيع غير طبيعي‪.‬‬

‫وعند رسـ ‪ Histogram‬بمساعدة برنامج ) ‪ ( SPSS‬يعزز االختبار‪:‬‬

‫المدرج التكراري لبيانات المثاؿ )‪(2-6‬‬

‫المصدر‪ :‬نتائج ‪spss‬‬

‫‪181‬‬
 ‫يتضح أف التوزيع غير طبيعي وىو ما يؤكد ما توصمنا إليو باستخداـ اختبار)‪(Jarque - Bera test‬‬
‫وبالنظر لمدى ‪ : e‬القيمة األكبر = ‪ ، 38.85023‬القيمة األصغر = ‪- 68.7819‬‬
‫هذي‬
‫‪ se = 776.5 ، 17.9 ‬وعميو الفرضية لمتوزيع الطبيعي ال تتحقؽ‪.‬‬
‫‪6‬‬

‫مثاؿ)‪ (ٖ-ٙ‬استخدـ بيانات المثاؿ ) ٘‪ ( ٔٗ-‬نفسيا لتوضيح استخداـ البرنامج الجاىز ) ‪( SPSS‬‬
‫الختبار جاركا‪ -‬بي ار ) ‪( Jarque - Bera (JB)Test‬‬
‫ولمتابعة تحميؿ النتائج مف خبلؿ اختبار فرضيات التحميؿ يمكف اعتماد برنامج ‪ SPSS‬وباستخداـ‬
‫المختبر االحصائي )‪ Jarque - Bera (JB‬الختبار تحقؽ فرض التوزيع الطبيعي ‪.‬‬

‫‪H0 : s  0‬‬ ‫‪,‬‬ ‫‪k 3‬‬ ‫التوزيع طبيعي‬

‫‪H1 : s  0‬‬ ‫‪,‬‬ ‫‪k 3‬‬ ‫التوزيع غير طبيعي‬

‫‪(Y   ) ‬‬
‫‪2‬‬
‫‪3‬‬
‫‪E (Y   ) 4‬‬
‫‪s‬‬ ‫‪,‬‬ ‫‪k‬‬
‫‪(Y   ) ‬‬ ‫‪E (Y   ) ‬‬
‫‪3‬‬ ‫‪2‬‬
‫‪2‬‬ ‫‪2‬‬

‫‪ s 2 (k  3) 2 ‬‬
‫‪J  B  n ‬‬ ‫‪‬‬ ‫‪~  22‬‬
‫‪6‬‬ ‫‪24 ‬‬
‫باستخداـ البرنامج يمكف حساب القيمة المقدرة لػ ˆ‪ Y‬منيا تحسب ‪ ei‬حيث اف ‪ei  Yi  Yˆi‬‬
‫) ‪ (ei  e‬ثـ نحسب معامؿ التماثؿ ‪s‬‬ ‫‪ -‬ثـ نحسب ‪ (ei  e ) 2‬و ‪ (ei  e )3‬و‬
‫‪4‬‬

‫‪(141.64) 2‬‬
‫‪s‬‬ ‫‪ 0.02‬‬
‫‪(103.09)3‬‬
‫)‪(1576.93‬‬ ‫ومعامؿ التفمطح‪: k‬‬
‫‪k‬‬ ‫‪ 0.15‬‬
‫‪(103.09) 2‬‬
‫ثـ نحسب معامؿ )‪:(J.B‬‬
‫‪ (0.02) 2 (0.15  3) 2 ‬‬
‫‪J .B  15 ‬‬ ‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪6‬‬ ‫‪24‬‬ ‫‪‬‬
‫‪ 15 0.00007  0.34‬‬
‫‪ 5.08‬‬
‫وبمقارنتيا مع القيمة الجدولية لمربع كاي‪ c2( 2,0.05)  5.99 :‬‬

‫‪182‬‬
 ‫بما إف قيمة ‪ J.B‬الحسابية أقؿ مف ‪ χ2‬الجدولية نقبؿ فرضية العدـ وىذا ال يعني بالضرورة اف التوزيع‬
‫طبيعي وانما رفض الفرضية القائمة ‪. s  0 , k  3‬‬

‫أما كيفية تجاوز مشكمة إف بواقي العبلقة يتوزع توزيعاً غير طبيعي فيمكف توسيع حجـ العينة أو‬
‫تضميف متغيرات توضيحية إضافية إلى النموذج كما يمكف أف نغير الصيغة الدالية المستخدمة فبدؿ اف‬
‫نستخدـ الصيغة الخطية يتـ استخداـ الصيغة الموغاريتمية المزدوجة‪.‬‬
‫إف اختبلؿ التوزيع الطبيعي لمخطأ يتبلزـ مع عدـ تحقؽ فرضية تجانس تبايف األخطاء والتي‬
‫سيتـ تناوليا في الفقرة القادمة‪.‬‬

‫‪Homoscedasticity‬‬ ‫)‪ (3-6‬فرضية تجانس التباين لممتغير العشوائي ‪u‬‬

‫مف الفرضيات الميمة في تحميؿ االنحدار ىي اف تبايف المتغير العشوائي )‪ (ui‬في المجتمع‬
‫لمعادلة االنحدار يفترض اف يكوف متجانساً لقيـ المتغير ) أو المتغيرات( التوضيحية ‪ X‬المعطاة‪.‬‬
‫وبالرموز‬
‫‪var(ui / X )   2‬‬ ‫‪‬‬ ‫‪i  1,.n‬‬
‫وتسمى ىذه الفرضية تجانس تبايف البواقي )‪. (Homoscedasticity‬‬
‫فعند اختبلؿ ) أو عدـ تحقؽ(ىذه الفرضية تبرز ما تسمى بمشكمة عدـ تجانس التبايف‬
‫)‪(Hetroscedasticity‬‬

‫)‪ (1-3-6‬طبيعة المشكمة ‪Natur of the problem‬‬

‫عندما تختمؼ التغيرات في قيـ المتغير العشوائي )‪ (ui‬مع قيـ ) ‪ (Xi‬فاف تبايف )‪ (Yi‬سوؼ‬
‫يرتبط مع التغيرات في قيـ ) ‪) (Xi‬بالزيادة أو النقصاف( ‪ ،‬وبذلؾ يكوف تبايف )‪ (Yi‬مختمؼ وغير متساو ‪.‬‬
‫وبصيغة الرموز‪:‬‬
‫‪E ui    i‬‬ ‫‪i  1,, n‬‬
‫‪2‬‬ ‫‪2‬‬

‫‪E u1   E u2    E un    n‬‬

‫‪2‬‬ ‫‪2‬‬ ‫‪2‬‬ ‫‪2‬‬

‫وبذلؾ فاف مصفوفة التبايف والتبايف المشترؾ لممتغير العشوائي‪:‬‬

‫‪183‬‬
‫‪var ui    2 ‬‬
‫‪  12‬‬ ‫‪0‬‬ ‫‪‬‬ ‫‪0 ‬‬
‫‪‬‬ ‫‪‬‬
‫‪ 0‬‬ ‫‪ 22‬‬ ‫‪‬‬ ‫‪0 ‬‬
‫‪‬‬ ‫‪‬‬
‫‪ ‬‬ ‫‪ ‬‬
‫‪ 0‬‬ ‫‪‬‬ ‫‪ 2 n ‬‬
‫‪‬‬

‫)‪ (2-3-6‬أسباب المشكمة ‪Causes of the problem‬‬

‫توجد في الواقع العممي أسباب مختمفة لوجود مشكمة عدـ التجانس ‪ ،‬ويمكف التعرض الى‬
‫أىميا‪:‬‬
‫ٔ‪ .‬اتباع نماذج أخطاء التعمـ‪ ،‬ومع زيادة التعمـ فاف األخطاء تنخفض وبذلؾ فاف تشتت األخطاء‬
‫يتناقص لدى األشخاص الذيف تتزايد ساعات تدريبيـ ‪ .‬وخير مثاؿ عمى ذلؾ اف األخطاء‬
‫الطباعية تتناقص مع زيادة ساعات التدريب عمى الطباعة كما في الشكؿ التالي‪.‬‬

‫شكؿ)‪(1-6‬‬
‫أخطاء الطباعة‬

‫ساعات التدريب‬

‫ٕ‪ .‬طبيعة بعض الدراسات توحي الى أف تشتت بواقي العبلقة غير ثابتة‪ .‬مثبل في دراسة دالة‬
‫االدخار‪ ،‬فاف تبايف االدخار يتغير عمى وفؽ فئات الدخؿ المختمفة‪ .‬ففي المتوسط اف الفئات‬
‫الدخمية العالية تميؿ الى االدخار أكثر مف فئات الدخؿ المنخفضة ‪ ،‬مع بقاء وجود تغيرات في‬
‫االدخار لمعوائؿ المختمفة‪ .‬وبذلؾ فاف انحدار االدخار كدالة بداللة الدخؿ يولد تبايناً متزايداً مع‬
‫الدخؿ وذلؾ الف األفراد تكوف لدييـ خيارات أوسع حوؿ سموكيـ االدخاري‪.‬‬
‫والحاؿ نفسو عند دراسة األرباح لعينة مف الشركات فالشركات التي تكوف أرباحيـ كبيرة يتوقع‬
‫اف تكوف لدييـ تغيرات واسعة حوؿ سياساتيـ االستثمارية أكثر مف الشركات ذات األرباح‬
‫المنخفضة‪.‬‬
‫ٖ‪ .‬تحسيف طرائؽ جمع البيانات بشكؿ عاـ يولد اتجاه حوؿ انخفاض التبايف‪.‬‬
‫ٗ‪ .‬وجود المشاىدات الشاردة )الشاذة( سبباً لظيور عدـ التجانس لؤلخطاء ‪ .‬فاف حذؼ او تضميف‬
‫مشاىدات شاذة تكوف حاف اًز لمتأثير فى النتائج وخاصة في حالة العينة الصغيرة‪.‬‬

‫‪184‬‬
‫٘‪ .‬سوء توصيؼ النموذج يعد مصد اًر خصباً لوجود عدـ التجانس‪ .‬ويتولد سوء التوصيؼ في نموذج‬
‫االنحدار مف أمريف‪ .‬األوؿ ىو حذؼ متغير ميـ أو إضافة متغير ليس بذي جدوى‪ .‬أما األمر‬
‫الثاني فيو عدـ استعماؿ الصيغة الدالية المبلئمة لمبيانات‪ .‬فاستعماؿ الصيغية الخطية عوضاً‬
‫عف الصيغة الموغارتمية المزدوجة قد تكوف سبباً لظيور مشكمة عدـ التجانس‪ .‬كما إف إجراء‬
‫التحويبلت غير المناسبة لمبيانات تعد سبباً لحدوث مشكمة عدـ التجانس‪.‬‬
‫ال بد مف التنويو عمى اف مشكمة عدـ التجانس تظير غالبا في دراسات المقاطع العرضية ‪(Cross-‬‬
‫)‪ section‬اذ يتـ التعامؿ مع أفراد مف المجتمع في لحظة زمنية معينة‪ ،‬وتكوف ىذه األفراد غير متجانسة‬
‫‪ :‬مثؿ شركات كبيرة ومتوسطة وصغيرة‪ ،‬او فئات دخمية مختمفة‪ .‬غير اف دراسات السبلسؿ الزمنية)‬
‫‪ (Time-Series‬ليست بمأمف مف ىذه المشكمة‪.‬‬

‫)‪ (3-3-6‬تأثير عدم التجانس فى نتائج طريقة المربعات الصغرى‪Effect of .‬‬

‫‪hetroscedasticity on OLS results‬‬
‫لقد اوضحنا في الفصؿ الثاني بالنسبة لبلنحدار البسيط اف معممة االنحدار‪:‬‬

‫‪ˆ1 ‬‬ ‫‪x y‬‬ ‫‪i‬‬ ‫‪i‬‬

‫‪  ki ui ,‬‬
‫‪ xi ‬‬
‫‪ki  ‬‬ ‫‪‬‬
‫‪x‬‬ ‫‪x 2 ‬‬
‫‪2‬‬
‫‪i‬‬ ‫‪‬‬ ‫‪i ‬‬

‫‪var ˆ  ‬‬

‫‪x ‬‬
‫‪2‬‬ ‫‪2‬‬

‫‪  ki  i‬‬
‫‪i‬‬ ‫‪i‬‬ ‫‪2‬‬ ‫‪2‬‬
‫‪1‬‬
‫‪ x ‬‬ ‫‪i‬‬
‫‪2 2‬‬ ‫واف تبايف معممة االنحدار ‪:‬‬

‫ففي حالة ‪  1   2    ‬يصبح التبايف لممعممة‪:‬‬

‫‪2‬‬ ‫‪2‬‬ ‫‪2‬‬

‫ˆ‬ ‫‪ ‬‬

‫‪var 1 ‬‬
‫‪2‬‬
‫‪‬‬ ‫)‪(4  6‬‬
‫‪ xi‬‬
‫‪2‬‬

‫أما في حالة عدـ التجانس فاف التبايف‪:‬‬

‫‪var ˆ  ‬‬

‫‪x ‬‬
‫‪2‬‬ ‫‪2‬‬
‫‪i‬‬ ‫‪i‬‬
‫‪‬‬ ‫)‪(5  6‬‬
‫‪1‬‬
‫‪ x ‬‬ ‫‪i‬‬
‫‪2 2‬‬

‫والبد مف التأكيد عمى اف البرامجيات الجاىزة في حالة عدـ التجانس ترتكب خطأيف‪:‬‬
‫األوؿ‪ :‬يتـ باستخداـ الصيغة )‪ (ٗ-ٙ‬لحساب تبايف معممة االنحدار عوضاً عف الصيغة )‪(5-6‬‬
‫أما األمر الثاني‪ :‬فيو استخداـ الصيغة ) ˆ‪ (‬عوضاً عف ) ‪ ، (ˆ i‬حيث إف‬
‫‪RSS  ei‬‬
‫‪2‬‬

‫‪ˆ ‬‬
‫‪2‬‬
‫‪‬‬
‫‪n2 n2‬‬

‫‪185‬‬
 ‫وبذلؾ فاف تبايف المعممات يكوف متحي اًز‪ .‬في حيف تبقى المقدرات تتصؼ بخاصية عدـ التحيز وخطية‬
‫العبلقة بداللة ‪ Y‬كما إف المعممات تكوف متسقة غير أنيا تفقد خاصية الكفاءة الف تباينيا ال يكوف اقؿ ما‬
‫يمكف‪ .‬وبذلؾ فاف اختبارات المعنوية تكوف متحيزة )ألنيا تعتمد عمى تبايف المعممات( وكذلؾ مجاالت‬
‫الثقة لممعممات المقدرة أو لمتوسط االستجابة أو لمقيمة التنبؤية الجديدة تكوف متحيزة ىي األخرى وال يعتد‬
‫بيا )تفقد مصداقيتيا(‪.‬‬

‫(‪ )4-3-6‬طرائق الكشف عن المشكمة‪Methods of Detections.‬‬

‫في حاؿ غياب أي معمومات حوؿ طبيعة عدـ التجانس‪ ،‬فاف طريقة الرسـ باستخداـ بواقي‬
‫عبلقة االنحدار )والتي تعد تقدي اًر لممتغير العشوائي )‪ (u‬وخاصة مع كبر حجـ العينة( والتي تسمى تحميؿ‬
‫البواقي )‪، (Residual Analysis‬تعد مدخبل أوليا لتممس ذلؾ‪ .‬إذ يتـ إجراء االنحدار بافتراض عدـ‬
‫وجود مشكمة عدـ التجانس وتحسب البواقي ‪ ، ei  uˆi‬ثـ يتـ رسـ )مربع البواقي( ‪ [ ، ei‬يمكف أف يتـ‬
‫‪2‬‬

‫عمى المحور األفقي‪.‬‬ ‫التحميؿ عمى أساس رسـ قيـ )‪ ] (e‬عمى المحور العمودي و )‪ (X‬أو ˆ‪Y‬‬
‫فإذا كاف الشكؿ يظير نمطاً معيناً يمكف استنتاج وجود أو عدـ وجود المشكمة وكذلؾ النمط المناسب لعدـ‬
‫التجانس‪ .‬واألشكاؿ التالية توضح ذلؾ‪:‬‬

‫شكؿ )‪(2-6‬‬
‫أنماط رسـ البواقي‬
‫‪e2‬‬ ‫‪e2‬‬

‫ˆ‪Y‬‬ ‫ˆ‪Y‬‬
‫)‪(a‬‬ ‫)‪(b‬‬
‫‪e2‬‬ ‫‪e2‬‬ ‫‪e2‬‬

‫ˆ‪Y‬‬ ‫ˆ‪Y‬‬ ‫ˆ‪Y‬‬

‫)‪(c‬‬ ‫)‪(d‬‬ ‫)‪(e‬‬

‫فالشكؿ )‪ (a ٕ-6‬يبيف عدـ وجود نمط محدد وذلؾ يقترح باف البيانات ال تظير عدـ تجانس لتغيرات‬
‫األخطاء‪ .‬أما األشكاؿ المتبقية فتشير إلى وجود مشكمة عدـ التجانس وبأنماط مختمفة‪:‬‬

‫‪186‬‬
 ‫الشكؿ )‪ (b‬يبيف إف تبايف األخطاء متزايد مع قيـ ‪ Y‬المقدرة والشكؿ )‪ (c‬يبدي نمطاً خطياً يبف مربع‬
‫األخطاء وقيـ ‪ Y‬المقدرة‪ .‬والشكؿ ‪ d ,e‬تؤكد وجود عبلقة تربيعية بيف تبايف األخطاء وبيف قيـ ‪Y‬‬
‫المقدرة‪.‬‬
‫وجدير بالذكر إف استخداـ تحميؿ البواقي يساعد في تحديد نمط عدـ التجانس وبذلؾ تكويف الخطوة األولى‬
‫في حؿ مشكمة عدـ التجانس مف خبلؿ معرفة نمط عدـ التجانس لتحويؿ المشاىدات‪ .‬وتعد ىذه الطريقة‬
‫تأشيرية إذ إنيا تعتمد عمى الحكـ الشخصي وخاصة مع محدودية مشاىدات العينة‪ .‬ويجب اف تقرف مع‬
‫اختبارات إحصائية‪ .‬واالختبارات اإلحصائية متعددة منيا ما يعتمد عمى التوزيع الطبيعي وبعضيا عاـ‬
‫ومف أىـ االختبارات اإلحصائية ‪:‬‬

‫‪ -1‬اختبار بارك )‪:(Park-test)(1966‬‬

‫افترض بارؾ اف ) ‪ ( i‬دالة بداللة ‪ ، Xi‬فقد افترض ‪  i2   2 X i eui :‬وحيث اف‬
‫‪2‬‬

‫) ‪ ( i‬غير معروفة بشكؿ عاـ‪ ،‬لذا فقد اقترح بارؾ استخداـ بواقي عبلقة االنحدار ) ‪ (ei‬عوضا عنيا‪.‬‬
‫‪2‬‬

‫‪ln ei2  ln  2   ln X i  ui‬‬ ‫ويتـ تقدير ) ‪ ln(ei‬بداللة ‪: ln X i‬‬

‫‪2‬‬

‫ويتـ اختبار معنوية معممة االنحدار‪ ،‬فإذا أثبتت معنويتيا فذلؾ دليؿ عمى وجود مشكمة عدـ التجانس‪.‬‬

‫‪ -2‬اختبار كميزر)‪" Glejser "(1969‬‬

‫اعتمد كميزر عمى المبدأ نفسو الذي اعتمده بارؾ‪ .‬بعد الحصوؿ عمى الخطأ )‪ (ei‬يتـ تقدير‬
‫القيمة المطمقة لمبواقي كتراكيب خطية بداللة ‪ X‬ثـ تختبر معنوية معممة االنحدار باستخداـ ‪ . t‬فمعنوية‬
‫معممة االنحدار تشير الى وجود مشكمة عدـ التجانس وأىـ الصيغ التي اعتمدىا ىي‪:‬‬
‫‪( a ) ei  1  1 X i  vi‬‬

‫‪(b) ei   2   2‬‬ ‫‪X i  v2‬‬

‫‪c ‬‬ ‫‪1‬‬

‫‪ei   3   3‬‬ ‫‪ v3‬‬
‫‪X‬‬
‫‪1‬‬
‫‪( d ) ei   4   4‬‬ ‫‪ v4‬‬
‫‪X‬‬
‫‪(e) ei   5   5 X 2  v5‬‬
‫‪f ‬‬ ‫‪ei ‬‬ ‫‪ 1   2 X  v6‬‬
‫‪( g ) ei ‬‬ ‫‪ 1   2 X 2  v7‬‬

‫‪187‬‬
 ‫مع مبلحظة إف العبلقة )‪ (g),(f‬غير خطية بداللة المعممات‪ ،‬لذا ال يمكف تقديرىا بطريقة المربعات‬
‫الصغرى االعتيادية‪.‬‬
‫ويمكف اعتماد طريقة اختبار كميزر لمعرفة نمط عدـ التجانس لممساعدة في تحويؿ المشاىدات‪.‬‬

‫مثاؿ )‪ :(3-6‬مف عبلقة انحدار اإلنفاؽ االستيبلكي ‪ Y‬واإلنتاجية ‪ X‬توفرت لوحة البيانات التالية‪:‬‬

‫‪ei  407.27  0.02 X i‬‬ ‫‪r 2  0.0127‬‬

‫)‪s.e.: (633.2) (0.0675‬‬
‫‪ln(ei )  35.8  2.8 ln X i‬‬
‫‪2‬‬

‫)‪t : (0.934) (0.667‬‬

‫اختبر مشكمة عدـ التجانس عمى وفؽ اختبار كميزر وكذلؾ اختبار بارؾ‪.‬‬
‫الحؿ‪:‬‬
‫عمى وفؽ اختبار كميزر‪ :‬نحسب قيـ ‪ t‬الحسابية لمعممة االنحدار في العبلقة األولى‪:‬‬
‫‪ 0.02‬‬
‫‪t ˆ ‬‬ ‫‪ 0.296‬‬
‫‪1‬‬
‫‪0.0675‬‬
‫اذف معممة االنحدار غير معنوية‪.‬‬
‫وذلؾ يعكس اف النموذج ال يعاني مف مشكمة عدـ التجانس‪ ،‬وكذلؾ عمى وفؽ طريقة بارؾ ‪ ،‬حيث اف‬
‫قيمة ‪ t‬الحسابية لمعممة االنحدار في العبلقة الثانية )‪ (-0.667‬وىي اقؿ مف قيمة ‪ t‬الجدولية بدرجات‬
‫حرية )‪ (n-2‬ومستوى داللة ٕ٘ٓ‪ ،ٓ.‬وعميو يمكف االطمئناف باف النموذج المستخدـ ال يعاني مف‬
‫مشكمة عدـ التجانس‪.‬‬

‫‪-3‬اختبار سبيرمان الرتباط الرتب ‪Spearman's Rank correlation test‬‬

‫يعتمد ىذا االختبار عمى حساب عبلقة االرتباط بيف بواقي االنحدار وبيف قيمة المتغير‬
‫التوضيحي في االنحدار البسيط أو احد المتغيرات التوضيحية أو قيمة ‪ Yˆi‬في االنحدار المتعدد‪.‬‬
‫عمى وفؽ القانوف‪:‬‬
‫‪  di 2 ‬‬
‫‪reX‬‬ ‫‪ 1  6‬‬ ‫‪‬‬ ‫‪‬‬ ‫)‪(6  6‬‬
‫‪ n(n  1) ‬‬
‫‪2‬‬

‫حيث إف‪:‬‬
‫‪ di‬فرؽ الرتب ‪ n ،‬حجـ العينة )‪( n > 8‬‬
‫ونمخص خطوات االختبار‪:‬‬

‫‪188‬‬
 ‫‪ -‬انحدار ‪ Y‬عمى‪ X‬وتستخرج البواقي ) ‪. (ei‬‬
‫او) ˆ‪ (Yˆ ) (Y‬‬ ‫تحسب رتبة القيمة المطمقة لمبواقي ‪  ei ‬وكذلؾ رتبة ) ‪ ( X ) ( X i‬‬ ‫‪-‬‬
‫في حالة االنحدار المتعدد ثـ يطبؽ القانوف )‪.(ٙ-6‬‬
‫‪H0 :   0‬‬ ‫‪vs‬‬ ‫‪H1 :   0‬‬ ‫‪ -‬نختبر الفرضية ‪:‬‬
‫باستخداـ اختبار ‪ t‬يمكف معرفة معنوية ‪ rex ) rex‬يشير الى معامؿ االرتباط البسيط بيف البواقي‬
‫) ‪ (e‬ومشاىدات المتغير ‪:( X‬‬
‫‪n2‬‬
‫‪t   reX‬‬ ‫~‬ ‫‪t‬‬ ‫‪‬‬
‫‪1  reX‬‬
‫‪2‬‬ ‫‪c ( n  2,‬‬
‫‪2‬‬
‫)‬

‫معنوية ‪ r‬تدؿ عمى وجود مشكمة عدـ تجانس تبايف الخطأ وبعبارة أخرى‪:‬‬
‫اذا ‪  t  t c‬وجود مشكمة عدـ التجانس‪.‬‬
‫*‬

‫مالحظة‪ :‬في حالة وجود قيـ مكررة فاف حساب الرتب يتـ بجمع الرتب لمقيـ المتكررة ثـ قسمتيا عمى عدد‬
‫التك اررات وتحدد الرتبة نفسيا لكؿ قيمة مف القيـ المكررة‪.‬‬

‫مثاؿ)‪:(4-6‬الجدوؿ في أدناه يوضح حساب معامؿ ارتباط الرتب لسبيرماف لعشر مشاىدات لقيـ ‪ Y‬و ‪.X‬‬

‫‪Y 12.4 14.4 14.6 16.0 11.3 10.0 16.2 10.4 13.1‬‬ ‫‪11.3‬‬
‫‪X 12.1 21.4 18.7 21.7 12.5 10.4 20.8 10.2 16.0‬‬ ‫‪12.0‬‬

‫‪e‬‬ ‫‪1.03 1.24 0.20 0.22 0.26 0.59 0.83 0.10 0.06 `0.03‬‬

‫‪e‬‬ ‫‪9‬‬ ‫‪10‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪7‬‬ ‫‪8‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪1‬‬

‫) ‪ (X‬‬ ‫‪4‬‬ ‫‪9‬‬ ‫‪7‬‬ ‫‪10‬‬ ‫‪5‬‬ ‫‪2‬‬ ‫‪8‬‬ ‫‪1‬‬ ‫‪6‬‬ ‫‪3‬‬

‫‪d‬‬ ‫‪5‬‬ ‫‪1‬‬ ‫‪-3‬‬ ‫‪-5‬‬ ‫‪1‬‬ ‫‪5‬‬ ‫‪0‬‬ ‫‪2‬‬ ‫‪-4‬‬ ‫‪-2‬‬
‫‪d2‬‬ ‫‪25‬‬ ‫‪1‬‬ ‫‪9‬‬ ‫‪25‬‬ ‫‪1‬‬ ‫‪25‬‬ ‫‪0‬‬ ‫‪4‬‬ ‫‪16‬‬ ‫‪4‬‬

‫‪d‬‬
‫‪i‬‬
‫‪2‬‬
‫‪ 110‬‬

‫‪189‬‬
 ‫‪110‬‬
‫‪reX  1  6‬‬ ‫‪ 0.333‬‬
‫)‪10(100  1‬‬
‫‪0.333 8‬‬
‫‪t ‬‬ ‫‪ 0.9998‬‬ ‫‪, tc (8, 0.225)  2.447‬‬
‫‪1  0.111‬‬
‫فيكوف القرار‪ :‬ال توجد مشكمة عدـ تجانس التبايف‪.‬‬

‫‪-4‬أ ختبار جولدفيمد ‪ -‬كواندت ‪test Goldfeld - Quandt‬‬

‫بافتراض اف تبايف المتغير العشوائي ) ‪ ( i‬مرتبط طردياً مع أحد المتغيرات التوضيحية‬
‫‪2‬‬

‫‪i2   2 Xi2‬‬ ‫ثابت ‪،‬‬ ‫‪2‬‬ ‫أي مثبلً ‪:‬‬

‫خطوات االختبار‪:‬‬
‫‪ -‬ترتب المشاىدات عمى وفؽ اقؿ قيمة لػ ‪.X‬‬
‫‪nc‬‬
‫( لكؿ منيا‪.‬‬ ‫‪ -‬تحذؼ )‪ (c‬مف المشاىدات الوسطية وتقسـ المشاىدات إلى جزأيف‪) ،‬‬
‫‪2‬‬
‫مف أجؿ تكثيؼ الفرؽ بيف المجموعتيف‪،‬‬

‫‪c 4 if n  30‬‬
‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫ويتـ اختيار ‪ c‬عمى وفؽ االتي ‪ :‬‬
‫‪‬‬
‫‪‬‬‫‪c‬‬ ‫‪‬‬‫‪8‬‬ ‫‪if‬‬ ‫‪n‬‬ ‫‪‬‬ ‫‪60‬‬ ‫‪‬‬
‫‪‬‬
‫‪ -‬يتـ اجراء االنحدار لكؿ جزء مف المشاىدات ‪،‬باستخداـ ‪ ، OLS‬ويحسب مجموع مربعات الخطأ‬
‫لكؿ جزء منيا‪.‬‬
‫ٔ‪ :RSS‬ىي مجموع مربعات االخطاء لممجموعة ذات التبايف االصغر‪.‬‬
‫‪ :RSS2‬ىي مجموع مربعات االخطاء لممجموعة ذات التبايف االكبر‪.‬‬
‫وبدرجات حرية متماثمة لكؿ جزء وىي‪:‬‬
‫‪ n  c  n  c  2k‬‬
‫‪‬‬ ‫‪k ‬‬
‫‪‬‬ ‫‪2‬‬ ‫‪‬‬ ‫‪2‬‬
‫‪ :k‬عدد المعممات بضمنيا المقطع الصادي‪.‬‬
‫‪ -‬تحسب النسبة ‪ λ‬كاالتي‪:‬‬
‫‪RSS 2 / d . f‬‬
‫‪‬‬ ‫‪~ Fc  nc2 k , nc2 k , 1 ‬‬
‫‪RSS1 / d . f‬‬ ‫‪‬‬ ‫‪2‬‬ ‫‪2‬‬ ‫‪‬‬

‫ويكوف القرار باف عدـ التجانس موجود فيما اذا كاف ‪  Fc‬‬
‫مبلحظة‪ :‬مدى نجاح االختبار يعتمد عمى اختيار)‪ (c‬وكذلؾ المتغير التوضيحي الذي يسبب المشكمة في‬
‫حاؿ وجود اكثر مف متغير توضيحي تكرر العممية لكؿ متغير‪.‬‬

‫‪191‬‬
 ‫مثاؿ)‪ :(5-6‬انحدار عمى أوؿ )ٖٔ( مشاىدة ‪:‬‬
‫‪Yˆi  3.4  0.69 X i‬‬ ‫‪,‬‬ ‫‪r 2  0.8887‬‬
‫‪s.e :‬‬ ‫‪(0.07) ,‬‬ ‫‪RSS1  377.17‬‬ ‫‪,‬‬ ‫‪d . f  11‬‬

‫انحدار عمى آخر)ٖٔ( مشاىدة ‪:‬‬

‫‪Yˆ  28.02  0.79 X i‬‬ ‫‪,‬‬ ‫‪r 2  0.768‬‬
‫‪s.e :‬‬ ‫)‪(0.13‬‬ ‫‪,‬‬ ‫‪RSS 2  1536.8‬‬ ‫‪,‬‬ ‫‪d . f  11‬‬

‫لعينة حجميا ‪ ، n = 30‬وعميو فاف عدد المشاىدات الوسطية المحذوفة )‪(c = 4‬‬
‫واف النسبة ‪ λ‬المحسوبة ىي‪:‬‬
‫‪1536.8‬‬
‫‪ ‬‬ ‫‪ 4.07‬‬ ‫‪,‬‬ ‫‪Fc (11,11,0.95)  2.82‬‬
‫‪377.17‬‬
‫وبذلؾ فاف القرار يؤكد وجود مشكمة عدـ تجانس تبايف البواقي ‪.‬‬

‫‪-5‬اختبار بورش‪-‬بيجين ‪-‬جود فري )‪)Brush- Pagan - Godfrey) (BPG test(1979‬‬

‫‪Y  0  1 X1   2 X 2  ...   m X m  u‬‬ ‫في النموذج الخطي المتعدد‬
‫) ‪ i 2  f ( 0  1 z  ...   k zk‬‬ ‫يفترض‪:‬‬

‫حيث اف ‪ z‬ىي بعض او كؿ المتغيرات التوضيحية‪.X‬‬

‫) ‪ i 2  ( 0  1 z  ...   k zk‬‬ ‫أي‪:‬‬
‫‪ 0   k  ...   2  1‬فاف ) ‪ ( i   0‬أي اف التبايف ثابت‪.‬‬ ‫اذا‬
‫‪2‬‬

‫‪‬‬ ‫‪ i 2  0‬‬ ‫‪cons tan t‬‬

‫خطوات االختبار‪:‬‬
‫‪,‬‬

‫‪.‬‬ ‫‪en ,, e1‬‬ ‫‪ X‬ليتـ الحصوؿ عمى األخطاء‬ ‫‪ -‬نجري انحدار ‪ Y‬عمى كؿ ‪S‬‬
‫‪ei2‬‬
‫‪ ˆ ‬والتي تمثؿ تقدير اإلمكاف األعظـ لتبايف الخطأ‪.‬‬ ‫‪ -‬يقدر‬
‫‪2‬‬
‫‪u‬‬
‫‪n‬‬
‫‪2‬‬
‫‪ei‬‬
‫‪ -‬نعرؼ‪ ، Pi  2 :‬أي قسمة ‪ e‬عمى ‪ˆ 2‬‬
‫‪2‬‬
‫نرمز لو ‪.Pi‬‬ ‫‪i‬‬
‫̂‪‬‬
‫‪,‬‬
‫‪:z‬‬ ‫‪s‬‬ ‫‪ -‬نقدر ‪ Pi‬عمى‪:‬‬
‫‪Pi   0  1 z1   2 z2  . . .   m zm  vi‬‬

‫‪191‬‬
 ‫يتـ الحصوؿ عمى ‪) ESS‬مجموع المربعات المشروحة( ومع افتراض تحقؽ التوزيع الطبيعي‬ ‫‪-‬‬
‫لممتغير ‪. u‬‬
‫‪1‬‬
‫‪BPG ‬‬ ‫‪ESS‬‬ ‫‪ -‬تعرؼ االحصاءة )‪ (BPG‬كآالتي‪:‬‬
‫‪2‬‬
‫‪asy‬‬
‫‪ -‬وتتوزع االحصاءة )‪ (BPG‬حسب توزيع مربع كآي ‪BPG ~  m21‬‬
‫‪ً ‬فشض ‪ H 0‬أي يكوف القرار بوجود مشكمة عدـ التجانس ‪.‬‬ ‫اذا ‪BPG   c2‬‬

‫مثاؿ)‪:(6-6‬يتـ استخداـ لوحة البيانات التالية لتوضيح فكرة اختبار بورش‪-‬جود فري‪-‬بيجيف ‪:‬‬
‫‪ -‬انحدار ‪ Y‬عمى ‪ X‬يوفر المعمومات التالية‪:‬‬
‫‪Yˆi  9.29  0.64 X i‬‬ ‫‪,‬‬ ‫‪i  1,...,30‬‬ ‫‪, RSS  2361.2‬‬
‫‪s.e‬‬ ‫)‪(0.028‬‬ ‫‪,‬‬ ‫‪R 2  0.9466‬‬

‫‪ -‬تحسب )‪ ( pi‬وعمى وفؽ اآلتي ‪:‬‬

‫‪RSS 2361.2‬‬
‫‪ˆ 2 ‬‬ ‫‪‬‬ ‫‪ 78.7‬‬
‫‪n‬‬ ‫‪30‬‬
‫‪ei2‬‬ ‫‪ei2‬‬
‫‪Pi  2 ‬‬
‫ˆ‪‬‬ ‫‪78.7‬‬ ‫نفترض ‪ Pi‬تركيب خطي بداللة ) ‪(zi =Xi‬‬ ‫‪-‬‬
‫‪ -‬ونجري انحدار ‪ Pi‬عمى ‪Xi‬فنحصؿ عمى المعمومات‪:‬‬
‫‪Pˆi  0.74  0.01X i‬‬
‫‪s.e -‬‬ ‫)‪(0.004‬‬

‫‪ESS  10.428 , R 2  0.18‬‬

‫نحسب قيمة األحصاءة ونقارنيا مع مربع كاي بمستوى داللة ‪ ٝ5‬وبدرجة حرية )ٔ(‪:‬‬ ‫‪-‬‬

‫‪asy‬‬
‫‪1‬‬
‫‪ BPG  ESS  5.214‬‬ ‫~‬ ‫‪12  3.841‬‬
‫‪2‬‬
‫‪ -‬وحيث أف ‪BPG   2 :‬‬
‫‪ -‬فيكوف القرار‪ :‬برفض ‪ H0‬أي توجد مشكمة عدـ التجانس‪.‬‬

‫مالحظة‪ :‬البد مف مبلحظة إف االختبار يتحقؽ بالنسبة لمعينات الكبيرة إذ يتطمب االختبار افتراض التوزيع‬
‫الطبيعي‪.‬‬

‫‪192‬‬
 ‫‪ -6‬اختبار وايت لعدم التجانس العام‪White test )1981( .‬‬
‫مما تقدـ يتضح اف اختبار كولد فيمد ‪ -‬كواندت يتطمب معرفة أي متغير توضيحي ىو الذي‬
‫يسبب المشكمة‪ .‬واختبار) ‪ (BPG‬يفترض التوزيع الطبيعي لممتغير العشوائي ‪ ،‬او بافتراض كبر العينة‪.‬‬
‫في حيف نجد اف اختبار ‪ white‬عاـ ‪ .‬وبافتراض النموذج‪:‬‬
‫‪Y   0  1 X 1   2 X 2  u‬‬
‫فاف خطوات االختبار‬
‫ٔ‪ -‬نقدر النموذج لمحصوؿ عمى البواقي‪.ei‬‬

‫عمى ‪ X 1 X 2 , X 2 , X 1 , X 2 , X 1‬والثابت‬
‫‪2‬‬ ‫‪2‬‬
‫ٕ‪ -‬نجري انحدار ‪(ei ) 2‬‬
‫‪ei2   0  1 X1   2 X 2  3 X1 X 2   4 X12  5 X 22  vi‬‬
‫ٖ‪ -‬نحسب قيمة ‪ R2‬مف معادلة االنحدار‪ ،‬ثـ ) ‪. (nR‬‬
‫‪2‬‬

‫‪asy‬‬

‫‪~‬‬ ‫ٗ‪ -‬نحسب االحصاءة ‪ ،‬وتتوزع االحصاءة حسب توزيع مربع كاي‪:‬‬
‫‪2‬‬ ‫‪2‬‬
‫‪nR‬‬ ‫‪5‬‬

‫~ ‪ ، nR‬حيث ‪ k‬تمثؿ عدد المتغيرات التوضيحية في النظاـ ‪.‬‬

‫‪2‬‬
‫وبشكؿ عاـ فاف )‪ k2( k 3‬‬
‫‪2‬‬

‫٘‪ -‬القرار‪ :‬اذا ‪  nR   c‬توجد مشكمة عدـ التجانس‬

‫‪2‬‬ ‫‪2‬‬

‫عمما اف الفرضية ىي‪:‬‬

‫‪H 0 : 1   2  ...   5  0‬‬ ‫التبايف متجانس‬
‫‪H1 : 1   2  ...   5  0‬‬ ‫التبايف غير متجانس‬

‫مثاؿ)‪ - :(7-6‬مف بواقي العبلقة‪:‬‬

‫‪Y  1   2 ln X 1   2 ln X 1   2 ln X 2  ui‬‬ ‫‪, n  41‬‬

‫‪ -‬تـ تقدير مربع البواقي عمى كؿ مف المتغيرات‪:‬‬
‫‪(ln X1 )((ln X 2 ) ,‬‬ ‫‪(ln X 2 ) 2 , (ln X1 ) 2 , ln X1 , ln X 2‬‬
‫‪ -‬فتـ الحصوؿ عمى النتائج‪:‬‬
‫‪eˆ  5.8  2.56 ln X 1  0.69 ln X 2‬‬
‫‪2‬‬
‫‪i‬‬ ‫‪,‬‬
‫‪ 0.4 (ln X 1 ) 2  0.04 (ln X 2 ) 2‬‬
‫) ‪ 0.001 (ln X1 )(ln X 2‬‬ ‫;‬ ‫‪R 2  0.1148‬‬
‫‪ -‬وبذلؾ فاف االحصاءة ‪: white‬‬
‫‪ nR  (41)(0.1148)  4.7068‬‬
‫‪2‬‬

‫‪ 52  11.0705‬‬ ‫وبمقارنتيا مع مربع كاي الجدولية بمستوى داللة ٘‪ %‬و‪ 5‬درجات حرية‬

‫‪193‬‬
 ‫فيكوف القرار بموجب اختبار ‪ White‬ال توجد مشكمة عدـ التجانس‪.‬‬

‫مثاؿ )‪ (8-6‬استخدـ بيانات المثاؿ )‪ (4-3‬نفسيا الختبار مشكمة عدـ التجانس باعتماد اختبار ‪white‬‬
‫وذلؾ باالعتماد عمى برنامج ‪.SPSS‬‬

‫‪ei  Yi  Yˆi‬‬ ‫منيا تحسب ‪ ei‬حيث اف‬ ‫الحؿ‪ :‬بعد حساب القيمة المقدرة لػ ˆ‪Y‬‬
‫‪ -‬يحسب ‪ ei2‬و ‪X 2‬‬
‫بداللة المقطع الصادي و ‪ X‬و ‪. X2‬‬ ‫‪ -‬ثـ تقدر ‪ei2‬‬
‫وايت‪(W )  nR :‬‬
‫‪2‬‬
‫وتحسب االحصاءة‬ ‫‪ei2   0  1 X   2 X 2  u‬‬ ‫أي‪:‬‬
‫ونتائج ‪ SPSS‬تعرض في الجدوؿ )‪(5-6‬‬
‫جدوؿ )‪(5-6‬‬
‫نتائج التحميؿ الخاصة بالمعممات المقدرة‬

‫‪Model‬‬ ‫‪Unstandardized‬‬ ‫‪Standardized‬‬

‫‪Coefficients‬‬ ‫‪Coefficients‬‬ ‫‪t‬‬ ‫‪Sig.‬‬
‫‪β‬‬ ‫‪Std. Error‬‬ ‫‪Beta‬‬
‫)‪(Constant‬‬ ‫‪-13.848‬‬ ‫‪18.803‬‬ ‫‪-.737‬‬ ‫‪.476‬‬
‫‪X‬‬ ‫‪5.187‬‬ ‫‪5.052‬‬ ‫‪2.243‬‬ ‫‪1.027‬‬ ‫‪.325‬‬
‫‪X2‬‬ ‫‪-.287‬‬ ‫‪.302‬‬ ‫‪-2.081‬‬ ‫‪-.953‬‬ ‫‪.359‬‬

‫المصدر‪ :‬نتائج برنامج ‪ SPSS‬باالعتماد عمى بيانات العينة‪.‬‬

‫معادلة التقدير‪:‬‬
‫‪ei2‬‬ ‫‪ ˆ0  ˆ1 X  ˆ2 X 2‬‬
‫‪  13.848  5.187 X 2  0.287 X 2‬‬

‫غير اف الذي ييمنا لحساب اختبار وايت ىو معامؿ التحديد لمنموذج المذكور آنفاً والذي يمكف استخراجو‬
‫مف الجدوؿ )‪(6-6‬‬

‫‪194‬‬
 ‫جدوؿ )‪(6-6‬‬
‫ممخص النموذج‬

‫‪R‬‬ ‫‪R Square‬‬ ‫‪Std. Error of the‬‬ ‫‪Durbin-Watson‬‬

‫‪2‬‬
‫) ‪Adjusted R ( R‬‬
‫)‪(R2‬‬ ‫‪Square‬‬ ‫‪Estimate‬‬

‫‪.316‬‬ ‫‪.100‬‬ ‫‪-.050‬‬ ‫‪-.050‬‬ ‫‪1.885‬‬

‫المصدر‪ :‬نتائج برنامج ‪ SPSS‬باالعتماد عمى بيانات العينة‪.‬‬

‫وحيث اف حجـ العينة ‪n = 15W = n R2‬‬

‫‪= (15) (0.100) = 1.5‬‬
‫وتقارف قيمة االحصاءة مع قيـ مربع كاي وبدرجات حرية ‪ 2‬ومستوى معنوية ‪ 5%‬وىو‪:‬‬
‫‪ c2( 2,0.05)  5.99‬‬
‫نبلحظ اف قيمة ‪ W‬الحسابية اقؿ مف ‪ χ2‬الجدولية لذا نقبؿ فرضية العدـ وىذا يعني انو التوجد مشكمة‬
‫عدـ التجانس في تبايف بواقي النموذج‪.‬‬

‫(‪ )5-3-6‬طرائق عالج مشكمة عدم التجانس‪Remedial measures.‬‬

‫بػػالرغـ مػػف اف مشػػكمة عػػدـ التجػػانس ال تمغػػي خاصػػية عػػدـ التحيػػز واالتسػػاؽ لممعممػػات المقػػدرة‬
‫غير انيا )المعممات المقدرة( تصبح غير كفوءة‪ ،‬واف تبايف المعممات المقدرة يكوف متحي از وبػدوره يػؤثر فػي‬
‫قػػيـ ‪ t‬ليػػذه المعممػػات المقػػدرة وتصػػبح محػػؿ شػػؾ‪ .‬لػػذا البػػد مػػف أيجػػاد طريقػػة لممعالجػػة‪ .‬ومحػػور طػػرؽ‬
‫المعالجػػة ىػػي تحويػػؿ جميػػع مشػػاىدات المتغي ػرات المسػػتخدمة )بضػػمنيا المقطػػع الصػػادي( بالشػػكؿ الػػذي‬
‫يضػمف تخمػيص المتغيػر العشػوائي مػف مشػكمة عػػدـ التجػانس‪ ،‬ثػـ يقػدر النمػػوذج المحػوؿ بطريقػة المربعػػات‬
‫الصغرى االعتيادية وتسمى ىذه الطريقة طريقة المربعات الصغرى الموزونة )المرجحة(‪.‬‬
‫سيتـ توضيح الفكرة بالنسبة لمنموذج البسيط‪:‬‬
‫‪Yi  0  1 X i  ui‬‬ ‫‪,‬‬ ‫‪var(ui )   i2‬‬
‫أوالً‪ :‬عندما ‪  i‬تكوف معمومة فاف التحويؿ يتـ بقسمة مشاىدات كؿ متغير عمى االنحراؼ المعياري‬
‫‪2‬‬

‫‪Yi‬‬ ‫‪1‬‬ ‫‪Xi‬‬ ‫‪ui‬‬ ‫لمخطأ ) ‪ ، ( i‬وبذلؾ فاف النموذج المحوؿ‪:‬‬

‫‪ 0‬‬ ‫‪ 1‬‬ ‫‪‬‬
‫‪i‬‬ ‫‪i‬‬ ‫‪i‬‬ ‫‪i‬‬
‫‪1‬‬ ‫‪Yi‬‬ ‫‪Xi‬‬ ‫‪ui‬‬
‫‪ zi ,‬‬ ‫‪ Yi  ,‬‬ ‫‪ X i ,‬‬ ‫‪ ui‬‬ ‫وبافتراض اف‬
‫‪i‬‬ ‫‪i‬‬ ‫‪i‬‬ ‫‪i‬‬
‫‪Yi   1 zi   2 X i  ui‬‬ ‫فالنموذج المحوؿ ‪:‬‬

‫‪195‬‬
 ‫‪ ui  1‬‬ ‫‪ i2‬‬
‫‪var(u )  var   2 var(ui )  2  1‬‬
‫‪‬‬

‫‪i  i‬‬ ‫‪i‬‬

‫‪i‬‬

‫أي اف تبايف المتغير العشوائي في النموذج المحوؿ يكوف متجانساً‪ .‬لذا يتـ تقدير معممات النموذج المحوؿ‬
‫بواسطة طريقة المربعات الصغرى االعتيادية لمحصوؿ عمى ‪ ˆ 2 , ˆ1‬والتي تكوف ‪. BLUE‬ثـ ربطيا‬
‫*‬ ‫*‬

‫و ‪. 1‬‬ ‫بقيـ ‪ 0‬‬

‫ثانيا‪ :‬عندما تكوف ‪  i‬غير معروفة فيمكف إتباع الخطوات التالية لتقديرىا‪:.‬‬
‫‪2‬‬

‫ٔ‪ -‬طريقة ‪ White‬لمعينات الكبيرة‪ .‬وتذكر في العديد مف البرامجيات الجاىزة وتتمخص كآالتي‪:‬‬
‫اقترح ‪ White‬تقدير لػ ‪  i2‬باستخداـ مربع البواقي المقدرة ) ‪(eˆi2‬‬
‫‪,‬‬
‫حيث اف‪ ei :‬ىي بواقي عبلقة انحدار ‪ Y‬عمى جميع المتغيرات التوضيحية) ‪ ( X S‬أما‬
‫معممات االنحدار فتحسب تبايناتيا في حالة االنحدار البسيط عمى وفؽ‪:‬‬

‫‪var ˆ  ‬‬

‫‪x e‬‬ ‫‪2 2‬‬
‫‪i i‬‬
‫‪1‬‬
‫‪ x ‬‬ ‫‪2 2‬‬
‫‪i‬‬

‫اما في حالة وجود ‪ k‬مف المتغي ارت التوضيحية فاف‬

‫‪var( ˆ j ) ‬‬
‫‪ wˆ e‬‬ ‫‪2 2‬‬
‫‪j i‬‬

‫‪ wˆ ‬‬‫‪j‬‬
‫‪2 2‬‬

‫) ‪ (ei‬ىي بواقي انحدار ‪ Y‬عمى جميع المتغيرات التوضيحية ) ‪(X1 , . . . , Xk‬‬

‫‪2‬‬

‫‪ ŵ j‬ىي بواقي انحدار ‪ Xj‬عمى باقي المتغيرات التوضيحية‪.‬‬

‫‪X j   0  1 X1   2 X 2  ...   j 1 X j 1   j 1 X j 1  ...   k X k  w‬‬
‫ٔ‪ .‬يتـ تقدير النموذج لمحصوؿ عمى البواقي ) ‪ (ei‬ثـ نقدر مربع البواقي ) ‪ (ei‬كتركيب لمتعدد‬
‫‪2‬‬

‫حدود مف الدرجة ‪ k‬ونستخرج بواقي العبلقة ) ‪. (vˆi‬‬

‫‪ei2  a0  a1 X  a2 X 2  ...ak X k  vi‬‬

‫ويتـ استخداـ ‪  i‬كتقدير ‪ ،  i‬حيث اف‬
‫‪2‬‬ ‫‪2‬‬

‫ˆ‬ ‫‪ei2‬‬
‫‪i  2‬‬
‫‪2‬‬

‫‪vˆi‬‬
‫ٕ‪ -‬معرفة نمط عدـ التجانس مف خبلؿ اختبار ‪ Park‬او ‪ Glejser‬او مف خبلؿ تحميؿ البواقي‬
‫وكما في الشكؿ )‪.(2-6‬‬

‫‪196‬‬
 ‫ٖ‪ -‬في حالة مشاىدات ‪ Yi‬ىي عبارة عف متوسطات فاف ‪  i‬تمثؿ تبايف الوسط الحسابي‬
‫‪2‬‬

‫‪ˆ 2‬‬
‫‪. i ‬‬
‫‪2‬‬

‫‪np‬‬
‫أي اف‬
‫‪1‬‬ ‫‪‬‬
‫‪‬‬ ‫‪0‬‬ ‫‪‬‬ ‫‪0 ‬‬
‫‪ n1‬‬ ‫‪‬‬
‫‪‬‬ ‫‪1‬‬ ‫‪‬‬
‫‪0‬‬ ‫‪‬‬ ‫‪0 ‬‬
‫‪‬‬ ‫‪n2‬‬
‫‪‬‬ ‫‪‬‬
‫‪ ‬‬ ‫‪‬‬
‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬
‫‪1 ‬‬
‫‪‬‬ ‫‪n p ‬‬
‫‪‬‬
‫حيث اف ‪ :p‬تمثؿ عدد المجموعات‪.‬‬
‫و ‪ :np‬عدد مشاىدات المجموعة ‪p‬‬
‫وبعد تقدير قيمة ‪  i‬يتـ تحويؿ المشاىدات كما في )أوالً( واألمثمة توضح ذلؾ ‪.‬‬
‫‪2‬‬

‫‪ E ui    X i‬باالعتماد عمى رسـ مربع البواقي ضد‬ ‫مثاؿ )‪ :(9-6‬عند معرفة نمط التجانس‬
‫‪2‬‬ ‫‪2‬‬ ‫‪2‬‬

‫‪ X‬يتضح مف الشكؿ المجاور اف )التبايف يتناسب مع مربع ‪( X‬‬

‫‪ i2‬‬

‫‪0‬‬ ‫‪X‬‬

‫لذا فاف التحويؿ المناسب يكوف بقسمة الطرفيف عمى قيـ ‪ Xi‬كاآلتي ‪:‬‬
‫‪Yi‬‬ ‫‪‬‬ ‫‪u‬‬
‫‪ 0  1  i‬‬
‫‪Xi‬‬ ‫‪Xi‬‬ ‫‪Xi‬‬
‫‪Y    0 X   1  u ‬‬
‫اذ يكوف ‪ (u )  ‬متجانساً وبذلؾ تكوف المعادالت الطبيعية‪:‬‬
‫*‬ ‫‪2‬‬

‫* ‪Y *  nˆ1  ˆ0 X‬‬

‫* ‪X *Y *  ˆ1X *  ˆ0 X‬‬
‫‪2‬‬

‫‪Y‬‬ ‫‪1‬‬
‫‪ i  nˆ1  ˆ0 ‬‬ ‫أي أف المعادالت الطبيعية‪:‬‬
‫‪Xi‬‬ ‫‪Xi‬‬

‫‪197‬‬
 ‫‪Yi 1‬‬ ‫‪1‬‬ ‫‪1‬‬
‫‪‬‬ ‫‪‬‬ ‫‪ ˆ1‬‬ ‫‪ ˆ0 2‬‬
‫‪Xi Xi‬‬ ‫‪Xi‬‬ ‫‪Xi‬‬
‫وبحؿ المعادالت نحصؿ عمى المعممات المقدرة لمنموذج األصمي ‪. ˆ1 , ˆ0‬‬

‫مثاؿ )‪ :(10-6‬نفترض )التبايف يتناسب مع ‪ (X‬كما يوضحو رسـ تحميؿ البواقي المجاور‪:‬‬

‫‪ i2‬‬

‫‪0‬‬ ‫‪X‬‬

‫وبذلؾ ‪(ui2 )   2 X i :‬‬

‫فاف التحويؿ المناسب يكوف بقسمة الطرفيف عمى ) ‪: ( X i‬‬
‫‪Yi‬‬ ‫‪‬‬ ‫‪u‬‬
‫‪ 0  1 X i  i‬‬
‫‪Xi‬‬ ‫‪Xi‬‬ ‫‪Xi‬‬
‫‪ui‬‬ ‫‪1‬‬ ‫‪Y‬‬ ‫حيث‪:‬‬
‫‪ui* ‬‬ ‫‪، X 2*i  X i ، X 1*i ‬‬ ‫‪، Yi*  i‬‬
‫‪Xi‬‬ ‫‪Xi‬‬ ‫‪Xi‬‬
‫اي‪:‬‬
‫‪Yi  0 X  1 X  u‬‬
‫*‬ ‫*‬
‫‪1i‬‬
‫*‬
‫‪2i‬‬
‫*‬
‫‪i‬‬

‫) *‪e*  (Y *  ˆ0 X1*  ˆ1 X 2‬‬ ‫اي اف عبلقة االنحدار بدوف مقطع صادي وبذلؾ‬

‫‪Q  e*  (Y *  ˆ0 X1*  ˆ1 X 2* ) 2‬‬

‫‪2‬‬

‫‪Q‬‬
‫‪ 2(Y *  ˆ0 X 1*  ˆ1 X 2* )  ( X 1* )  2( X 1*Y *  ˆ0 X 1*  ˆ1 X 1* X 2* )  0‬‬
‫‪2‬‬

‫‪ 0‬‬
‫‪Q‬‬
‫‪ 2(Y *  ˆ0 X 1*  ˆ1 X 2* )  ( X 2* )  2( X 2*Y *  ˆ0 X 1* X 2*  ˆ1 X 2* )  0‬‬
‫‪2‬‬

‫‪1‬‬
‫اذف المعادالت الطبيعية‪:‬‬

‫‪X 1*Y *  ˆ0X 1*  ˆ1X 1* X 2* ‬‬

‫‪2‬‬
‫‪‬‬
‫‪2 ‬‬
‫‪...‬‬ ‫)‪(7 - 6‬‬
‫‪X 2*Y *  ˆ0X 1* X 2*  ˆ1X 2* ‬‬‫‪‬‬
‫لجميع قيـ ‪ i‬و ‪i , j =1, . . . , n ، j‬‬
‫وبصيغة المصفوفات‪:‬‬

‫‪198‬‬
 ‫‪X *2 X * X * ‬‬ ‫‪ ˆ0 ‬‬
‫‪X Y   1‬‬
‫*‬ ‫*‬
‫‪1‬‬ ‫‪2‬‬
‫‪‬‬
‫‪‬‬ ‫‪ ‬‬
‫‪1‬‬
‫* * ‪ * * ‬‬ ‫‪* ‬‬
‫‪2‬‬

‫‪X 2Y  X 1 X 2 X 2‬‬ ‫‪ ˆ1 ‬‬

‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪‬‬
‫̂‪X * Y *  ( X * X * ) 1 ‬‬

‫مثاؿ)‪ :(11- 6‬بافتراض‪(ui2 )   2(Yi ) 2 :‬‬

‫اي تبايف المتغير العشوائي يتناسب مع مربع )توقع ‪(Y‬‬
‫حيث اف توقع ‪ Y‬ىو‪E (Y )  ˆ0  ˆ1 X :‬‬
‫‪Yi‬‬ ‫‪1‬‬ ‫‪X‬‬ ‫‪ui‬‬ ‫اذف النموذج المحوؿ‪:‬‬
‫‪ 0‬‬ ‫‪ 1‬‬ ‫‪‬‬
‫) ‪E (Yi‬‬ ‫) ‪E (Yi‬‬ ‫) ‪E (Yi ) E (Yi‬‬
‫‪E (Yi )  Yˆi‬‬ ‫وحيث اف ‪:‬‬
‫اذف النموذج المحوؿ‪:‬‬
‫‪Yi‬‬ ‫‪1‬‬ ‫‪X u‬‬
‫‪  0  1 i  i‬‬
‫‪Yˆi‬‬ ‫‪Yˆi‬‬ ‫‪Yˆi Yˆi‬‬ ‫‪2‬‬
‫‪ ui ‬‬
‫‪ E ‬يكوف متجانساً‪ ،‬لذا فالتحويؿ عمؿ عمى تخميص النموذج مف مشكمة‬ ‫حيث اف ‪2‬‬
‫‪ E (Y )   ‬‬
‫‪‬‬ ‫‪i ‬‬ ‫عدـ التجانس‪.‬‬
‫*‪Yi*  0 X 1*  1 X 2*  ui‬‬
‫حيث اف‪:‬‬
‫‪Yi‬‬ ‫‪1‬‬ ‫‪Xi‬‬ ‫‪ui‬‬
‫‪Yi* ‬‬ ‫‪،‬‬ ‫‪X 1* ‬‬ ‫‪،‬‬ ‫‪X 2* ‬‬ ‫‪،‬‬ ‫‪u* ‬‬
‫‪Yˆi‬‬ ‫‪Yˆi‬‬ ‫‪Yˆi‬‬ ‫‪Yˆi‬‬
‫فيتضح نموذج االنحدار بداللة متغيريف ‪ X 1‬و ‪ X 2‬وبدوف مقطع صادي وبذلؾ فاف المعادالت الطبيعية‬
‫*‬ ‫*‬

‫كما في )‪.(7-6‬‬
‫ويبلحظ اف التحويؿ يعمؿ عمى تغيرات تؤثر في تفسير المعممات ففي المثاؿ )‪ (9-6‬يكوف المقطع‬
‫الصادي لمنموذج المحوؿ ىو ٔ‪ β‬في حيف معممة االنحدار ىي ٓ‪. β‬‬
‫وكذلؾ في المثاليف )‪ (10-6‬و )‪ (11-6‬فاف معممة االنحدار لممتغير التوضيحي األوؿ ىي ٓ‪ β‬في حيف‬
‫معممة االنحدار لممتغير التوضيحي الثاني ىي ٔ‪. β‬‬
‫لذا بعد التقدير لمنموذج المحوؿ يعاد تعويض قيـ المتغيرات كؿ حسب االفتراض المسبؽ ليا‪.‬‬
‫‪ -‬كما إف ىناؾ طرائؽ عبلج أخرى تؤكد محاولة ترميـ الخمؿ الذي أدى إلى ظيور مشكمة عدـ‬
‫التجانس وذلؾ مف خبلؿ إتباع اآلتي‪:‬‬

‫‪199‬‬
‫أ‪ -‬في حالة كوف مشكمة عدـ التجانس سببيا حذؼ متغيرات ميمة مف النموذج فتتـ المبادرة إلضافة‬
‫متغيرات جديدة لمنموذج‪.‬‬
‫ب ‪ -‬اذا كانت الصيغة الخطية ىي المستخدمة فيتـ استخداـ الصيغة الموغاريتمية المزدوجة ثـ‬
‫نختبر البواقي الناتجة فيما إذا كانت خالية مف عدـ التجانس‪ .‬أو تحويؿ بعض المتغيرات في‬
‫النموذج إلى صيغ أخرى‪ .‬غير إف التحويؿ الموغاريتمي ال يمكف تطبيقو إذا كانت احد قيـ‬
‫المتغيرات ‪ Y‬أو ‪ X‬تساوي صف ار أو قيمة سالبة‪.‬‬
‫ىذا فضبل عف إف طريقة تحويؿ المشاىدات لتخميص النموذج مف مشكمة عدـ التجانس ال تخمو مف‬
‫مشكبلت ومنيا حدوث مشكمة االرتباط الزائؼ‬

‫‪Y   0  1 X  u‬‬ ‫فمثبل عند تحويؿ النموذج ‪:‬‬

‫كاآلتي‪:‬‬
‫‪Y‬‬ ‫‪1‬‬
‫‪  0  1  v‬‬
‫‪X‬‬ ‫‪X‬‬
‫‪1‬‬ ‫‪Y‬‬
‫مرتبطة بػ‬ ‫فقد تكوف ‪ Y‬غير مرتبطة بػ ‪ X‬ولكف‬
‫‪X‬‬ ‫‪X‬‬

‫ج‪ -‬طريقة المربعات الصغرى المعممة )‪ (GLS‬وسيتـ عرضيا بشيء مف التفصيؿ في المبحث)‪.(5-6‬‬

‫)‪(4-6‬االرتباط الذاتي )‪(Autocorrelation‬‬

‫مف الضروري توضيح بعض المفاىيـ في ىذا الصدد‪.‬‬
‫"‪ "Autocorrelation‬و ‪. Serial Correlation‬‬ ‫لقد ميز )‪ ، Titner (1965‬بيف مصطمحيف ىما‪:‬‬
‫فاالرتباط الذاتي )‪ (Autocorrelation‬ىو ارتباط متباطئ لسمسمة معينة مع ذاتيا وذلؾ مف خبلؿ‬
‫تباطئيا بعدد مف االبطاءات الزمنية‪ .‬في حيف االرتباط المتسمسؿ ىو ارتباط متباطئ بيف سمسمتيف‬
‫مختمفتيف‪ ،‬ولتوضيح ذلؾ نفترض سمسمتاف زمنيتيف مختمفتيف بعشرة مشاىدات ىما ‪ u‬و ‪v‬‬
‫‪vt   v1 , v2 , . . . , v10‬‬ ‫‪,‬‬ ‫‪t  1,2, . . . , 10‬‬
‫‪ut   u1 , u2 , . . . , u10‬‬ ‫‪,‬‬ ‫‪t  1,2, . . . , 10‬‬

‫وبتباطؤ كؿ منيما بفترة إبطاء واحدة تتولد السمسمتيف ‪ut-1‬و ‪: vt-1‬‬

‫‪ut 1   u2 , u3 , . . . , u11‬‬
‫‪vt 1   v2 , v3 , . . . , v11‬‬
‫فاف ارتباط السمسة‪ ut‬مع ‪ ut-1‬يسمى ارتباط ذاتي )‪ ( Autcorrelation‬في حيف ارتباط السمسة ‪ut‬‬
‫مع ‪ vt-1‬يسمى ارتباط متسمسؿ )‪.(Serial autcorrelation‬‬

‫‪211‬‬
 ‫في ىذا المبحث سيتـ التركيز عمى االرتباط الذاتي مف خبلؿ اإلجابة عف األسئمة التالية ‪:‬‬
‫ٔػ ما طبيعة االرتباط الذاتي؟‬
‫ٕػ ما اآلثار النظرية و العممية لبلرتباط الذاتي؟‬
‫ٖػ اف فرضية االرتباط الذاتي تخص المتغير العشوائي‪ ،‬و ىو متغير غير مشاىد‪ ،‬فكيؼ يمكف االستدالؿ‬
‫حوؿ تحقؽ الفرضية مف عدميا؟‬
‫ٗػ كيؼ نضع حموالً لمعالجة مشكمة االرتباط الذاتي؟‬

‫(‪ )1-4-6‬طبيعة المشكمة ‪Natur of the problem‬‬

‫مصطمح االرتباط الذاتي ‪ " Autocorrelation ":‬يتـ تعريفو بأنو ارتباط بيف عناصر سمسمة‬
‫مف مشاىدات مرتبة عبر الزمف )في بيانات السبلسؿ الزمنية ( أو مرتبة عبر المكاف )في بيانات المقاطع‬
‫العرضية(‪ .‬و في سياؽ نموذج االنحدار الخطي التقميدي فاف الفرض )٘( ينص عمى إف ال وجود لترابط‬
‫ذاتي بيف مشاىدات المتغير العشوائي و بالرموز‪:‬‬
‫‪(uiu j )  0‬‬ ‫)‪i  j, i, j  1,2,....., n.............(8  6‬‬
‫و لتوضيح طبيعة المشكمة في بيانات سنوية نفترض عبلقة انحدار بيف ناتج عممية إنتاجية و بيف‬
‫مدخبلت ىذه العممية وىما العمؿ و رأس الماؿ‪ .‬و نفترض استخداـ بيانات فصمية )ربع سنوية (‪ .‬نفترض‬
‫وجود إضراب لمعماؿ أثر في الناتج في فصؿ معيف مف الفصوؿ‪ .‬في ىذه الحاؿ‪ ،‬ال يوجد سبب لبلعتقاد‬
‫باف ذلؾ األثر سيحمؿ آثاره فى الفصؿ البلحؽ‪ .‬فإذا تسبب إضراب العماؿ في فصؿ معيف إلى خفض‬
‫الناتج‪ ،‬فبل يوجد سبب باف نتوقع إف الناتج ينخفض في الفصؿ البلحؽ‪ .‬أما في حاؿ وجود ارتباط ذاتي‪،‬‬
‫بمعنى إذا العبلقة)‪ (ٛ-ٙ‬ال تتحقؽ‪ ،‬فاف أثر اإلضراب العمالي ليذا الفصؿ ربما و بشكؿ أكيد يستمر‬
‫تأثيره فى الناتج في الفصؿ البلحؽ‪.‬‬
‫وبالمثؿ في دراسات المقاطع العرضية‪ ،‬لنفترض عبلقة انحدار اإلنفاؽ االستيبلكي لمعوائؿ بداللة الدخؿ‬
‫العائمي‪ ،‬فاف اثر زيادة دخؿ إحدى العوائؿ عمى إنفاقيا االستيبلكي ال يتوقع إف يجري تأثيره فى اإلنفاؽ‬
‫االستيبلكي لمعوائؿ األخرى‪ .‬بينما في حاؿ عدـ تحقؽ العبلقة )‪ (ٛ-ٙ‬فاف زيادة اإلنفاؽ االستيبلكي‬
‫لعائمة في العينة ربما تحفز عائبلت أخرى لزيادة استيبلكيـ مف باب التقميد و المباىاة ) ‪keep up with‬‬
‫‪.(the Joneses‬‬

‫‪211‬‬
 ‫(‪ )2-4-6‬أنماط االرتباط الذاتي‪Pattern of autocorrelation.‬‬
‫ىناؾ العديد مف أنماط االرتباط الذاتي منيا الخطية وغير الخطية‪ .‬والخطية قد تكوف تصاعدية أو اتجاه‬
‫زمني خطي متناقص‪ .‬كما إف األنماط غير الخطية قد تكوف تربيعيو أو دورية ويمكف عرض ىذه األنماط‬
‫مف خبلؿ رسـ بواقي عبلقة االنحدار) ‪ (et‬ضد الزمف ) ‪ ( t‬و كما في الشكؿ )‪(3-ٙ‬‬

‫الشكؿ )‪(3-6‬‬
‫بعض أنماط االرتباط الذاتي‬
‫ˆ‪e  u‬‬ ‫ˆ‪e  u‬‬

‫‪t‬‬ ‫‪t‬‬
‫‪t‬‬

‫خطي تصاعدي )‪(a‬‬ ‫متناقص خطي )‪(b‬‬

‫ارتباط ذاتي موجب‬ ‫ارتباط ذاتي سالب‬
‫ˆ‪e  u‬‬ ‫ˆ‪e  u‬‬

‫‪t‬‬ ‫‪t‬‬

‫غير خطي )تربيعي( )‪(c‬‬ ‫غير خطي )دوري( )‪(d‬‬

‫‪quadratic‬‬ ‫‪Cyclical‬‬
‫ارتباط ذاتي موجب‬ ‫ارتباط ذاتي سالب‬

‫ˆ‪e  u‬‬

‫‪t‬‬

‫عدـ وجود أرتباط ذاتي )‪(e‬‬

‫‪212‬‬
 ‫فاالشكاؿ‪ (a) :‬تشير الى وجود ارتباط ذاتي خطي متصاعد موجب‪.‬‬
‫)‪ (b‬توضح اف ىناؾ ارتباطاً ذاتياً خطياً متناقصاً سالباً‪.‬‬
‫)‪ (c‬و )‪ (d‬كؿ منيما تممح الى وجود ارتباط ذاتي غير خطي تربيعي ودوري عمى التوالي‪.‬‬
‫فيما يشير الشكؿ في )‪ (e‬الى عدـ وجود ارتباط ذاتي‪.‬‬
‫)‪(3-4-6‬أسباب ظهور االرتباط الذاتي ‪Causes of autocorrelation‬‬
‫‪ -1‬القصور‪"Inertia" .‬‬
‫اغمػػب المتغي ػرات االقتصػػادية مثػػؿ ‪ ، GNP‬األسػػعار القياسػػية ‪ ،‬اإلنتػػاج ‪ ،‬البطالػػة ‪ ،‬والتشػػغيؿ‬
‫تظيػػر دورات‪ .‬تبػػدأ مػػف أسػػفؿ الركػػود ثػػـ باالنتعػػاش اغمػػب ىػػذه الػػدورات تبػػدأ بالصػػعود وفػػي ىػػذه الحركػػة‬
‫الصعودية فاف قيـ السمسمة في نقطة معينة مف الزمف تكوف اكبر مف قيمتيا السابقة‪ .‬وبذلؾ يتولد عزـ فػي‬
‫ىػػذه المتغيػرات و يسػػتمر ذلػػؾ إلػػى إف يحصػػؿ شػػيء مػػا )مػػثبلً زيػػادة سػػعر الفائػػدة أو األسػػعار أو كبلىمػػا(‬
‫فتبػػدآ ىػػذه المتغيػرات باالنخفػػاض و عميػو فػػي حالػػة السبلسػػؿ الزمنيػػة‪ ،‬فػػاف المشػػاىدات المتتاليػػة تكػػوف فػػي‬
‫الغالب مترابطة فيما بينيا ‪.‬‬
‫‪ -2‬تحييز التوصيؼ‪ :‬ويظير سوء التوصيؼ في حالتيف‪:‬‬
‫)أ( ‪ -‬في حالة حذؼ متغيرات مف التوصيؼ ‪.‬‬
‫في اإلشكاؿ السابقة )‪ (d – a‬تقترح باف بعض المتغيرات تـ حذفيا مف النموذج‪.‬‬
‫فإذا كاف النموذج األصمي ىو‪:‬‬
‫‪Y = β0 + β1X1+ β2X2+ β3X3+ u‬‬ ‫‪. . .‬‬ ‫)‪(9-6‬‬
‫و لسبب ما تـ استخداـ النموذج ‪:‬‬
‫‪Y = β0+ β1X1+ β2X2+ v . . .‬‬ ‫)‪(10-6‬‬
‫فإذا كانت العبلقة )‪ (9-6‬ىي النموذج الصحيح أو العبلقة الحقيقية فاف استخداـ العبلقة )‪ (10-6‬تعني‬
‫ضمنياً افتراض ‪ .v = β3 X3+ u‬وبذلؾ فاف المتغير العشوائي ‪ v‬سوؼ يعكس نمطاً منتظماً مما يولد‬
‫ارتباطاً ذاتياً كاذباً‪.‬‬
‫)ب( بسبب استخداـ صيغ دالية غير مناسبة ‪.‬‬
‫إذا كاف النموذج الحقيقي لمتكاليؼ الحدية‬
‫‪MC = β1+ β2 X+ β3 X2 + u . . .‬‬ ‫)‪(11-6‬‬
‫و لكف تـ استخداـ‬
‫‪MC = α1+ α2 X + v‬‬ ‫‪. . .‬‬ ‫)‪(12-6‬‬

‫فاف ذلؾ يولد تحي اًز حيث إف )‪ (v= β3 X2+ u‬يعكس نمطاً منتظماً يرتبط بمربع ‪ X‬وىو )الناتج( مما يولد‬
‫ارتباطاً ذاتياً‪ ،‬بسبب استخداـ التوصيؼ الدالي الخاطئ ‪.‬‬

‫‪213‬‬
 ‫شكؿ )‪(4-6‬‬
‫التكاليؼ الحدية‬
‫‪MC‬‬

‫‪B‬‬
‫‪A‬‬
‫‪X‬‬

‫مف خبلؿ الشكؿ )‪ (4-6‬فاف القيـ ما بيف النقطتيف ‪ A‬و ‪ B‬تعكس اف ‪ MC‬الخطية ستكوف متحيزة‬
‫لؤلعمى عف التكمفة الحدية الحقيقية‪ ،‬و فيما عدا ىذه المسافة فإنيا تكوف متحيزة لؤلسفؿ عف القيمة الحدية‬
‫الحقيقية‪.‬‬
‫ٖ‪ -‬ظاىرة النسيج العنكبوتي ) ‪ :(Cobweb Model‬عرض اغمب السمع الزراعية يعكس ظاىرة ما‬
‫يسمى النسيج العنكبوتي الف العرض يتأثر باألسعار لسنة متباطئة الف ق اررات العرض تتطمب زمناً‬
‫لتحقيقيا‪) ،‬فترة التفريخ(‪ .‬ففي بداية سنة الزراعة‪ ،‬يكوف المزارع متأث اًر باألسعار السائدة في السنة السابقة‬
‫لذلؾ فاف دالة العرض الزراعي ‪:‬‬

‫‪Yt = β1+ β2 Pt-1 + ut‬‬ ‫‪. . .‬‬ ‫) ‪( 13 -6‬‬

‫وبافتراض إف السعر) ‪ ( Pt‬اقؿ مف ) ‪ ، ( Pt-1‬لذا في السػنة )‪ ( t + 1‬يقػرر المػزارع التقميػؿ مػف الز ارعػة‬
‫عمػا كػاف عميػة فػي السػنة ) ‪ ( t‬وبػذلؾ فػاف) ‪ ( ut‬ال يتوقػع إف يكػوف عشػوائياً الف إذا زاد المػزارع إنتاجػو‬
‫في السنة ‪ t‬فأنة سوؼ يقمص أنتاجو في السنة )‪ (t+1‬وىكذا عمى وفؽ مبدأ النسيج ألعنكبوتي‪.‬‬
‫ٗ‪ -‬اإلبطاء ) ‪( Lags‬‬
‫وجود متغير داخمي متباطئ مثبلً في دالة االستيبلؾ‪ ،‬تكوف دالة بداللة الدخؿ و االستيبلؾ‬
‫السابؽ لمداللة عمى العادات و التطوير التقني وألسباب مؤسساتية وفسيولوجية‪.‬‬

‫‪Yt= β1+ β2Xt+ β3Yt-1+ ut‬‬ ‫‪. . .‬‬ ‫)‪(14-6‬‬

‫وىذا النموذج يسمى االنحدار الذاتي )‪(auto regression‬‬

‫فعند حذؼ ىذا المتغير العشوائي )‪ (Yt-1‬فاف المتغير العشوائي سوؼ يعكس نمطاً منتظماً بسبب أثر‬
‫االستيبلؾ السابؽ في االستيبلؾ الحالي‪.‬‬

‫‪Yt = β1+ β2 Xt+ vt‬‬ ‫‪. . .‬‬ ‫)‪(15-6‬‬

‫‪vt = β3 Yt-1 + ut‬‬

‫‪214‬‬
 ‫٘‪ -‬التعديبلت في البيانات‪.‬‬
‫في الدراسات التطبيقية غالباً ما يمجأ إلى تعديبلت في البيانات األولية‪ .‬مثبلً لدراسة انحدار‬
‫السبلسؿ الزمنية ربع السنوية يتـ إضافة بيانات ثبلثة أشير وقسمة المجموع عمى )‪ ،(3‬واف عممية‬
‫استخداـ المتوسطات سيولد تنعيـ لمبيانات‪ .‬وبذلؾ فاف الرسـ لمبيانات الفصمية تظير تنعيماً أكثر مف‬
‫المشاىدات الشيرية‪ .‬وىذا التنعيـ نفسو سيمنح نمطاً متماثبلً لمبواقي و بذلؾ تتسبب باالرتباط الذاتي‪.‬‬
‫كما إف نوع آخر مف التعديؿ لممشاىدات ىو )‪ (interpolation‬أو )‪ ،(extrapolation‬مثبلً إذا‬
‫كانت البيانات عف التعداد السكاني تعد كؿ )ٓٔ( سنوات في العراؽ و آخر تعداد كاف عاـ ٕٓٓٓ و‬
‫التعداد السابؽ كاف ٓ‪ ،ٜٜٔ‬فإذا ىناؾ حاجة لمحصوؿ عمى معمومات لمفترة)ٓ‪ (ٕٓٓٓ-ٜٜٔ‬فاف الطريقة‬
‫المعتادة ىي ‪ interpolation‬عمى أساس فرضيات معينة‪ ،‬مثبلً باستخداـ خط االتجاه العاـ الخطي أو‬
‫ألتربيعي أو الدالة الموجستية‪ ،‬التي ستدخؿ عمى البيانات نمطاً معيناً ربما ال يكوف موجوداً في البيانات‬
‫األصمية‪.‬‬
‫‪ -ٙ‬تحويؿ المشاىدات ) ‪( Transformation‬‬
‫تحويؿ المشاىدات قد تكوف مصد اًر خصباً لبلرتباط الذاتي ‪.‬‬
‫‪Yt = β1+ β2 Xt + ut‬‬ ‫مثبلً‪:‬‬
‫‪ ut‬غير مرتبط ذاتياً‪.‬‬
‫في حيف يفضؿ في بعض الدراسات التطبيقية استخداـ الصيغة‪:‬‬
‫‪Yt-1  1   2 X t 2  ut 1‬‬ ‫)‪ (16  6‬‬ ‫أو بصيغة الفروؽ )الفرؽ األوؿ(‬
‫‪Yt   2 X t  ut‬‬ ‫‪‬‬ ‫)‪(17  6‬‬
‫‪ ut  vt‬‬
‫بصيغة الموغاريتمات‬ ‫‪ :Y‬اإلنفاؽ االستيبلكي‬ ‫فإذا كانت‬
‫‪ :X‬الدخؿ‬ ‫و‬

‫فاف)‪ (ٔٚ-ٙ‬تمثؿ التغيرات في لوغاريتـ االستيبلؾ والدخؿ‪.‬‬

‫وحيث اف التغير في لوغاريتـ المتغير تمثؿ التغير النسبي إذا تـ ضربو × ٓٓٔ‪.‬‬
‫لذلؾ عوضاً مف دراسة العبلقة بيف المتغي ارت بصيغة المستوى )‪ (level‬ربما نكوف ميتميف بدراسة العبلقة‬
‫بصيغة معدالت النمو‪ .‬فإذا كانت) ‪ (u‬ال تعاني مف مشكمة االرتباط الذاتي‪ .‬فاف) ‪( v‬ستكوف مرتبطة‬
‫ذاتياً‪.‬‬
‫قبؿ نياية ىذه الفقرة البد مف التأكيد عمى بعض المبلحظات اإلجمالية حوؿ االرتباط الذاتي‪.‬‬

‫‪215‬‬
 ‫فاالرتباط الذاتي قد يكوف موجباً وقد يكوف سالباً أيضاً‪ .‬وعممياً فاف السبلسؿ الزمنية االقتصادية تكوف‬
‫غالباً موجبة الف اغمبيا إما تتحرؾ نحو األعمى أو لؤلسفؿ عبر فترة ممتدة‪ .‬وال تظير تغيرات ثابتة نحو‬
‫األعمى و األسفؿ‪ .‬والشكؿ )‪ (٘-ٙ‬يوضح ذلؾ ‪:‬‬

‫الشكؿ )‪(٘-6‬‬
‫‪ut‬‬ ‫‪ut‬‬

‫‪t‬‬
‫)ارتباط ذاتي موجب(‬ ‫‪ut-1‬‬

‫‪ut‬‬ ‫‪ut‬‬
‫)ارتباط ذاتي سالب(‬

‫‪t‬‬ ‫‪ut-1‬‬

‫)‪ (4-4-6‬صيغة ماركوف )‪ :(Markov‬االرتباط الذاتي من الرتبة األولى‬

‫إف أكثر أنماط االرتباط الذاتي العممية ىي صيغة ماركوؼ)‪ :(Markov‬االرتباط الذاتي مف‬
‫الرتبة األولى‪ ،‬والذي يمكف توليده كاآلتي‪:‬‬
‫‪ut   ut 1   t‬‬ ‫‪...‬‬ ‫)‪(18 - 6‬‬
‫حيث أف )‪ (ρ‬تمثؿ معامؿ االرتباط الذاتي ‪ -1<ρ<1 :‬والذي يمكف حسابو عمى وفؽ التعريؼ كاالتي‪:‬‬

‫) ‪cov(ut ut 1‬‬ ‫) ‪(ut ut 1‬‬

‫‪‬‬ ‫‪‬‬
‫) ‪var(ut ) var(ut 1 ) var(ut 1‬‬

‫وذلؾ الف متوسط ‪ u‬صفر‪ ،‬وتباينو متجانس‪var(ut) = var(ut-1):‬‬

‫كما يمكف حسابو بأنو معامؿ االنحدار في انحدار )‪(ut‬عمى )‪(ut-1‬‬
‫و ‪ εt‬تشير إلى متغير عشوائي يحقؽ الشروط القياسية لممربعات الصغرى وىي ‪:‬‬
‫متوسط صفري وتبايف متجانس‪ ،‬وتبايف مشترؾ صفري ‪:‬‬

‫‪216‬‬
 ‫‪.‬‬
‫*‬
‫لجوُع ‪ s 0‬‬ ‫‪cov( t  t s )  0 , var  t   2 ,  t  0‬‬ ‫‪‬‬
‫و العبلقة )‪ (18-6‬اختصا اًر يرمز ليا )‪ . AR(1‬فيي تمثؿ عبلقة انحدار )‪ (ut‬عمى نفسو بتباطؤ سنة‪.‬‬
‫وبذلؾ فاف أقصى إبطاء ىو )ٔ(‬
‫‪...u‬‬ ‫‪t-2‬‬ ‫‪,u‬‬ ‫‪t-1‬‬ ‫و حيث إف العبلقة )‪ (18-6‬تتحقؽ لجميع الفترات الزمنية لذا يمكف إيجاد‬
‫‪ut 1   ut  2   t 1‬‬
‫‪ut  2   ut  3   t  2‬‬
‫‪ . . . ………, u‬يتـ الحصوؿ عمى ‪:‬‬ ‫‪t-2‬‬ ‫‪,u‬‬ ‫‪t-1‬‬ ‫وىكذا بالتعويض المتسمسؿ عند قيـ‬
‫‪ut   t    t 1   2 t 2     n t n  ‬‬
‫و ىي بذلؾ توليفة خطية بداللة ‪ εt‬وابطاءاتيا المختمفة ‪:‬‬
‫‪‬‬
‫‪ut    s t s‬‬ ‫‪...‬‬ ‫)‪(19 - 6‬‬
‫‪s 0‬‬

‫وبذلؾ يمكف الحصوؿ عمى اآلتي باستخداـ العبلقة )‪(ٜٔ-ٙ‬‬

‫‪(ut )  ( t    t 1   2 t 2   )  ( t )   ( t 1 )   0‬‬
‫حيث إف متوسط ‪ ε‬يساوي صف اًر ‪.‬‬
‫‪var( ut )  (ut ) 2   2   2 2  (  2 ) 2  2  ‬‬
‫) ‪  2 (1   2   4  ‬‬
‫‪ 2‬‬
‫‪‬‬
‫‪1  2‬‬

‫‪1‬‬
‫‪1   2  (  2 ) 2  (  2 )3  ‬‬ ‫مجموع المتوالية اليندسية ‪:‬‬
‫‪1  2‬‬

‫‪‬‬
‫‪(ut ut 1 )   u2 ‬‬ ‫‪ 2‬‬ ‫و كذلؾ فاف التبايف المشترؾ ‪:‬‬
‫‪1 ‬‬ ‫‪2‬‬

‫وخبلصة القوؿ اف نمط )‪ AR(1‬لبلرتباط الذاتي يمكف تمخيصو عمى وفؽ اآلتي‪:‬‬

‫______________________‬
‫)*( ويسمى ايضاً في بعض الدراسات القياسية بالضوضاء البيضاء )‪(white noise‬‬

‫‪217‬‬
 ‫‪‬‬
‫‪ut   ut 1   t    s t s‬‬
‫‪s 0‬‬

‫‪(ut )  0‬‬
‫‪‬‬ ‫‪...‬‬ ‫)‪(20 - 6‬‬
‫‪(ut ut 1 ) ‬‬ ‫‪ 2   u2‬‬
‫‪1 ‬‬ ‫‪2‬‬

‫‪ 2‬‬
‫‪(ut )    ‬‬
‫‪2‬‬ ‫‪2‬‬

‫‪1  2‬‬

‫وىناؾ أنماط أخرى لبلرتباط الذاتي مف رتب مختمفة و منيا ‪:‬‬

‫‪ 2 nd - order autoregressive scheme‬وصيغتيا‪:‬‬ ‫)‪: AR(2‬‬
‫‪ut  1ut 1  2ut 2   t‬‬
‫‪ 3rd - order autoregressive scheme‬وصيغتيا‪:‬‬ ‫)‪: AR(3‬‬
‫‪ut  1ut 1  2ut 2  3ut 3   t‬‬
‫وىكذا إلى الرتبة )‪:: PAR(P‬‬
‫‪ut  1ut 1  2ut 2  3ut 3     Put  P   t‬‬

‫ويمكف توليد ‪ ut‬عمى وفؽ ميكانيكية األوساط المتحركة مف الرتب المختمفة‪:‬‬

‫صيغة األوساط المتحركة ‪Moving – Average‬‬

‫‪ut   t   t 1‬‬ ‫;‬ ‫‪ 1‬‬ ‫وصيغتيا‪:‬‬ ‫)‪: MA(1‬‬

‫‪ut   t  1 t 1   2 t 2‬‬ ‫وصيغتيا‪:‬‬

‫)‪: MA(2‬‬

‫وىكذا األوساط المتحركة مف الرتبة ‪: q‬‬

‫‪ut   t  1 t 1   2 t 2     q t q‬‬ ‫)‪: MA(q‬‬

‫فضبلً عف وجود أنماط مركبة لػ ‪ u‬وتسمى األوساط المتحركة ذاتية االرتباط‪.‬‬

‫)‪ ARMA(P,q‬و برتب مختمفة ‪ p‬مرتبطة ذاتياً و‪ q‬أوساط متحركة‪ .‬وعمى سبيؿ المثاؿ فاف‬

‫‪ut  1ut 1   t   t 1‬‬ ‫)‪ : ARMA(1,1‬تتبع الصيغة التالية‪:‬‬

‫‪218‬‬
 ‫)‪(5-4-6‬صفات المقدرات بوجود ارتباط ذاتي بصيغة ماركوف ‪Properties of the estimates‬‬
‫‪in present of autocorrelation‬‬
‫سػوؼ نتطػرؽ فػي ىػذه الفقػرة إلػى د ارسػة صػفات المقػدرات بطريقػة المربعػات الصػغرى فػي حػػاؿ‬
‫ع ػػدـ تحق ػػؽ الف ػػرض )٘( م ػػف فرض ػػيات االنح ػػدار القياس ػػية‪ .‬ولتوض ػػيح الفكػ ػرة ي ػػتـ االعتم ػػاد عم ػػى نم ػػوذج‬
‫االنحدار البسيط‪:‬‬
‫حيث اف‪:‬‬
‫‪Y   0  1 X  u‬‬
‫‪ ut ut s  0‬‬ ‫‪. . ,s  0‬‬
‫وسيتـ اعتماد النمط العممي بصيغة ماركوؼ )‪ AR(1‬العبلقة )‪ (19-6‬وعمى وفؽ افتراضات النموذج‬
‫فاف معممة االنحدار المقدرة يمكف التعبير عنيا ‪:‬‬
‫‪( X t  X )ut‬‬
‫‪ˆ1  1 ‬‬
‫‪( X t  X ) 2‬‬
‫‪( X t  X ) 2  A ,‬‬ ‫‪Wt  X t  X‬‬ ‫نفترض ‪:‬‬
‫إذف‪:‬‬
‫‪W1‬‬ ‫‪W‬‬ ‫‪W‬‬
‫‪ˆ1  1 ‬‬ ‫‪u1  2 u2    n un‬‬ ‫‪...‬‬ ‫)‪(21 - 6‬‬
‫‪A‬‬ ‫‪A‬‬ ‫‪A‬‬
‫وبافتراض أف قيـ المتغير ‪X‬معطاة ومف ثـ ‪ w s‬و ‪ A‬أيضاً معطاة فاف ‪ ˆ1‬تكوف توليفة خطية‬
‫‪,‬‬

‫بداللة األخطاء العشوائية‪ .‬وحيث إف ) ‪ ،( E(u)=0‬لذا فاف المقدرات تبقى غير متحيزة برغـ اختبلؿ‬
‫الفرض )‪ cov(ut ut 1 )  0، (5‬‬
‫و كذلؾ فاف معممة المقطع الثابت ‪:β0‬‬
‫‪ˆ0  Y  ˆ1 X‬‬
‫‪ˆ0  (  0  1 X  u )  ˆ1 X‬‬
‫) ‪( ˆ0 )   0  1 X  (u )  X( ˆ1‬‬
‫‪ 0‬‬
‫وبذلؾ فاف وجود نمط االرتباط الذاتي في المتغير العشوائي لعبلقة االنحدار ال يؤدي إلى إيجاد مقدرات‬
‫متحيزة لممعممات إي إف المعممات المقدرة بموجب المربعات الصغرى االعتيادية تبقى غير متحيزة بالرغـ‬
‫مف وجود مشكمة االرتباط الذاتي‪ .‬غير إف صيغة تبايف المعممات المقدرة لـ تعد صحيحة‪ .‬حيث إف‬
‫العبلقة )‪ (ٕٔ-ٙ‬تنبئ عف وجود ارتباط بيف حدود العبلقة وعمى وفؽ اآلتي ‪:‬‬

‫‪219‬‬
 ‫‪ n1‬‬ ‫‪n2‬‬
‫‪‬‬
‫‪‬‬ ‫‪2‬‬
‫‪2‬‬‫‪‬‬ ‫‪2 ‬‬ ‫‪1 xt xt 1 2‬‬ ‫‪x x‬‬ ‫‪t‬‬ ‫‪t 2‬‬
‫‪x1 xn ‬‬
‫‪var( ˆ1 )  2  2  ‬‬ ‫‪‬‬ ‫‪1‬‬
‫‪    n1‬‬ ‫‪‬‬ ‫)‪ (22  6‬‬
‫‪xt xt ‬‬ ‫‪xt2‬‬ ‫‪x‬‬ ‫‪2‬‬
‫‪t‬‬ ‫‪xt2 ‬‬
‫‪‬‬ ‫‪‬‬

‫ˆ‬ ‫‪2‬‬
‫وبذلؾ فاف استخداـ الصيغة التقميدية لتبايف معممة االنحدار‪(var( 1 )  2 ) :‬‬
‫‪x‬‬
‫تكوف غير صحيحة في حاؿ وجود ارتباط ذاتي لؤلخطاء‪.‬‬
‫)‪var( ˆ1 )OLS  (var(ˆ1 ) AR (1‬‬ ‫وىذا يدلؿ عمى إف‬
‫وبصيغة أخرى فأف معممة االنحدار باستخداـ المربعات الصغرى عند افتراض )‪ AR(1‬تكوف متحيزة نحو‬
‫األسفؿ أي ال تمتمؾ أقؿ تبايف‪ .‬ىذا مف جية و مف جية أخرى فاف) ˆ‪( ‬ىي األخرى تختمؼ وىي اكبر‬
‫‪2‬‬

‫مف قيمتيا الحقيقية و كنتيجة لذلؾ فاف نتائج االختبارات بالنسبة لممعممات المقدرة اليوثؽ بيا‪.‬‬
‫وخبلصة القوؿ فاف المعممات المقدرة )مع وجود ارتباط ذاتي ( تبقى خطية وغير متحيزة ولكنيا غير‬
‫كفوءة‪ .‬وىي النتيجة نفسيا التي توصمنا الييا عند وجود عدـ التجانس مما يقتضي استخداـ طريقة أخرى‬
‫أكثر كفاءة وىي المربعات الصغرى الموزونة) ˆ‪ ( ‬والتي ىي صيغة خاصة مف المربعات الصغرى‬
‫*‬

‫المعممة )‪.(GLS‬‬

‫)‪ (6-4-6‬الكشف عن مشكمة االرتباط الذاتي‪Test of autocorrelation .‬‬

‫اف مشكمة االرتباط الذاتي تكوف مشكمة ميمة و تحتاج إلى عبلج و لكف قبؿ إي إجراء البد‬
‫مف استخداـ طرائؽ اختبار مبلئمة إليجاد فيما إذا كانت مشكمة االرتباط الذاتي موجودة أـ ال‪ .‬وفي ىذه‬
‫الفقرة يتـ تسميط الضوء عمى االختبارات العممية التي في الغالب يتـ استخداميا‪ ،‬وحيث إف مشاىدات‬
‫المتغير العشوائي لممجتمع تكوف غير مشاىده‪ ،‬لذا يتـ استخداـ بدائؿ عنيا وىي مشاىدات األخطاء‬
‫)بواقي( عبلقة االنحدار‪.‬‬
‫‪Graphical Method‬‬ ‫أوالً‪ :‬طريقة الرسم‬
‫أ( يتـ استخداـ بواقي عبلقة االنحدار ))*( ‪ ( uˆt  et‬ورسميا ضد الزمف )‪ (t‬إلعطاء فكرة حوؿ مشكمة‬
‫االرتباط الذاتي‪.‬‬
‫) ‪ (standardized residuals‬وترسـ ضد الزمف‬ ‫ب( و قد تستخدـ البواقي المعيارية ̂‪û ‬‬

‫____________________________‬
‫)*( اف بواقي عبلقة االنحدار تعكس خصائص المتغيرات المستقمة وكما تعكس خصائص األخطاء‪.‬‬

‫‪211‬‬
 ‫شكؿ )‪(7-6‬‬
‫رسـ بواقي عبلقة االنحدار‬
‫̂‪u‬‬ ‫̂‪u‬‬
‫او ‪ei‬‬ ‫او ‪ei‬‬
‫̂‪‬‬ ‫̂‪‬‬

‫‪t‬‬ ‫‪t‬‬

‫)‪(a‬‬ ‫ارتباط ذاتي سالب‬ ‫)‪(b‬‬

‫يشير الشكؿ )‪ (a‬الى مجموعة مف البواقي سالبة تتبعيا مجموعة موجبة وىكذا ‪ . . .‬وىذا دليؿ عمى عدـ‬
‫وجود العشوائية لمبواقي‪ .‬والشكؿ يعكس االرتباط الذاتي الموجب‪ ،‬في حيف الشكؿ )‪ (b‬يظير تناوب قيـ‬
‫البواقي باإلشارة دليؿ عمى وجود ارتباط ذاتي سالب‪.‬‬
‫ج( كما يمكف رسـ البواقي ‪ et‬ضد البواقي المتباطئة ‪ et-1‬فعندما تكوف البواقي عشوائية فتكوف جميع‬
‫المشاىدات مبعثرة فإذا اقتصر التبعثر في الربعيف الرابع و الثاني فاف ذلؾ يعكس ارتباطاً ذاتياً موجباً‬
‫لممتغير العشوائي وكذلؾ إذا كانت جميع مشاىدات األخطاء مبعثرة في الربعيف األوؿ و الثالث فذلؾ يدؿ‬
‫عمى وجود ارتباط ذاتي سالب لممتغير العشوائي‪.‬‬

‫وتجدر اإلشارة إلى أف االختبارات التي تعتمد عمى الرسـ تكوف اختبارات تأشيرية وذلؾ ألنيا تعتمد‬
‫عمى الحكـ الشخصي وعمى خبرة الباحث وخاصة في العينات الصغيرة‪ ،‬لذا البد مف دعميا باالختبارات‬
‫اإلحصائية والتي تعد صيغيا عامة‪.‬‬

‫شكؿ )‪(8-6‬‬

‫‪et‬‬ ‫‪et‬‬ ‫‪et‬‬

‫‪et 1‬‬ ‫‪et 1‬‬ ‫‪et 1‬‬

‫ارتباط ذاتي سالب‬ ‫ارتباط ذاتي موجب‬ ‫عدـ وجود ارتباط ذاتي‬

‫‪211‬‬
 ‫ثانياً‪ :‬طرائق االختبار اإلحصائية ‪Formal methods:‬‬
‫أ)اختيار دربن واتسن ‪DW : Durbin –Watson‬‬
‫وىو مف أكثر االختبارات انتشا اًر واستخداماً لمتحقؽ مف مشكمة االرتباط الذاتي ويعتمد ىذا‬
‫االختبار عمى عدد مف االفتراضات أىميا ‪:‬‬
‫‪ -1‬أف يتضمف نموذج االنحدار عمى مقطع صادي )ثابت(‪.‬‬
‫‪ -2‬تكوف المتغيرات التوضيحية متغيرات غير عشوائية ‪.‬‬
‫‪ -3‬أف تكوف صيغة االرتباط الذاتي لممتغير العشوائي مف نمط صيغة ماركوؼ‪ :‬االرتباط الذاتي برتبة‬
‫)‪ (1‬حص اًر ))‪. ( AR(1‬‬
‫‪ -4‬أف المتغير العشوائي يتوزع توزيعاً طبيعياً ‪.‬‬
‫‪ -5‬ال يمتمؾ نموذج االنحدار أي متغير داخمي متباطئ كأحد المتغيرات التوضيحية ‪.‬‬
‫‪ -6‬ال توجد مشاىدات محذوفة مف النموذج ‪.‬‬
‫و مع تحقؽ ىذه الفروض فاف االحصاءه المستخدمة لبلختبار ىي ‪:‬‬
‫‪n‬‬

‫‪ (e‬‬ ‫‪t‬‬ ‫‪ et 1 ) 2‬‬

‫‪d* ‬‬ ‫‪2‬‬
‫‪n‬‬
‫‪...‬‬ ‫)‪(23 - 6‬‬
‫‪e‬‬
‫‪1‬‬
‫‪2‬‬
‫‪t‬‬

‫حيث أف فرضيات االختبار ‪:‬‬

‫‪0 :   0‬‬ ‫‪vs.‬‬ ‫‪1 :   0‬‬
‫وتقارف القيمة المحسوبة *‪ d‬مع القيـ الجدولية والتي تعرض في جداوؿ خاصة لعدد مشاىدات‬
‫)‪ (200 – 6‬ولعػدد متغيػرات توضػيحية مػف )‪ (20 – 1‬وتعػرض القػيـ الجدوليػة بحػدود دنيػا)‪ ( dl‬وحػدود‬
‫عميا )‪ ( du‬و لمستويات معنوية ‪ %5‬أو ٔ‪. %‬‬
‫وبموجب صيغة اإلحصاءة *‪ d‬فاف قيميا تمتد مف ) صفر‪.(4 -‬‬
‫و بتبسيط العبلقة )‪ (23-6‬يمكف الحصوؿ عمى النتيجة التالية ‪:‬‬

‫‪‬‬ ‫‪n‬‬
‫‪‬‬
‫‪‬‬ ‫‪‬‬ ‫(‬ ‫‪e‬‬‫‪t t 1 ‬‬
‫‪e‬‬ ‫)‬
‫‪d  21 ‬‬
‫*‬ ‫‪t 2‬‬ ‫‪‬‬
‫‪‬‬ ‫‪n‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬‫‪t 1‬‬
‫‪e‬‬ ‫‪2‬‬
‫‪t‬‬ ‫‪‬‬
‫‪‬‬

‫‪212‬‬
 ‫‪n‬‬
‫ولكف‪:‬‬
‫‪e e‬‬ ‫‪t‬‬ ‫‪t 1‬‬
‫‪̂ ‬‬ ‫‪t 2‬‬
‫‪n‬‬

‫‪e‬‬
‫‪t 1‬‬
‫‪2‬‬
‫‪t‬‬

‫لذلؾ فاف‪:‬‬
‫) ˆ‪. . . d  2(1  ‬‬ ‫)‪( ٕٗ- 6‬‬
‫*‬

‫‪1    1‬‬ ‫وبما اف ‪:‬‬

‫فاف قيمة ‪0  d *  4 :‬‬
‫ويكوف القرار باستخداـ قانوف اإلبياـ )‪ (Rule of thumb‬كاآلتي ‪:‬‬
‫إذا كانت *‪ d‬قريبة مف )‪ (2‬فبل يوجد ارتباط ذاتي‪.‬‬
‫إذا كانت *‪ d‬قريبة مف الصفر فيناؾ احتماؿ وجود ارتباط ذاتي موجب‬
‫إما إذا كانت *‪ d‬قريبة مف ٗ فيدؿ عمى احتماؿ ارتباط ذاتي سالب ‪.‬‬
‫وببساطة يمكف تحديد القرار المناسب لمقارنة القيمة الحسابية *‪ d‬ومجاالت قبوؿ او رفض فرضية العدـ‬
‫اليوجد ارتباط ذاتي موجب‪ H0 :‬أو‬
‫اليوجد ارتباط ذاتي سالب‪H0* :‬‬
‫‪( dl = 1.077 &du = 1.361‬‬
‫بإتباع المخطط التالي ‪:‬‬
‫المخطط )‪(9-6‬‬
‫االحصاءة دربف واتسف ‪d‬‬

‫‪ H0‬أو مجاؿ رفض ‪H0‬‬ ‫قبوؿ فرضية‪:‬‬ ‫مجاؿ‬ ‫رفض*‪H0‬‬

‫أي وجود دليؿ لبلرتباط‬ ‫*‪ H0‬أو غير‬ ‫غير‬ ‫وجود دليؿ عمى ارتباط‬
‫حاسـ الذاتي الموجب‬ ‫كبلىما‬ ‫حاسـ‬ ‫ذاتي سالب‬
‫‪0‬‬ ‫‪dl‬‬ ‫‪du‬‬ ‫‪2‬‬ ‫‪4-dl‬‬ ‫‪4-du‬‬ ‫‪4‬‬

‫ويمكف تمخيص ميكانيكية دربف واتسف بعد تحقؽ الفروض كاآلتي ‪:‬‬
‫‪,‬‬
‫‪ -1‬نجري انحدار ‪ Y‬عمى ‪ X S‬والحصوؿ عمى البواقي ‪ei‬‬
‫‪ -2‬يتـ استخداـ البواقي إليجاد االحصاءة *‪ d‬عمى وفؽ القانوف )‪(ٕٖ-ٙ‬‬
‫‪ -3‬لعدد المشاىدات المستخدمة ‪n‬وعدد المتغيرات التوضيحية ‪ k‬تستخدـ الجداوؿ الخاصة إليجاد ‪ dl‬و‬
‫‪ du‬عند مستوى داللة معيف ‪.‬‬

‫‪213‬‬
 ‫‪ -4‬أتباع المخطط )‪ (9-ٙ‬لتحديد القرار المناسب‪.‬‬
‫وجدير بالذكر إف جميع البرامجيات الجاىزة توفر ىذه االحصاءة وعندما تكوف قيمة االحصاءة *‪d‬‬
‫المحسوبة تقع في المجاؿ غير الحاسـ فيمكف استخداـ االختبار المعدؿ لػ *‪ (modified d test) d‬وعند‬
‫مستوى داللة ‪. α%‬‬
‫‪ )modified- d) test‬واختصا ار يكتب )‪( m-test‬‬

‫‪0 :   0‬‬ ‫‪vs.‬‬ ‫‪1 :  0‬‬

‫‪ (1‬الختبار الفرضية‪:‬‬
‫اذا ‪ d*>du‬نرفض‪ H0‬أي يوجد ارتباط ذاتي موجب‪.‬‬

‫‪vs.‬‬ ‫‪1 :  0‬‬

‫‪0 :   0‬‬ ‫‪ (2‬كما يمكف اختبار الفرضية‪:‬‬
‫نرفض‪ H0‬أي وجود ارتباط ذاتي سالب‪.‬‬ ‫اذا ‪4-d*>du‬‬

‫‪0 :   0‬‬ ‫‪vs.‬‬ ‫‪1 :  0‬‬ ‫‪ (3‬أما الختبار الفرضية‪:‬‬

‫فيكوف القرار عمى وفؽ اآلتي ‪:‬‬
‫‪d *  du‬‬
‫‪ ‬نرفض‪ H0‬أي وجود دليؿ إحصائي عمى ارتباط ذاتي موجب أو سالب‪.‬‬ ‫إذا‬
‫‪4  d   du‬‬

‫مثاؿ)‪: (12-6‬اختبر فيما اذا كاف االرتباط الذاتي لحدود الخطأ موجباً أـ ال‪ .‬إذا عممت أف حجـ العينة‬
‫المستخدمة لبلنحدار ‪ .n = 20‬وبتوافر المجاميع التالية ‪:‬‬
‫‪19‬‬ ‫‪20‬‬

‫‪ (e‬‬
‫‪2‬‬
‫‪t‬‬ ‫‪ et 1 )  0.0979 ،‬‬
‫‪2‬‬
‫‪e‬‬
‫‪1‬‬
‫‪2‬‬
‫‪t‬‬ ‫‪ 0.1333‬‬

‫‪Yˆ  1.45  0.176 X‬‬ ‫ومعادلة االنحدار‪:‬‬

‫‪0 :   0‬‬ ‫‪vs 1 :  0‬‬ ‫الحؿ‪ :‬الفرضية المطموب اختبارىا‪:‬‬

‫‪0.0979‬‬
‫‪d* ‬‬ ‫‪ 0.734‬‬
‫‪0.1333‬‬
‫‪( du = 1.15 ,‬‬ ‫وحيث أف حجـ العينة ‪ 20‬و ‪ k´ = 1‬فاف القيـ الجدولية ‪dl = 0.95 ):‬‬
‫وواضح اف قيمة) *‪ (d‬أقؿ مف )‪ (dl‬فاف قاعدة القرار تشير إلى اف االستنتاج المناسب ىو ‪ H1‬أي اف‬
‫حدود الخطأ مرتبطة ذاتياً بصورة موجبة‪.‬‬

‫‪214‬‬
 ‫مثاؿ )‪ :(13-6‬يمكف استخداـ بيانات المثاؿ )‪ (4-3‬نفسيا باستخداـ برنامج ‪ SPSS‬الختبار مشكمة‬
‫االرتباط الذاتي بصيغة )‪. AR(1‬‬
‫الحؿ‪ :‬بتطبيؽ ‪ SPSS‬باالعتماد عمى بيانات الجدوؿ )‪ (4-3‬يتـ الحصوؿ عمى االحصاءة ‪ D.W‬والتي‬
‫تساعد الختبار مشكمة االرتباط الذاتي كما في الجدوؿ)‪(6-6‬‬
‫‪D.W=1.885‬‬
‫وبمقارنتيا مع القيـ الجدولية باستخداـ مستوى داللة ‪ 5%‬وحجـ العينة )‪ (15‬مشاىدة‪( dl =1.08 , ):‬‬
‫) ‪ . (=1.36‬فتكوف ‪ d*< du‬لذا نقبؿ فرضية العدـ التي تدعـ عدـ وجود مشكمة االرتباط‬ ‫‪du‬‬
‫الذاتي‪.‬‬

‫ب‪ -‬اختبار بورش ـ جود فري ( ‪)Breusch-Godfrey )BG(test‬‬

‫وىذا االختبار يستخدـ الختبار أنماط االرتباط الذاتي العامة‪:‬‬
‫‪ut  1ut 1  2ut 2  3ut 3     Put  P   t‬‬ ‫لنفرض إف ‪:‬‬
‫‪ : εt‬ضوضاء بيضاء‪.‬‬
‫‪ 0 : 1   2  3     P  0‬‬ ‫فرضية العدـ‪:‬‬
‫‪vs.‬‬ ‫‪1 : 1   2  3     P  0‬‬ ‫ضد الفرضية البديمة‪:‬‬
‫فيمكف إجراء خطوات االختبار كاآلتي ‪:‬‬
‫( و نحصؿ عمى البواقي)‪.( et‬‬ ‫‪ -1‬انحدار) ‪(Y‬عمى جميع اؿ ) ‪X ' s‬‬
‫‪ -2‬انحدار) ‪ (et‬ضد جميع المتغيرات التوضيحية''‪ ( ) X ' s‬و ‪ et-p.....، et-2، et-1‬ونحصؿ‬
‫عمى )‪ ( R2‬ليذه العبلقة‪.‬‬
‫‪ -3‬نحسب اإلحصاء ‪ BG‬وفؽ اآلتي ‪:‬‬
‫‪. . .‬‬ ‫‪( 25-6) BG  (n  P) R‬‬
‫‪2‬‬

‫والتي تتوزع توزيع مربع كاي بدرجات حرية )‪(P‬‬

‫و يتميز ىذا االختبار بالمميزات التالية ‪:‬‬
‫‪ -1‬يسمح بوجود متغير داخمي متباطئ ‪ . . . ، Yt-2 ، Yt-1‬كأحد المتغيرات التوضيحية‪.‬‬
‫‪ -2‬يسمح باختبار االرتباط الذاتي مف نوع ‪ AR‬وبدرجات مختمفة ‪ ، P،……،2‬كما يمكف اختبار‬
‫االرتباط الذاتي مف نوع األوساط المتحركة‪ ).‬مبلحظة‪:‬في حالة نمط االرتباط الذاتي ))ٔ(‪ ( AR‬يسمى‬
‫االختبار) ‪. ( Durbin' s-m-test‬‬
‫‪ -3‬لكف تبقى رتبة االرتباط الذاتي )‪ (P‬ال يمكف تحديدىا مسبقاً‪.‬‬

‫‪215‬‬
 ‫مثاؿ ) ‪ (ٔٗ-ٙ‬نفس بيانات المثاؿ ) ٘ ‪.( ٔٗ -‬‬
‫الختبار مشكمة االرتباط الذاتي عمى وفؽ اختبار ‪، (BG)Breusch - Godfrey Test‬اعتمادآ عمى‬
‫البرنامج الجاىز )‪:( SPSS‬‬
‫فيتـ في ىذه الفقرة انحدار ‪ et‬ضد ‪ X1‬و ‪ X2‬و ‪ et-1‬وكما موضحة في جدوؿ ) ‪. (ٔٓ -ٙ‬‬
‫جدوؿ ) ‪(ٔٓ-ٙ‬‬
‫نتائج التحميؿ الخاصة بالمعممات‬

‫‪Model‬‬ ‫‪Unstandardized‬‬
‫‪Coefficients‬‬ ‫‪t‬‬ ‫‪Sig.‬‬
‫‪B‬‬ ‫‪Std. Error‬‬
‫)‪(Constant‬‬ ‫‪0.705‬‬ ‫‪12.77‬‬ ‫‪0.055‬‬ ‫‪0.957‬‬
‫‪X1‬‬ ‫‪0.012‬‬ ‫‪0.320‬‬ ‫‪0.067‬‬ ‫‪0.948‬‬
‫‪X2‬‬ ‫‪-0.028‬‬ ‫‪0.413‬‬ ‫‪-0.067‬‬ ‫‪0.948‬‬
‫‪et-1‬‬ ‫‪-0.0054‬‬ ‫‪0.324‬‬ ‫‪-0.017‬‬ ‫‪0.987‬‬

‫المصدر‪ :‬نتائج برنامج ‪ SPSS‬باالعتماد عمى بيانات العينة‪.‬‬

‫فمعادلة التقدير ىي‪:‬‬
‫‪eˆt‬‬ ‫‪ ˆ0  ˆ1 X 1  ˆ2 X 2  ˆ3 et 1‬‬

‫‪ 0 / 705  0.012 X 1  0.028 X 2  0.00541 et 1‬‬

‫‪BG  (n  p) R 2‬‬ ‫‪~  p2‬‬ ‫عمماً باف احصاءة ) بروش – جودفري ( تتبع القانوف‬
‫والختبار االرتباط الذاتي )‪ AR(1‬فاف ‪p = 1‬‬
‫جدوؿ )‪(ٔٔ-ٙ‬‬
‫ممخص النموذج‬

‫‪R‬‬ ‫)‪R Square (R2‬‬ ‫) ‪Adjusted R ( R‬‬ ‫‪Std. Error of the‬‬

‫‪2‬‬

‫‪Square‬‬ ‫‪Estimate‬‬
‫‪0.025‬‬ ‫‪0.001‬‬ ‫‪-0.299‬‬ ‫‪3.208‬‬
‫المصدر‪ :‬نتائج برنامج ‪ SPSS‬باالعتماد عمى بيانات العينة‪.‬‬
‫‪BG  (15  1)(0.001)  0.014‬‬
‫‪ c2(1,0.05)  3.84‬‬

‫‪216‬‬
‫نرى اف قيمة ‪ BG‬الحسابية أقؿ مف ‪ χ2‬الجدولية نقبؿ فرضية العدـ أي اف النموذج ال يعاني مف مشكمة‬
‫االرتباط الذاتي‪.‬‬

‫ج‪ -‬اختبار دربن – اهج ‪)testDurbin- h( .‬‬

‫في حاؿ احتواء االنحدار عمى متغير داخمي متباطئ ضمف المتغيرات التوضيحية عند ذلؾ فاف‬
‫اختبار دربف واتسف يصبح الغياً ويعوض عنو اختبار) ‪ ( h‬وتحسب قيمتيا عمى وفؽ القانوف ‪:‬‬
‫‪n‬‬
‫ˆ‪h  ‬‬ ‫)‪~ N(0,1‬‬ ‫‪...‬‬ ‫)‪( 26 - 6‬‬
‫) ‪1 n var( ˆ2‬‬
‫حيث اف ‪ β2‬تمثؿ معممة المتغير الداخمي المتباطئ بدرجة إبطاء واحدة‪.Yt-1‬‬
‫‪ : n‬تمثؿ حجـ العينة المستخدمة ‪.‬‬
‫*‬
‫‪d‬‬
‫‪ ( d* ) ، ˆ  1 ‬تمثؿ احصاءة دربف واتسف‬ ‫و‬
‫‪2‬‬
‫وفي حاؿ كوف )‪ (n var( ˆ 2 )  1‬فاف اختبار دربف ‪ h‬اليمكف استخدامو ويمكف استخداـ الطريقة‬
‫التالية لبلختبار ‪:‬‬
‫‪ -1‬نجري االنحدار ونستخرج البواقي )‪(et‬‬
‫‪ -2‬نقدر ‪ et‬ضد ‪ et-1‬و ‪ Yt-1‬وجميع المتغيرات التوضيحية األخرى ونختبر معنوية معممة ‪ et-1‬فإذا‬
‫كانت المعممة معنوية إحصائياً فيذا دليؿ عمى وجود مشكمة االرتباط الذاتي‪.‬‬

‫د‪ -‬اختبار والصمالرتباط الذاتي من الدرجة الرابعة ‪.AR(4) test . Wallis‬‬

‫بافتراض‪ ، ut  4ut 4   t :‬حيث أف ‪ : εt‬ضوضاء بيضاء‬
‫كما يفترض عدـ وجود متغيرات عشوائية ضمف المتغيرات التوضيحية‪ ،‬فاف اختبار ‪ Wallis‬يختبر‬
‫‪ 0 : 4  0 vs. 1 : 4  0‬‬ ‫الفرضية‪:‬‬
‫وذلؾ باستخداـ االحصاءه‪:‬‬
‫‪n‬‬

‫‪ (e‬‬ ‫‪t‬‬ ‫‪ et  4 ) 2‬‬

‫‪d4 ‬‬ ‫‪t 5‬‬
‫‪n‬‬
‫‪...‬‬ ‫)‪(27 - 6‬‬
‫‪e‬‬
‫‪t 1‬‬
‫‪2‬‬
‫‪t‬‬

‫وتقارف القيمة الحسابية ‪ d4‬مع جداوؿ ‪ .Wallis‬وتكوف عمى نوعيف إما مع وجود مقطع صادي أو بوجود‬
‫متغيرات وىمية لتعكس حالة الموسمية‪.‬‬

‫‪217‬‬
 ‫هـ‪ -‬ويمكن استخدام اختبار )‪ :(g-statistic‬الختبار فيما إذا كاف‬
‫‪1 :  0‬‬ ‫‪  0 :   0‬ضذ‬
‫وباستخداـ االحصاءة ‪:g‬‬
‫‪n‬‬

‫ˆ‪ v‬‬ ‫‪2‬‬

‫‪t‬‬
‫‪g‬‬ ‫‪2‬‬
‫‪n‬‬
‫‪‬‬ ‫)‪(28 - 6‬‬
‫‪e‬‬
‫‪t 1‬‬
‫‪2‬‬
‫‪t‬‬

‫حيث اف ‪ : v̂ t‬بواقي عبلقة االنحدار بصيغة الفرؽ األوؿ‬

‫مع عدـ وجود ثابت في العبلقة ‪.‬‬
‫‪ :et‬بواقي عبلقة االنحدار األصمية )بالمستوى ‪.(Level‬‬

‫ويتـ استخداـ جداوؿ دربف واتسف ايضاً‪.‬‬

‫مثاؿ )‪ :(15-6‬إذا عممت إف الدخؿ الشخصي المتاح ‪ Xt‬واالستيبلؾ الشخصي ‪ Yt‬والبيانات مقاسة‬
‫بمميوف دينار‪ .‬اختبر خمو البواقي مف االرتباط الذاتي مف نوع ‪AR(1) .‬‬

‫‪Yt : 199 204 216 218 224 233 238 256 264 270‬‬

‫‪Xt : 212 214 231 237 244 255 257 273‬‬ ‫‪284‬‬ ‫‪290‬‬

‫الحؿ‪:‬‬
‫‪Yˆ  7.25  0.901X‬‬ ‫معادلة التقدير‪:‬‬
‫ˆ‪e  Y  Y‬‬ ‫تحسب بواقي العبلقة‪:‬‬
‫‪et : 0.74 3.94 0.62 -2.79 -3.09 -4.01 -0.81 2.78 0.87 1.46‬‬

‫‪Δet : 3.2 -3.3 -3.4 -0.3 -0.9‬‬ ‫‪3.2 3.6 -1.9 0.6‬‬
‫تحسب االحصاءة *‪d‬‬
‫‪60.83‬‬
‫‪d* ‬‬ ‫‪ 0.99‬‬
‫‪61.04‬‬
‫تقارف مع القيمة الجدولية لعدد مشاىدات)ٓٔ( ومستوى داللة ‪ % 1‬وعدد متغيرات مستقمة = ‪1‬‬
‫‪dl = 0.604‬‬ ‫‪, du =1.001‬‬
‫مف المقارنة نجد اف القيمة الحسابية تقع في مجاؿ غير الحاسـ‪.‬‬

‫‪218‬‬
‫‪ -‬وبالنظر إلى قيـ البواقي نجد أف القيـ موجبة ثـ سالبة ثـ موجبة تكوف بييأة )‪ (cycle‬مما يعطي‬
‫انطباعاً باف مشكمة االرتباط الذاتي موجودة‪.‬‬

‫مثاؿ )‪ :(ٔٙ -6‬إذا عممت إف بواقي عبلقة انحدار ‪ Y‬عمى ‪ X‬ىي ‪:‬‬
‫‪et : 0.73 1.05 1.60 2.37 2.14 2.68 0.45 -1.00 -2.23 -2.69 -‬‬
‫‪2.14 -1.37‬‬ ‫‪-0.60 -0.05 -0.51‬‬

‫اختبر خمو النموذج مف االرتباط الذاتي بصيغة )‪ AR(1‬؟‬

‫الحؿ‪ 0 :   0 vs. 1 :  0 :‬‬
‫‪(et  et 1 ) 2  12.14‬‬

‫‪et2  42.06‬‬
‫‪12.14‬‬
‫‪d* ‬‬ ‫‪ 0.289‬‬
‫‪42.06‬‬
‫مف جداوؿ دربف واتسف لعدد مشاىدات ‪ n = 15‬والمتغيرات التوضيحية‪ k´=1 :‬ولمستوى داللة‬
‫‪ 5%‬يمكف استخراج ) ‪( dl = 1.077 &du = 1.361‬‬
‫يتضح مف المخطط )‪ (ٜ-6‬اف النموذج يعاني مف مشكمة االرتباط الذاتي الموجب‪ .‬عمى وفؽ اختبار‬
‫دربف واتسف‪.‬‬

‫مثاؿ)‪ :(17-6‬مع توفر لوحة البيانات التالية ‪:‬‬

‫‪Yˆt  7.3  0.2 X t  3.5Yt 1‬‬ ‫‪,‬‬ ‫‪d*  1.1229 ,‬‬ ‫‪t  1, . . . ,40‬‬
‫‪s.e :‬‬ ‫)‪(0.04‬‬
‫اختبر ىؿ إف النموذجيعاني مف مشكمة االرتباط الذاتي ‪.‬‬
‫الحؿ‪ :‬حيث اف النموذج يحوي متغي اًر داخمياً متباطئاً لذا نستخدـ اختبار دربف ‪h‬‬
‫*‪d‬‬
‫‪ˆ  1 ‬‬ ‫‪ 1  0.56145  0.43855‬‬
‫‪2‬‬
‫‪40‬‬
‫‪h  0.43855‬‬ ‫‪ 2.86689  1.96‬‬
‫‪1  0.064‬‬
‫نرفض ‪ H0‬أي اف النموذج يعاني مف مشكمة االرتباط الذاتي ‪.‬‬

‫‪219‬‬
 ‫مثاؿ )‪ :( ٔٛ- ٙ‬لقيـ ‪ Y‬و ‪:X‬‬
‫‪X‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬
‫‪Y‬‬ ‫‪-5‬‬ ‫‪-3‬‬ ‫‪2‬‬ ‫‪7‬‬ ‫‪9‬‬

‫تـ الحصوؿ عمى معادلة التقدير ‪:‬‬

‫‪Yˆ  9.4  3.8 X‬‬

‫اختبر ىؿ إف العبلقة تعاني مف االرتباط الذاتي )‪AR(1‬‬

‫الحؿ‪:‬‬

‫تحسب المعمومات الخاصة باالحصاءة دربف واتسف وكما في الجدوؿ التالي‪:‬‬

‫جدوؿ حسابات مثاؿ)‪( 18-6‬‬

‫ˆ‪Y‬‬ ‫‪et‬‬ ‫‪et-1‬‬ ‫‪∆et‬‬ ‫‪∆et2‬‬ ‫‪e t2‬‬

‫‪-5.6‬‬ ‫‪0.6‬‬ ‫‪0.36‬‬

‫‪-1.8 -1.2‬‬ ‫‪0.6‬‬ ‫‪-1.8‬‬ ‫‪3.24‬‬ ‫‪1.44‬‬
‫‪2‬‬ ‫‪0‬‬ ‫‪-1.2‬‬ ‫‪1.2‬‬ ‫‪1.44‬‬ ‫‪0‬‬
‫‪5.8‬‬ ‫‪1.2‬‬ ‫‪0‬‬ ‫‪1.2‬‬ ‫‪1.44‬‬ ‫‪1.44‬‬
‫‪9.6 -0.6‬‬ ‫‪1.2‬‬ ‫‪-1.8‬‬ ‫‪3.24‬‬ ‫‪0.36‬‬

‫‪‬‬ ‫‪9.36‬‬ ‫‪3.6‬‬

‫‪9.36‬‬
‫‪d* ‬‬ ‫‪ 2.6‬‬ ‫ثـ نحسب االحصاءة ‪:‬‬
‫‪3.6‬‬

‫‪( dl = 0.6‬‬ ‫‪,‬‬ ‫‪du = 1.4‬‬ ‫)‬ ‫عند مستوى داللة ‪ 5%‬فأف قيـ& ‪: dudl‬‬
‫وبذلؾ فأف القرار ‪:‬ال توجد مشكمة ارتباط ذاتي بصيغة )‪. AR(1‬‬

‫مبلحظة‪:‬‬
‫{عند استخداـ االحصاءة دربف واتسف البد مف التأكد مسبقاً مف إف التوزيع لمبواقي يكوف طبيعياً }‬

‫‪221‬‬
 ‫)‪(7-4-6‬معالجة االرتباط الذاتي‪Remedies of autocorrelation.‬‬
‫بعػػد اكتشػػاؼ وجػػود حػػدود خطػػأ مرتبطػػة ذاتي ػاً ‪ .‬يػػتـ التأكػػد فيمػػا إذا كانػػت المشػػكمة ارتبػػاط ذاتػػي‬
‫حقيقي )‪ (pure autocorrelation‬أـ بسبب سوء توصيؼ النموذج ‪ :‬فقد يكوف السبب حذؼ متغير ميـ‬
‫أو اسػػتخداـ صػػيغة داليػػة غيػػر مبلئمػػة‪ .‬ولمتأكػػد مػػف ذلػػؾ وفػػي حػػاؿ السبلسػػؿ الزمنيػػة يػػتـ إدخػػاؿ عنصػػر‬
‫الػػزمف كأحػػد المتغي ػرات التوضػػيحية فػػي المعادلػػة لمعالجػػة االتجػػاه الزمنػػي فػػي المتغي ػرات واختبػػار االرتبػػاط‬
‫ال ػػذاتي‪ ،‬ف ػػإذا ل ػػـ ت ػػتخمص المعادل ػػة م ػػف االرتب ػػاط ال ػػذاتي ي ػػتـ البح ػػث ع ػػف متغيػ ػرات توض ػػيحية محذوف ػػة و‬
‫تضمينيا فػي المعادلػة وتختبػر المعادلػة مػف االرتبػاط الػذاتي‪ .‬فػإذا اسػتمرت النتػائج تعمػف عػف وجػود مشػكمة‬
‫االرتبػػاط الػػذاتي يػػتـ التحقػػؽ مػػف الصػػيغة الداليػػة المسػػتخدمة فيػػتـ اسػػتبداؿ الخطيػػة بالصػػيغة التربيعيػػة أو‬
‫الموغاريتميػػة‪ ،‬واذا اسػػتمرت النتػػائج تؤكػػد وجػػود االرتبػػاط الػػذاتي فيػػذا يػػدؿ عمػػى وجػػود ارتبػػاط ذاتػػي حقيقػػي‬
‫ويتطمب معالجتو بتحويؿ المشاىدات بالشكؿ الذي يضمف تخميص النموذج مف المشكمة‪.‬‬

‫استخدام المتغيرات المحولة‪(Transformation( .‬‬

‫بعد التأكد مف أف االرتباط الذاتي حقيقي البد مف العمؿ عمى تحويؿ مشاىدات المتغيرات في‬
‫المعادلة بالشكؿ الذي يضمف تخميص المعادلة مف االرتباط الذاتي لؤلخطاء‪.‬‬
‫وعمى سبيؿ المثاؿ لمتوضيح‪ ،‬نفترض معادلة االنحدار الخطي البسيط‬
‫‪Yt  0  1 X t  ut‬‬ ‫‪...‬‬ ‫)‪( 29 - 6‬‬
‫حيث إف ‪ ، ut   ut 1   t‬عمما أف ‪ εt‬ىي ضوضاء بيضاء‪.‬‬
‫و ‪ ρ‬معامؿ االرتباط الذاتي ‪│ρ│>1‬‬
‫فاف تحويؿ المشاىدات يعتمد عمى قيمة ‪ ρ‬فإذا كانت قيمة ‪ ρ‬معمومة فاف تحويؿ المشاىدات لمتغيرات‬
‫المعادلة )‪ (29-ٙ‬ىي‪:‬‬
‫‪Yt*  Yt   Yt 1‬‬ ‫‪ t  2,3,  , n‬‬
‫‪X t*  X t   X t 1‬‬ ‫‪ t  2,3,  , n‬‬

‫‪ut*  ut   ut 1   t  t  2,3,  , n‬‬

‫إما تحويؿ المشاىدات األولى فيتـ استعماؿ تحويؿ ) ‪ (praise winsten‬عمى وفؽ اآلتي‪:‬‬
‫‪Y1*  Y1 1   2‬‬ ‫‪,‬‬ ‫‪X 1*  X 1 1   2‬‬
‫وبذلؾ فاف النموذج المحوؿ ‪:‬‬
‫‪Yt*   0*   1* X t*  u*t‬‬ ‫‪...‬‬ ‫)‪(30 - 6‬‬
‫عمما باف ‪ 1  1‬و ) ‪  0   0 (1  ‬و ‪ u t   t‬وىي ضوضاء بيضاء خالية مف االرتباط‬
‫*‬ ‫*‬ ‫*‬

‫الذاتي وبعدىا نقدر المعادلة المحولة )‪ (30-ٙ‬بطريقة المربعات الصغرى االعتيادية‪.‬‬

‫‪221‬‬
 ‫طرائق تقدير ( ‪) ρ‬‬
‫في حاؿ كوف )‪ ( ρ‬غير معمومة فيتـ تقديرىا بإحدى الطرائؽ التالية‪:‬‬
‫ٔ= ‪ ρ‬أو ‪= -1 . ρ‬وتكوف طريقة التحويؿ مناسبة إذا كاف‬ ‫‪ -1‬طريقة الفرؽ األوؿ ‪.‬إي يتـ افتراض‬
‫معامؿ االرتباط الذاتي عالياً جداً‪ .‬وعندما تكوف قيمة االحصاءة )*‪ ( d‬قميمة جداً‪ ،‬قريبة مف الصفر‪.‬‬
‫ويمكف استخداـ اختبار )‪ (g-statistic‬الختبار فيما إذا كاف‬
‫‪1 :  0‬‬ ‫‪  0 :   0‬ضذ‬
‫فعند قبوؿ فرضية العدـ فاف ذلؾ دليؿ عمى إمكاف استخداـ )ٔ= ‪ (ρ‬في التحويؿ‪.‬‬
‫*‪d‬‬
‫‪ˆ  1 ‬‬ ‫‪ -2‬يمكف استخداـ تقريب دربف واتسف إعتمادآ عمى العبلقة )‪: (ٕ4-ٙ‬‬
‫‪2‬‬
‫وىذا التقريب يكوف صحيحاً في حاؿ كوف العينة كبيرة‪.‬‬
‫‪ -3‬يمكف إجراء انحدار ‪ et‬بداللة ‪ et-1‬وبدوف مقطع ثابت ‪:‬‬
‫‪et   et 1  vt‬‬ ‫‪. . .‬‬ ‫)‪(31-ٙ‬‬
‫وعمى وفؽ طريقة المربعات الصغرى فاف ‪:‬‬
‫‪n‬‬

‫‪e e‬‬ ‫‪t‬‬ ‫‪t 1‬‬

‫‪̂ ‬‬ ‫‪2‬‬
‫‪n‬‬

‫‪e‬‬ ‫‪2‬‬
‫‪2‬‬
‫‪t 1‬‬

‫‪ -4‬طريقة التكرار )‪(Cochrane-Orcutt iterative‬‬

‫ويتـ استخداـ ىذه الطريقة سواء كاف االرتباط الذاتي مف نوع )‪ AR(1‬أو درجات أعمى ‪.‬‬
‫خطوات الطريقة بافتراض )‪:AR(1‬‬
‫)أ( الحصوؿ عمى بواقي االنحدار األصمي ) ‪)( et‬استخداـ المتغيرات بالمستوى ‪. (level‬‬
‫)ب( إجراء انحدار ‪ et‬بداللة ‪ et-1‬وبدوف ثابت وكما في )‪ ، (31-ٙ‬نحصؿ عمى ̂‪. ‬‬
‫)ج( تستخدـ ̂‪ ‬لتحويؿ المشاىدات ويقدر النموذج المحوؿ بطريقة ‪ OLS‬لمحصوؿ عمى المعممات‬
‫* ˆ‪ ‬و * ˆ‪‬‬ ‫‪1‬‬ ‫‪0‬‬
‫* ‪Yˆ *  ˆ 0*  ˆ1* X‬‬
‫)د( تحسب بواقي عبلقة االنحدار بعد التعويض عند قيمة ‪ ˆ0‬و ‪: ˆ1‬‬
‫*‬ ‫*‬

‫) ‪e*  (Y  Yˆ )  (Y  ˆ0*  ˆ1* X t‬‬

‫‪et*  ̂ˆ et*1  wt‬‬ ‫)ىػ( تقدر العبلقة‪:‬‬

‫‪222‬‬
 ‫ˆ̂‪ ‬ىي تقدير ‪ ρ‬لمجولة الثانية و ىكذا تستمر الجوالت بشكؿ متكرر‪ .‬ويتـ التوقؼ عندما تكوف قيمة ‪ρ‬‬
‫المتتابعة شبة مستقرة‪ .‬أي إف التغيرات فييا تكوف اقؿ مف )‪ (0.01‬وعممياً فاف الجولة الرابعة تكوف ىي‬
‫الجولة األخيرة‪.‬‬
‫وجدير بالقوؿ إف اختيار الطريقة لتقدير ) ‪ ( ρ‬ال ييـ كثي اًر حيث إف جميعيا تعطي مقدرات متسقة‪.‬‬

‫)‪ )8-4-6‬التنبؤ في حالة وجود حدود خطأ ذاتية االرتباط ‪Prediction in autocorelated .‬‬
‫‪errors‬‬
‫يعد التنبؤ إحدى االستخدامات الميمة لنماذج انحدار الخطأ ذاتي االنحدار ‪ .‬ففي ىذه النماذج‬
‫يمكف االستفادة مف المعمومات عف حد الخطأ في الفترة األخيرة )‪ (n‬لمقياـ بالتنبؤ بالفترة المستقبمية‬
‫)‪ (n+1‬وىذا سيولد تنبؤاً أكثر دقة‪ .‬وذلؾ لترابط حدود الخطأ في الفترات المتتالية‪.‬‬
‫‪Yt   0  1 X t  ut‬‬ ‫باستخداـ نموذج االنحدار الخطي البسيط‬
‫‪ut   ut 1   t‬‬ ‫و المتغير العشوائي بصيغة‪:‬‬
‫‪Yt   0  1 X t   ut 1   t‬‬ ‫فنحصؿ عمى ‪:‬‬
‫ولمفترة ‪(n + 1) Yn1   0  1 X n1   un   n1‬‬
‫وبذلؾ فاف ‪ Yn+1‬تتكوف مف ثبلثة مركبات ‪:‬‬
‫) ‪Yˆn1  ( ˆ0  ˆ1 X n1‬‬ ‫‪ -1‬متوسط االستجابة ) القيمة المتوقعة في المدة )‪: ((n + 1‬‬
‫‪ -2‬حد الخطأ السابؽ ‪ un‬مضاعؼ بمعامؿ االرتباط ‪.ρ‬‬
‫‪( n1 )  0‬‬ ‫‪ -3‬متغير عشوائي مستقؿ وبتوقع صفري‬
‫وبذلؾ فاف التنبؤ لمفترة التالية ) ‪ ( n + 1‬والذي يرمز لو بػ ) ‪ (Y f n 1‬وىي تنبؤات شرطية عمى‬
‫المشاىدات السابقة ‪ . . . ، Yn-1 ، Yn‬وكذلؾ شرطية عمى ‪ Xn+1‬والتي في الغالب يتـ الحصوؿ عمييا‬
‫‪Y f ( n1)  Fn1  Yˆn1  ̂ e‬‬ ‫وبطريقة اإلسقاط‬
‫وبذلؾ فاف مجاؿ الثقة باحتماؿ ‪ (1-α)%‬لمقيمة التنبؤية الجديدة تحسب عمى وفؽ‪:‬‬
‫‪Y f n1  t‬‬ ‫‪‬‬ ‫‪ ˆ Y f‬‬
‫) ‪c ( n 3,‬‬ ‫‪n1‬‬
‫‪2‬‬
‫ويبلحظ إف درجات الحرية لتقدير )‪( ρ ، β1 ، β0‬ىي )‪ (n-3‬الف لدينا )‪ (n-1‬مف البيانات المحولة ما‬
‫عدا في حاؿ استخداـ ‪. ρ = 1‬‬
‫وبشكؿ عاـ فاف التنبؤ ألكثر مف فترة مستقبمية )‪ (h‬مثبلً يمكف إيجاده‪:‬‬
‫‪Yˆt  h  ˆ0  ˆ1 X t  h  ˆ h et‬‬

‫‪223‬‬
‫‪Yˆ  6.1641  1.066 X‬‬ ‫مثاؿ)‪ :( 18-6‬افترض إف معادلة التقدير ‪:‬‬
‫‪ˆ  0.342‬‬ ‫و إف قيمة ‪ ρ‬المقدرة ‪:‬‬

‫القيـ التنبؤية لممدة ‪(t+1) Yˆt 1  (6.1641  1.066 X t 1 )  ̂ et‬‬

‫) ‪et  Yt  (6.1641  1.066 X t‬‬ ‫حيث إف‪:‬‬

‫وبذلؾ فاف القيمة التنبؤية لمفترة ‪ t+1‬ىي ‪:‬‬
‫) ‪Yˆt 1  6.1641  1.066 X t 1  0.342(Yt  6.1641  1.066 X t‬‬

‫‪Yˆt 2  6.1641  1.066 X t  2  (0.342) 2 et‬‬ ‫القيمة التنبؤية لممدة )‪: (t+2‬‬
‫و ىكذا ‪. . .‬‬

‫)‪(5-6‬المربعات الصغرى المعممة‪Generalized least - squares :‬‬

‫تمييد‪:‬‬
‫عند اختبلؿ الفرضيات )‪ (2‬أو )‪ (3‬أو كبلىما فاف المتغير العشوائي ‪ u‬ال يكوف‬
‫ضوضاء بيضاء فالمتغير العشوائي لـ يعد كروياً )‪ (spherical‬واف مصفوفة التبايف والتبايف المشترؾ‬
‫‪var  cov(u)  uu   2‬‬ ‫لممتغير العشوائي تحدد عمى وفؽ اآلتي‪:‬‬
‫حيث اف ‪ Ω‬مصػفوفة مربعػة موجبػة قطعيػاً ) ‪ ( positive definite matrix‬بترتيػب )‪ (n×n‬وعميػو فػاف‬
‫تقػػدير النمػػوذج الخطػػي فػػي ىػػذه الحػػاالت ال يتحقػػؽ باسػػتخداـ طريقػػة المربعػػات الصػػغرى اذ اف )‪(OLS‬‬
‫تعطي مقدرات غير كفوءة ويجب بذلؾ استخداـ طرائؽ التحويؿ المناسػبة كمػا اسػمفنا فػي الفقػرتيف )‪( 3-6‬‬
‫و )‪ .(4-6‬وستخصػػص ىػػذه الفق ػرة لد ارسػػة طريقػػة المربعػػات الصػػغرى المعممػػة والتػػي يرمػػز ليػػا اختصػػا اًر‬
‫)‪ (GLS‬وكمػػا سػػيتـ التأكيػػد عمػػى بعػػض الحػػاالت الخاصػػة لييكػػؿ المصػػفوفة ‪ ، Ω‬ىػػذا فضػبلً عػػف صػػفات‬
‫المقدرات التي تعتمد عمى طريقة )‪ (GLS‬في حالة كوف ىيكؿ مصفوفة ‪ Ω‬معمومة أو غير معمومة‪.‬‬

‫)‪(1-5-6‬المربعات الصغرى المعممة )‪Generalized least – squares.(GLS‬‬

‫‪Y  X  u‬‬ ‫في االنحدار الخطي العاـ‪:‬‬

‫‪(uu)   2 I n‬‬ ‫وبافتراض اف‬

‫‪. . .‬‬ ‫)‪(32-6‬‬
‫‪(uu)   2 ‬‬ ‫وانما‪:‬‬

‫في حاؿ )‪ (Ω‬مصفوفة مربعة وموجبة قطعياً‪.‬‬

‫‪224‬‬
‫وباالعتماد عمى نتائج التحويؿ بصيغ المصفوفات يمكف تحويؿ المتغير العشوائي غير الكروي إلى متغير‬
‫كروي وذلؾ باالعتماد عمى القاعدة التالية‪ :‬الي مصفوفة موجبة قطعياً )‪ (Ω‬يمكف إيجاد مصفوفة غير‬
‫شاذة )‪ (P‬بحيث ‪:‬‬

‫‪PP  ‬‬ ‫‪  ‬‬ ‫)‪(33  6‬‬

‫‪1‬‬
‫وعميو يتـ تحويؿ النموذج )‪ (32-6‬وذلؾ بضرب طرفي العبلقة بػ ) ‪ ( P‬فيتـ الحصوؿ عمى‪:‬‬

‫‪(34-6) P Y  P X  P u‬‬
‫‪1‬‬ ‫‪1‬‬ ‫‪1‬‬
‫‪. . .‬‬

‫وبافتراض‪:‬‬
‫* ‪P 1u  u* ، P 1 X  X * ، P 1Y  Y‬‬
‫فاف النموذج المحوؿ‪:‬‬

‫*‪Y *  X *  u‬‬ ‫‪. . .‬‬ ‫)‪(35-6‬‬

‫حيث اف *‪ u‬متغير عشوائي بمتوسط صفري وتباينو يحسب عمى وفؽ‪:‬‬

‫)‪var(u* )  var( P 1u‬‬
‫‪ P 1 var(u )( P 1 )‬‬
‫‪  2 P 1( P 1 )   2 P 1 ( PP)( P 1 )‬‬

‫‪var(u)   2 P 1PP( P) 1   2 I n‬‬ ‫‪. . .‬‬ ‫)‪(36‬‬

‫وبذلؾ فاف النموذج المحوؿ تـ تخميصو مف عدـ كروية المتغير العشوائي وأصبحت مصفوفة التبايف‬
‫والتبايف المشترؾ لممتغير العشوائي المحوؿ *‪ u‬عبارة عف ثابت ) ‪ (‬مضروبة بمصفوفة الوحدة )‪،(In‬‬
‫‪2‬‬

‫وبذلؾ فاف تطبيؽ المربعات الصغرى عمى النموذج المحوؿ يعطي مقدرات )‪ (BLUE‬لممعممة ‪.β‬‬
‫وبذلؾ فاف معيار المربعات الصغرى المعممة ىو تصغير مجموع مربعات بواقي النموذج المحوؿ‪.‬‬
‫أي‪:‬‬
‫‪‬‬
‫* ˆ‪Min uˆ *u‬‬ ‫‪‬‬ ‫)‪(37 - 6‬‬
‫‪ei*  ui*  P 1u‬‬ ‫أو‬
‫وباستخداـ المصفوفات‪:‬‬

‫‪225‬‬
Min ( P 1e)( P 1e)

:‫أي‬
Min P ee( P)
1 1

:‫وبذلؾ فاف المعادالت الطبيعية‬

 
X * X *GLS  X * Y *  (38 - 6)
( P 1 X )( P 1 X ) ˆGLS  ( P 1 X )( P 1Y )

X ( P) 1 P 1 X ˆGLS  X P 1 P 1Y
X ( PP) 1 X ˆGLS  X ( PP) 1Y
X   1 X ˆGLS  X   1Y  (39 - 6)

:‫ تتبع القانوف التالي‬GLS ‫وعميو فاف معممة االنحدار بموجب طريقة‬

ˆGLS  ( X  1 X ) 1 X 1Y  (40 - 6)
(Aitken estimator) ‫وىذه الصيغة تعرؼ بصيغة تقدير أتكف‬

Properties of the generalized .‫(صفات المقدرات بطريقة المربعات الصغرى المعممة‬2-5-6)

least squares estimates
‫( والتي تسمى أيضا ب )مقدرات أتكف( ىي المقدرات‬40-6) ‫اف المقدرات التي تتبع الصيغة‬
:‫( وتتصؼ بالصفات التالية‬GLS) ‫بطريقة المربعات الصغرى المعممة‬
:‫ غير متحيزة‬-ٔ
ˆGLS  ( X  1 X ) 1 X 1 ( X  u)
 ( X  1 X ) 1 X 1 X  ( X  1 X ) 1 X 1u

ˆGLS    ( X  1 X ) 1 X 1u  (41 - 6)

 ( ˆ )    ( X  1 X ) 1 X 1u 
GLS

   ( X   1 X ) 1 X  1(u )

E(u) = 0 :‫حيث اف‬

226
 ‫ٕ‪ -‬تركيب خطي بداللة ‪.Y‬‬
‫حيث اف قيـ المتغيرات التوضيحية في المصفوفة ‪ X‬ثابتة لمعينة المختارة لذا فاف الصيغة )‪ (40-6‬تعد‬
‫تركيب خطي بداللة قيـ ‪.Y‬‬
‫ٖ‪ -‬مصفوفة التبايف والتبايف المشترؾ لممعالـ المقدرة بطريقة ‪ GLS‬يمكف اشتقاقيا عمى وفؽ االتي‪:‬‬
‫باالعتماد عمى العبلقة )‪:(41-6‬‬
‫‪ˆGLS    ( X  1 X ) 1 X 1u‬‬
‫اذف‪:‬‬
‫‪ˆGLS    ( X  1 X ) 1 X 1u‬‬ ‫‪. . .‬‬ ‫)‪(42-6‬‬
‫ولحساب التبايف والتبايف المشترؾ يتبع االتي‪:‬‬
‫ˆ‬ ‫وذلؾ الف ‪ ̂ GLS‬غير متحيزة‬
‫‪var  cov( ˆGLS )  ( ˆGLS   ) ( ˆGLS   )‬‬

‫وبالتعويض مف العبلقة )‪ (42-6‬يتـ الحصوؿ عمى‪:‬‬

‫‪‬‬ ‫‪ (X  ‬‬ ‫‪1‬‬
‫‪X ) 1 X 1u u1 X ( X  1 X ) 1‬‬ ‫‪‬‬
‫‪ ( X  1 X ) 1 X 1 ( uu)1 X ( X  1 X ) 1‬‬ ‫)‪ (43 - 6‬‬
‫‪ ( X   1 X ) 1 X  1 2   1 X ( X   1 X ) 1‬‬ ‫‪I n  1‬‬
‫‪،‬‬
‫‪  2 ( X  1 X ) 1 X 1 X ( X  1 X ) 1‬‬
‫‪I n  X 1 X ( X  1 X ) 1‬‬
‫‪var  cov(ˆGLS )   2 ( X  1 X ) 1‬‬ ‫)‪ (44 - 6‬‬
‫والمصفوفة ) ‪ ( X  X‬مربعة ومتماثمة وموجبة قطعياً وصماء‪ .‬وعناصر القطر الرئيس تمثؿ تبايف‬
‫‪1‬‬ ‫‪1‬‬

‫المعممات المقدرة‪ ،‬اما التبايف المشترؾ بيف المعممات المقدرة فيتمثؿ بالعناصر غير القطرية‪.‬‬
‫عمماً باف ‪ ‬تمثؿ تبايف المتغير العشوائي والذي يتـ تقديره عمى وفؽ القانوف‪:‬‬
‫‪2‬‬

‫* ‪*‬‬
‫‪e‬‬ ‫‪e‬‬
‫‪( 2 )  ˆ 2 ‬‬
‫‪n  k 1‬‬
‫‪‬‬
‫‪e* e*  (e1e)  TSSGLS  ESS GLS‬‬ ‫حيث اف‪:‬‬

‫‪Y  1Y  ˆGLS X 1Y‬‬ ‫‪. . .‬‬ ‫)‪(45-6‬‬

‫اي اف‪:‬‬

‫‪227‬‬
 ‫‪Y   1Y  ˆGLS X  1Y‬‬
‫‪ˆ ‬‬
‫‪2‬‬
‫‪. . .‬‬ ‫)‪(46-6‬‬
‫)‪(n  k  1‬‬
‫وىي تقدير غير متحيز لتبايف الخطأ في النموذج )‪.(32-6‬‬
‫تبايف المعممات المقدرة عمى وفؽ ‪ GLS‬يكوف كفوءاً مقارنة بالمقدرات وفؽ ‪.OLS‬‬
‫‪var  cov( ˆGLS )   2 ( X  1 X ) 1‬‬ ‫يتضح مف المعادلة )‪: (44-6‬‬
‫عندما ‪(uu )   2 ‬‬
‫والعبلقة )‪ (36-6‬أوضحت أف النموذج المحوؿ يحقؽ الفرضية التي تستمزـ المربعات الصغرى ‪ ،‬وعميو‬
‫فاف المقدرات ‪ ̂ GLS‬ىي أفضؿ مقدرات خطية غير متحيزة لمعممات النموذج ‪. β‬‬
‫أما في حاؿ استخداـ طريقة المربعات الصغرى االعتيادية لمنموذج )‪ (32-6‬فاف مصفوفة التبايف والتبايف‬
‫المشترؾ ىي‪:‬‬
‫‪(ˆOLS   ) (ˆOLS   )‬‬
‫‪‬‬ ‫) ‪ ( X X‬‬ ‫‪1‬‬
‫‪X u uX ( X X ) 1‬‬
‫‪ ( X X ) 1 X (u u) X ( X X ) 1‬‬
‫‪var  cov( ˆOLS )   2 ( X X ) 1 X X ( X X ) 1‬‬ ‫‪. . .‬‬ ‫)‪(47-6‬‬
‫ولقياس كفاءة التقدير بموجب ‪ GLS‬نسبة إلى ‪ OLS‬يتـ حساب معامؿ الكفاءة عمى وفؽ الصيغة‪:‬‬

‫التبايف بطريقة ‪GLS‬‬ ‫معامؿ الكفاءة =‬

‫التبايف بطريقة ‪OLS‬‬

‫فإذا كانت قيمة معامؿ الكفاءة أقؿ مف الواحد الصحيح فاف المعممات المقدرة بطريقة ‪ GLS‬أكثر كفاءة‬
‫مف المقدرات بطريقة ‪ .OLS‬وبمقارنة العبلقة )‪ (44-6‬و )‪ (47-6‬يتضح أف معامؿ الكفاءة اقؿ مف‬
‫واحد‪.‬‬
‫وجدير بالذكر أف قيمة المعممة المقدرة بطريقة ‪ GLS‬عمى وفؽ العبلقة )‪ (40-6‬تعتمد عمى معرفة‬
‫‪-1‬‬
‫عناصر المصفوفة ‪ Ω‬مف أجؿ تحديد المعكوس) ‪ .(Ω‬وقد تكوف عناصر المصفوفة ‪ Ω‬معمومة وغالباً‬
‫تكوف غير معمومة وبذلؾ ينبغي تقديرىا‪ .‬وسوؼ نخصص الفقرة التالية لتحديد أىـ األنماط المستخدمة‬
‫لعناصر مصفوفة ‪.Ω‬‬

‫‪228‬‬
 ‫)‪ (3-5-6‬أشكال " ‪ " Ω‬الخاصة‪Special forms of ) Ω ( .‬‬
‫كما تـ توضيحو في الفقرات السابقة أف اختبلؿ الفرضية الكروية لممتغير العشوائي‬
‫أي ‪ ( uu   I n ) :‬فيكوف سبب اختبلليا مف عدد مف األمور‪ ،‬منيا وجود مشكمة عدـ التجانس‬
‫‪2‬‬

‫أي اف تبايف المتغير العشوائي مختمفاً باختبلؼ المشاىدات‪ .‬واألمر اآلخر الميـ ىو وجود مشكمة االرتباط‬
‫الذاتي بيف مشاىدات المتغير العشوائي وبإشكالو وىياكمو المختمفة‪ .‬ىذا فضبلً عف أمور أخرى ىي خارج‬
‫نطاؽ مفردات ىذا الكتاب وىي اآلنية أو النماذج غير المرتبطة ظاىرياً "‪. "seemingly unrelated‬‬

‫‪ -1‬اذا المتغيرات العشوائية تعاني مشكمة عدـ التجانس )‪ (hetroscedasticity‬فقط ولكنيا غير مرتبطة‬
‫ذاتياً‪ ،‬وبذلؾ فاف مصفوفة ‪ Ω‬تكوف قطرية‪:‬‬
‫‪  diag  i2‬‬ ‫‪ ‬‬
‫‪ 12‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪‬‬ ‫‪0‬‬‫‪‬‬
‫‪‬‬ ‫‪‬‬
‫‪0‬‬ ‫‪ 22‬‬ ‫‪0‬‬ ‫‪‬‬ ‫‪0‬‬‫‪‬‬
‫‪ 0‬‬ ‫‪0‬‬ ‫‪ 32‬‬ ‫‪‬‬ ‫‪0‬‬‫‪‬‬
‫‪‬‬ ‫‪‬‬
‫‪ ‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪  ‬‬
‫‪0‬‬ ‫‪  n2 ‬‬
‫‪‬‬ ‫‪0‬‬ ‫‪0‬‬

‫فيي غالباً تكوف غير معمومة وسنتطرؽ إلى بعض األمثمة البسيطة في ىذا المجاؿ‪.‬‬ ‫أما قيـ ‪ i2‬‬

‫مثاؿ )‪ : (19-6‬افترض ‪ n‬مف الشركات و ‪ m‬مف الصناعات‪.‬‬

‫وتمت دراسة انتاج )‪ (m‬مف الصناعات التحويمية مثبلً ولكؿ منيا )‪ (n‬مف الشركات كدالة بداللة عدد‬
‫العماؿ في ىذه الشركات الممثمة لمصناعات التحويمية وبذلؾ فاف عبلقة االنحدار تتبع اآلتي‪:‬‬
‫‪. . .‬‬ ‫‪(48-6) Yij‬‬ ‫‪   X ij  uij‬‬
‫‪ i = 1,2, . . . ,m‬مف الصناعات‬
‫‪ j = 1,2, . . . ,n‬مف الشركات‪.‬‬
‫افترض توافر مشاىدات تجميعية حوؿ كؿ صناعة والتي تحتوي عمى )‪ (n‬مف الشركات فاف المعادلة‬
‫التجميعية لمصناعات‪:‬‬
‫‪. . .‬‬ ‫‪(49-6) Yi   ni  X i  ui‬‬ ‫‪; i = 1,2, . . . , m‬‬
‫حيث اف ‪:‬‬

‫‪229‬‬
 ‫‪ni‬‬
‫‪Yi   Yij‬‬
‫‪j 1‬‬
‫‪ni‬‬
‫‪X i   X ij‬‬
‫‪j 1‬‬
‫‪ni‬‬
‫‪ui   uij‬‬
‫‪j 1‬‬

‫وبالرغـ مف افتراض تجانس التبايف لممتغير العشوائي في العبلقة )‪ (48-6‬فاف المتغير العشوائي لمعبلقة‬
‫) ‪ui ~ IID( 0, ni 2‬‬ ‫)‪ (49-6‬يعاني مف مشكمة عدـ التجانس فيو يتوزع كاآلتي‪:‬‬
‫‪ i2  ni 2‬‬
‫حيث اف‪:‬‬
‫‪ n1 0  0 ‬‬
‫‪‬‬ ‫‪‬‬
‫‪ 0 n2‬‬ ‫‪0‬‬
‫‪‬‬ ‫‪...‬‬ ‫)‪(50 - 6‬‬
‫‪    ‬‬
‫‪‬‬ ‫‪‬‬
‫‪0 0  n ‬‬
‫‪‬‬ ‫‪m‬‬

‫ويحتاج بذلؾ تقدير )‪ (n‬مف التباينات وذلؾ ال يكوف ممكناً عند توافر )‪ (n‬مف المشاىدات فقط لذا لتقدير‬
‫عناصر ‪ Ω‬يكوف ىناؾ خياراف‪:‬‬
‫الخيار األوؿ‪ :‬المشاىدات المتكررة‪.‬‬
‫أما الخيار الثاني‪ :‬فيكوف مف خبلؿ افتراض معمومات إضافية حوؿ نمط عدـ التجانس‪.‬‬

‫مثاؿ)‪ : (20-6‬الخيار االوؿ‪ :‬المشاىدات المتكررة‪.‬‬

‫لدراسة اإلنفاؽ االستيبلكي عمى الغذاء تـ سحب عينة بشكؿ عشوائي ألسر ضمف فئات دخميو‬
‫مختمفة ) ‪ m‬مف الفئات الدخمية (‪ .‬وسحبت )‪ (ni‬مف األسر لكؿ فئة دخمية‪ ،‬وبذلؾ فاف معادلة االنحدار‬
‫لئلنفاؽ االستيبلكي عمى الغذاء‪:‬‬
‫‪Yij    X i  uij‬‬ ‫‪...‬‬ ‫)‪(51 - 6‬‬
‫‪i = 1,2, . . . ,m‬‬
‫‪j = 1,2, . . . ,ni‬‬
‫‪m‬‬
‫‪n   ni‬‬ ‫وحجـ العينة لمنموذج‬
‫‪i 1‬‬

‫حيث اف ‪ Yij :‬االنفاؽ االستيبلكي عمى الغذاء لممشاىدات المتكررة لؤلسر ذوات نفس الدخؿ )‪. (Xi‬‬

‫‪231‬‬
 ‫أي‪ :‬دالة انحدار الفئة الدخمية االولى‪:‬‬
‫‪Y1 j    X1  u1 j‬‬
‫‪j = 1,2, . . . ,n1‬‬
‫‪ n1‬عدد األسر المسحوبة بشكؿ عشوائي ذات الدخؿ ‪.X1‬‬

‫‪Y2 j    X 2  u2 j‬‬ ‫ودالة انحدار الفئة الدخمية الثانية‪:‬‬

‫‪Ymj    X m  umj‬‬
‫وبذلؾ فاف حجـ العينة المسحوبة ىي ) ‪n = ( nm + . . . + n2 + n1‬‬
‫يعتمد عمى حجـ العينة في‬
‫‪ni‬‬
‫‪j = 1,2, . . . ,n2‬‬
‫‪ n2‬عدد االسر المسحوبة بشكؿ عشوائي لفئة الدخؿ ‪.X2‬‬
‫وىكذا ‪. . .‬‬
‫‪j = 1,2, . . . ,nm‬‬
‫‪ nm‬عدد األسر المسحوبة بشكؿ عشوائي لفئة الدخؿ ‪.Xm‬‬
‫كما اف ‪ uij‬متغيرات عشوائية تتوزع توزيعاً مستقبل بمتوسط صفر وتبايف ‪ i2‬‬
‫الفئة الدخمية المعينة‪ .‬ويمكف تقديره لػ )‪ (m‬مف الفئات الدخمية بطريقتيف‪:‬‬
‫الطريقة األولى‪ :‬تحسب عمى وفؽ القانوف‪:‬‬

‫‪ (Y‬‬
‫‪j 1‬‬
‫‪ij‬‬ ‫‪ Yi ) 2‬‬
‫‪ˆ i2 ‬‬ ‫‪...‬‬ ‫)‪(52 - 6‬‬
‫)‪(ni  1‬‬
‫حيث‪:‬‬
‫‪ni‬‬

‫‪Y‬‬
‫‪j 1‬‬
‫‪ij‬‬

‫‪Yi ‬‬
‫‪ni‬‬
‫أما الطريقة الثانية فتحسب عمى وفؽ اآلتي‪:‬‬
‫‪ni‬‬

‫‪e‬‬
‫‪2‬‬
‫‪ij‬‬
‫‪j 1‬‬
‫‪ˆ i2 ‬‬ ‫‪...‬‬ ‫)‪(53 - 6‬‬
‫‪ni‬‬
‫‪eij  Yij  ˆ  ˆX i‬‬ ‫حيث ‪ eij‬تمثؿ بواقي انحدار المربعات الصغرى‪.‬‬
‫والتقديرف )‪ (52-6‬و )‪ (53-6‬تقديرات متسقة )‪ (consistent‬لػ ‪.  i‬‬
‫‪2‬‬

‫الخيار الثاني‪ :‬توقع نمط عدـ التجانس عمى وفؽ المشكمة التي تتـ معالجتيا‪.‬‬

‫‪231‬‬
 ‫مثاؿ )‪ :(21-6‬دراسة بيانات مقطعية لمربح بداللة المبيعات‬
‫نتوقػػع اف الشػػركات الكبي ػرة تمتمػػؾ مصػػادر تحويػػؿ اكبػػر ويمكنيػػا افت ػراض كميػػات اكبػػر او اسػػتثمار‬
‫اكبر او تكوف خسارتيا او ربحيا اكبر مف الشركات الصغيرة‪ .‬وعميو فاف نمط عدـ التجانس يكػوف مرتبطػاً‬
‫مع حجـ الشركة والذي يعكس المتغير المستقؿ كأف يكوف المبيعات او أي متغير آخر يقيس الحجـ‪.‬‬
‫وبشكؿ عاـ يمكف تقدير ‪  i‬عمى وفؽ اآلتي‪:‬‬
‫‪2‬‬

‫‪ ‬صيغة حاصؿ الضرب‬

‫‪ i2   2 Z i‬‬ ‫‪. . .‬‬ ‫)‪(54-6‬‬
‫)‪ (δ‬معممة غير معمومة‪.‬‬
‫‪  0,0.1,0.2,,4,‬‬ ‫ويمكف تقدير قيمة )‪ (δ‬عمى وفؽ االختيارات االتية ‪:‬‬
‫واف ‪ Zi‬يمكف اف تكوف أحد المتغيرات التوضيحية )‪ (Xi‬أو ) ‪Yˆi  (Yi‬‬
‫وىنا نحتاج أف نقدر ‪  2‬و ‪ ‬فقط عوضاً عف تقدير )‪ (n‬مف التباينات المختمفة ) ‪( i2‬‬
‫أو بصيغة الجمع‪:‬‬
‫‪ i2  a  b1 z1i  b2 z2i   br zri‬‬ ‫‪. . .‬‬ ‫‪(55-6) , r < n‬‬
‫ٕ‪ -‬اذا المتغير العشوائي يتبع نمط االرتباط الذاتي )‪ (Autocorelation‬فقط وتبايف المتغير العشوائي‬
‫متجانس ‪ .‬فاف مصفوفة ‪ Ω‬تعتمد عمى نمط االرتباط الذاتي ويمكف تحديد عناصر مصفوفة ‪ Ω‬لؤلنماط‬
‫التالية‪:‬‬
‫)أ( اذا كاف المتغير العشوائي يتبع نمط )‪ . AR(1‬وبذلؾ وكما تـ توضيحو في المبحث السابؽ فاف‪:‬‬
‫‪ut   ut 1   t‬‬ ‫‪, t 1, ... , n‬‬
‫بافتراض ‪ ،   1‬واف ‪  t‬ضوضاء بيضاء‪ ،‬وبذلؾ فاف ) ‪ ،  i ~ IID( 0,  ‬والتبايف المشترؾ‪:‬‬
‫‪2‬‬

‫‪cov(ui ut s )   s u2‬‬
‫‪ 2‬‬
‫‪ ‬‬‫‪2‬‬
‫عمماً باف‪:‬‬
‫‪1  2‬‬
‫‪u‬‬

‫‪(u u)   2‬‬ ‫وبذلؾ فاف مصفوفة ‪ Ω‬تحدد عناصرىا عمى وفؽ اآلتي ‪:‬‬
‫‪ 1‬‬ ‫‪‬‬ ‫‪2‬‬ ‫‪  n 1 ‬‬
‫‪‬‬ ‫‪‬‬
‫‪ ‬‬ ‫‪1‬‬ ‫‪‬‬ ‫‪  n2 ‬‬
‫‪   2‬‬ ‫‪‬‬ ‫‪1‬‬ ‫‪  n 3 ‬‬
‫‪‬‬ ‫‪‬‬ ‫‪. . .‬‬ ‫)‪(56-6‬‬
‫‪ ‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪ ‬‬
‫‪  n 1‬‬ ‫‪ n2‬‬ ‫‪ n 3‬‬ ‫‪‬‬ ‫‪1 ‬‬
‫‪‬‬

‫‪232‬‬
 . MA(1) ‫)ب( اذا كاف المتغير العشوائي يتبع نمط‬
ut   t    t 1 :‫أي اف‬
.‫ متغير عشوائي ضوضاء بيضاء كما أسمفنا‬εt ‫حيث اف‬
:‫وحيث اف‬
 var(u1 ) cov(u1u2 ) cov(u1u3 )  cov(u1un ) 
 
 var(u ) cov(u u )  cov(u 2 n 
u )
var  cov(u )   2 2 3

 
 
 
 var( u n ) 

.‫أي اف عناصر القطر تمثؿ التبايف‬

:‫ وتحسب كآالتي‬.‫وعناصر المثمث العموي تماثؿ عناصر المثمث السفمي وتمثؿ التبايف المشترؾ‬
var(ui )  (ut ) 2  ( t    t 1 ) 2
 ( t2  2  t  t 1   2 t21 )
  2   2 2
  2 (1   2 )
cov(ui ut 1 )  ( t    t 1 ) ( t 1    t 2 )

   t  t 1   t  t 2    t21   2 t 1 t  2 
   2
cov(ui ut 2 )  ( t    t 1 ) ( t 2    t 3 ) 0
.‫( تساوي صف اًر‬2) ‫وىكذا بالنسبة لمتبايف المشترؾ البطاءات أكثر مف‬
:‫ كاآلتي‬Ω ‫اذف تكوف عناصر‬
1   2  0 0  0 
 
  1 
2
0  0 
   2  1 2   0 
 
    
 0   1   2 
 0 0

233
 ‫أسئمة الفصل السادس‪:‬‬

‫س‪ .1 :1‬وضح المقصود إحصائياً بأف متوسط المتغير العشوائي يساوي صف اًر‪.‬‬
‫‪ .2‬ناقش احتماالت عدـ تحقؽ الفرض في اعبله موضحاً تأثير ذلؾ فى نتائج التقدير‪.‬‬

‫س‪ .1 :2‬وضح المقصود احصائياً باف متوسط المتغير العشوائي يساوي صف اًر‪.‬‬
‫‪ .2‬ناقش تأثير اختبلؿ الفرض عمى نتائج التقدير‪.‬‬
‫‪ .3‬اذكر أىـ االختبارات المستخدمة لمكشؼ عف تحقؽ الفرض‪.‬‬
‫‪ .4‬اذكر أىـ الطرائؽ لتجاوز مشكمة عدـ تحقؽ التوزيع الطبيعي‪.‬‬
‫‪ .5‬اذكر مثاالً عممياً يتوضح بو عدـ تحقؽ التوزيع الطبيعي‪.‬‬

‫س‪ :3‬صحح العبارات الخاطئة اف وجدت‪.‬‬

‫ٔ‪ .‬عند وجود متغير داخمي متباطئ في معادلة االنحدار كأحد المتغيرات التوضيحية يجعؿ المقدرات‬
‫متحيزة وغير كفوءة‪.‬‬
‫ٕ‪ .‬في حالة الترابط بيف ‪ ui‬و ‪ Xi‬سالباً فاف المقطع الصادي المقدر يكوف متحي اًز الى االسفؿ والميؿ‬
‫يكوف متحي اًز الى االعمى والعكس صحيح في حالة وجود ترابط موجب‪.‬‬
‫ٖ‪ .‬المختبر ‪ JB‬يتوزع توزيع كاي وبدرجات حرية ‪ k‬وىي عدد المعممات في النموذج‪.‬‬
‫ٗ‪ .‬اف اختبلؿ التوزيع الطبيعي يتبلزـ مع فرضية استقبلؿ مشاىدات المتغير العشوائي عف بعضيا‪.‬‬
‫٘‪ .‬اتباع نماذج اخطاء التعمـ تولد تحي اًز لممعممات المقدرة‪.‬‬
‫‪ .ٙ‬في دراسة المقاطع العرضية دليبلً عمى المتغير العشوائي لو تباينات متجانسة‪.‬‬
‫‪ .ٚ‬يتولد سوء التوصيؼ في نموذج االنحدار عند وجود تغيرات ىيكمية‪.‬‬
‫‪ .ٛ‬تحميؿ البواقي احدى الطرائؽ المستخدمة لتقدير معممات االنحدار اذا كانت البواقي غير‬
‫متجانسة‪.‬‬
‫‪ .ٜ‬اختبار بارؾ يستخدـ لمعرفة نمط عدـ تجانس تبايف الخطأ الذي يسيـ في تحويؿ المشاىدات‬
‫كطريقة لعبلج المشكمة‪.‬‬
‫ٓٔ‪ .‬اختبار ) ‪ ( BPG‬بروش‪-‬بيجف‪-‬جودفري يتوزع توزيعاً طبيعياً‪ ،‬في حيف اختبار ‪ white‬يتوزع‬
‫عمى وفؽ مربع كآي‪.‬‬

‫‪234‬‬
 ‫س‪ :4‬وضح أىـ الحاالت التي تولد سوء التوصيؼ في انموذج االنحدار‪ ،‬وضح أثر ذلؾ فى نتائج‬
‫التقدير‪.‬‬

‫س‪ :5‬ناقش أىـ الطرائؽ المستخدمة لمتحري عف مشكمة عدـ تجانس تبايف اخطاء االنحدار‪.‬‬

‫س‪ :6‬وضح عناصر المصفوفة ‪ Ω‬في الحاالت التالية‪:‬‬

‫ٔ‪ .‬مشاىدات )‪ (Yi‬عبارة عف متوسطات‪.‬‬
‫ٕ‪ .‬تبايف المتغير العشوائي يتناسب مع مربع ) توقع ‪.( Y‬‬
‫‪(ui2 )   2 X i2‬‬ ‫‪‬‬ ‫ٖ‪i .‬‬
‫ٗ‪.‬‬
‫‪1‬‬
‫‪eˆi  2.1  0.5‬‬
‫‪X‬‬
‫‪s.e :‬‬ ‫)‪(0.03‬‬
‫٘‪ .‬المتغير العشوائي يكوف بصيغة ماركوؼ‪.‬‬
‫‪ .ٙ‬المتغير العشوائي يكوف بصيغة االوساط المتحركة مف الرتبة االولى‪.‬‬
‫س‪ :7‬اذكر صفات المقدرات بطريقة ‪ OLS‬في الحبلت التالية‪:‬‬
‫ٔ‪ .‬وجود متغير توضيحي عشوائي‪.‬‬
‫ٕ‪ .‬تبايف البواقي غير متجانس‪.‬‬
‫ٖ‪ .‬وجود ارتباط بصيغة ماركوؼ‪.‬‬

‫س‪ :ٛ‬وضح بالرسـ الحاالت التالية‪:‬‬

‫ٔ‪ .‬عدـ تجانس تبايف الخطأ‪.‬‬
‫ٕ‪ .‬المتغير العشوائي مرتبط ذاتياً‪.‬‬

‫س‪:ٜ‬‬
‫أ( أىـ االفتراضات الستخداـ االحصاءة دربف واتسف‪.‬‬
‫ب( االختبارات البديمة مع عدـ تحقؽ بعض مف الفروض‪.‬‬
‫ج( أىـ الطرائؽ المتفؽ عمى استخداميا لتقدير معامؿ االرتباط الذاتي‪.‬‬

‫سٓٔ‪ :‬وضح مفيوـ المتغير العشوائي الكروي ‪. spherical disturbance‬‬

‫‪235‬‬
 ‫سٔٔ‪:‬‬
‫أ( صفات المقدرات بطريقة ‪ OLS‬و ‪ GLS‬في الحاالت التالية‪:‬‬
‫‪var(u)   2 X‬‬ ‫‪.1‬‬
‫‪ut  0.9ut 1   t‬‬ ‫‪.2‬‬
‫ب( حدد تبايف المعممات المقدرة بطريقتي ‪ OLS‬و ‪ GLS‬لكؿ مف الحاالت )‪ (1‬و)‪(2‬‬
‫ج( اذكر الصيغة المناسبة لتقدير تبايف الخطأ عمى وفؽ كؿ مف ‪ OLS‬و ‪. GLS‬‬
‫د( احسب كفاءة التقدير‪.‬‬

‫‪236‬‬
 ‫انفصم انسببع‬

‫تمهيد‪:‬‬
‫يتضمف ىذا الفصؿ مناقشة فرضيات التحميؿ التي تخص البيانات وىي الفرضيات ‪،7 ،6 ،2‬‬
‫‪.10 ،8‬وبذلؾ فإف فقرات ىذا الفصؿ تـ تخصيصيا لمناقشة االختبلؿ في ىذه الفرضيات تباعا‪:‬‬
‫)‪ (1-7‬اختالل الفرض )‪: (2‬بمعنى أن المتغيرات التوضيحية عشوائية‪.‬‬
‫‪,‬‬
‫‪ () X‬متغيرات مستقمة أي اف مشاىداتيا‬ ‫‪s‬‬ ‫الفرض )‪ (2‬ينص عمى اف المتغيرات التوضيحية‬
‫ثابتة لمعينة المختارة‪ .‬أي اف كؿ مف ىذه المتغيرات تكوف غير عشوائية‪.‬‬
‫وعند نقض ىذه الفرضية أي اذا كاف أحد المتغيرات التوضيحية أو جميعيا متغي اًر عشوائياً‪.‬‬
‫وتتأكد ىذه عند الحاالت الثبلث التالية‪:‬‬
‫أ‪X -‬متغير عشوائي وغير مرتبط بحد االضطراب العشوائي )‪ (u‬وىذا ما تنص عميو الفرضية )‪ .(6‬وبذلؾ‬
‫تبقى المربعات الصغرى واإلمكاف األعظـ تولد مقدرات غير متحيزة وخطية وكفوءة أي أنيا )‪(BLUE‬‬
‫وبذلؾ التوجد مشكمة قياسية في تقبؿ النتائج‪.‬‬
‫ب‪ -‬عندما ‪ X‬متغير عشوائي ظاىرياً‪ .‬وىذه الحالة تبرز عندما يكوف أحد المتغيرات التوضيحية ىو متغير‬
‫معتمد متباطئ مثبلً ‪ Yt-1‬أو ‪ Yt-2‬وىكذا‪.‬‬
‫وكمثاؿ عمى ذلؾ عند دراسة اإلنفاؽ االستيبلكي ‪ Yt‬كدالة بداللة العادات االستيبلكية كأف تكوف الدراسة‬
‫ىي تقدير االنفاؽ االستيبلكي لمتدخيف فتصاغ الدالة ‪ Yt‬دالة بداللة العادات االستيبلكية والتي يمكف‬
‫تمثيميا بالمتغير()‪ Yt-1‬وىو متغير االستيبلؾ في المدة السابقة وبذلؾ فاف دالة االنحدار‪:‬‬

‫‪Yt   0  1Yt 1  ut‬‬ ‫;‬ ‫‪t  2,3,‬‬

‫ومعموـ اف ‪ Yt‬مرتبط مع ‪ . ut‬والسؤاؿ ىنا ىؿ اف ‪Yt-1‬مرتبط مع ‪ ut‬؟‬
‫‪cov(ut ut s )  0‬‬ ‫ومع تحقؽ فرضية اف ‪ ut‬غير مرتبط ذاتياً أي‪:‬‬
‫وبذلؾ فاف ‪ ut‬غير مرتبط مع ‪Yt-1‬وىذا ما نعني بو غير مرتبط ظاىرياً ‪.‬‬
‫اف ‪ ut‬مرتبط مع ‪ Yt‬ولكنو غير مرتبط مع ‪.Yt-1‬‬
‫غير اف تطبيؽ ‪ OLS‬في التقدير يعطي مقدرات تفقد خاصية عدـ التحيز‪.‬‬
‫حيث اف‪:‬‬
‫‪yt yt 1‬‬ ‫‪yt 1 ut‬‬
‫‪ˆ ‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬
‫‪yt21‬‬ ‫‪yt21‬‬
‫ولكف حقيقة األمر اف‪:‬‬

‫‪237‬‬
 ‫‪yt 1 ut‬‬ ‫) ‪(yt 1 ut‬‬
‫‪‬‬ ‫‪‬‬
‫‪yt21‬‬ ‫) ‪(yt21‬‬
‫‪Yt‬‬
‫‪Y ‬‬ ‫الف ) ‪ yt 1  (Yt 1Y‬واف ‪ Y‬تتضمف‪ Yt‬حيث‬
‫‪n‬‬
‫وحيث )‪ (EYt ut ≠ 0‬وبذلؾ ‪( ˆ )  ‬‬
‫غير اف التحيز مع كبر حجـ العينة يزوؿ وعميو فاف المعممة ‪ ‬المقدرة تكوف متسقة بمعنى مع وجود‬
‫متغير داخمي متباطئ فاف المقدرات بطريقة ‪ OLS‬تكوف متحيزة ولكنيا متسقة وكفوءة وخطية مع كبر حجـ‬
‫العينة‪.‬‬
‫متغير عشوائياً وبالوقت نفسو مرتبط بحد االضطراب العشوائي ‪. u‬‬
‫اً‬ ‫)ج( عندماتكوف‪X‬‬
‫وعندىا فاف المربعات الصغرى تكوف متحيزة وكذلؾ غير متسقة أي اف مقدار التحيز يستمر حتى مع‬
‫كبر حجـ العينة وبذلؾ تصبح المربعات الصغرى غير مرغوبة ويستعاض عنيا بطرائؽ اخرى‪.‬‬
‫وىناؾ عدة حاالت يتـ انتياؾ ىذه الفرضية فييا ومف أبرز ىذه المسائؿ ىي‪:‬‬
‫وجود خطأ في القياسات ‪. error in measurement‬‬ ‫‪.i‬‬
‫حالة المتغيرات الداخمية المتباطئة عندما يكوف حد الخطأ مرتبط ذاتياً‪.‬‬ ‫‪.ii‬‬
‫حالة المعادالت اآلنية ‪. simultaneous equations‬‬ ‫‪.iii‬‬

‫ومناقشة ىذه الحاالت ىي خارج منيج الكتاب‪ .‬غير انو مف المفيد معرفة أف استخداـ المربعات الصغرى‬
‫في حالة وجود ترابط موجب بيف ‪ ui‬و ‪ Xi‬فاف المقطع الصادي المقدر يكوف متحيز سفمي‬
‫)‪ . (under - estimated‬ومعممة االنحدار) الميؿ( يكوف متحي اًز عموياً )‪.(over- estimated‬‬
‫أما في حالة كوف الترابط بيف ‪ ui‬و ‪ Xi‬سالباً فاف المقطع الصادي المقدر يكوف متحي اًز لؤلعمى‬
‫)‪ . (over- estimated‬ويكوف الميؿ متحي اًز تحي اًز سفمياً )‪ .(under- estimated‬عمماً باف مقدار‬
‫التحيز يستمر مع كبر حجـ العينة فتبقى المعممات غير متسقة‪.‬‬

‫‪,‬‬
‫‪ X s‬تكوف مستقمة أو غير مرتبطة‪.‬‬ ‫الفرضية )‪ :(6‬اذا ‪ X s‬تكوف عشوائية فاف حد االضطراب ‪ u‬و‬
‫‪,‬‬

‫‪E ( X u)  0‬‬

‫واف اختبلليا يكوف اما ‪ X s‬عشوائية ظاىريا أو عشوائية وارتباطيا مع حد االضطراب يولد مشكبلت‬
‫‪,‬‬

‫قياسية وكما تـ توضيحيا في الفقرة أعبله)‪) ( 1– ٚ‬ب( و )ج(‪.‬‬

‫الفرضية )‪ :(7‬عدد المشاىدات )‪ (n‬يجب اف يكوف اكبر مف عدد المتغيرات التوضيحية )‪ (k‬أي‬
‫> ‪. kn‬‬

‫‪238‬‬
‫واختبلؿ الفرضية سوؼ يجعؿ درجات الحرية سالبة وىذا غير منطقي وبذلؾ يجعؿ االختبارات االحصائية‬
‫غير موثوؽ بيا وغير ممكنة التطبيؽ‪.‬‬

‫الفرضية )‪ :(8‬وجود تغيرات كافية وممموسة في مشاىدات كؿ متغير توضيحي‪.‬‬

‫اف اختبلؿ ىذه الفرضية ال يؤثر فى صفات المقدرات بطريقة المربعات الصغرى‪ .‬غير اف‬
‫االنحراؼ المعياري لممقدرات سيكوف اكبر نسبة الى معمماتيا المقدرة وبذلؾ فاف قيـ ) نسبة ‪ ( t‬ستكوف‬
‫قميمة‪ ،‬وبذلؾ ستجعؿ مساىمة المتغير التوضيحي المعني) الذي تكوف التغيرات في مشاىداتو غير‬
‫كافية(في مجموع المربعات المشروحة غير واضحة‪.‬‬
‫‪,‬‬
‫الفرضية )‪ .(10‬عدـ وجود عبلقة تامة بيف المتغيرات التوضيحية ‪ ، X s‬وفي حاؿ نقض ىذه الفرضية‬
‫تظير مشكمة ما يسمى التعدد الخطي‪.‬‬

‫)‪(2-7‬التعدد الخطي (‪)Multicollinearity‬‬

‫المفهوم‪ :‬المصطمح االنكميزي "‪ " Multicollinearity‬مصطمح مركب مف ثبلثة مقاطع‪:‬‬
‫) ‪ : ( Multi‬ومعناىا متعدد و) ‪ ( co‬والذي يقابمو بالعربية تػداخؿ أو تنػاظر‪ ،‬و )‪ : ( linearity‬وتعنػي‬
‫الخطية‪ .‬وقد اختمفػت الترجمػات العربيػة ليػذا المصػطمح منيػا ‪ :‬االرتبػاط الخطػي المتعػدد‪ ،‬االمتػداد الخطػي‬
‫المتعدد‪ ،‬تعدد العبلقات الخطية‪ ،‬التشابؾ أو التداخؿ الخطي أو التشػابؾ الخطػي المتعػدد‪ ،‬وسػوؼ نسػتخدـ‬
‫تػ ػ ػػداخؿ التعػ ػ ػػدد الخطػ ػ ػػي واختصػ ػ ػػا اًر " التعــــــدد الخطــــــي " ويعػ ػ ػػود ىػ ػ ػػذا المصػ ػ ػػطمح الػ ػ ػػى النرويجػ ػ ػػي‬
‫)‪ ( Ragnar Frisch 1934‬الػػذي وجػػو االىتمػػاـ الػػى ىػػذه الظػػاىرة فػػي معػػرض تحميمػػو لبيانػػات السبلسػػؿ‬
‫الزمنية‪ .‬فوجد اف المتغيرات االقتصادية التوضيحية متناغمة عبر الزمف مما يفقد بعضيا المقػدرة التفسػيرية‬
‫في النموذج ‪.‬‬
‫والمشكمة التي نحف بصدد توضيحيا توجد في نماذج االنحدار الخطي المتعدد حص اًر وال تعػاني منيػا‬
‫مشكبلت االنحدار البسيط ‪ ،‬فيي تنشأ بسبب تداخؿ )تشابؾ( بيف المتغيرات التوضيحية )التفسيرية( ذاتيا‪.‬‬
‫كم ػػا اف الفرض ػػية الت ػػي تػ ػرتبط بوج ػػود ق ػػدر ك ػ ٍ‬
‫ػاؼ م ػػف التغيػ ػرات ف ػػي ق ػػيـ المتغيػ ػرات التوض ػػيحية واف ع ػػدد‬
‫المشاىدات يكوف اكبر مف عدد المتغيرات التوضيحية ىي فرضيات متممة لمتعدد الخطي ‪.‬‬
‫ويمكف تحديدىا بالفرضية ‪:‬‬
‫} رتبة مصفوفة المعمومات)‪ (X‬تكوف تامة مف ناحية االعمدة‪{.‬‬
‫وبالرموز ‪:‬‬
‫‪ρ(X) = k + 1 < n‬‬ ‫‪...‬‬ ‫)‪(1-7‬‬

‫حيث اف ‪ n:‬حجـ العينة المستخدمة في االنحدار‪.‬‬

‫‪ : k‬عدد المتغيرات التوضيحية في المعادلة ‪.‬‬

‫‪239‬‬
 ‫) ‪ :( k+ 1‬عدد المعممات في المعادلة بضمنيا المقطع الثابت‪.‬‬
‫والمفيوـ يتضمف " التعدد الخطي التاـ ")‪ "(perfect multicolinearity‬كما يتضمف التعدد الخطي شبو‬
‫التاـ )‪(semi- perfect multicolinearity‬‬
‫اف التعدد الخطي التاـ يتحقؽ اذا كاف واحد أو اكثر مف المتغيرات التوضيحية ) المستقمة ( توليفة خطية‬
‫تامة مف المتغيرات األخرى كاآلتي‪:‬‬
‫‪1 X 1  2 X 2   k X k  0‬‬
‫‪ :λًُ S‬ثوابت ليست جميعيا أصفا اًر ‪.‬‬
‫اما التعدد الخطي شبو التاـ فيتحقؽ اذا ارتبطت المتغيرات التوضيحية أو المستقمة ببعضيا ارتباطاً قوياً‬
‫‪1 X1  2 X 2   k X k  ei  0‬‬ ‫ولكف غير تاـ ‪:‬‬
‫‪ :ei‬متغير عشوائي‪.‬‬
‫)‬ ‫وفي حالة انعداـ مشكمة التعدد الخطي فاف المتغيرات التوضيحية تسمى متغيرات متعامدة‬
‫‪ (orthogonal‬أي اف كؿ متغير توضيحي يؤثر في المتغير التابع بطريقو منفصمة تماماً‪ .‬وبذلؾ تكوف‬
‫نتائج التقدير في االنحدار المتعدد متطابقة تماماً مع نتائج التقدير في االنحدار البسيط حيث اف مصفوفة‬
‫فيشر)‪ (X´X‬تكوف قطرية الف معامؿ االرتباط بيف المتغيرات التوضيحية معدوـ )‪ (rX i X j  0‬أو اف‬
‫االرتباط المشترؾ بيف المتغيرات التوضيحية يسأوي صف اًر ‪.‬‬
‫‪n‬‬

‫‪(X‬‬
‫‪t 1‬‬
‫‪ti‬‬ ‫‪ X i )( X tj  X j )  0‬‬ ‫‪‬‬ ‫‪i  j  1,2., k‬‬

‫)‪(3 -7‬أسباب وجود التعدد الخطي ‪Reasons of multicollinearity‬‬

‫في حالو التعدد الخطي التاـ فاف أىـ مسببات وجود المشكمة يمكف تحديده عمى وفؽ اآلتي ‪.‬‬
‫‪ (1‬اف التعريؼ الخاطئ لممتغيرات وخاصة ) الوىمية(* ينذر بوجود مشكمة التعدد الخطي التاـ‬
‫وىي ما يسمى بمصيدة المتغيرات الوىمية " ‪" Dummy variable trap‬‬
‫‪ (2‬اف تكوف قيـ احد المتغيرات ذات تغيرات قميمة ومنيا ينشأ ترابط بيف العمود الذي يمثؿ قيـ‬
‫ذلؾ المتغير التوضيحي مع العمود األوؿ في مصفوفة المعمومات ‪ X‬والذي يمثؿ قيـ المقطع‬
‫الثابت في عبلقة االنحدار ‪.‬‬
‫‪ (3‬استخداـ وحدتي قياس مختمفة لممتغير التوضيحي نفسو‪.‬‬

‫__________________‬
‫)*( سيتـ توضيح ذلؾ في الفصؿ الخاص بالمتغيرات الوىمية )‪.( Dummy variables‬‬

‫‪241‬‬
 ‫أما األسباب التي تولد مشكمة التعدد الخطي شبو التاـ فيي كثيرة ومتعددة نمخص أىميا‪.‬‬
‫‪ (1‬ميؿ المتغيرات التوضيحية لمتغير سوياً عبر الزمف خاصة في دراسات السبلسؿ الزمنية‪.‬‬
‫‪ (2‬وجود متغيرات توضيحيو متباطئة ) متخمفة زمنياً (‪.‬‬
‫‪ (3‬وجود مشاىدات شاذة ) متطرفة (‪.‬‬
‫‪ (4‬قد يكمف السبب في طريقة جمع البيانات لمعينة‪ .‬فمثبلً عند جمع عينة مف مجاؿ محدود لقيـ‬
‫المتغيرات التوضيحية في المجتمع‪.‬‬
‫‪ (5‬وجود قيود في المجتمع الذي تؤخذ منو العينة‪ .‬عمى سبيؿ المثاؿ عند دراسة الطمب عمى‬
‫الكيرباء بداللة الدخؿ وحجـ السكف‪ ،‬يوجد قيد في المجتمع ليذه العوائؿ‪ ،‬فالعوائؿ ذات فئات‬
‫الدخؿ العالي تمتمؾ بيوتاً كبيرة بنسبة الى فئات الدخؿ المنخفضة‪.‬‬
‫‪ (6‬قد توجد مشكمة التعدد الخطي شبو التاـ عندما يكوف عدد المتغيرات التوضيحية كبي اًر )مقارنة بعدد‬
‫المشاىدات لمعينة (‪.‬‬

‫(‪ )4 -7‬التقدير بواسطة المربعات الصغرى ‪Least square estimates‬‬

‫(‪ )1-4-7‬التقدير في حالة مشكمة التعدد الخطي التام ‪Perfect multicollinearity‬‬

‫في ىذه الحالة فاف المعممات المطموب تقديرىا اليمكف إيجادىا بشكؿ منفصؿ واف انحرافيا‬
‫المعياري يكوف كبي اًر‪ .‬ويمكف توضيح ىذه الحالة كآالتي‪y   2 x2  3 x3  u :‬‬
‫‪ 0 ،‬‬ ‫افترض‪x3  x2 :‬‬

‫ˆ‬ ‫‪(yx2 )(x32 )  (yx3 )(x2 x3 ) yx2 2 x22  2 yx2 x22‬‬ ‫‪0‬‬
‫‪2 ‬‬ ‫‪‬‬ ‫‪‬‬
‫‪(x22 )(x32 )  (x2 x3 ) 2‬‬ ‫‪(x22 )2 (x22 )  2 (x22 ) 2 0‬‬

‫ˆ‬ ‫) ‪(yx3 )(x22 )  (yx2 )(x2 x3‬‬ ‫‪yx2 x22  yx2 x22‬‬ ‫‪0‬‬
‫‪3 ‬‬ ‫‪‬‬ ‫‪‬‬
‫‪(x22 )(x32 )  (x2 x3 ) 2‬‬ ‫‪(x22 )2 (x22 )  2 (x22 ) 2 0‬‬

‫‪0‬‬
‫‪ 2   0 ‬‬
‫ˆ‬
‫‪   ‬‬
‫ˆ‬
‫‪ ˆ3‬عمى وفؽ القانوف بشكؿ منفصؿ‬ ‫أي اليمكف تحديد قيمة ‪ ˆ2‬و‬
‫‪ ˆ   0 ‬‬
‫‪ 3  ‬‬
‫‪0‬‬
‫ولكف يمكف التعويض في النموذج كاآلتي‪:‬‬

‫‪241‬‬
‫‪y   2 x2   3  x2  u‬‬
‫‪ (  2   3  ) x2  u‬‬
‫‪ x2  u‬‬ ‫;‬ ‫‪   2   3‬‬
‫‪x2 y‬‬
‫‪ˆ ‬‬ ‫‪ ˆ2  ˆ3‬‬
‫‪x2‬‬‫‪2‬‬

‫معادلة واحدة بمجيوليف ) ‪ ˆ3‬و ‪  ( ˆ2‬ال يمكف حميا إليجاد ‪ ˆ2‬و ‪ ˆ3‬بشكؿ منفرد ‪.‬‬
‫وبذلؾ نستنتج انو‪:‬‬
‫في حالة التعدد الخطي التاـ اليمكف إيجاد حؿ وحيد لكؿ معممة مف معممات النموذج ‪ .‬وانما يمكف إيجاد‬
‫تقدير التراكيب الخطية مف ىذه المعممات‪.‬‬

‫(‪ )2-4-7‬التقدير في حالة وجود تعدد خطي عالي ( شبه تام ) ‪Semi multicollinearity‬‬
‫في الواقع العممي ال يوجد ارتباط خطي تاـ بيف المتغيرات التوضيحية وخاصة في دراسات‬
‫السبلسؿ الزمنية وانما تكوف العبلقة بيف المتغيرات شبو تامة ‪:‬‬
‫‪x3t  x2t  vt‬‬ ‫افترض ‪:‬‬
‫‪ : λ‬ثابت‬
‫‪ : v‬متغير عشوائي غير مرتبط مع ‪ .X2‬بمعنى اف عبلقة االرتباط الخطي بيف المتغيريف ‪ X2‬و‪X3‬‬
‫)‪ (0  rX 2 X 3  1‬ال تسأوي واحدا‪.‬‬
‫وبذلؾ اف تقدير المعممات يصبح ممكناً ولكف ىناؾ آثا اًر أخرى يمكف توضيحيا‪.‬‬
‫اف استخداـ المربعات الصغرى يولد مقدرات غير متحيزة ومتسقة واالنحراؼ المعياري لمخطأ يتـ تقديره‬
‫بشكؿ صحيح ولكف قيمتو تكوف كبيرة‪.‬‬
‫‪ei2‬‬
‫‪ˆ ‬‬
‫‪2‬‬

‫‪n  k 1‬‬
‫‪ -‬اذ اف عدـ التحيز بمفيومو النظري ) اف قيمة المعممة المقدرة في المتوسط تكوف مسأوية الى قيمة‬
‫المعممة في المجتمع ‪ ،‬بشرط تكرار العينة ( يكوف متحققاً‪ .‬غير اف ذلؾ ال يعني شيئاً حوؿ صفات‬
‫المقدرات في أي عينة مف عينات المجتمع‪.‬‬
‫ػ كما اف االنحراؼ المعياري لممعممات المقدرة يكوف صحيحاً ‪.‬‬
‫‪Y   0  1 X 1   2 X 2  u‬‬ ‫افترض عبلقة االنحدار‪:‬‬
‫في االنحدار يحسب التبايف والتبايف المشترؾ عمى وفؽ‪:‬‬

‫‪242‬‬
 ‫‪ˆ 2‬‬ ‫‪‬‬
‫‪var( ˆ1 ) ‬‬ ‫‪‬‬
‫) ‪x12 (1  r122‬‬ ‫‪‬‬
‫‪‬‬
‫‪ˆ 2‬‬ ‫‪‬‬
‫‪var( ˆ2 ) ‬‬ ‫‪‬‬ ‫‪...‬‬ ‫)‪(2 - 7‬‬
‫) ‪x22 (1  r122‬‬ ‫‪‬‬
‫‪ r12  ˆ 2‬‬ ‫‪‬‬
‫‪cov( ˆ1 , ˆ2 ) ‬‬ ‫‪‬‬
‫‪(1  r122 ) x12 x22‬‬ ‫‪‬‬
‫‪‬‬

‫وعممياً فاف المقدرات تمتمؾ تبايناً وتبايناً مشتركاً كبي اًر اعتماداً عمى العبلقات في )‪.(2-7‬‬
‫‪ -‬وىػذا بػدوره يقػود الػى اف اختبػار ) ‪ ( t‬الحػد المعممػػات ) أو أكثػر ( يكػوف غيػر معنػوي فػي حػيف معامػػؿ‬
‫التحديد ‪ R2‬يكوف عالياً‪.‬‬
‫‪ -‬كما اف مجاؿ الثقة لممعممات المقدرة يكوف كبي اًر مما يدفع الباحث الى قبوؿ فرضية العدـ بشكؿ اكبر‪.‬‬
‫‪ -‬وفػػوؽ ذلػػؾ كمػػو فػػاف المقػػدرات وانحرافيػػا المعيػػاري ربمػػا يكػػوف حساس ػاً لمتغي ػرات فػػي البيانػػات‪ .‬فقػػد يتولػػد‬
‫تغيير ممموس عند تغيير بسيط في حجـ العينة‪.‬‬
‫بمعنػػى عنػػد توسػػيع حجػػـ العينػػة بمقػػدار بسػػيط ) كػػأف يػػزداد عػػدد المشػػاىدات بمقػػدار مشػػاىدتيف ( ينػػتج‬
‫مقدرات مختمفة تماماً وربما يكوف االختبلؼ حتػى فػي اتجػاه العبلقػة ) قيمػة المعممػات سػالبة بعػد اف كانػت‬
‫موجبة (‪.‬‬

‫)‪(5-7‬عامل تضخيم التباين (‪)Variance inflation factor( )VIF‬‬

‫في نموذج االنحدار الذي يتضمف متغيريف توضيحييف ‪ X1‬و ‪: X2‬‬
‫‪Y  0  1 X 1   2 X 2  u‬‬
‫‪ 1 ‬‬
‫‪ ‬بمعامؿ تضخيـ التبايف‪.‬‬ ‫‪‬‬
‫تعرؼ النسبة ‪2 ‬‬
‫‪ 1  r12 ‬‬
‫اذ يتضح مف العبلقة )‪ (2-7‬اف ازدياد معامؿ االرتباط بيف المتغيرات التوضيحية) ‪ (r12‬يؤدي الى تضخيـ‬
‫‪ 1 ‬‬
‫‪ . ‬ويرمز لو بػ )‪. (VIF‬‬ ‫‪‬‬
‫التبايف لممعممات المقدرة بمقدار ‪2 ‬‬
‫‪ 1  r12 ‬‬

‫بعبارة أخرى فأف‪:‬‬

‫‪243‬‬
 ‫ˆ‬ ‫‪ˆ 2‬‬
‫) ‪var( 1 )  2  (VIF‬‬
‫‪x1‬‬
‫ˆ‬ ‫‪ˆ 2‬‬
‫) ‪var(  2 )  2  (VIF‬‬
‫‪x2‬‬
‫وبشكؿ عاـ في نموذج االنحدار‪:‬‬
‫‪. . .‬‬ ‫)‪(3-7‬‬ ‫‪Y  0  1 X 1   2 X 2     k X k  u‬‬
‫‪2‬‬
‫فاف )‪ (VIF‬يعتمد عمى معامؿ االرتباط المساعد )‪ ( R j ) (Auxiliary correlation‬ويعرؼ عمى‬
‫وفؽ المعادلة ‪:‬‬
‫‪1‬‬
‫‪VIF ‬‬ ‫‪...‬‬ ‫)‪(4 - 7‬‬
‫‪1  R 2j‬‬
‫‪2‬‬
‫حيث اف ) ‪ ( R j‬يمثؿ معامؿ االرتباط المتعدد بيف المتغير ‪ Xj‬والمتغيرات التوضيحية األخرى‪ ،‬ويمكف‬
‫حسابيا مف عبلقة االنحدار ‪ Xj‬مع باقي المتغيرات التوضيحية‪.‬‬
‫‪. . .‬‬ ‫‪(5-7) X j   0  1 X 1    j 1 X j 1   j 1 X j 1    k X k  u‬‬
‫ثـ نحسب معامؿ التحديد لمعبلقة )‪ (5-7‬وىو ما يسمى ‪. R j‬‬
‫‪2‬‬

‫مثاؿ)‪ :(1-7‬العبلقة بيف معامؿ تضخيـ تبايف المقدرات وبيف معامؿ االرتباط البسيط بيف المتغيريف ‪X1‬‬
‫و‪ X2‬في عبلقة االنحدار المتعدد بمتغيريف توضيحييف يمكف توضيحيا مف خبلؿ الجدوؿ التالي‪:‬‬
‫يبيف الجدوؿ اف معامؿ تضخيـ التبايف في تزايد بشكؿ متسارع مع معامؿ االرتباط فكمما ازدادت قيمتو‬
‫عف )‪ (2‬تسارعت قيمة التبايف بالتزايد‪ .‬وىذا يشير الى اف ارتفاع قيمة معامؿ االرتباط )‪ (r12‬عف )‪(0.7‬‬
‫فأف قيمة تبايف المعممة المقدرة يتسارع بالتزايد وبشكؿ مضطرد‪.‬‬
‫الجدوؿ )‪(ٔ-ٚ‬‬
‫عبلقة معامؿ االرتباط بتبايف معممة االنحدار‬

‫‪r12‬‬ ‫‪0‬‬ ‫‪0.5‬‬ ‫‪0.7‬‬ ‫‪0.8‬‬ ‫‪0.9‬‬ ‫‪0.95‬‬ ‫‪0.99‬‬ ‫‪0.999‬‬

‫‪VIF‬‬ ‫‪1‬‬ ‫‪1.33‬‬ ‫‪1.96‬‬ ‫‪2.78‬‬ ‫‪5.76‬‬ ‫‪10.26‬‬ ‫‪50.25 500.00‬‬

‫) ‪var( ˆ1‬‬ ‫‪ˆ 2‬‬ ‫‪1.33A 1.96A 2.78A 6.76A 10.26A 50.25A 500.0A‬‬
‫‪A‬‬
‫‪x12‬‬

‫‪244‬‬
 ‫)‪(6-7‬الكشف عن وجود مشكمة التعدد الخطي ‪Detecting multicollinearity‬‬
‫ذكر الباحث ) ‪ ( Kmenta‬تحذي اًر ميماً يمكف تمخيص مبلمحو كآالتي‪:‬‬
‫‪ -1‬مشكمة التعدد الخطي مسألة تتعمؽ بالدرجة وليست بالنوع‪ .‬إذ غالباً ما تكوف ىناؾ عبلقة بيف‬
‫المتغيرات المستقمة نظ اًر لمتأثير الحاصؿ بيف بعضيا ببعض‪ .‬وفي حاؿ انعداـ العبلقة بيف المتغيرات‬
‫المستقمة ) التوضيحية ( انتفت الحاجة الى استخداـ نموذج انحدار خطي متعدد‪ ،‬ويستعاض عنو بػ )‪(k‬‬
‫مف النماذج الخطية البسيطة والذي يحتوي كؿ واحد منيا عمى العبلقة بيف المتغير المعتمد وواحد مف‬
‫المتغيرات المستقمة‪.‬‬
‫‪ -2‬مشكمة التعدد الخطي ىي مشكمة عينة وليست مشكمة مجتمع‪ ،‬فأساس المشكمة يعود الى االفتراض‬
‫باف المتغيرات التوضيحية ىي متغيرات غير عشوائية أي ثابتة لمعينة المختارة‪.‬‬
‫واستناداً الى ذلؾ التحذير فأننا ال نختبر وجود أو عدـ وجود المشكمة وانما نقيس درجتيا في العينة‪.‬‬
‫أضؼ إلى ذلؾ أف المشكمة تظير في الغالب بسبب جمع البيانات في اغمب العموـ االجتماعية لذلؾ توجد‬
‫طرائؽ متعددة لمكشؼ عف المشكمة بعضيا بسيط ‪ Rule of thumb‬واآلخر إحصائي ‪ Formal‬أو‬
‫‪.informal‬‬

‫(‪ )1-6-7‬مؤشرات وجود التعدد الخطي ‪)Rule of thumb) :‬‬

‫نتطرؽ الى أىـ المؤشرات التي تبلزـ التعدد الخطي المؤثر فى النتائج‪:‬‬
‫‪ -1‬عندما يكوف معامؿ التحديد لمنموذج ) ‪ (R2‬عالياً وكذلؾ) االحصاءة ‪ ( F‬لمنموذج الكمي تكوف‬
‫معنوية ‪ ،‬في حيف تكوف قيـ)االحصاءة ‪ ( t‬لبعض المعممات المقدرة غير معنوية‪ .‬وتعد ىذه سمة مبلزمة‬
‫لمشكمة التعدد الخطي‪.‬‬
‫‪ -2‬دراسة معامبلت االرتباط بيف المتغيرات التوضيحية ) سواء كاف البسيط أـ الجزئي ( ميمة وذات‬
‫فائدة غير أنيا أدلة ليست كافية لتأشير درجة التعدد الخطي‪ .‬فيي ليست شروطاً ضرورية عمى الرغـ مف‬
‫انيا شروط كافية‪ .‬فالتعدد الخطي قد يكوف مؤث اًر فى النتائج بالرغـ مف صغر معامبلت االرتباط‪.‬‬
‫‪ -3‬معيار ‪ F‬الجزئي لبلنحدار المساعد‪ ،‬اذ تشير معنويتو الى ارتباط احد المتغيرات التوضيحية‬
‫بالمتغيرات التوضيحية األخرى‪ .‬ويمكف حسابو )بالنسبة لممتغير التوضيحي ‪ (X1‬عمى وفؽ اآلتي‪:‬‬

‫)‪(R 2X1X 2 X 3X k ) (k  1‬‬

‫‪F ‬‬
‫‪1‬‬
‫*‬
‫) ‪~ F( k 1,nk ,1‬‬
‫)‪(1 - R 2X1 X 2 X 3X k ) (n - k‬‬
‫حيث اف ) ‪ (R X1  X 2 X 3X k‬تمثؿ معامؿ التحديد النحدار ‪ X1‬ضد ‪. Xk ، ... ، X3 ، X2‬وأختصا آر‬
‫‪2‬‬

‫يرمز لو ب ) ‪ (R 1‬وتكوف العبلقة كاآلتي‪:‬‬

‫‪2‬‬

‫‪245‬‬
 ‫‪R 12 k  1‬‬
‫‪F ‬‬
‫‪1‬‬
‫*‬

‫)‪(1 - R 12 ) (n - k‬‬
‫وبشكؿ عاـ لممتغير التوضيحي ‪: Xj‬‬
‫‪R 2j k  1‬‬
‫‪F ‬‬ ‫*‬
‫‪j‬‬ ‫‪2‬‬
‫‪‬‬ ‫‪j  1,, k‬‬ ‫‪‬‬ ‫)‪(6  7‬‬
‫)‪(1 - R ) (n - k‬‬
‫‪j‬‬

‫‪ -4‬اختبار )‪ ( klein‬تشير قاعدة االبياـ ) لكبل يف( باف التعدد الخطي يكوف مشكمة مؤثرة في النتائج‬
‫وتتطمب مداخمة لمعبلج اذا ) ‪ ( R j‬لبلنحدار المساعد يكوف اكبر مف )‪ (R2‬لمنموذج الكمي‪. R j  R ،‬‬
‫‪2‬‬ ‫‪2‬‬ ‫‪2‬‬

‫‪ -5‬معامؿ تضخيـ التبايف )‪ (VIF‬يعد تشخيصاً إضافيا‪ ،‬فمع ازدياد قيمة ‪ VIF‬عف )‪ (2‬يكوف دليبلً ميماً‬
‫عمى وجود المشكمة بشكؿ يؤثر فى النتائج‪ .‬بالرغـ مف انو ال يعد شرطاً ضرورياً وال كافياً‪.‬‬

‫والختبار مشكمة التعدد الخطي باستخداـ اختبار )‪ (klein‬لبيانات المثاؿ) ٘ ‪ ( 14 -‬نفسيا واعتمادا عمى‬
‫البرنامج الجاىز ) ‪،( SPSS‬ندرس عبلقة ارتباط بيرسف بيف المتغيريف ‪ X1‬و ‪ X2‬والتي يحسبيا البرنامج‪:‬‬
‫‪ rX1X2 = 0.332‬ثـ نربعيا )‪ (rX1 X 2  0.11022‬وتقارف مع معامؿ التحديد لمنموذج‬
‫‪2‬‬

‫) ‪ ( R2 = 0.646‬وىذا دليؿ عمى خمو النموذج مف مشكمة التعدد الخطي عمى وفؽ اختبار) ‪،( klein‬‬

‫)‪ (2-6-7‬االختبارات االحصائية‪" Formal Statistical – test " :‬‬

‫‪ -1‬اختبار " ‪" Beaton – Glauber‬‬
‫تكوف خطوات االختبار باف نحسب مصفوفة معامبلت االرتباط البسيط بيف المتغيرات‬
‫‪1‬‬
‫التوضيحية والتي يرمز ليا ب )‪ ،( R‬ثـ نحسب معكوس ىذه المصفوفة) ‪ ( R‬ونتفحص العناصر‬
‫القطرية ليذه المصفوفة والتي تحسب عمى وفؽ الصيغة‪:‬‬
‫‪Rkk‬‬
‫‪r ‬‬
‫‪kk‬‬
‫‪. . .‬‬ ‫)‪(7-7‬‬
‫‪R‬‬
‫فعندما تكوف قيمة العناصر القطرية قريبة مف الواحد فيذا يؤشر عدـ وجود مشكمة التعدد الخطي‪ ،‬في‬
‫حيف ابتعاد ىذه القيمة عف الواحد )كبرىا( يشير الى اف النتائج تتأثر بمشكمة التعدد الخطي ‪.‬‬
‫وبعبارة اخرى‪:‬‬

‫اذا ‪ rkk = 1‬فاف المتغيرات التوضيحية متعامدة ‪.‬‬

‫∞ → ‪ ،rkk‬اف المتغير ‪ Xk‬ينذر بخطر التعدد الخطي‪.‬‬

‫‪246‬‬
 ‫‪ -2‬اختبار فاراركميبر " ‪" Farrar - Glauber-test‬‬
‫ىذا االختبار يجري عمى ثبلث مراحؿ‪.‬‬
‫المرحمة األولى‪ :‬يستخدـ اختبار مربع كاي لمكشؼ عف درجة )شدة( التداخؿ الخطي المتعدد وتكوف‬
‫‪,‬‬
‫‪orthogonal X s :H0‬‬ ‫فرضية العدـ ‪ :‬المتغيرات التوضيحية متعامدة‬
‫‪,‬‬
‫‪H1 : multicollinear‬‬ ‫مقابؿ الفرضية البديمة ‪ :‬المتغيرات التوضيحية مترابطة ‪X s‬‬
‫والمختبر الذي يستخدـ ىو ‪:‬‬
‫‪‬‬ ‫‪1‬‬ ‫‪‬‬
‫‪ 2   n  1  (2k  5) Ln‬‬ ‫‪R‬‬ ‫‪...‬‬ ‫)‪(8 - 7‬‬
‫‪‬‬ ‫‪6‬‬ ‫‪‬‬
‫حيث اف | ‪ | R‬يمثؿ محدد مصفوفة معامبلت االرتباط البسيط ‪.‬‬
‫‪ Ln‬تمثؿ الموغاريتـ لؤلساس الطبيعي ‪.‬‬
‫‪ : k‬عدد المتغيرات المستقمة التوضيحية ‪.‬‬
‫‪ :n‬حجـ العينة المستخدمة ‪.‬‬
‫)‪k (k  1‬‬
‫ومستوى داللة‪.α %‬‬ ‫وتقارف القيمة المحسوبة لمربع كاي مع القيمة الجدولية بدرجة حرية‬
‫‪2‬‬
‫ومع رفض فرضية العدـ يجب االنتقاؿ الى المرحمة الثانية ‪.‬‬

‫المرحمة الثانية‪ :‬تحديد موقع التعدد الخطي ‪"of multicollinearity" Location‬‬

‫يتـ حساب معامؿ االرتباط المتعدد لكؿ عبلقة انحدار مساعد‪ ،‬أي نحسب ‪( j =1,…k) R j‬‬
‫‪2‬‬

‫لعبلقة انحدار ‪ Xj‬كمتغير معتمد مع باقي المتغيرات التوضيحية والمقطع الثابت‪ ،‬ويحسب معامؿ التحديد‬
‫لكؿ عبلقة انحدار مساعد‪.‬‬

‫وتختبر الفرضية ‪:‬‬

‫‪ 0 : R 2j  0‬‬
‫‪,‬‬ ‫‪j =1,…k‬‬
‫‪vs. 1: R 2j  0‬‬
‫وباستخداـ المختبر اإلحصائي في العبلقة )‪: (6-7‬‬
‫)‪R 2j (k  1‬‬
‫‪F ‬‬ ‫*‬
‫‪j‬‬ ‫) ‪~ F( k 1,nk ,1‬‬ ‫‪,‬‬ ‫‪j  1,, k‬‬
‫)‪(1 - R 2j ) (n - k‬‬
‫ورفض فرضية العدـ تشير الى اف المتغير ‪ Xj‬ذو تداخؿ خطي متعدد مع المتغيرات التوضيحية األخرى‪.‬‬
‫وذلؾ يقترح االنتقاؿ الى المرحمة الثالثة‪.‬‬

‫‪247‬‬
 ‫المرحمة الثالثة ‪ :‬تحديد نمط التعدد الخطي‪of multicollinearity" "Pattern‬‬
‫وتتطمب ىذه المرحمة الخطوات التالية ‪.‬‬
‫حساب معامبلت االرتباط الجزئي بيف المتغيرات التوضيحية‪.‬‬
‫نختبر معنويتيا اإلحصائية باعتماد اختبار ‪ t‬الجزئي‪.‬‬
‫‪H0: rxj,xi. others constant = 0‬‬ ‫لفرضية العدـ‬
‫‪vs.: H1: rxj,xi .all others constant ≠ 0‬‬
‫والمختبر المستخدـ ىو‪:‬‬
‫‪nk‬‬
‫‪tij. others‬‬ ‫‪ rij. others constan t ‬‬ ‫‪‬‬ ‫)‪(9  7‬‬
‫‪constan t‬‬
‫‪1  rij. others constan t‬‬
‫عمماً اف معامؿ االرتباط الجزئي يحسب عمى وفؽ القانوف‪:‬‬
‫‪rij  ril rjl‬‬
‫‪rij .l ‬‬ ‫‪,‬‬ ‫‪‬‬ ‫‪i, j , l  1, , k‬‬
‫‪1 r‬‬ ‫‪2‬‬
‫‪il‬‬ ‫‪1 r‬‬ ‫‪2‬‬
‫‪jl‬‬

‫حيث اف ‪ rij‬تمثؿ معامؿ االرتباط البسيط بيف المتغيريف ‪ Xi‬و ‪ ، Xj‬ومع رفض فرضية العدـ فاف القرار‬
‫يكوف باف المتغير ‪ Xi‬ىو المسؤوؿ عف وجود التداخؿ الخطي المتعدد مع المتغير ‪ Xj‬الذي أفرزتو المرحمة‬
‫الثانية‪.‬‬

‫)‪ (7-7‬طـرائق التخفيف من حدة المشكمة‪Remedies measures.‬‬

‫‪ -1‬ليس مف السيؿ ايجاد حموؿ ناجعة لمشكمة التعدد الخطي بؿ يرى بعضيـ بترؾ النتائج كما ىي حيث‬
‫اف أية معالجة لتخفيؼ حدة المشكمة ليا مسأوئ مف نوع أو آخر وبذلؾ ترؾ النتائج كما ىي ىو االسػموب‬
‫االصػػوب‪ .‬ووجيػػة النظػػر ىػػذه تػػرى اف وجػػود التعػػدد الخطػػي ال يعمػػؿ دائمػاً عمػػى تخفػػيض نسػػبة ‪ t‬وجعميػػا‬
‫غيػػر معنويػػة أو تعمػػؿ عمػػى تغييػػر قيمػػة المعممػػات بجعميػػا مناقضػػة لمػػا يتوقعػػو الباحػػث حوليػػا‪ .‬واسػػتخداـ‬
‫طرائؽ التخفيؼ فقط في حاؿ كوف المشكمة تؤثر فى النتائج‪ .‬فقد نجد معامؿ ارتبػاط بػيف بعػض المتغيػرات‬
‫التوضيحية يقارب )‪ (0.97‬وتبقى معممات ىػذه المتغيػرات معنويػة بموجػب النسػبة ‪ t‬وبػذلؾ لػيس بالضػرورة‬
‫عمؿ شيء مف اجؿ التمطيؼ الف أي معالجة ربما تولد مشكمة اخرى لمنموذج‪ ،‬فمشكمة التعػدد الخطػي فػي‬
‫بعض النماذج مماثمو لبعض االمػراض غيػر الميػددة لحيػاة االنسػاف‪ ،‬فمخػاطرة اجػراء عمميػو تكػوف فقػط اذا‬
‫كاف المرض يحدث مشػكمة ميمػة‪ .‬ومػف جانػب اخػر فػاف حػذؼ متغيػر مػف معادلػة يكػوف فػي غايػة الخطػر‬
‫النو سوؼ يحدث تحيي اًز لمتوصيؼ‪ ،‬ولذا في الغالب تترؾ مشكمة التعدد الخطي بالرغـ مف انخفاض )قيمة‬
‫‪.(t‬‬
‫‪ -2‬حػػذؼ احػػد المتغي ػرات التوضػػيحية ذات عبلقػػة ارتبػػاط عاليػػة‪. .‬وت ارعػػى مبلحظػػة سػػبب االرتبػػاط فقػػط‬
‫يكوف احد المتغيرات زائداً أو أف احد المتغيرات ىو الذي يفضؿ اف يضمف في المعادلة فمثبلً عدد السكاف‬

‫‪248‬‬
‫والدخؿ المتاح يقيسا الشيء نفسو وىػو حجػـ السػوؽ فػي د ارسػة الطمػب لػذا يفضػؿ إضػافة احػدىما فقػط فػي‬
‫معادلة الطمب‪ .‬وبذلؾ يعتمد عمى ىدؼ الباحث وفرضيتو‪.‬‬
‫‪ -3‬تحويػػؿ المتغي ػرات التػػي تعػػاني مػػف ارتفػػاع عبلقػػة االرتبػػاط بينيمػػا إذا كػػاف كبلىمػػا ميم ػاً ف ػي د ارسػػة‬
‫الباحث ونوع التحويؿ يكوف ‪:‬‬
‫أ( خمؽ تركيب بداللة كبل المتغيريف وتضمينو كمتغير جديد في المعادلة وخاصة إذا كاف اليدؼ‬
‫إلغراض التنبؤ ‪ .‬أو استخداـ القيود المسبقة مف دراسات تطبيقية سابقة أو باالعتماد عمى‬
‫النظريات في اطار معيف‪ ،‬عمى سبيؿ المثاؿ استخداـ دالة االنتاج مف نوع كوب دوجبلص‬
‫تفترض عائد حجـ ثابت‪ ،‬لذا يتـ استخداـ ىذا القيد في المعادلة يعمؿ عمى تحويؿ صيغة‬
‫المتغيرات الى النسب )الناتج‪/‬العمؿ ‪ ،‬رأس الماؿ ‪ /‬العمؿ ( وتسمى ىذه الطريقة المربعات‬
‫الصغرى المقيدة‪.‬‬
‫ب( تحويؿ المتغيرات باستخداـ الفرؽ األوؿ‪ .‬وحيث اف التعدد الخطي غالباً ما يوجد في دراسات‬
‫السبلسؿ الزمنية فاف استخداـ الفرؽ األوؿ يعمؿ عمى تحريؾ التغيرات إلى األعمى بنسبة اقؿ مف‬
‫القيـ األصمية‪ .‬وجدير بالذكر اف استخداـ الفرؽ األوؿ ال يصمح لدراسات المقاطع العرضية‪ .‬كما‬
‫اف استخدامو في دراسات السبلسؿ الزمنية يخمؽ مشكمة االرتباط الذاتي فضبل عف انو يعمؿ‬
‫عمى فقداف درجات الحرية‪.‬‬
‫ج( كما اف استخداـ القيـ المعيارية لممتغيرات التوضيحية بدالً مف القيـ العادية يكوف مبلئماً لمتخفيؼ‬
‫مف حده التعدد الخطي عمماً باف القيـ المعيارية ىي ‪:‬‬
‫‪Xi  X‬‬
‫‪X i* ‬‬ ‫‪ i  1,, n‬‬
‫) ‪s.e( X i‬‬
‫‪ -4‬العمؿ عمى زيادة حجـ العينة‪ .‬واحدى أىـ طرائؽ زيادة حجـ العينة ىو دمج المقاطع العرضية مع‬
‫السبلسؿ الزمنية ‪ .‬حيث أف تضميف المقاطع العرضية التي تكوف غير متداخمة مع السبلسؿ الزمنية تعمؿ‬
‫عمى تقميص التعدد الخطي في النموذج الكمي*‪ .‬وتبقى المشكمة مرتبطة بتفسير النتائج وطريقة التقدير‪.‬‬
‫وبعضيـ يرى مشكبلت تفسير النتائج في حالة الدمج تكوف أسوأ مف التبعات التي تخمقيا مشكمة التعدد‬
‫الخطي ‪.‬‬
‫‪ -5‬ىناؾ بعض الطرؽ التي تعالج المشكمة إحصائياً مثؿ ‪ :‬التحميؿ العاممي)‪،(Factor Analysis‬‬
‫المركبات الرئيسة )‪ ،(principle component‬طريقة الحرؼ)‪ (Ridge Regression‬أو طريقة‬
‫_______________‬
‫)*( مثبلً لدراسة الطمب عمى سمعة في قطر معيف اقترح االقتصادي ) ‪ ( Tobin‬استخداـ بيانات مقطعية مف ميزانية األسرة لمحصوؿ‬
‫عمى المرونة الدخمية ثـ استخداميا في دالة الطمب لمسبلسؿ الزمنية لمحصوؿ عمى المرونة السعرية‪.‬‬

‫‪249‬‬
 ‫االنحدار المتسمسؿ )‪ (Stepwise Regression‬أو طريقة التقدير المختمط المقترحة مف قبؿ ) ثايؿ‬
‫وكولد بيرجر(‪.‬‬
‫وجدير بالذكر إف لكؿ طريقة مف طرائؽ التخفيؼ مف حدة المشكمة مساوئ وأضرار جانبية منيا‬
‫ما يخمؽ مشكبلت أخرى تحتاج إلى حؿ وتضع الباحث في دوامة مستمرة‪ ،‬وبعضيـ اآلخر يخمؽ‬
‫مشكبلت تتعمؽ بتفسير نتائج التقدير‪ .‬وتبقى خبرة الباحث وىدؼ الدراسة ىي الفيصؿ في اختيار طريقة‬
‫دوف سواىا أو ترؾ النتائج دوف تعديؿ‪ .‬عمماً باف التعدد الخطي ال يشكؿ خط اًر ميماً اذا كاف اليدؼ ىو‬
‫التنبؤ فالمعيار في ىذه الحالة ىو كبر ‪ R2‬عمى شرط اف المتغيرات التوضيحية تتبع نمط االرتباط نفسو‬
‫في فترة التنبؤ كما في فترة البيانات المستخدمة في الدراسة‪.‬‬

‫‪251‬‬
 ‫أسئهة انفصم انسببع‪:‬‬
‫سٔ‪ :‬أ( وضح مفيوـ التعدد الخطي وانواعو‪.‬‬
‫ب( اذكر أىـ مصادر ظيور مشكمة التعدد الخطي‪.‬‬
‫ج( اذكر أىـ المبلمح التي تشير الى وجود مشكمة التعدد الخطي‪.‬‬

‫س‪ :2‬صحح العبارات الخاطئة اف وجدت‪.‬‬

‫ٔ‪ .‬وجود المشاىدات الشاذة يتسبب بمشكمة التعدد الخطي‪.‬‬
‫ٕ‪ .‬معامؿ تضخـ التبايف ىو مقموب معامؿ التحديد‪.‬‬
‫ٖ‪ .‬أحد اإلشارات لمشكمة التعدد الخطي اف تكوف قيمة)‪ (R2‬عالية في حيف ) ‪ (F‬لمنموذج ككؿ عالية‬
‫و )‪ (t‬ايضاً عالية‪.‬‬
‫ٗ‪ (VIF) .‬شرط ضروري وكافي لمحصوؿ عمى تبايف كبير‪.‬‬
‫٘‪ .‬تبايف المعممات المقدرة في النموذج المتعدد يرتبط عكسياً بمعامؿ التحديد‪.‬‬
‫‪ .ٙ‬وجود التعدد الخطي التاـ يولد مقدرات متحيزة وغير كفوءة‪.‬‬
‫‪ .ٚ‬اختبار فارار كميبر يعتمد عمى االحصاءة ‪ χ2‬بدرجات حرية )‪. (k‬‬
‫‪ .ٛ‬طريقة المركبات األساسية تخمص النموذج تماماً مف مشكمة التعدد الخطي‪ ،‬ولذلؾ فيي طريقة‬
‫مرغوبة‪.‬‬
‫‪ .ٜ‬وجود مشكمة التعدد الخطي يمكف التعايش معيا اذا كاف اليدؼ الرئيس ىو تقدير معممات‬
‫النموذج‪.‬‬
‫ٓٔ‪.‬رتبة مصفوفة ‪ X‬تامة مف ناحية السطور تعني وجود تغيرات واضحة وممموسة لمشاىدات‬
‫المتغيرات التوضيحية‪.‬‬

‫س‪ :3‬حدد أىـ طرائؽ الكشؼ عف مشكمة التعدد الخطي‪.‬‬

‫س‪ :4‬في النموذج ‪ Y   0  1 X   2 X  u‬وضح ىؿ اف النموذج يعاني مف مشكمة التعدد‬

‫‪2‬‬

‫الخطي‪.‬‬

‫س‪ :5‬اشرح أثر االرتباط المتعدد في حالة كوف قيـ أحد المتغيرات التوضيحية متسأوية المشاىدات‪.‬‬

‫س‪ :6‬أعط مثاالً توضح فيو إف معامبلت االرتباط البسيط بيف المتغيرات التوضيحية ال تكوف كافية‬
‫لمكشؼ عف وجود مشكمة التعدد الخطي‪.‬‬

‫‪251‬‬
‫س‪ :7‬اذا عممت اف مصفوفة االرتباط البسيط بيف المتغيرات التوضيحية لنموذج مكوف مف ثبلث متغيرات‬
‫توضيحية ولعينة مكونة مف ‪ 60‬مشاىدة ىي‪:‬‬
‫‪ 1 0.879  0.339 ‬‬
‫‪‬‬ ‫‪‬‬
‫‪R‬‬ ‫‪1‬‬ ‫‪ 0.305 ‬‬
‫‪‬‬ ‫‪1 ‬‬
‫‪‬‬
‫ىؿ اف النتائج تتأثر بمشكمة التعدد الخطي باستخداـ‪:‬‬
‫أ( اختبار ‪. Beaton&Glauber‬‬
‫ب( اختبار ‪. Farrar – Glauber‬‬

‫‪252‬‬
 ‫انفصم انثبمن‬
‫االنحذار غير انخطي‪Nonlinear regression‬‬
‫تمهيد‬
‫أف أوؿ فرضيات التحميؿ في االنحدار ىي الفرضية )‪ (1‬ىذه الفرضية تنص عمى اف عبلقة االنحدار‬
‫تكوف خطية بداللة المعممات‪.‬‬
‫ومعموـ اف العبلقات أما تكوف خطية بداللة المعممات وبداللة المتغيرات وىي العبلقة التي تمت دراستيا‬
‫في الفصوؿ السابقة مف الكتاب‪.‬‬
‫العبلقة العامة التي تتضمف )‪ ( k‬مف المتغيرات التوضيحية والتي يمكف كتابتيا بالصيغة‪:‬‬
‫‪Yt  0  1 X1t   2 X 2t  . . .   k X kt  ut‬‬
‫أو‬
‫‪k‬‬
‫‪Yt    jt X jt  ut‬‬ ‫‪‬‬ ‫‪t  1,..., n‬‬
‫‪j 0‬‬

‫‪j  1,  , k‬‬
‫ىي عبلقة خطية بداللة المعممات‪ ،‬وكذلؾ بداللة المتغيرات‪.‬‬
‫أو اف تكوف خطية بداللة المعممات وغير خطية بداللة المتغيرات )ومعادالتيا تسمى عبلقات االنحدار‬
‫غير الخطية( والتي ستتـ دراستيا في ىذا الفصؿ والنوع الثالث اف تكوف عبلقة االنحدار غير خطية‬
‫بداللة المعممات ومف أمثمتيا‪:‬‬

‫‪Y  o ‬‬ ‫‪1 X  u‬‬ ‫‪...‬‬ ‫)‪(1‬‬

‫‪Y   o  1 X  u‬‬
‫‪2‬‬
‫‪...‬‬ ‫)‪(2‬‬

‫‪Y  ln  o  1 X   u‬‬ ‫‪...‬‬ ‫)‪(3‬‬

‫‪. . .‬‬ ‫وىكذا‬

‫فالمعادالت )ٔ( و)ٕ( ىي غير خطية بداللة المعممات ولكنيا خطية بداللة المتغيرات في حيف العبلقة‬
‫)ٖ( غير خطية بداللة المعممات والمتغيرات‪.‬‬
‫وىذا النوع مف عبلقات االنحدار ال يمكف تقدير معمماتو باستخداـ معيار المربعات الصغرى االعتيادية بؿ‬
‫يتـ استخداـ اسموب االنحدار غير الخطي المتكرر‪ ،‬والذي ىو خارج مفردات ىذا الكتاب‪.‬‬
‫ولقد أوضحنا في الفصوؿ السابقة مف ىذا الكتاب باف اختبار العبلقة الخطية يمكف اف يعبر عنو بأختبار‬
‫‪ F‬لمنموذج الكمي والذي يختبر الفرضية‬

‫‪253‬‬
‫‪H o  1   2  . . .   k  0‬‬
‫وذلؾ باستخداـ جدوؿ تحميؿ التبايف‪.‬‬
‫ويمكف عمؿ االختبار بشكؿ أولي مف خبلؿ رسـ االنتشار في حالة النموذج البسيط أو باستخداـ تحميؿ‬
‫البواقي وذلؾ برسـ األخطاء أو األخطاء القياسية أو مربع األخطاء عمى المحور العمودي بداللة ‪ Yˆi‬أو‬
‫‪Xi‬عمى المحور األفقي‪ .‬فإذا كاف الشكؿ الناتج يوضح نمطاً معيناً كما في الشكؿ)‪ (ٔ-ٛ‬فذلؾ يدلؿ عمى‬
‫اف العبلقة غير خطية أو اف فرضية العبلقة الخطية غير متحققة‪.‬‬

‫شكؿ )‪(1-8‬‬
‫‪e‬‬ ‫‪e‬‬

‫‪0‬‬ ‫ˆ‪Y‬‬ ‫‪0‬‬ ‫ˆ‪Y‬‬

‫مثاؿ)‪ :(ٔ-8‬اذا توفرت البيانات لممتغير المعتمد ‪ Y‬والمتغير المستقؿ ‪ X‬فيؿ اف معادلة الخط المستقيـ‬
‫تبلئـ البيانات‪.‬‬
‫‪Y   1 4 3 8 9‬‬

‫‪1 1 1 1 1 ‬‬
‫‪X  ‬‬ ‫‪‬‬
‫‪0 1 2 3 4‬‬

‫‪ 5 10 ‬‬ ‫‪0.6  0.2‬‬ ‫‪25‬‬

‫‪X X  ‬‬ ‫‪‬‬ ‫‪( X X ) 1  ‬‬ ‫‪X Y   ‬‬
‫‪0.1 ‬‬
‫‪,‬‬ ‫‪,‬‬
‫‪10 30‬‬ ‫‪‬‬ ‫‪70‬‬

‫‪1 ‬‬
‫‪̂   ‬‬
‫‪ 2‬‬

‫‪Yˆ  1  2 X‬‬ ‫معادلة االنحدار المقدرة‪:‬‬

‫ولمعرفة مدى مبلءمة البيانات مع عبلقة الخط المستقيـ‪ ،‬يتـ اعتماد طريقة الرسـ أوالً والتي يمكف انجازىا‬
‫اما باستخداـ رسـ البواقي والذي يتـ برسـ قيـ ‪ Xi‬أو ‪ Yˆi‬عمى المحور االفقي وقيـ األخطاء عمى المحور‬
‫العمودي‪ .‬أو يمكف اعتماد رسـ االنتشار لمتأكد مف تحقؽ ذلؾ‪.‬‬
‫والستخداـ تحميؿ البواقي‬

‫‪254‬‬
 ‫تحسب القيـ ‪ Yˆi‬و ‪ ei‬لكؿ قيمة مف قيـ ‪X‬‬
‫‪Yˆ   1 3 5 7 9‬‬ ‫‪,‬‬ ‫‪e  0 1  2 1 0‬‬

‫‪e2  RSS  6‬‬

‫ثـ نرسـ ‪ ei‬ضد ˆ‪ Y‬فيتضح الشكؿ )‪(2-8‬‬
‫شكؿ )‪(2-8‬‬
‫‪ei‬‬

‫‪Yˆi‬‬
‫المصدر ‪ :‬برنامج ‪ SPSS‬باالعتماد على بيانات المثال )‪) 1-8‬‬
‫اما باالعتماد عمى رسـ االنتشار فيتـ وضع قيـ ‪ Y‬عمى المحور العمودي وقيـ ‪ X‬عمى المحور االفقي كما‬
‫في الشكؿ )‪(ٖ-ٛ‬‬

‫شكؿ )‪(3-8‬‬
‫شكؿ انتشار بيانات المثاؿ )‪(1-8‬‬
‫‪Y‬‬

‫‪X‬‬
‫المصدر‪ :‬برنامج ‪ SPSS‬على بيانات المثال )‪(1-8‬‬

‫‪255‬‬
 ‫نؤكد في ىذا الصدد اف طريقة الرسـ تعتمد عمى الحكـ الشخصي وخاصة مع صغر حجـ العينة وكذلؾ‬
‫تعتمد عمى خبرة الباحث‪ ،‬لذا البد مف اقترانيا باالختبارات اإلحصائية النظامية ومنيا جدوؿ تحميؿ‬
‫التبايف‪.‬‬
‫‪H o : 1  0‬‬ ‫‪vs‬‬ ‫‪H1 :  1 0‬‬
‫وباستخداـ جدوؿ تحميؿ التبايف‬
‫جدوؿ )‪(ٖ-ٛ‬‬
‫جدوؿ تحميؿ التبايف لممثاؿ )‪(ٔ-ٛ‬‬
‫‪S.O.V‬‬ ‫‪df‬‬ ‫‪SS‬‬ ‫‪MS‬‬ ‫‪F‬‬
‫‪Regression‬‬ ‫‪1‬‬ ‫‪40‬‬ ‫‪40‬‬ ‫‪20 Fc (1,3,0.95)  10.13‬‬
‫‪Error‬‬ ‫‪3‬‬ ‫‪ٙ‬‬ ‫‪2‬‬

‫وبمقارنتيا مع القيمة الجدولية يتضح اف العبلقة الخطية مبلئمة‪.‬‬

‫(‪ )1-8‬خطية العالقة بداللة المعممات‪:‬‬

‫لقد تـ التأكيد في الفصوؿ السابقة عمى اف النماذج التي تعتمد في االنحدار ىي خطية بداللة‬
‫المعممات‪ ،‬وقد تكوف ىذه النماذج خطية )أو غير خطية( بداللة المتغيرات‪ .‬وفي الواقع العممي ىناؾ‬
‫العديد مف العبلقات التي تكوف غير خطية بداللة المتغيرات ولكنيا خطية بداللة المعممات ومنيا‪:‬‬
‫‪Log - liner model‬‬ ‫نموذج الموغاريتـ – الخطي‬
‫‪semi log model‬‬ ‫نموذج شبو الموغاريتـ‬
‫‪Reciprocal model‬‬ ‫نموذج المعكوس‬
‫‪polynomial model‬‬ ‫نموذج متعدد الحدود‬
‫وغيرىا العديد‪.‬‬

‫والختيار األشكاؿ الدالية المختمفة البد مف إعطاء عناية خاصة ألمريف ميميف ىما حد متغير االضطراب‬
‫العشوائي‪ ، ui‬اما األمر االخر فيو يخص تفسير المعممات‪.‬‬

‫‪256‬‬
 ‫)‪ (1-1-8‬نموذج الموغاريتم الخطي ‪:Log linear model‬‬
‫‪2‬‬
‫‪Yi  1 X i‬‬ ‫لنمعف النظر في العبلقة‪:‬‬
‫فيي عبلقة أسية "‪) "exponential‬غير خطية بداللة ‪ (β‬وإلغراض التقدير يمكف إعادة صياغتيا‬
‫كاآلتي‪:‬‬
‫‪2‬‬
‫‪Yi  1 X i‬‬ ‫‪e ui‬‬ ‫‪‬‬ ‫)‪(1  8‬‬
‫‪2‬‬
‫‪Yi  1 X i‬‬ ‫‪ui‬‬ ‫‪‬‬ ‫أو )‪(2  8‬‬
‫‪2‬‬
‫‪Yi  1 X i‬‬ ‫‪ ui‬‬ ‫‪‬‬ ‫أو )‪(3  8‬‬
‫وبأخذ لوغاريتـ الطرفيف تعاد كتابتيا كاآلتي‪:‬‬
‫‪ln Yi  ln 1   2 ln X i  ln eui     2 ln X i  ui‬‬ ‫‪‬‬ ‫)‪(a1  8‬‬

‫‪ln Yi  ln 1   2 ln X i  ln ui     2 ln X i  ln ui‬‬ ‫‪‬‬ ‫)‪(a2  8‬‬

‫) ‪ln Yi  ln( 1  X i2  ui‬‬ ‫‪‬‬ ‫)‪(a3  8‬‬

‫حيث اف ‪  ln 1‬‬
‫فالعبلقة )‪ (1-8‬خطية بداللة المعممات اذ بأخذ الموغاريتـ لمطرفييف تـ تحويمػو الػى خطػي بداللػة المعممػات‬
‫‪ α‬و ‪ β2‬وكذلؾ الحاؿ بالنسبة لمعبلقة )‪ .(2-8‬غير انو ال بد مف التحقيؽ حػوؿ صػفات المتغيػر العشػوائي‬
‫ف ػ ػ ػ ػػي المعػ ػ ػ ػ ػػادالت )‪ (a1-8‬و )‪ .(a2-8‬فمػػ ػ ػ ػػع افت ػ ػ ػ ػ ػراض اف المتغيػ ػ ػ ػ ػػر العش ػ ػ ػ ػ ػوائي ‪ ui‬يتػ ػ ػ ػ ػػوزع طبيعي ػ ػ ػ ػ ػاً‪.‬‬
‫) ‪ui ~ N(0, 2‬‬ ‫بمتوسط صفر وتبايف متجانس وارتباط ذاتي صفري ‪.‬‬
‫ف ػالمتغير العش ػوائي فػػي المعادلػػة)‪ ، ( ln ui ) ، (aٕ-8‬ال يكػػوف كػػذلؾ‪ .‬وعميػػو البػػد مػػف إعطػػاء عنايػػة‬
‫خاصة لحد الخطأ عند تحويؿ النموذج ألغراض االنحدار‪.‬‬
‫أمػػا العبلقػػة )‪ (a3-8‬فيػػي فػػي حقيقػػة األمػػر غيػػر خطيػػة بداللػػة المعممػػات‪ .‬وال توجػػد طريقػػة بسػػيطة ألخػػذ‬
‫لوغاريتـ الطرفيف ليذه العبلقة ‪ ،‬وعميو يجب حمو باستخداـ طرائؽ غير خطية‪.‬‬
‫ام ػػا بخص ػػوص معمم ػػات العبلق ػػة )‪ (1-8‬والت ػػي تع ػػد خطي ػػة بدالل ػػة لوغ ػػاريتـ المتغيػ ػرات ‪ Y‬و ‪ X‬عن ػػد اخ ػػذ‬
‫لوغ ػ ػػاريتـ الطػ ػ ػرفيف كم ػ ػػا ف ػ ػػي العبلق ػ ػػة )‪ (a1-8‬والت ػ ػػي يمك ػ ػػف تق ػ ػػديرىا باس ػ ػػتخداـ ‪ OLS‬فتك ػ ػػوف المق ػ ػػدرات‬
‫ˆ‪ ‬و ) ‪ (ˆ 2‬مقدرات غير متحيزة وخطية وباقؿ تبايف لممعممات ‪ α‬و‪ β‬عمى التوالي‪:‬‬
‫‪‬‬
‫عمماً باف ‪ ˆ1  e‬وبذلؾ فاف ) ‪ ˆ  (ln 1‬حيث اف‪(e  2.718) :‬‬
‫ˆ‪‬‬

‫اما ‪ ˆ2‬فيي تقيس مرونة ‪ Y‬بالنسة لػ ‪ X‬الف‬

‫‪257‬‬
 ‫‪dY‬‬
‫‪d ln Y‬‬
‫‪ˆ2 ‬‬ ‫‪ Y‬‬
‫‪d ln X dX‬‬
‫‪X‬‬
‫‪dY‬‬
‫القيمة الحدية‬
‫‪‬‬ ‫‪Y‬‬
‫‪‬‬
‫‪dX‬‬ ‫القيمة المتوسطة‬
‫‪X‬‬

‫وحيث اف ‪ ˆ2‬تكوف ثابتة لذا يسمى النموذج نموذج المرونة الثابتة )‪(Constant elasticity model‬‬

‫)‪ (2-1-8‬نماذج شبة الموغاريتم ‪:Semi-Logarithm‬ويمكف اف تكوف اما ‪:‬‬

‫" ‪" Log – Lin Model‬‬ ‫أ‪ .‬شبو لوغاريتمية بداللة ‪Y‬‬
‫" ‪" Lin - Log Model‬‬ ‫ب‪ .‬شبو لوغاريتمية بداللة ‪X‬‬
‫" ‪" Log – Lin Model‬‬ ‫أ‪ .‬شبه لوغاريتمية بداللة ‪:Y‬‬
‫اف المعادلة التي تستخدـ الستخراج معدالت النمو المركب ىي ‪:‬‬
‫‪Yt  Yo (1  r )t‬‬ ‫‪. . .‬‬ ‫)‪(4-8‬‬
‫حيث ‪ Y0‬تمثؿ القيمة األولية ) االبتدائية( لممتغير ‪. Y‬‬
‫‪ : r‬معدؿ النمو المركب‬
‫‪ : t‬السنوات لمسمسمة ‪. Y‬‬
‫وىي معادلة غير خطية بداللة ‪. Y0‬‬
‫وبأخذ لوغاريتـ الطرفيف تتحوؿ الى خطية‬
‫)) ‪ln Y  ln Yo  t (ln(1  r‬‬ ‫‪. . .‬‬ ‫)‪(5-8‬‬
‫‪ln Y  1   2 t‬‬
‫حيث اف ‪:‬‬
‫‪1  ln Yo‬‬ ‫‪. . .‬‬ ‫)‪(6-8‬‬
‫) ‪ 2  ln(1  r‬‬ ‫‪. . .‬‬ ‫)‪(7-8‬‬
‫وبإضافة المتغير العشوائي ‪ u‬تصبح العبلقة‬
‫‪ln Y  1   2t  u‬‬ ‫‪. . .‬‬ ‫)‪(8-8‬‬
‫العبلقة )‪ (٘-8‬تسمى شبو لوغارتمية )‪ (Semi log model‬بداللة ‪ Y‬وتسمى )‪(Log-Lin model‬‬
‫أيضاً‪.‬‬

‫‪258‬‬
 ‫‪ -‬وإلغراض التقدير يمكف إعادة المعادلة )‪ (4-8‬بالصيغ التالية‪:‬‬
‫‪Yt  Yo (1  r )t  u‬‬ ‫‪‬‬ ‫)‪(9  8‬‬
‫‪Yt  Yo (1  r )t  eu‬‬ ‫)‪ (10  8‬‬ ‫أو‬
‫‪Yt  Yo (1  r )t  u‬‬ ‫‪‬‬ ‫)‪(11  8‬‬ ‫أو‬
‫ويتبيف كما في الفقرة )‪ (ٔ-ٔ-8‬اف )‪ (9-8‬و)‪ (10-8‬تصبح خطية بداللة المعممات مع التحفظ حوؿ‬
‫توزيع حد االضطراب اما )‪ (11-8‬فيي غير خطية بداللة المعممات‪.‬‬
‫تفسير المعممات‪:‬‬
‫المعممة ) ‪ (ln(1  r )   2‬تقيس التغير النسبي في ‪ Y‬نسبة الى تغير مطمؽ بقيمة المتغير ‪.t‬‬
‫‪d ln y‬‬
‫‪  2 ‬وىي بذلؾ تقيس معدؿ النمو الجاري )‪ .(instantaneous‬وبذلؾ فالعبلقة )‪(8-8‬‬
‫‪dt‬‬
‫تسمى نموذج النمو الثابت ‪.constant growth model‬‬
‫‪r  (e‬‬ ‫‪2‬‬
‫‪‬‬
‫اما معدؿ النمو المركب فيمكف حسابو مف العبلقة )‪ 1)100 % : (7-8‬‬

‫المعممة ‪ β1‬تمثؿ المقطع الثابت وبموجب العبلقة )‪ (ٙ-ٛ‬فاف قيمة التغير المعتمد في بداية المدة يمكف‬
‫‪Y‬‬ ‫‪0‬‬ ‫‪ e 1‬‬ ‫‪‬‬ ‫حسابو‪:‬‬

‫مالحظة ‪ :‬اف نتائج تقدير العبلقة )‪ (ٛ-ٛ‬تعتمد عمى استق اررية السمسمة‪.‬‬

‫ب‪ .‬نموذج شبه الموغارتمي بداللة ‪(Lin-Log Model).X‬‬

‫‪Y  1   2 ln X  u‬‬ ‫صيغة النموذج ‪:‬‬
‫المعممة ‪ β2‬تمثؿ التغير المطمؽ في ‪ Y‬نسبة الى التغير النسبي بػ ‪ X‬كاآلتي‪:‬‬

‫‪Y‬‬
‫‪2 ‬‬
‫‪X‬‬
‫‪X‬‬
‫‪X‬‬
‫بمقدار وحدة واحدة فاف تغي ار مطمقا في ‪ Y‬يكوف بمقدار ) ‪ ((0.01)  2‬اما القيمة‬ ‫فمع تغير‬
‫‪X‬‬
‫الحدية أو األثر لممتغير ‪ X‬عمى) ‪ (Y‬فيمكف حسابو عمى وفؽ العبلقة‪:‬‬
‫‪dY  2‬‬
‫‪‬‬
‫‪dX‬‬ ‫‪X‬‬

‫‪259‬‬
 ‫)‪(Reciprocal Model‬‬ ‫(‪ )3-1-8‬نموذج المعكوس‬
‫الصيغة العامة لمنموذج‪:‬‬
‫‪1‬‬
‫‪Y  1   2‬‬ ‫‪u‬‬ ‫‪...‬‬ ‫)‪(12 - 8‬‬
‫‪X‬‬
‫وبالرغـ مف اف العبلقة )‪ (12-8‬ىي غير خطية بداللة ‪ X‬ولكنيا خطية بداللة المعممات ‪ β1‬و ‪β2‬‬
‫‪1‬‬
‫‪ X ‬فتتحوؿ الصيغة إلى‪:‬‬ ‫وذلؾ مف خبلؿ افتراض‬
‫‪‬‬

‫‪X‬‬
‫‪Y  1   2 X   u‬‬ ‫‪. . .‬‬ ‫)‪(a12-8‬‬
‫ويتميز النموذج )‪ (12-8‬بالميزات التالية‪:‬‬
‫‪1‬‬
‫مع زيادة ‪ X‬بشكؿ ال نيائي فاف ) ‪ (  2‬تنخفض الى الصفر وبذلؾ فاف ‪ Y‬تبمغ ‪ β1‬والتي تسمى‬
‫‪X‬‬
‫المحاذي )‪ (Asymptote‬أو الغاية )‪ (Limit‬والشكؿ )‪ (4-8‬يوضح بعض اشكاؿ المنحنيات التي تتمثؿ‬
‫بالعبلقة )‪(ٕٔ-ٛ‬‬

‫الشكؿ )‪(4-9‬‬
‫‪1‬‬
‫‪Y  1   2‬‬ ‫أشكاؿ العبلقة العكسية‪:‬‬
‫‪X‬‬
‫‪Y‬‬ ‫‪Y‬‬ ‫‪Y‬‬
‫‪2  0‬‬ ‫‪2  0‬‬ ‫‪2  0‬‬
‫‪1  0‬‬ ‫‪1  0‬‬ ‫‪1  0‬‬
‫‪1‬‬
‫‪1‬‬ ‫‪X‬‬ ‫‪0‬‬ ‫‪X‬‬ ‫‪0‬‬ ‫‪X‬‬
‫‪ 1‬‬ ‫‪‬‬
‫‪ 2‬‬
‫‪1‬‬
‫)‪(a‬‬ ‫)‪(b‬‬ ‫)‪(c‬‬

‫وعند تقدير العبلقة )‪ (a12-8‬فاف تفسير معممات االنحدار ‪ β2‬ال تمثؿ القيمة الحدية بؿ اف اثر المتغير‬
‫‪ X‬عمى المتغير ‪ Y‬يمكف حسابيا كاآلتي‪:‬‬
‫‪dY‬‬ ‫‪1‬‬
‫‪  2  2‬‬
‫‪dX‬‬ ‫‪X‬‬

‫‪261‬‬
 ‫‪ 2 ‬‬
‫‪ ‬مف‬ ‫أي اف زيادة ‪ X‬بمقدار وحدة واحدة فاف ذلؾ يقود الى انخفاض في المتغير ‪ Y‬بمقدار ‪2 ‬‬
‫‪X ‬‬
‫الوحدات‪.‬‬

‫مثاؿ)‪ :(2-8‬بيانات عف الكميات المنتجة ‪ Y‬الؼ طف وعدد العماؿ في أحد الصناعات ‪) X‬الؼ عامؿ(‬
‫لمدة )‪ (ٙ‬سنوات متتالية‪:‬‬
‫جدوؿ )‪(4-8‬‬

‫الكميات المنتجة‬ ‫عدد العماؿ‬

‫ألؼ طف )‪(Y‬‬ ‫ألؼ عامؿ )‪(X‬‬
‫‪10‬‬ ‫‪2‬‬
‫‪18‬‬ ‫‪4‬‬
‫‪24‬‬ ‫‪6‬‬
‫‪28‬‬ ‫‪8‬‬
‫‪30‬‬ ‫‪10‬‬
‫‪31‬‬ ‫‪12‬‬
‫الحؿ‪:‬‬

‫شكؿ )‪(5-8‬‬
‫‪Y‬‬

‫‪X‬‬

‫المصدر‪ :‬برنامج ‪ SPSS‬لبيانات الجدول )‪(4-8‬‬

‫مف خبلؿ رسـ االنتشار الشكؿ )‪ (5-8‬يتضح اف الصيغة التي تمثؿ البيانات ىي الصيغة الموغارتمية‬
‫‪ln Y  o  1 ln X  u‬‬ ‫المزدوجة‪ ،‬لذلؾ نستخدـ نموذج االنحدار‪:‬‬

‫‪261‬‬
 ‫وبحساب ‪ ln Y‬و ‪ ln X‬ثـ تطبيؽ المربعات الصغرى يتـ الحصوؿ عمى معادلة التقدير والجدوؿ)‪(5-8‬‬
‫يتضمف الحسابات البلزمة لتقدير العبلقة‪.‬‬
‫‪‬‬
‫‪l nY  1.94  0.64 ln X‬‬
‫‪ ˆ 1 0.64‬وىي تمثؿ مرونة اإلنتاج بالنسبة لمعمؿ‪.‬‬
‫اما اثر عدد العماؿ فى الكميات المنتجة )في المتوسط( فيتـ حسابو عمى وفؽ الصيغة‪:‬‬
‫‪dY‬‬ ‫‪Y‬‬
‫‪ 1‬‬
‫‪dX‬‬ ‫‪X‬‬
‫‪Y‬‬ ‫أو‬
‫‪Y‬‬
‫تمثؿ‬
‫‪Y‬‬
‫حيث‬
‫‪X‬‬ ‫‪X‬‬ ‫‪X‬‬
‫جدوؿ )‪(٘-ٛ‬‬
‫جدوؿ الحسابات‬

‫‪ln Y  Y  ln X  X ‬‬ ‫) ‪(ln X ) 2 (ln X )(ln Y‬‬

‫‪2.303‬‬ ‫‪0.693‬‬ ‫‪0.480‬‬ ‫‪1.596‬‬
‫‪2.890‬‬ ‫‪1.386‬‬ ‫‪1.921‬‬ ‫‪4.006‬‬
‫‪3.178‬‬ ‫‪1.792‬‬ ‫‪3.211‬‬ ‫‪5.695‬‬
‫‪3.332‬‬ ‫‪2.079‬‬ ‫‪4.322‬‬ ‫‪6.927‬‬
‫‪3.401‬‬ ‫‪2.303‬‬ ‫‪5.304‬‬ ‫‪7.833‬‬
‫‪3.434‬‬ ‫‪2.485‬‬ ‫‪6.175‬‬ ‫‪8.533‬‬

‫(‪ )4-1-8‬منحنى النمو الموجستي‪(Logistic Growth curve) :‬‬

‫اف النموذج المشيور الذي يستخدـ لحساب معدؿ النمو لممتغيرات البايولوجية مثؿ نمو السكاف‬
‫أو انتشار التطور التقني فيو النموذج الموجستي والذي يتمثؿ بالمعادلة ‪.‬‬
‫‪1‬‬
‫‪Yt ‬‬ ‫‪...‬‬ ‫‪3  ‬‬
‫‪1  e  o  1 X‬‬
‫‪ :Yt‬يمثؿ المتغير الذي يتـ تبني تقنية جديدة في حاؿ دراسة انتشار تقنية معينة مثؿ الحاسبات )أي ربات‬
‫البيوت البلتي يمتمكف حاسوب( ويكوف ‪ X‬يمثؿ الزمف ) ‪ ( t = 1,. . . ,t‬أو عدد السكاف لسنوات متتالية‪.‬‬
‫ويتضح مف العبلقة )‪ (13-8‬اف العبلقة غير خطية بداللة المعممات‪ .‬ويتـ تحويميا كاآلتي‪:‬‬

‫‪Yt  Yt e  o 1 X  1‬‬

‫‪Yt e  o  1 X  1  Yt‬‬

‫‪262‬‬
 ‫‪1  Yt‬‬
‫‪e   o  1 X ‬‬
‫‪Yt‬‬
‫‪1  Yt‬‬
‫(‪ (  o  1 X )  ln‬‬ ‫)‬
‫‪Yt‬‬
‫‪Yt‬‬
‫‪ o  1 X  ln‬‬
‫‪1  Yt‬‬
‫‪Yt‬‬ ‫‪‬‬
‫واضافة حد االضطراب العشوائي فيصبح النموذج ‪:‬‬ ‫(‪ln‬‬ ‫)‬ ‫‪‬‬ ‫‪Y‬‬ ‫وبافتراض‬
‫‪1  Yt‬‬
‫‪t‬‬

‫‪‬‬
‫‪Yt  o  1 X t  ut‬‬ ‫‪‬‬ ‫)‪(14  8‬‬

‫فالعبلقة )‪ (14-8‬عبلقة خطية بداللة المتغيرات *‪ .X ، Y‬كما انيا خطية بداللة المعممات ‪ β0‬و ‪β1‬‬
‫ويمكف تقديرىا بموجب المربعات الصغرى االعتيادية والصيغة )‪ (14-8‬توضح اف معدؿ النمو يتزايد أوالً‬
‫‪0‬‬
‫‪ ، X  ‬ثـ يبدأ معدؿ النمو‬
‫إلى نقطة محددة )وىي نقطة االنقبلب( والتي تظير عندما ‪1‬‬
‫باالنخفاض ‪ .‬وبذلؾ فاف المعممة ‪ β1‬تسيطر عمى السرعة ‪ .‬وبالمقابؿ فاف قيمة ‪ Y‬عند نقطة االنقبلب‬
‫‪0‬‬
‫‪X ‬‬
‫‪1‬‬
‫‪Y‬‬ ‫‪  1‬‬
‫‪‬‬ ‫‪  0  ‬‬
‫‪‬‬
‫‪X‬‬ ‫‪1  2‬‬
‫(‪.‬‬ ‫حد اإلشباع ( ‪e  0‬‬ ‫وىناؾ تشابو كبير بيف الصيغة الموجستية وبيف الموغاريتـ المعكوس وىي اف‬
‫‪Y‬‬ ‫‪1 ‬‬ ‫‪‬‬
‫وتكوف عمى بعد‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫ونقطة االنقبلب تظير عندما ‪ 0.135 e : X  1‬‬
‫‪ X‬‬ ‫‪2‬‬ ‫‪2‬‬
‫‪ 13%‬مف حد اإلشباع‪.‬‬

‫‪263‬‬
 ‫والشكؿ )‪ (6-8‬يوضح ذلؾ ‪:‬‬

‫شكؿ )‪(6-8‬‬
‫المنحنى الموجستي والموغاريتـ المعكوس‬

‫‪Y‬‬ ‫‪Y‬‬
‫‪1‬‬

‫‪1‬‬
‫‪2‬‬
‫‪0.135 e 0‬‬
‫‪0‬‬ ‫‪0‬‬ ‫‪ 0 ‬‬
‫‪ 0 ‬‬ ‫‪  ‬‬
‫‪  ‬‬
‫‪ 1 ‬‬ ‫‪ 1 ‬‬

‫)‪(a‬‬ ‫)‪(b‬‬
‫‪‬‬ ‫‪1 ‬‬ ‫‪‬‬ ‫‪1‬‬ ‫‪‬‬
‫الموغاريتـ المعكوس‪ ln Yt   0  1  u  :‬‬ ‫‪ Yt ‬‬ ‫‪   1 X  u‬‬
‫المنحنى الموجستي‪ u  :‬‬
‫‪‬‬ ‫‪X ‬‬ ‫‪‬‬ ‫‪1 e‬‬ ‫‪‬‬

‫وبشكؿ عاـ يمكف تحديد صيغ مختمفة التي يمكف اف تتصؼ بيا العبلقة غير الخطية بيف ‪ Y‬و‬
‫‪ X‬وذلؾ مف خبلؿ استخداـ ما يسمى )محوؿ بوكس – كوكس( ‪ Box- Cox transformation‬والتي‬
‫تعتمد عمى الصيغة العامة‪:‬‬
‫‪Y 1  o  1 X 2  u‬‬ ‫‪‬‬ ‫)‪(15  8‬‬
‫بحيث ‪:‬‬
‫‪Y 1  1‬‬
‫‪‬‬ ‫‪1  0‬‬ ‫ارا‬
‫‪Y 1‬‬ ‫‪  1‬‬
‫‪ln Y‬‬ ‫‪1  0‬‬ ‫ارا‬
‫‪‬‬

‫وكذلؾ‪:‬‬
‫‪2‬‬
‫‪ X 1‬‬
‫‪‬‬ ‫‪2  0‬‬ ‫ارا‬
‫‪X‬‬ ‫‪2‬‬
‫‪  2‬‬
‫‪ln X‬‬ ‫‪2  0‬‬ ‫ارا‬
‫‪‬‬

‫‪264‬‬
 ‫مثاؿ)‪ :(3-8‬اذا ‪ 1  2  1‬فاف الصيغة ىي‪:‬‬
‫‪Y 1‬‬
‫‪1‬‬
‫‪Y 1 ‬‬ ‫)‪ (Y  1‬‬ ‫‪ 1  1  0‬‬
‫‪1‬‬
‫‪X 1 1‬‬
‫‪X 2‬‬ ‫‪‬‬ ‫)‪ ( X  1‬‬ ‫‪ 2  1  0‬‬
‫‪1‬‬
‫وبذلؾ فاف الصيغة بعد التعويض في العبلقة )‪ (15-8‬نحصؿ عمى‪:‬‬
‫‪(Y  1)   o  1 ( X  1)  u‬‬
‫‪Y  (1   o  1 )  1 X  u‬‬
‫‪Y     1 X  u‬‬ ‫‪‬‬ ‫)‪(16 - 8‬‬ ‫أٌ‬
‫‪o  1  o  1‬‬ ‫حُث ‪:‬‬
‫و ‪. 1‬‬ ‫والعبلقة )‪ (16-8‬ىي عبلقة خطية بداللة المتغيرات ‪ X‬و ‪ Y‬وكذلؾ بداللة بالمعممات ‪ ‬‬

‫مثاؿ)‪ :(ٗ-8‬اذا كاف ‪ 2  0 , 1  0‬فاف العبلقة )‪ (15-8‬تصبح الصيغة الموغارتمية المزدوجة‬

‫‪ln Y  o  1 ln X  u‬‬

‫مثاؿ)‪ :(5-8‬اذا كاف ‪ 2  1 , 1  0‬فاف تحويؿ بوكس – كوكس ينتج عبلقة الموغاريتـ‬
‫المعكوس ‪. log - reciprocal‬‬
‫‪1‬‬
‫‪ln Y   0*   1* ln‬‬ ‫‪u‬‬
‫‪X‬‬
‫مثاؿ)‪ :(6-8‬تقدير معدؿ التضخـ )‪ (X‬ومعدؿ البطالة )‪ (Y‬لمجتمع خبلؿ مدة )‪ (7‬سبع سنوات‪.‬‬
‫جدوؿ )‪(6-8‬‬
‫‪Y‬‬ ‫‪X‬‬
‫‪20‬‬ ‫‪4‬‬
‫‪16‬‬ ‫‪6‬‬
‫‪14‬‬ ‫‪8‬‬
‫‪13‬‬ ‫‪10‬‬
‫‪12.5‬‬ ‫‪12‬‬
‫‪12.25‬‬ ‫‪14‬‬
‫‪12.125‬‬ ‫‪16‬‬

‫‪265‬‬
 ‫‪1‬‬
‫‪ Y   o  1‬ىي المبلئمة لمبيانات‬ ‫رسـ االنتشار يوضح اف الصيغة ‪ u‬‬
‫‪X‬‬

‫شكؿ )‪(7-8‬‬
‫‪Y‬‬

‫‪X‬‬

‫جدوؿ حسابات االنحدار لممثاؿ )‪(6-8‬‬

‫جدوؿ )‪(7-8‬‬
‫‪Y‬‬ ‫‪X‬‬
‫‪X* ‬‬
‫‪1‬‬
‫‪Y Y‬‬ ‫‪X  X‬‬ ‫‪x y‬‬ ‫‪x‬‬
‫‪2‬‬

‫‪X‬‬

‫‪20‬‬ ‫‪4‬‬ ‫‪0.25‬‬ ‫‪5.732‬‬ ‫‪0.127‬‬ ‫‪0.7297‬‬ ‫‪0.0162‬‬

‫‪16‬‬ ‫‪6‬‬ ‫‪0.167‬‬ ‫‪1.732‬‬ ‫‪0.044‬‬ ‫‪0.07615‬‬ ‫‪0.0019‬‬
‫‪14‬‬ ‫‪8‬‬ ‫‪0.125‬‬ ‫‪-0.268‬‬ ‫‪0.0023‬‬ ‫‪-0.00062‬‬ ‫‪0‬‬
‫‪13‬‬ ‫‪10‬‬ ‫‪0.1‬‬ ‫‪ٕٙٛ-1.‬‬ ‫‪-0.0227‬‬ ‫‪0.02878‬‬ ‫‪0.0005‬‬
‫‪12.5‬‬ ‫‪12‬‬ ‫‪0.083‬‬ ‫‪.768ٔ-‬‬ ‫‪-0.0394‬‬ ‫‪0.0696‬‬ ‫‪0.00155‬‬
‫‪12.25‬‬ ‫‪14‬‬ ‫‪0.071‬‬ ‫‪-2.018‬‬ ‫‪-0.0513‬‬ ‫‪0.1035‬‬ ‫‪0.00236‬‬
‫‪12.125‬‬ ‫‪16‬‬ ‫‪0.063‬‬ ‫‪-2.143‬‬ ‫‪-0.0602‬‬ ‫‪0.129‬‬ ‫‪0.0036‬‬
‫‪Σ 99.875‬‬ ‫‪70‬‬ ‫‪0.859‬‬ ‫‪1.13611‬‬ ‫‪0.02638‬‬

‫‪X   0.1227 , X  10 , Y  14.268‬‬

‫‪1.13611‬‬
‫‪ˆ1 ‬‬ ‫‪ 43‬‬
‫‪0.02638‬‬
‫‪ˆ0  14.268  43.(0.1227)  8.99‬‬
‫‪1‬‬
‫‪Yˆ  8.99  43 ‬‬ ‫وبذلؾ قاف معادلة التقدير‪:‬‬
‫‪X‬‬
‫فاف زيادة معدؿ التضخـ بنقطة واحدة سوؼ يصاحبيا انخفاض في معدؿ البطالة بمقدار‪:‬‬

‫‪266‬‬
 ‫‪1‬‬ ‫‪1‬‬
‫‪  0.43  43 ‬مف النقطة في المتوسط‪.‬‬ ‫‪2‬‬
‫‪ 43  2‬‬
‫)‪(10‬‬ ‫‪X‬‬
‫‪ 43‬‬
‫‪  0.3 ‬وىي تشير الى اف االرتفاع في‬ ‫وبذلؾ فاف المرونة )مرونة البطالة لمتضخـ( ‪‬‬
‫)‪10(14.268‬‬
‫معدؿ التضخـ بنسبة ‪ 10%‬يصاحبو انخفاض في معدؿ البطالة بنسبة ‪ 3%‬في المتوسط‪.‬‬

‫نماذج متعدد الحدود ‪Polynomial‬‬

‫(‪ )5-1-8‬الصيغة التربيعية ‪Quadratic‬‬
‫اف الصيغة العامة لمعادلة متعددة الحدود بدرجة ‪ k‬بداللة متغير توضيحي واحد تكتب كاآلتي‪:‬‬
‫‪Y  0  1 X   2 X 2     k X k  u‬‬ ‫‪‬‬ ‫)‪(17 - 8‬‬
‫وعندما تحدد درجة المعادلة ىي الدرجة الثانية فاف الصيغة تسمى )‪(Quadratic‬‬
‫‪Y  o  1 X   2 X 2  u‬‬ ‫‪‬‬ ‫)‪(18 - 8‬‬
‫اف شكؿ المنحني موضح في الشكؿ )‪(8-8‬‬

‫شكؿ )‪(8-8‬‬
‫منحنى تربيعي ‪Quadratic‬‬

‫‪2  0‬‬ ‫‪1  0‬‬

‫‪Y‬‬ ‫‪Y‬‬
‫‪1  0‬‬ ‫‪2  0‬‬

‫‪X‬‬ ‫‪X‬‬

‫)‪(a‬‬ ‫)‪(b‬‬

‫الصيغة )‪ (18-8‬خطية بداللة المعممات ولكنيا غير خطية بداللة المتغيرات ‪ ،‬ولتحويميا الى‬
‫و ‪X2  X 2‬‬ ‫خطية بداللة المتغيرات ايضاً‪ ،‬يتـ افتراض ‪X 1  X‬‬
‫‪Y  o  1 X 1   2 X 2  u‬‬ ‫فتصبح معادلة االنحدار‪:‬‬

‫وىي معادلة انحدار خطي متعدد‪ .‬وألجؿ تقدير المعممات بموجب ‪ β0‬و ‪ β1‬و ‪ β2‬يمكف تطبيؽ المربعات‬
‫الصغرى االعتيادية وعمى وفؽ القانوف ‪:‬‬

‫‪267‬‬
 ‫‪ ˆ0 ‬‬
‫‪ ‬‬
‫‪   ˆ1    X X 1 X Y‬‬
‫ˆ‬
‫‪ ˆ ‬‬
‫‪ 2 ‬‬
‫‪ Y ‬‬ ‫‪ n‬‬ ‫‪X X‬‬ ‫‪2‬‬
‫‪‬‬
‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪3‬‬
‫‪X Y    XY ‬‬ ‫واى‬ ‫‪،‬‬ ‫‪X X    X‬‬ ‫‪X X‬‬ ‫‪2‬‬
‫‪‬‬ ‫حُث ‪:‬‬
‫‪ X 2Y ‬‬ ‫‪ X 2‬‬ ‫‪X X‬‬ ‫‪3‬‬ ‫‪4‬‬
‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬

‫أو باستخداـ المجاميع كانحرافات عف متوسطاتيا‪:‬‬

‫‪ ˆ1 ‬‬
‫‪ˆ  ‬‬ ‫& ‪  xx 1 xy‬‬ ‫‪ˆo  Y  ˆ1 X  ˆ2 X 2‬‬
‫‪ˆ ‬‬
‫‪ 2 ‬‬
‫‪  xy ‬‬ ‫‪  x2‬‬ ‫‪x‬‬ ‫‪3‬‬
‫‪‬‬
‫‪xy  ‬‬ ‫‪ , xx  ‬‬ ‫‪‬‬
‫‪ x y‬‬
‫‪2 ‬‬ ‫‪  x3‬‬
‫‪‬‬ ‫‪x‬‬ ‫‪4‬‬
‫‪‬‬

‫وىكذا فاف الصيغة التكعيبية نحصؿ عمييا عندما نعوض ‪ k=3‬في المعادلة )‪ (ٔٚ-8‬فنحصؿ عمى‪:‬‬
‫‪Y  0  1 X12 X 2  3 X 3  u‬‬ ‫‪‬‬ ‫)‪(19 - 8‬‬
‫وبالطريقة نفسيا يتـ تحويميا الى صيغة خطية‪.‬‬
‫بافتراض‪:‬‬
‫‪X  X1‬‬
‫‪X 2  X2‬‬
‫‪X 3  X3‬‬
‫فتصبح العبلقة )‪ (19-8‬نموذج انحدار خطي متعدد بداللة المتغيرات‪. X3 ، X2، X1‬‬
‫وىكذا لكؿ نماذج االنحدار متعدد الحدود‪.‬‬

‫مثاؿ)‪ :(7-8‬البيانات التالية خاصة بمعدؿ النمو االقتصادي )‪ (X‬والنصيب النسبي لمطبقة الفقيرة مف‬
‫الدخؿ الكمي )‪ ، (Y‬لعدد مف الدوؿ التي تختمؼ في مرحمة النمو االقتصادي ‪.‬‬
‫ـ‪ /‬تقدير العبلقة بيف المتغيريف‬

‫‪268‬‬
 ‫جدوؿ )‪(8-8‬‬
‫‪ٚ‬‬ ‫‪ٙ‬‬ ‫٘‬ ‫ٗ‬ ‫ٖ‬ ‫ٕ‬ ‫ٔ‬ ‫الدولة‬
‫ٔٔ ٖٔ‬ ‫‪ٜ‬‬ ‫‪ٚ‬‬ ‫٘‬ ‫ٖ‬ ‫ٔ‬ ‫معدؿ النمو ‪(X)%‬‬
‫‪ٖٛ ٕٛ ٕٔ ٔٚ ٕٕ ٕٛ‬‬ ‫ٖ٘‬ ‫النصيب النسبي )‪(Y‬‬

‫مف خبلؿ رسـ االنتشار الشكؿ )‪ (9-8‬يتضح أف الصيغة التربيعية ىي التي تمثؿ المشاىدات وبذلؾ‬
‫تستخدـ ‪:‬‬
‫‪Y  o  1 X   2 X 2  u‬‬

‫شكؿ )‪(9-8‬‬
‫شكؿ االنتشار العبلقة بيف معدؿ النمو وتوزيع الدخؿ‬

‫‪40‬‬

‫‪20‬‬
‫‪15‬‬
‫‪0‬‬ ‫‪5‬‬ ‫‪10‬‬ ‫‪15‬‬

‫جدوؿ ) ‪( ٜ-ٛ‬‬
‫حسابات المثاؿ )‪(7-8‬‬
‫‪Y‬‬ ‫‪X1=X‬‬ ‫‪X2=X2‬‬ ‫‪y‬‬ ‫‪yx2 x12‬‬ ‫‪2‬‬
‫‪x1 x2 yx1‬‬ ‫‪x2‬‬ ‫‪x1 x2‬‬
‫‪35‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪8‬‬ ‫‪-6‬‬ ‫‪-64‬‬ ‫‪-48‬‬ ‫‪-512‬‬ ‫‪36‬‬ ‫‪4096‬‬ ‫‪384‬‬
‫‪28‬‬ ‫‪3‬‬ ‫‪9‬‬ ‫‪1‬‬ ‫‪-4‬‬ ‫‪-56‬‬ ‫‪-4‬‬ ‫‪-56‬‬ ‫‪16‬‬ ‫‪3136‬‬ ‫‪224‬‬
‫‪22‬‬ ‫‪5‬‬ ‫‪25‬‬ ‫‪-5‬‬ ‫‪-2‬‬ ‫‪-40‬‬ ‫‪10‬‬ ‫‪200‬‬ ‫‪4‬‬ ‫‪1600‬‬ ‫‪80‬‬
‫‪10‬‬ ‫‪0‬‬ ‫‪49‬‬ ‫‪-‬‬ ‫‪0‬‬ ‫‪-16‬‬ ‫‪0‬‬ ‫‪167‬‬ ‫‪0‬‬ ‫‪256‬‬ ‫‪0‬‬
‫‪10‬‬
‫‪21‬‬ ‫‪9‬‬ ‫‪81‬‬ ‫‪-6‬‬ ‫‪2‬‬ ‫‪16‬‬ ‫‪-12‬‬ ‫‪-96‬‬ ‫‪4‬‬ ‫‪256‬‬ ‫‪32‬‬
‫‪28‬‬ ‫‪11‬‬ ‫‪121‬‬ ‫‪1‬‬ ‫‪4‬‬ ‫‪56‬‬ ‫‪4‬‬ ‫‪56‬‬ ‫‪16‬‬ ‫‪3136‬‬ ‫‪224‬‬
‫‪38‬‬ ‫‪13‬‬ ‫‪169‬‬ ‫‪11‬‬ ‫‪6‬‬ ‫‪104‬‬ ‫‪66 1144‬‬ ‫‪36 10816‬‬ ‫‪624‬‬
‫‪‬‬ ‫‪89‬‬ ‫‪49‬‬ ‫‪455‬‬ ‫‪16‬‬ ‫‪896‬‬ ‫‪112 23296 1568‬‬

‫‪269‬‬
 ‫‪49‬‬ ‫‪455‬‬ ‫‪189‬‬
‫‪X1 ‬‬ ‫‪7 ,‬‬ ‫‪X2 ‬‬ ‫‪ 65‬‬ ‫‪,‬‬ ‫‪Y‬‬ ‫‪ 27‬‬
‫‪7‬‬ ‫‪7‬‬ ‫‪7‬‬
‫اذف المعادالت الطبيعية لمقيـ كانحرافات عف متوسطاتيا ‪:‬‬
‫‪16  112ˆ1  1568ˆ2‬‬
‫ˆ‪896  1568ˆ  23296‬‬
‫‪1‬‬ ‫‪2‬‬

‫‪‬‬ ‫‪ˆ1  6.857 ,‬‬ ‫‪ˆ2  0.5‬‬ ‫وبحؿ المعادلتيف ينتج ‪:‬‬
‫تعوض القيـ في المعادلة‪ ˆo  Y  ˆ1 X 1  ˆ2 X 2 :‬لمحصوؿ عمى المقطع الصادي ‪ˆo  42.5‬‬
‫‪Yˆ  42.5  6.857 X  0.5 X 2‬‬ ‫وبذلؾ فاف معادلة االنحدار‪:‬‬

‫ومف معادلة التقدير نجد اف النصيب النسبي لمطبقة الفقيرة مف الدخؿ قبؿ بدء عممية النمو )عندما‬
‫يكوف معدؿ النمو = صفر( يسأوي ‪ ٕٗ.٘ %‬في المتوسط ‪ .‬وبذلؾ فاف النصيب النسبي لمطبقة الغنية‬
‫‪ ٘ٚ.٘ %‬في المتوسط ‪.‬‬ ‫ىو‬
‫ولمحصوؿ عمى الحد األدنى لمنصيب النسبي لمطبقة الفقيرة مف الدخؿ ‪ ،‬نفاضؿ معادلة االنحدار ونجعميا‬
‫= صفر‬
‫ˆ‪dY‬‬
‫‪ 6.857 X‬‬
‫‪dX‬‬
‫‪ X  6.857‬‬
‫وبتعويض القيمة في معادلة االنحدار‪:‬‬
‫)‪Yˆ X  6.857  42.5  6.857(6.857)  0.5(6.857‬‬ ‫‪2‬‬

‫‪ 18.98‬‬
‫أي أف الحد األدنى لنصيب الطبقة الفقيرة ىو ‪ %ٜٔ‬تقريبا ولمتأكد مف أف ىذه القيمة تمثؿ نياية صغرى‬
‫نتحقؽ مف ذلؾ بالمشتقة الثانية ‪:‬‬
‫ˆ‪d 2Y‬‬
‫‪ 6.857  0‬‬
‫‪dX 2‬‬
‫اذف النقطة ىي نياية صغرى‪.‬‬

‫‪271‬‬
 ‫اختبار أهمية المتغير ‪ X‬في نماذج متعددة الحدود‪.‬‬
‫اف االمر الذي سيتـ توضيحو في ىذه الفقرة بشأف اختبار األىمية لممتغيرات التوضيحية في‬
‫معادلة االنحدار‪ .‬اف اختبار معنوية المعممات بشكؿ عاـ في نماذج االنحدار غير الخطي ال يختمؼ كثي ار‬
‫عنيا في معادلة االنحدار الخطي‪ ،‬فاالختبلؼ يكمف في تفسير المعممة وكما أوضحنا في الفقرات السابقة‪.‬‬
‫فاف معممة االنحدار في نموذج الموغاريتـ المزدوج تمثؿ مرونة ‪ Y‬بالنسبة الى ‪ ، X‬وفي النموذج شبو‬
‫الموغاريتـ لػ )‪ Y (Log – Lin‬تمثؿ معدؿ النمو المحظي ومنيا يحسب معدؿ النمو المركب لممتغير ‪ Y‬اذا‬
‫كاف ‪ X‬يمثؿ الزمف‪.‬‬
‫‪ dy ‬‬
‫‪ ‬في‬ ‫وىكذا في النماذج غير الخطية األخرى والجدوؿ التالي يبيف اثر المتغير ‪ X‬فى ‪ Y‬والمتمثؿ ‪‬‬
‫‪ dx ‬‬
‫انماط المعادالت غير الخطية المختمفة‪.‬‬
‫جدوؿ )‪(10-8‬‬

‫العبلقة‬ ‫الصيغة‬ ‫‪dY‬‬

‫األثر‪ :‬القيمة الحدية‬
‫‪dX‬‬
‫الخطية‬ ‫‪Y  o   X‬‬ ‫‪1‬‬
‫الموغاريتـ المزدوج ‪Log-‬‬ ‫‪ln Y   o  1 ln X‬‬ ‫‪1 ‬‬
‫‪Y‬‬
‫‪log‬‬ ‫‪X‬‬
‫شبو الموغاريتـ‪Log-lin‬‬ ‫‪ln Y   o  1 X‬‬ ‫‪1Y‬‬
‫‪Lin-log‬‬ ‫‪Y   0  1 ln X‬‬ ‫‪1 ‬‬
‫‪1‬‬
‫‪X‬‬
‫العكسية‬ ‫‪Y   0  1‬‬
‫‪1‬‬
‫‪ 1 ‬‬
‫‪1‬‬
‫‪X‬‬ ‫‪X2‬‬
‫لوغاريتـ العكسي‬ ‫‪log Y   0  1‬‬
‫‪1‬‬
‫‪ 1 ‬‬
‫‪Y‬‬
‫‪X‬‬ ‫‪X2‬‬
‫التربيعية‬ ‫‪Y   o  1 X   2 X 2‬‬ ‫‪1  2 2 X‬‬
‫‪ Y   o  1 X   2 X   3 X‬التكعيبية‬ ‫‪1  2 2 X  3 3 X 2‬‬
‫‪2‬‬ ‫‪3‬‬

‫أما اختبار معنوية المعممات المقدرة ) ‪ ( ˆ1‬فيعني معنوية المتغير المرافؽ ) ‪ ( X‬في العبلقة‬
‫‪‬‬

‫المعنية نسبة الى ) ‪ (Y ‬ففي الصيغة الموغاريتمية المزدوجة ‪ Log .Log‬فاف ) ˆ‪ ( ‬تمثؿ مرونة ‪ Y‬بالنسبة‬
‫‪1‬‬

‫‪271‬‬
 ‫لػ ) ‪ X Y   logY‬و ‪ ، ( X   log X‬وىكذا معنوية ) ‪ ( ˆ1‬في العبلقة العكسية تعني معنوية المتغير‬
‫‪  ‬بالنسبة لػ ‪ ،Y‬وفي عبلقة الموغاريتـ العكسي تدؿ عمى معنوية المتغير ‪  ‬عمى ‪.log Y‬‬
‫‪1‬‬ ‫‪1‬‬
‫‪X‬‬ ‫‪X‬‬
‫أما بالنسبة لنماذج متعدد الحدود فاف الحالة تختمؼ قميبلً‪ .‬ولتوضيح ذلؾ نفترض نموذج االنحدار‬
‫متعدد الحدود‪:‬‬
‫‪Y  0  1 X   2 X 2  ...   k X k  u‬‬

‫فعند اختبار معنوية انحدار جزئي معيف )مثبل أختبار معنوية ‪ ( 1‬فتكوف فرضية العدـ‪:‬‬
‫‪H 0 : 1  0‬‬

‫ومع افتراض اف جميع المعممات بدرجات أعمى تسأوي صف اًر أي‪ 2  3  ...   k  0 :‬‬
‫اما في حالة االنحدار الخطي المتعدد ‪:‬‬
‫‪Y  0  1 X   2 X 2  3 X 3  ...   k X k  u‬‬
‫فاف اختبار معنوية ) ‪ (1‬اليعني تجاىؿ أو اىماؿ ‪  k ,...,  3 ,  2‬فالغاية مف االختبار )‪( 1  0‬‬
‫في االنحدار الخطي المتعدد ىؿ اف اضافة ‪ X1‬الى المعادلة سيساعد معنويا في التنبؤ لمعدؿ ‪ Y‬بوجود‬
‫غيره مف المتغيرات ‪ .Xk ، . . . ،X3 ،X2‬في حيف تكوف الغاية مف اختبار )‪ ( 1  0‬في االنحدار‬
‫متعدد الحدود ىو لتحديد درجة المعادلة‪.‬‬
‫والمثاؿ التالي يوضح االختبلفات التي نود توضيحيا مف خبلؿ مقارنتيا مع نماذج االنحدار المتعدد‬
‫الخطي‪.‬‬

‫مثاؿ )‪ :(ٛ-8‬البيانات في الجدوؿ ‪ (ٔٔ-8) :‬تمثؿ مقدار السكر المتحوؿ )‪ (Y‬في عممية كيميأوية معينة‬
‫عند درجات ح اررة مختمفة )‪.(Xi‬‬
‫جدوؿ )‪(11-8‬‬

‫‪Y‬‬ ‫‪6‬‬ ‫‪6.2‬‬ ‫‪6.8‬‬ ‫‪7.5‬‬ ‫‪8.6‬‬ ‫‪9.7‬‬ ‫‪11.6‬‬ ‫‪14.1‬‬

‫‪x‬‬ ‫‪6‬‬ ‫‪7‬‬ ‫‪8‬‬ ‫‪9‬‬ ‫‪10‬‬ ‫‪11‬‬ ‫‪12‬‬ ‫‪13‬‬

‫ولتوفيؽ معادلة مف الدرجة الثالثة والتي صيغتيا الرياضية‪Y   0  1 X   2 X 2   3 X 3  u :‬‬

‫فيتـ تنظيـ البيانات كما يمي‪:‬‬

‫‪272‬‬
 ‫جدوؿ )‪(ٔ2-8‬‬

‫المشاىدات‬ ‫‪Y‬‬ ‫‪X‬‬ ‫‪X 1*  X‬‬ ‫‪X 2*  X 2‬‬ ‫‪X 3*  X 3‬‬

‫ٔ‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪6‬‬ ‫‪36‬‬ ‫‪216‬‬
‫‪2‬‬ ‫‪6.2‬‬ ‫‪7‬‬ ‫‪7‬‬ ‫‪49‬‬ ‫‪343‬‬
‫‪3‬‬ ‫‪6.8‬‬ ‫‪8‬‬ ‫‪8‬‬ ‫‪64‬‬ ‫‪512‬‬
‫‪4‬‬ ‫‪7.5‬‬ ‫‪9‬‬ ‫‪9‬‬ ‫‪81‬‬ ‫‪729‬‬
‫‪5‬‬ ‫‪8.6‬‬ ‫‪10‬‬ ‫‪10‬‬ ‫‪100‬‬ ‫‪1000‬‬
‫‪6‬‬ ‫‪9.7‬‬ ‫‪11‬‬ ‫‪11‬‬ ‫‪121‬‬ ‫‪1331‬‬
‫‪7‬‬ ‫‪11.6‬‬ ‫‪12‬‬ ‫‪12‬‬ ‫‪144‬‬ ‫‪1728‬‬
‫‪8‬‬ ‫‪14.1‬‬ ‫‪13‬‬ ‫‪13‬‬ ‫‪169‬‬ ‫‪2197‬‬
‫‪Σ‬‬ ‫‪70.5‬‬ ‫‪76‬‬

‫ومف حسابات الجدوؿ )‪ (ٔٓ-8‬فاف المعادالت الطبيعية لمنموذج متعدد الحدود مف الدرجة الثالثة ‪:‬‬

‫*‪n X 1‬‬ ‫*‪X 2‬‬ ‫‪X 3* ‬‬ ‫‪  0   Y ‬‬

‫‪‬‬ ‫‪‬‬ ‫‪   X *Y ‬‬
‫‪ X 2‬‬ ‫*‪X 1* X 2‬‬ ‫‪X 1* X 3* ‬‬
‫‪*2‬‬
‫‪ 1   1 ‬‬
‫‪‬‬ ‫‪X 2*2‬‬ ‫‪X 2* X 3* ‬‬ ‫‪  2  X 2*Y ‬‬
‫‪‬‬ ‫‪‬‬ ‫‪   * ‬‬
‫‪‬‬ ‫‪X 3*2 ‬‬ ‫‪  3  X 3Y ‬‬
‫‪8 76‬‬ ‫‪764‬‬ ‫‪8056 ‬‬ ‫‪  o   70.5 ‬‬
‫‪ 764 8056‬‬ ‫‪88292 ‬‬ ‫‪    716.5 ‬‬
‫‪‬‬ ‫‪ 1  ‬‬ ‫‪‬‬
‫‪‬‬ ‫‪88292 9979576 ‬‬ ‫‪  2   7649.5 ‬‬
‫‪‬‬ ‫‪‬‬ ‫‪  ‬‬ ‫‪‬‬
‫‪‬‬ ‫‪11542244‬‬ ‫‪  3  84904.9‬‬
‫وبذلؾ فاف المعممات المقدرة‪:‬‬
‫‪ ˆo  0.0154‬‬
‫‪ˆ ‬‬ ‫‪‬‬
‫‪ 1   0.2693‬‬
‫‪ ˆ  1.9180 ‬‬
‫‪ 2 ‬‬ ‫‪‬‬
‫‪ ˆ3  0.8043‬‬

‫أي اف معادلة االنحدار التقديرية‪Yˆ  0.0154  0.2693 X  1.9180 X 2  0.8043 X 3 :‬‬

‫والختبار ىؿ ىناؾ انحدار معنوي عاـ يجب حساب جدوؿ تحميؿ التبايف )‪(ANOVA‬‬

‫‪273‬‬
 ‫باختبار فرضية العدـ‪:‬‬
‫‪H o  1   2  3  0‬‬
‫‪H1  1   2  3  0‬‬
‫ينظـ جدوؿ تحميؿ التبايف في جدوؿ )‪(13-8‬‬
‫جدوؿ )‪(13-8‬‬
‫‪s.o.v‬‬ ‫‪d.f‬‬ ‫‪SS‬‬ ‫‪MS‬‬ ‫‪F‬‬
‫‪‬‬ ‫‪‬‬ ‫‪‬‬
‫) ‪Re gression( X 1 X 2 X 3‬‬ ‫‪3‬‬ ‫‪57.0129‬‬ ‫‪19.0043‬‬
‫‪‬‬ ‫‪‬‬ ‫‪‬‬
‫‪1367.2158‬‬
‫) ‪Error( X 1 X 2 X 3‬‬ ‫‪4‬‬ ‫‪0.0557‬‬ ‫‪0.0139‬‬
‫‪Total‬‬ ‫‪7‬‬ ‫‪57.0068‬‬

‫وباختبار مستوى داللة ‪ 1%‬فاف قيمة ‪ F‬الجدولية ‪ F(3, 4, 0.99)  16.69‬وبمقارنة ‪ F‬المحسوبة مف‬
‫جدوؿ تحميؿ التبايف جدوؿ )‪ (11-8‬وىي )ٕ‪ (ٖٔٙٚ.‬مع ‪ F‬الجدولية )‪ (ٔٙ.ٜٙ‬فيكوف القرار برفض ‪H0‬‬
‫‪‬‬ ‫‪‬‬ ‫‪‬‬
‫أي اف ىناؾ انحدار عاـ باستخداـ المتغيرات ‪. X 3 , X 2 , X 1‬‬
‫‪‬‬
‫‪Ho : 2  0‬‬ ‫‪ -‬والختبار ىؿ اف أضافة ‪ X 2‬سيساعد في تنبؤ ‪ Y‬فاف فرضية العدـ‪:‬‬

‫‪‬‬ ‫‪‬‬
‫عمى افتراض اف ‪  3‬تسأوي صف اًر‪) .‬أي ضمنياً ىذه الفرضية تفترض اف ‪ Y‬تتحدد بػ ‪ X 2 , X 1‬فقط(‬
‫فالمختبر االحصائي المستخدـ في ىذه الحالة‪:‬‬
‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪ESS ( X 2 / X 1 ) / 1‬‬
‫‪F ‬‬ ‫‪‬‬ ‫‪‬‬
‫)‪RSS ( X 1 , X 2 ) /( n  3‬‬

‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬

‫) ‪ESS ( X 2 / X 1 )  ESS ( X 1 , X 2* )  ESS ( X 1‬‬ ‫وبذلؾ‪:‬‬
‫‪‬‬ ‫‪‬‬
‫‪Y   o  1 X 1  u‬‬ ‫حيث كاف ) ‪ ESS ( X 1‬يمكف ايجاده مف عبلقة االنحدار البسيط ‪:‬‬
‫* ‪ESS ( X )  ˆ S‬‬
‫‪‬‬
‫‪1‬‬ ‫‪1‬‬ ‫‪X 1Y‬‬

‫في حيف ‪ ˆ1‬يمكف حسابيا ‪:‬‬

‫‪S X Y‬‬
‫‪ X Y  716.5  (76)(70.5)  46.75 ˆ1 ‬‬
‫‪‬‬

‫‪X Y ‬‬
‫‪‬‬ ‫‪1‬‬ ‫‪1‬‬
‫‪S X Y‬‬
‫‪1‬‬
‫‪1‬‬
‫‪n‬‬ ‫‪8‬‬ ‫‪S X X ‬‬
‫‪1‬‬ ‫‪1‬‬

‫‪274‬‬
 ‫‪( X 1 ) 2‬‬
‫‪‬‬
‫‪(76) 2‬‬
‫‪S X X    X‬‬
‫‪2‬‬
‫‪1‬‬ ‫‪‬‬ ‫‪ 764 ‬‬ ‫‪ 42‬‬
‫‪1‬‬ ‫‪1‬‬
‫‪n‬‬ ‫‪8‬‬
‫‪46.75‬‬
‫‪ˆ1 ‬‬ ‫‪ 1.1130‬‬
‫‪42‬‬
‫‪ESS ( X 1 )  ˆ1 S X Y  1.1130(46.75)  52.0372‬‬
‫‪1‬‬

‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬

‫‪Y  o  1 X 1   2 X 2  u‬‬ ‫بينما يمكف حساب ) ‪ ESS ( X 1 X 2‬مف االنحدار‪:‬‬
‫حيث المعادالت الطبيعية‪:‬‬
‫‪ n X 1‬‬ ‫‪  o   Y ‬‬
‫‪X 2‬‬
‫‪‬‬
‫‪‬‬ ‫‪‬‬
‫‪2‬‬ ‫‪ ‬‬ ‫‪ ‬‬ ‫‪ ‬‬
‫‪‬‬ ‫‪X 1‬‬ ‫‪X 1 X 2  1    X 1 Y ‬‬
‫‪‬‬

‫‪‬‬ ‫‪2 ‬‬

‫‪X 2   2   X 2 Y ‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫ونحؿ المعادالت نحصؿ عمى المقدرات‪:‬‬
‫‪ ˆo ‬‬ ‫‪ 12.657 ‬‬
‫‪ ‬‬ ‫‪‬‬ ‫‪‬‬
‫‪ ˆ1   ( X X ) 1 X Y    2.110 ‬‬
‫‪ ˆ ‬‬ ‫‪ 0.169 ‬‬
‫‪ 2 ‬‬ ‫‪‬‬ ‫‪‬‬
‫وبذلؾ فاف‬

‫‪ESS ( X 1 X 2 )  ˆ X Y ‬‬
‫‪‬‬ ‫‪‬‬ ‫‪Y   56.8702‬‬ ‫‪2‬‬

‫‪n‬‬
‫‪‬‬ ‫‪‬‬
‫وعميو فاف ) ‪ ESS ( X 2 / X 1‬يمكف حسابو كاآلتي‪:‬‬
‫‪‬‬ ‫‪‬‬ ‫‪‬‬
‫‪‬‬
‫‪ESS X 2 / X 1  56.8702  52.0372  4.833‬‬
‫‪‬‬
‫‪ RSS X 1 X 2‬يمكف حسابو‪:‬‬
‫‪‬‬ ‫‪‬‬
‫في حيف ‪‬‬
‫‪‬‬ ‫‪‬‬ ‫‪‬‬
‫‪‬‬
‫‪RSS X 1 X 2  TSS  ESS X 1 X 2  0.1967‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬
‫‪‬‬
‫‪‬‬
‫وبذلؾ فاف قيمة ‪ F‬الحسابية الختبار أىمية اضافة ‪ X 2‬ىي‪:‬‬
‫‪4.833‬‬ ‫‪4.833‬‬
‫‪F ‬‬ ‫‪‬‬ ‫‪ 122.85‬‬
‫‪0.196 / 5 0.03934‬‬

‫‪FC 1,5,0.99  16.26‬‬ ‫وبمقارنتيا بالقيمة الجدولية‪:‬‬

‫فيكوف القرار‪ :‬رفض فرضية العدـ‪ :‬بمعنى اف اضافة الحد ‪ X2‬الى معادلة الخط المستقيـ يساعد في التنبؤ‬
‫لقيـ ‪Y‬‬

‫‪275‬‬
 ‫‪H 0 : Y  2 X 2‬‬ ‫‪ -‬اما اذا كاف اليدؼ ىو اختبار الفرضية‪:‬‬
‫‪H 0 :  0  1  3  0‬‬ ‫فتصاغ الفرضية كاآلتي‪:‬‬
‫وبذلؾ فاف خطوات االختبار تكوف ‪.‬‬
‫ٔ‪ -‬نحسب مجموع المربعات المشروحة االجمالية غير المصححة ‪:‬‬
‫‪‬‬
‫‪ESS X o X 1 X 2 X 3‬‬
‫‪‬‬ ‫‪‬‬ ‫‪‬‬
‫‪  ˆ X Y‬‬
‫‪ 678.294‬‬
‫‪‬‬
‫ٕ‪ -‬نحسب مربعات االنحدار غير المصححة لػ ‪: X 2‬‬
‫‪ESS X 2‬‬ ‫ˆ‪   ‬‬ ‫‪‬‬
‫‪2‬‬ ‫‪ X 2Y‬‬
‫حيث ‪ ̂ 2‬تحسب مف االنحدار البسيط ‪ Y   o   2 X 2‬عمى وفؽ األتي‪:‬‬
‫‪7649.5‬‬
‫‪ˆ2 ‬‬ ‫‪ 0.0866‬‬
‫‪88292‬‬
‫‪ ‬‬ ‫‪‬‬
‫‪ESS X 2  (0.0866)(7649.5)  662.742‬‬
‫وبذلؾ فاف مجموع المربعات المشروحة لفرضية العدـ ىي‪:‬‬
‫‪‬‬
‫‪ESS X 0 X 1 X 3 / X 2‬‬
‫‪‬‬ ‫‪‬‬ ‫‪‬‬
‫‪  ESS X‬‬ ‫‪0‬‬
‫‪‬‬ ‫‪‬‬ ‫‪‬‬
‫‪X 1 X 2 X 3  ESS X 2‬‬ ‫‪‬‬ ‫‪   15.552‬‬
‫‪‬‬

‫‪H0 : Y  2 X 2‬‬ ‫وبذلؾ فاف جدوؿ تحميؿ التبايف الختبار الفرضية ‪:‬‬
‫كما موضح في جدوؿ )‪(12-8‬‬
‫جدوؿ )‪(12-8‬‬
‫جدوؿ تحميؿ التبايف الختبار ‪H 0 : Y   2 X 2 :‬‬
‫‪s.o.v‬‬ ‫‪d.f‬‬ ‫‪SS‬‬ ‫‪MS‬‬ ‫‪F‬‬
‫‪‬‬
‫‪Re g X 0 X 1 X 2 X 3‬‬
‫‪‬‬ ‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪4‬‬ ‫‪678.294‬‬

‫‪Re g X 2‬‬ ‫‪ ‬‬ ‫‪‬‬ ‫‪1‬‬ ‫‪662.742‬‬

‫‪‬‬
‫‪Re g X 0 X 1 X 3 / X 2‬‬
‫‪‬‬ ‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪3‬‬ ‫‪15.552‬‬ ‫‪5.184‬‬ ‫‪370.28‬‬
‫‪Error‬‬ ‫‪4‬‬ ‫‪0.056‬‬ ‫‪0.014‬‬
‫‪Total‬‬ ‫‪8‬‬ ‫‪678.35‬‬

‫وبذلؾ فاف القرار ىو رفض فرضية العدـ‪ .‬بعبارة اخرى اف )‪( 0  1   3  0‬‬
‫أي أف الصيغة ‪. Y   2 X‬‬
‫‪2‬‬

‫‪276‬‬
 ‫أسئهة انفصم انثبمن‬
‫س‪ .1 :1‬وضح الداللة اإلحصائية لمعبارة التالية‪:‬‬
‫الخطية في نموذج االنحدار‪.‬‬
‫‪ .2‬بيف أي مف النماذج التالية ىي عبلقة انحدار خطية‪.‬‬
‫‪Y   0  1 X   2 X 2  u‬‬
‫‪ln Y   0  1 X 1   2 X 2  u‬‬
‫‪1‬‬
‫‪  0  1 X   2 X  u‬‬
‫‪Y‬‬
‫‪Y   0  1 X   2 ln X  u‬‬
‫‪Y   0  1 2 X  u‬‬

‫س‪ .1 :2‬حدد الصيغة العامة لنموذج النمو الثابت‪.‬‬

‫‪ .2‬احسب معدؿ النمو المركب لبيانات الناتج المحمي االجمالي العراقي )‪ (GDP‬بمبلييف الدنانير عبر‬
‫السنوات )‪.(2010-2004‬‬

‫السنوات‬ ‫‪2004‬‬ ‫‪2005‬‬ ‫‪2006‬‬ ‫‪2007‬‬ ‫‪2008‬‬ ‫‪2009‬‬ ‫‪2010‬‬

‫‪GDP‬‬ ‫‪38058543.0‬‬ ‫‪53386428.6‬‬ ‫‪80459422.4‬‬ ‫‪93981672.4‬‬ ‫‪157026061.6‬‬ ‫‪130642187.0‬‬ ‫‪158521511.5‬‬

‫س‪ :3‬اذا عممت اف معادلة تقدير الصادرات )‪ (Y‬كدالة نصؼ لوغاريتمية بداللة الناتج المحمي االجمالي‬
‫)‪ (X‬اعطت الصيغة التالية‪.‬‬
‫‪Yˆ  12.5  0.85 ln X‬‬
‫أ( فسر معممة الناتج المحمي االجمالي‪.‬‬
‫ب( ما ىو أثر الناتج المحمي االجمالي فى قيمة الصادرات؟‬

‫س‪ :4‬وضح أىـ اشكاؿ العبلقة العكسية بالرسـ‪ ،‬ثـ اذكر أىـ التطبيقات التي يمكف اعتمادىا لكؿ‬
‫شكؿ‪ ،‬موضحاً القيود الممكنة لمعممات كؿ شكؿ منيا‪.‬‬

‫س‪ :5‬في عبلقة انحدار الكميات المنتجة مف الجبف في مصنع معيف )‪ (Y‬بداللة عدد العماؿ )‪ (X‬تـ‬
‫الحصوؿ عمى االتي‪:‬‬
‫‪ln Yˆ  3.5  0.8 ln X‬‬

‫‪277‬‬
 ‫أ( فسر المدلوؿ لممعممات المقدرة‪.‬‬
‫ب( ما أثر عدد العماؿ فى الكميات المنتجة مف االلباف؟‬
‫س‪ :6‬عمى وفؽ تحويؿ بوكس‪-‬كوكس بيف الصيغة المبلئمة لمحاالت التالية‪.‬‬
‫‪1‬‬
‫‪2 ‬‬ ‫‪, 1  0‬‬ ‫)‪(1‬‬
‫‪2‬‬
‫‪2  1 , 1  1‬‬ ‫)‪(2‬‬
‫‪2  0 , 1  1‬‬ ‫)‪(3‬‬
‫‪2  0 , 1  1‬‬ ‫)‪(4‬‬

‫س‪ :7‬اذا عممت اف نصيب النسبي لمطبقة الفقيرة مف الدخؿ الكمي )‪ (Y‬ومعدؿ النمو االقتصادي )‪(X‬‬
‫لعينة مف االقطار المختمفة قد اعطت الصيغة التقديرية‪.‬‬
‫‪Yˆ  39.7  5.32 X  0.3 X 2‬‬
‫أ( احسب النصيب النسبي لمطبقة في المتوسط‪.‬‬
‫ب( احسب الحد االدنى لمنصيب النسبي لمطبقة الفقيرة مف الدخؿ‪.‬‬

‫س‪ :8‬وضح أىـ الفروؽ الرئيسة الختبار الفرضيات في النموذج الخطي لمتعدد المتغيرات مع االنحدار‬
‫غير الخطي البسيط‪.‬‬

‫‪278‬‬
 ‫انفصم انتبسع‬
‫‪Selecting the best regression‬‬ ‫اختيبرأحسنبنمعبدالت‬
‫‪equation‬‬

‫سيتـ في ىذا الفصؿ التعريؼ بأىـ الطرائؽ التي تستخدـ مف اجؿ اختبار أحسف معادلة‬
‫خطية مؤلفة مف متغير معتمد واحد‪ ،Y‬وعددمف المتغيرات المستقمة )التوضيحية( )‪. (X1 ,X2 ,…..Xk‬‬

‫مف المشكبلت التي تواجو الباحث في مجاؿ تطبيؽ نظاـ معادالت االنحدار مشكمة وجود عدد كبير مف‬
‫المتغيرات المفسرة في حيف يرغب الباحث في اختيار أفضؿ مجموعة مف ىذه المتغيرات لتكويف نموذج‬
‫أمثؿ يعبر عف ىذا النظاـ نظ اًر الف إدخاؿ إعدادا كبيرة مف المتغيرات المستقمة في المعادلة يكمؼ ثمناً‬
‫كبي اًر‪ ،‬ممايكمفو مف جيد‪ ،‬ووقت وماؿ ‪.‬‬

‫ويعرؼ النموذج األمثؿ بأنة النموذج الذي ينتج عف اختيار متغيراتو المفسرة عمى وفؽ معايير عدة‬
‫‪-1‬أدنى قيمة لمحدد مصفوفة متوسطات أخطاءالتنبؤ أو أقؿ قيمة لمتوسط مربعات الخطأ ‪:‬‬
‫‪RSS‬‬
‫‪n  k 1‬‬
‫‪ -2‬معيارمعامؿ التحديد ‪ R2 .‬أومعيار ‪) R 2‬معامؿ التحديد المعدؿ( أعمى قيمة )اكبر مف ‪ (%60‬اذ يتـ‬
‫اختيار النموذج الذي يمتمؾ أعمى قيمة لػ‪ . R2‬أو ‪R 2‬‬
‫‪ -3‬معيار‪) CP‬احصاءة مالو‪(Mallows static‬‬

‫) ‪RSS ( X 1 ,, X p‬‬

‫‪Cp ‬‬ ‫)‪ (n  2 p‬‬
‫) ‪RSS ( X 1 ,, X k‬‬
‫)‪(n  k  1‬‬

‫حيث‪ k:‬عددالمتغيرات المستقمة جميعيا ‪.‬‬

‫‪P‬عدد معممات النموذج المقدر بضمنيا المقطع الصادي ‪.‬‬
‫ويتـ اختيار النموذج الذي يمتمؾ أقؿ قيمة ل ػ ‪.CP‬‬

‫وىناؾ العديد مف طرائؽ االختيار وسيتـ التركيز عمى ثبلث طرائؽ منيا وىي ‪:‬‬
‫‪The Backward elimination procedure‬‬ ‫طريقة الحذؼ العكسي أو الخمفي‬
‫‪The Forward Selection procedure‬‬ ‫طريقة االختيار األمامي أو المباشر‬
‫‪The stepwise selection procedure‬‬ ‫طريقة االختيار التدريجي‬
‫والبد مف التأكيد عمى إف النتائج قد تختمؼ باستخداـ طريقة دوف أخرى ‪.‬‬

‫‪279‬‬
 ‫)‪ (1-9‬طريقة الحذف العكسي أو الخمفي ‪The Backward elimination procedure :‬‬
‫تتمخص الطريقة بالخطوات التالية ‪:‬‬
‫‪ -‬نبدأ باعتماد جميع المتغيرات المستقمة في المعادلة ثـ تحذؼ المتغيرات مف المعادلة واحداً بعد‬
‫األخر اعتماداً عمى قيمة )‪ (F‬الجدولية والتي تسمى )‪ (Fout‬وسيتـ تفصيؿ الخطوات عمى وفؽ األتي‪:‬‬

‫الخطوة األولى‪:‬‬
‫يتـ العمؿ عمى تضميف جميع المتغيرات المستقمة في معادلة االنحدار وتحسب قيـ )‪ (F‬الجزئية‬
‫لكؿ متغير)‪ F‬اإلضافية( عمى وفؽ الصيغة التالية ‪:‬‬
‫) ‪ESS ( X i all other exp lanatory var iables‬‬
‫‪Fi ‬‬ ‫‪‬‬ ‫‪i  1,, k‬‬
‫)‪RSS ( X 1 ,, X k ) (n  k  1‬‬
‫ويختار المتغير الذي لو )أقؿ قيمة( ‪ F‬جزئية ) ‪ ( Fi‬وبعد مقارنتيا مع )‪.(Fout‬‬
‫يتـ حذؼ المتغير المعني مف المعادلة ‪ .‬ويتـ االنتقاؿ إلى الخطوة الثانية ‪.‬‬ ‫فإذا اثبت إف‬
‫وبمستوى داللة ‪.α %‬‬ ‫حيث إف )‪ (Fout‬قيمة جدوليو بدرجات حرية البسط واحد والمقاـ‬

‫الخطوة الثانية‪:‬‬
‫المتغيرات التوضيحية عدا الذي تـ حذفو في الخطوة األولى‪.‬‬
‫يتـ احتساب )‪ (F‬الجزئية لكؿ متغير مف المتغيرات الباقية مف الخطوة األولى ‪ ،‬ويتـ اختيار أصغرىا‪،‬‬
‫وتقارف مع )‪ (Fout‬بدرجات حرية البسط )‪ (1‬والمقاـ )‪(n-k-2‬‬
‫‪ (F‬الجزئية المحسوبة )اصغر( مف )‪ (Fout‬يحذؼ المتغير المعني ويتـ االنتقاؿ إلى‬ ‫)األصغر‬ ‫فإذا كانت‬
‫الخطوة الثالثة وىكذا تستمر الخطوات إلى إف يتـ الحصوؿ عمى إف (اصغر) قيمة (‪ (F‬جزئية تكون‬
‫(اكبر) من (‪ (Fout‬فيتوقف الحل‪.‬‬
‫‪RSS‬‬
‫‪ C p ‬لكؿ خطوة‬ ‫‪،‬‬ ‫وال بد مف التأكيد انو مف الضروري احتساب مقاييس المفاضمة ‪R p2‬‬
‫‪n p2‬‬
‫مف خطوات الحؿ‪.‬‬

‫‪281‬‬
‫مثاؿ)‪ :(1-9‬عينة بحجـ )‪ (25‬مشاىدة لممتغير المعتمد ‪ y‬مع المتغيرات المستقمة ‪X4 ، X3 ، X2 ، X1‬‬
‫وباستخداـ طريقة المربعات الصغرى أعطت المعمومات التالية ‪TSS  63.77 :‬‬

‫المتغيرات‬ ‫‪X1‬‬ ‫‪X2‬‬ ‫‪X3‬‬ ‫‪X4‬‬ ‫‪X1X2‬‬ ‫‪X1X3‬‬ ‫‪X1X4‬‬ ‫‪X2X3‬‬ ‫‪X2X4‬‬ ‫‪X3X4‬‬
‫‪ESS 14.35 1.19 18.33 9.31 20.15 26.61 22.07 19.34 10.89 18.69‬‬

‫‪X1 X 2 X 3 X 4‬‬
‫‪30.9‬‬ ‫‪26.35‬‬ ‫‪27.33‬‬ ‫‪19.81‬‬ ‫‪32.1‬‬

‫ـ‪ /‬إيجاد أفضؿ معادلة انحدار باستخداـ طريقة الحذؼ العكسي ‪:‬‬
‫الخطوة األولى ‪:‬‬

‫‪12.29‬‬
‫‪F1* ‬‬ ‫‪ 7.76‬‬ ‫‪, Fc (1, 20,0.95)  4.35‬‬
‫‪1.5835‬‬
‫وكذلؾ نحسب ‪ F2‬و ‪ F3‬و ‪ F4‬كما في الجدوؿ ‪:‬‬
‫*‬ ‫*‬ ‫*‬

‫‪S.O.V‬‬ ‫‪d.f‬‬ ‫‪SS‬‬ ‫‪MS‬‬ ‫‪Fi‬‬ ‫)‪Fout(1,20,0.95‬‬

‫‪4‬‬ ‫‪32.1‬‬ ‫‪4.35‬‬

‫‪1‬‬ ‫‪32.1-19.81=12.29‬‬ ‫‪12.29‬‬ ‫‪7.78‬‬

‫‪1‬‬ ‫‪32.1-27.33=4.77‬‬ ‫‪4.77‬‬ ‫‪3.02‬‬
‫‪1‬‬ ‫‪32.1-26.35=5.75‬‬ ‫‪5.75‬‬ ‫‪3.64‬‬
‫‪1‬‬ ‫‪32.1-30.9=1.2‬‬ ‫‪1.2‬‬ ‫‪0.76‬‬ ‫األصغر←‬
‫‪20‬‬ ‫‪63.77-32.1=31.67‬‬ ‫‪1.58‬‬
‫‪Total 24‬‬

‫←‬ ‫← ‪ X4‬يحذؼ مف المعادلة ‪.‬‬

‫‪281‬‬
 ‫الخطوة الثانية ‪:‬‬

‫‪S.O.V‬‬ ‫‪d.f‬‬ ‫‪SS‬‬ ‫‪MS‬‬ ‫)‪Fout(1,21‬‬

‫‪3‬‬ ‫‪30.9‬‬ ‫‪4.32‬‬

‫‪1‬‬ ‫‪30.9-19.34=11.56‬‬ ‫‪11.56‬‬ ‫‪7.36‬‬

‫‪1‬‬ ‫‪30.9-26.61=4.29‬‬ ‫‪4.29‬‬ ‫‪2.73‬‬ ‫األصغر←‬
‫‪1‬‬ ‫‪30.9-20.15=10.75‬‬ ‫‪10.75‬‬ ‫‪6.85‬‬
‫‪21‬‬ ‫‪63.77-30.9=32.87‬‬ ‫‪1.57‬‬
‫‪Total‬‬ ‫‪24‬‬

‫األصغر ‪ F2‬أقؿ مف‪ ← Fout‬يحذؼ المتغير ‪ X2‬مف المعادلة ‪.‬‬

‫*‬

‫الخطوة الثالثة ‪:‬‬

‫‪S.O.V‬‬ ‫‪d.f‬‬ ‫‪SS‬‬ ‫‪MS‬‬ ‫)‪Fout(1,22,0.95‬‬

‫‪2‬‬ ‫‪26.61‬‬ ‫‪4.3‬‬
‫‪1‬‬ ‫‪26.61-18.33=8.28‬‬ ‫‪8.28‬‬ ‫‪4.9‬‬ ‫األصغر ←‬
‫‪1‬‬ ‫‪26.61-14.35=12.26‬‬ ‫‪12.26‬‬ ‫‪7.25‬‬
‫‪22‬‬ ‫‪63.77-26.61=37.16‬‬ ‫‪1.69‬‬
‫‪Total 24‬‬

‫المتغير‪ X1‬لو أقؿ قيمة ل ػ‪ F‬وىي اكبر مف ‪Fout‬‬

‫إذف أفضؿ معادلة انحدار ىي ‪:‬‬

‫‪ESS ( X 1 X 3 ) / 2 13.305‬‬
‫‪F* ‬‬ ‫‪‬‬ ‫‪ 7.873‬‬
‫‪RSS ( X 1 X 3 ) / 22‬‬ ‫‪1.69‬‬
‫‪26.61‬‬
‫‪R* ‬‬ ‫‪ 0.42‬‬ ‫‪‬‬ ‫)‪F *  Fc (1, 20, 0.95‬‬
‫‪63.77‬‬

‫‪282‬‬
 ‫مثاؿ)‪:(2-9‬عينة بحجـ )‪ (13‬مشاىدة لممتغير المعتمد ‪ Y‬مع المتغيرات المستقمة ‪،X4، X3، X2 ، X1‬‬
‫مع توافر المعمومات التالية‪:‬‬

‫المتغيرات‬ ‫‪X1‬‬ ‫‪X2‬‬ ‫‪X3‬‬ ‫‪X4‬‬ ‫‪X1X2‬‬ ‫‪X1X3‬‬ ‫‪X1X4‬‬ ‫‪X2X3‬‬

‫‪ESS‬‬ ‫‪625.515‬‬

‫‪X2X4‬‬ ‫‪X3X4‬‬
‫‪871.836‬‬

‫‪283‬‬
 ‫الحؿ‪ :‬بطريقة الحذؼ العكسي‪:‬‬
‫الخطوة األولى ‪:‬‬

‫‪S.O.V‬‬ ‫‪d.f‬‬ ‫‪SS‬‬ ‫‪MS‬‬ ‫* ‪Fi‬‬ ‫)‪Fout(1,8,0.95‬‬

‫‪4‬‬ ‫‪910.841‬‬ ‫‪5.32‬‬

‫‪1‬‬ ‫‪910.841- 900.054=10.787‬‬ ‫‪10.787 0.1808‬‬ ‫األصغر ←‬
‫‪1‬‬ ‫‪910.841- 872.029=38.812‬‬ ‫‪38.812‬‬ ‫‪0.651‬‬
‫‪1‬‬ ‫‪910.841-560.708=350.133‬‬ ‫‪350.133‬‬ ‫‪5.870‬‬
‫‪1 910.841- 636.168=274.673‬‬ ‫‪274.673‬‬ ‫‪4.605‬‬
‫‪8‬‬ ‫‪1388 - 910.841= 477.159‬‬ ‫‪59.645‬‬
‫‪Total 12‬‬ ‫‪1388‬‬
‫ىي األصغر وىي أقؿ مف ‪X1 ← Fout‬يحذؼ مف المعادلة‬

‫الخطوة الثانية‪:‬‬
‫‪S.O.V‬‬ ‫‪d.f‬‬ ‫‪SS‬‬ ‫‪MS‬‬ ‫* ‪Fi‬‬ ‫)‪Fout(1,9,0.95‬‬

‫‪3‬‬ ‫‪900.054‬‬ ‫‪5.12‬‬

‫‪1 900.054 - 871.836 = 28.218‬‬ ‫‪28.218 0.52‬‬ ‫األصغر ←‬
‫‪1‬‬ ‫= ‪900.054 - 548.177‬‬ ‫‪351.877 6.49‬‬
‫‪351.877‬‬
‫‪1‬‬ ‫= ‪900.054 - 625.515‬‬ ‫‪274.539 5.06‬‬
‫‪274.539‬‬
‫‪9‬‬ ‫‪1388 - 900.054 = 487.946‬‬ ‫‪54.216‬‬
‫‪Total 12‬‬ ‫‪1388‬‬

‫‪ F2‬ىي األصغر وىي اقؿ مف ‪ X2 ←Fout‬يحذؼ مف المعادلة ‪.‬‬

‫*‬

‫‪284‬‬
 ‫الخطوة الثالثة‪:‬‬
‫‪S.O.V‬‬ ‫‪d.f‬‬ ‫‪SS‬‬ ‫* ‪Fi‬‬ ‫‪Fout‬‬

‫‪2‬‬ ‫‪871.836‬‬ ‫‪4.96‬‬

‫‪1‬‬ ‫‪871.836 - 151.844 = 719.992‬‬ ‫‪13.95‬‬
‫‪1‬‬ ‫‪871.836 - 558.054 = 313.782‬‬ ‫‪6.08‬‬ ‫األصغر ←‬
‫‪10‬‬ ‫‪1388 - 871.836 = 516.164‬‬

‫‪ F4‬ىو األصغر ولو قيمة اكبر مف ‪Fout‬‬

‫*‬

‫وبذلؾ فاف أفضؿ معادلة انحدار ىي ‪Y  0  3 X 3   4 X 4  u :‬‬

‫‪ESS ( X 3 X 4 ) / 2 435.918‬‬
‫‪F* ‬‬ ‫‪‬‬ ‫‪ 8.445‬‬
‫‪RSS ( X 3 X 4 ) / 10 51.6164‬‬
‫‪871.836‬‬
‫‪R* ‬‬ ‫‪ 0.63‬‬ ‫‪‬‬ ‫)‪F *  Fc (1, 20, 0.95‬‬
‫‪1388‬‬

‫مثاؿ)‪ :(3-9‬استخدـ اسموب الحذؼ العكسي مع توافر المعمومات التالية‪:‬‬

‫‪TSS =146 ، n=20‬‬

‫‪ESS‬‬ ‫‪53‬‬ ‫‪63‬‬ ‫‪13‬‬ ‫‪66‬‬ ‫‪70‬‬ ‫‪79‬‬ ‫‪81‬‬

‫‪Var‬‬ ‫‪X1‬‬ ‫‪X2‬‬ ‫‪X3‬‬ ‫‪X1X2 X1X3 X2X3 X1X2X3‬‬

‫‪285‬‬
 ‫الخطوة األولى‪ :‬نحسب ‪ESS‬‬

‫‪S.O.V‬‬ ‫‪d.f‬‬ ‫‪SS‬‬ ‫‪MS‬‬ ‫*‪Fi‬‬ ‫)‪Fout(1,16,0.95‬‬

‫‪3‬‬ ‫‪81‬‬ ‫‪4.49‬‬

‫‪1‬‬ ‫‪81-79 = 2‬‬ ‫‪2‬‬ ‫‪0.492‬‬ ‫األصغر ←‬
‫‪1‬‬ ‫‪81-70 = 11‬‬ ‫‪11‬‬ ‫‪2.708‬‬
‫‪1‬‬ ‫‪81- 66 = 15‬‬ ‫‪15‬‬ ‫‪3.692‬‬
‫‪16‬‬ ‫‪65‬‬ ‫‪4.0625‬‬

‫*‬
‫األصغر ‪ X1 ← Fout FX1‬يحذؼ مف المعادلة ‪.‬‬

‫الخطوة الثانية‪:‬‬
‫‪S.O.V‬‬ ‫‪d.f‬‬ ‫‪SS‬‬ ‫‪MS‬‬ ‫*‪Fi‬‬ ‫)‪Fout(1,17,0.95‬‬

‫‪2‬‬ ‫‪79‬‬ ‫‪4.45‬‬

‫‪1‬‬ ‫‪79 -13 = 66‬‬ ‫‪66‬‬ ‫‪16.9‬‬
‫‪1‬‬ ‫‪79 – 63 = 16‬‬ ‫‪16‬‬ ‫‪4.10‬‬ ‫األصغر ←‬
‫‪17‬‬ ‫‪67‬‬ ‫‪3.9‬‬

‫األصغر‬
‫يحذؼ ‪ X3‬مف المعادلة‬
‫إذف‬
‫) ‪ESS ( X 2‬‬ ‫‪63‬‬ ‫‪63‬‬
‫‪F2* ‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪ 14‬‬ ‫الخطوة الثالثة ‪:‬‬
‫‪RSS ( X 2 ) n  2 83 18 4.6‬‬
‫‪Fout (1 , 18 , 0.95) = 4.41‬‬

‫أذف أفضؿ معادلة انحدار ىي ‪:‬‬

‫‪286‬‬
 ‫مثاؿ)‪ :(4-9‬الجدوؿ يعرض مجموعة مربعات أخطاء العبلقة باستخداـ خيارات مختمفة لعينة )‪(n=13‬‬
‫‪TSS  11.058‬‬
‫‪RSS 0.607 10.795 10.663‬‬ ‫‪1.522‬‬ ‫‪0.499‬‬ ‫‪0.600‬‬ ‫‪0.580 10.168‬‬
‫المتغيرات‬ ‫‪X1‬‬ ‫‪X2‬‬ ‫‪X3‬‬ ‫‪X4‬‬ ‫‪X1X2‬‬ ‫‪X1X3‬‬ ‫‪X1X4‬‬ ‫‪X2X3‬‬

‫‪1.218‬‬ ‫‪0.498‬‬ ‫‪0.450‬‬ ‫‪1.041‬‬ ‫‪0.581‬‬ ‫‪0.441‬‬

‫‪X2X4‬‬ ‫‪X1X2X3‬‬ ‫‪X1X2X4‬‬ ‫‪X2X3X4‬‬ ‫‪X1X3X4 X1X2X3X4‬‬

‫ـ‪/‬استعمؿ طريقة الحذؼ العكسي لتقدير أفضؿ معادلة انحدار‬

‫الخطوةاألولى ‪:‬‬

‫‪s.o.v‬‬ ‫‪d.f‬‬ ‫‪SS‬‬ ‫‪MS‬‬

‫‪1‬‬ ‫‪0.6‬‬ ‫‪0.6‬‬ ‫‪10.884‬‬
‫‪1‬‬ ‫‪0.14‬‬ ‫‪0.14‬‬ ‫‪2.539‬‬
‫‪1‬‬ ‫‪0.009‬‬ ‫‪0.009‬‬ ‫‪0.1633‬‬ ‫األصغر‬
‫‪1‬‬ ‫‪0.057‬‬ ‫‪0.057‬‬ ‫‪1.034‬‬
‫)‪RSS(X1X2X3X4‬‬ ‫‪8‬‬ ‫‪0.441‬‬ ‫‪0.055125‬‬

‫‪ X3‬يحذؼ‬ ‫←‬
‫) ‪Y  f ( X1 X 2 X 4‬‬

‫‪287‬‬
 ‫الخطوة الثانية‪:‬‬

‫‪s.o.v‬‬ ‫‪d.f‬‬ ‫‪SS‬‬ ‫‪MS‬‬ ‫*‪F‬‬

‫‪1‬‬ ‫‪0.768‬‬ ‫‪0.768‬‬ ‫‪15.36‬‬
‫‪1‬‬ ‫‪0.13‬‬ ‫‪0.13‬‬ ‫‪2.64‬‬
‫‪1‬‬ ‫‪0.049‬‬ ‫‪0.049‬‬ ‫األصغر ←‪0.98‬‬
‫‪Error‬‬ ‫‪9‬‬ ‫‪0.450‬‬ ‫‪0.05‬‬

‫← ‪ X4‬يحذؼ‬

‫الخطوة الثالثة‪:‬‬

‫‪s.o.v‬‬ ‫‪d.f‬‬ ‫‪SS‬‬ ‫‪MS‬‬ ‫*‪F‬‬

‫‪1‬‬ ‫‪10.296‬‬ ‫‪10.296‬‬ ‫‪206.33‬‬

‫‪1‬‬ ‫‪0.108‬‬ ‫‪0.108‬‬ ‫‪2.164‬‬ ‫األصغر‬

‫‪Error‬‬ ‫‪10‬‬ ‫‪0.499‬‬ ‫‪0.0499‬‬

‫← ‪ X2‬يحذؼ‬

‫الخطوة الرابعة‪:‬‬

‫‪ X1‬معنوي‬ ‫←‬
‫أفضؿ معادلة انحدار‪:‬‬

‫‪288‬‬
 ‫لعينة‬ ‫مثاؿ )‪ :(5-9‬الجدوؿ يوضح نتائج انحدار‪Y‬عمى توليفات مختمفة لممتغيرات‬
‫بحجـ )‪ (15‬مشاىدة ‪:‬‬

‫المتغيرات‬ ‫‪X1‬‬ ‫‪X2‬‬ ‫‪X3‬‬ ‫‪X1X2‬‬ ‫‪X1X3‬‬ ‫‪X2X3‬‬ ‫‪X1X2X3‬‬

‫‪ESS‬‬

‫ـ‪ /‬حدد أفضؿ معادلة انحدار باستعماؿ الحذؼ العكسي ‪) .‬استخدـ مستوى داللة ‪(5%‬‬
‫الخطوةاألولى ‪:‬‬

‫‪725  645‬‬
‫‪F2* ‬‬ ‫← ‪ 1.46668‬‬ ‫األصغر‬
‫‪54.545‬‬
‫‪725  44‬‬
‫‪F3* ‬‬ ‫‪ 5.702‬‬
‫‪54.545‬‬

‫أقؿ قيمة ‪ F‬جزئية ىي ‪ F2‬وىي أقؿ مف ‪. Fout‬‬

‫لذايحذؼ المتغير ‪ X2‬مف المعادلة‬
‫الخطوة الثانية‪:‬‬

‫‪645  325‬‬
‫‪F3* ‬‬ ‫← ‪ 5.647‬‬ ‫األصغر‬
‫‪56.67‬‬
‫أصغر‪ F‬جزئية ىي ‪F3‬‬

‫إي إف أفضؿ معادلة انحدار ىي ‪Y  f ( X 1 , X 3 ) :‬‬

‫‪289‬‬
 ‫)‪(Forward Selection Procedure‬‬ ‫)‪ (2-9‬طريقة االختيار المباشر أو األمامي ‪:‬‬
‫تعتمد ىذه الطريقة عمى البدء بدوف إي متغير مستقؿ ‪ ،‬ثـ يتـ اختيار المتغيرات المستقمة‬
‫لتضمينيا في المعادلة واحداً تمو اآلخر ‪ ،‬اعتماداً عمى مقارنة ‪ F‬الجزئية لكؿ متغير مع قيمة جدوليو‬
‫بمستوى داللة محدد مسبقاً )‪ (α‬وتسمى )‪ . (FIN‬إذ يتـ اختيار أعمى قيمة ‪ F‬الجزئية لكؿ خطوة وبعد‬
‫التأكد مف إف قيمتيا اكبر مف )‪ (FIN‬يتـ إدخاؿ المتغير المعني إلى المعادلة وتستمر الخطوات بإضافة‬
‫المتغيرات المستقمة واحداً تمو اآلخر إلى إف نصؿ إلى إف أعمى )‪ (F‬جزئية تقؿ عف )‪ . (FIN‬فعندئذ‬
‫يتوقؼ الحؿ‪.‬‬

‫مثاؿ )‪ : (6-9‬استعمؿ االختيار األمامي مستعيناً بيانات المثاؿ )‪:(2-9‬‬

‫الخطوة األولى‪:‬‬

‫‪558.054‬‬
‫‪F3* ‬‬ ‫← ‪ 7.396‬‬ ‫األكبريرشحوىومعنوي‬
‫‪75.449‬‬

‫الخطوة الثانية ‪:‬‬

‫) ‪ESS ( X 1 / X 3‬‬ ‫‪0.964‬‬
‫‪F1* ‬‬ ‫‪‬‬ ‫‪ 0.012‬‬
‫‪RSS ( X 1 X 3 ) /( n  3) 82.898‬‬

‫‪291‬‬
 ‫الخطوة الثالثة‪:‬‬

‫) ‪ESS ( X 2 / X 3 X 4‬‬ ‫‪28.218‬‬

‫‪F2* ‬‬ ‫‪‬‬ ‫‪ 0.5‬‬ ‫‪‬‬ ‫االكبر‬
‫‪RSS ( X 2 X 3 X 4 ) /( n  4) 54.216‬‬

‫أقؿ مف ‪ FIN‬نتوقؼ‪ ،‬وبذلؾ فاف أفضؿ معادلة انحدار ىي ‪:‬‬

‫ويمكف حؿ المثاؿ )‪ (5-9‬اعتماداً عمى فكرة معامبلت االرتباط ‪ ،‬حيث يتـ اختبار المتغير المستقؿ الذي‬
‫تكوف قيمة معامؿ ارتباطو البسيط مع ‪ (riy) Y‬أعمى قيمة في كؿ خطوة ثـ تختبر معنويتو باستخداـ‬
‫اختبار ‪ F‬الجزئي ‪.‬‬

‫وىناؾ طريقة اخرى لبلختبار االمامي باستخداـ بيانات مثاؿ)‪ (2-9‬نفسيا‪:‬‬

‫الخطوة األولى‪ :‬باستخداـ القانوف‪:‬‬
‫) ‪ESS ( X i‬‬
‫‪riY ‬‬ ‫‪ i  1,2,3,4‬‬
‫‪TSS‬‬
‫نتوصؿ الى معامبلت االرتباط بيف المتغير ‪ Y‬وكؿ مف ‪:X4 ، X3 ، X2 ، X1‬‬

‫‪r4Y  0.33‬‬ ‫‪، r3Y  0.634 ، r2Y  0.54 ، r2Y  0.2‬‬

‫حيث اف ‪ r3Y‬ىي اعمى معامؿ ارتباط‬

‫اذا نختبر معنوية ‪ X3‬وفؽ اختبار ‪:F‬‬
‫‪558.054‬‬ ‫‪558.054‬‬
‫‪F3* ‬‬ ‫‪‬‬ ‫‪ 7.396‬‬
‫‪829.946 / 11 75.449‬‬
‫‪ ،‬أي اف ‪ X3‬معنوي‬

‫← ‪ X3‬يضمف في المعادلة ‪:‬‬

‫الخطوة الثانية ‪:‬‬

‫‪291‬‬
 ‫يرشح ‪← X4‬‬

‫← يثبت في المعادلة ‪:‬‬

‫الخطوة الثالثة ‪:‬‬

‫‪r2Y .34  0.234‬‬ ‫‪‬‬ ‫االعلً‬

‫إذف ينتيي الحؿ ‪ ،‬وبذلؾ فاف افضؿ معادلة انحدار‪:‬‬ ‫وحيث اف‪،‬‬

‫‪292‬‬
 ‫مثاؿ)‪ :(7-9‬استخدـ بيانات المثاؿ)‪ (3-9‬الختبار افضؿ معادلة انحدار عمى وفؽ طريقة االختيار‬
‫األمامي‪.‬‬
‫الخطوة األولى‪:‬‬

‫‪ ← X2‬يرشح لتضمينو بالمعادلة‬

‫أي اف الصيغة ىي‪:‬‬

‫الخطوة الثانية ‪:‬‬

‫‪66  63‬‬
‫‪r1Y .2 ‬‬ ‫‪ 0.190‬‬
‫‪83‬‬

‫يتبيف اف معامؿ ارتباط ‪ Y‬مع ‪ X3‬مع تثبيت ‪ X2‬تعد االكبر‪ ،‬لذلؾ يرشح المتغير ‪X3‬ونختبر أىميتو ‪:‬‬
‫) ‪ESS ( X 3 / X 2‬‬ ‫‪16‬‬
‫‪F3* ‬‬ ‫‪‬‬ ‫‪ 4.06  FIN (1,16,0.95)  4.45‬‬
‫‪ESS ( X 2 X 3 ) /( n  3) 3.94‬‬
‫أذف ينتيي الحؿ‪:‬‬
‫ىي ‪Y   0   2 X 2  u :‬‬ ‫أفضؿ معادلة انحدار‬

‫مثاؿ)‪ (8-9‬اعتمد طريقةاالختباراألمامي"‪ "Forward Selection‬الختبار أفضؿ معادلة انحدار اذا‬

‫عممت اف مجموع مربعات االنحدار لتوافيؽ مختمفة مف المتغيرات ) ‪ ( X4 ، X3 ، X2 ، X1‬معطاة في‬
‫الجدوؿ ادناه لعينة مف )‪ 13‬مشاىدة(‪ ،‬ومجموع المربعات اإلجمالية ‪TSS  2715.76‬‬

‫‪293‬‬
 ‫‪ESS‬‬ ‫‪1460.07‬‬ ‫‪1809.4‬‬ ‫‪776.3‬‬ ‫‪1831.8‬‬ ‫‪2667.8‬‬
‫‪Var‬‬ ‫‪X1‬‬ ‫‪X2‬‬ ‫‪X3‬‬ ‫‪X4‬‬

‫‪2641‬‬ ‫‪1846.8‬‬ ‫‪2540‬‬ ‫‪2664.9‬‬ ‫‪2667.7‬‬

‫‪X1X3X4‬‬

‫الحؿ‪:‬‬

‫الخطوة‬ ‫فيالمعادلة‪Xi‬‬ ‫المضاؼ‪Xi‬‬ ‫الجزئية‪F‬‬ ‫‪FIN‬‬ ‫المنتخب‪Xi‬‬

‫‪12.8‬‬
‫‪21.9‬‬
‫األولى‬ ‫‪4 .4‬‬
‫‪22.8‬‬

‫‪X1‬‬ ‫‪108.23‬‬

‫الثانية‬ ‫‪X2‬‬ ‫‪0.173‬‬

‫‪X3‬‬ ‫‪40.29‬‬
‫الثالثة‬ ‫‪X2‬‬ ‫‪5.02‬‬
‫‪X3‬‬ ‫‪4.23‬‬
‫الرابعة‬ ‫‪-‬‬
‫‪0.02‬‬

‫‪Stepwise regression procedure‬‬ ‫(‪ )3-9‬طريقة االنحدار المتدرج ‪:‬‬

‫وتعد ىذه الطريقة تطوي اًر لطريقة االختيار األمامي )‪ (Forward Selection‬فقد وضع أساسيا‬
‫)‪ . (Efroymson 1960‬لجعميا أكثر كفاءة‪ .‬ونقطة التمييز بيف الطريقتيف ىو إف جميع المتغيرات‬
‫المستقمة في نياية كؿ خطوة يتـ التأكد مف معنويتيا باالعتماد عمى اختيار ‪ F‬الجزئي ويعاد تقييميا مرة‬
‫أخرى ‪ .‬وذلؾ لوجود عبلقات قوية بيف المتغيرات المستقمة والتي تـ إدخاليا في معادلة االنحدار في‬
‫خطوات سابقة ‪ .‬وبذلؾ فاف طريقة االنحدار المتدرج )التدريجي( تعد أفضؿ الطرائؽ الختيار أحسف‬
‫معادلة انحدار‪.‬‬
‫ولتوضيح فكرة ىذه الطريقة نقدـ األمثمة التالية ‪:‬‬

‫‪294‬‬
 ‫مثاؿ )‪ :(9-9‬استعمؿ طريقة االنحدار المتسمسؿ " ‪ "Stepwise regression‬الختبار أفضؿ معادلة‬
‫‪Y  50 ،‬‬ ‫‪Y Y  396‬‬ ‫‪،‬‬ ‫انحدار اذا توفرت البيانات التالية‪n  10 :‬‬
‫‪1.00  0.988 0.896‬‬ ‫‪0.972 ‬‬
‫‪‬‬ ‫‪1‬‬ ‫‪.‬‬‫‪00‬‬ ‫‪‬‬ ‫‪0‬‬‫‪.‬‬‫‪913‬‬ ‫‪‬‬ ‫‪0‬‬ ‫‪.‬‬‫‪9795‬‬‫‪‬‬
‫‪R‬‬ ‫‪‬‬
‫‪‬‬ ‫‪1.00‬‬ ‫‪0.946 ‬‬
‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪1.00 ‬‬
‫الحؿ‪:‬‬
‫الخطوة األولى‪ :‬أعمى معامؿ ارتباط بسيط بيف المتغيرات التوضيحية وبيف المتغير‪ Y‬ىو ‪:‬‬
‫← المتغير ‪ X2‬ىو المتغير المرشح لتضمينو في المعادلة ‪.‬‬
‫نختبر معنويتو باختبار ‪:F‬‬

‫المتغير ‪ X2‬معنوي يثبت في المعادلة ‪:‬‬

‫الخطوة الثانية ‪:‬‬

‫أو‬
‫‪r1Y  r12r2Y‬‬ ‫)‪0.972  (0.988)(0.9795‬‬
‫‪‬‬
‫‪1  r122 1  r22Y‬‬ ‫‪1  (0.988) 2 1  (0.9795) 2‬‬
‫‪ 0.134‬‬

‫‪→ X3‬‬ ‫يضمف في المعادلة‪(included in the equation) :‬‬

‫نختبر معنوية ‪:X3‬‬

‫‪295‬‬
 ‫) ‪ESS ( X 3 X 2‬‬
‫‪F3* ‬‬
‫)‪RSS ( X 2 X 3 ) /( n  3‬‬
‫) ‪ESS ( X 3 X 2‬‬
‫‪rYX2 3 . X 2 ‬‬
‫) ‪RSS ( X 2‬‬

‫‪ESS ( X 3 )  rYX2 3 .TSS  130.657736‬‬

‫‪ESS ( X 2 X 3 )  142.353‬‬ ‫‪, RSS ( X 2 X 3 )  3.647‬‬
‫‪2.27757‬‬
‫‪F3* ‬‬ ‫‪ 0.521‬‬ ‫‪, Fc (1,7 , 0.95)  5.59‬‬
‫‪1.866‬‬
‫‪ X3‬لـ تثبت معنويتو‪ ،‬فيحذؼ مف المعادلة‪.‬‬
‫وبذلؾ فاف أفضؿ معادلة انحدار ىي‪:‬‬

‫ولممعمومات نفسيا يتـ استخداـ طريقة االختبار االمامي لممقارنة وتكوف خطوات االنحدار المتسمسؿ‬
‫نفسيا‪.‬‬

‫مثاؿ)‪ :(10-9‬عينة مف )‪ (13‬مشاىدة‪ ،‬النحدار ‪ Y‬عمى ‪ ، X4 ، X3 ، X2 ، X1‬اعطت النتائج التالية‪:‬‬

‫‪TSS  2715.76‬‬

‫‪ESS‬‬ ‫‪1460.07‬‬ ‫‪1809.4‬‬ ‫‪776.3‬‬ ‫‪1831.8‬‬ ‫‪2667.8‬‬

‫‪Var‬‬ ‫‪X1‬‬ ‫‪X2‬‬ ‫‪X3‬‬ ‫‪X4‬‬

‫‪57.99‬‬ ‫‪2641‬‬ ‫‪1846.8‬‬ ‫‪2540‬‬ ‫‪48.11‬‬ ‫‪2664.9‬‬ ‫‪2667.7‬‬

‫‪X1 X 2‬‬ ‫‪X1 X 2 X 3‬‬ ‫‪X1X3X4‬‬

‫ـ‪/‬اعتمد طريقة االنحدار التدرجي )المتسمسؿ( "‪ "Stepwise Regression‬الختيار أفضؿ معادلة‬
‫انحدار‪.‬‬

‫‪296‬‬
 ‫الحؿ‪:‬‬

‫الخطوة‬ ‫فيالمعادلة‪Xi‬‬ ‫المضاؼ‪Xi‬‬ ‫الجزئي‪F‬‬ ‫‪FIN‬‬

‫‪12.8‬‬
‫‪21.9‬‬
‫األولى‬ ‫‪4. 4‬‬
‫‪22.8‬‬ ‫‪‬‬
‫‪X4‬‬ ‫‪X1‬‬ ‫‪ 108.23‬‬
‫‪X2‬‬ ‫‪0.173‬‬
‫الثانية‬ ‫‪X3‬‬ ‫‪40.29‬‬
‫‪X1‬‬ ‫‪157.963‬‬
‫‪X4‬‬

‫‪X1X4‬‬ ‫‪X2‬‬ ‫‪5.02‬‬

‫‪X3‬‬ ‫‪4.699‬‬
‫الثالثة‬
‫‪X1X2‬‬ ‫‪X4‬‬ ‫‪ 488.7‬‬
‫‪X2X4‬‬ ‫‪X1‬‬ ‫‪153.73‬‬

‫الرابعة‬ ‫‪X1 X 2 X 4‬‬ ‫يحذؼ‪ 0.016‬‬

‫أي اف افضؿ معادلة انحدار ىي‪Y  0  1 X1   2 X 2   4 X 4  u :‬‬

‫مثاؿ)‪ :(11-9‬اعتمد طريقة االنحدار المتسمسؿ الختيار أفضؿ معادلة انحدار‪ ،‬اذا توافرت البيانات‬
‫التالية‪.‬‬
‫‪74  10 3  33 ‬‬
‫‪xx  xy   ‬‬ ‫‪14‬‬
‫‪‬‬
‫‪1  4 ‬‬ ‫‪, y 2  74‬‬ ‫‪, n  25‬‬
‫‪‬‬ ‫‪17  13‬‬
‫‪‬‬

‫باستخداـ مستوى داللة ‪ .5%‬وقرب النتائج إلى مرتبتيف عشريتيف فقط ‪.‬‬

‫‪297‬‬
 : ‫الحؿ‬
:‫الخطوة األولى‬

. ‫ الجزئية‬F ‫ ونحسب قيمة‬،‫ يرشح‬X1‫المتغير‬

‫ يضمف في المعادلة‬X1‫المتغير‬

: ‫الخطوة الثانية‬

ESS ( X 2 / X 1 )
r2Y .1  , ESS ( X 1 X 2 )  ̂ x y
RSS ( X 1 )
xx 12  936

1
 1   74  10   33   0.0149 0.0107   33   0.54 
              

 2   10 14    
4 0.0107 0.0791    
4 0.67 
 33 
ESS ( X 1 , X 2 )  ( 0.54 0.67 )    20.5 , RSS ( X 1 , X 2 )  53.5
4

ESS ( X 2 / X1 )  20.5  14.72  5.78 , RSS ( X1 )  59.28

298
 ESS ( X 2 X 1 )
r2Y .1   0.3123
RSS ( X 1 )

ESS ( X 3 X 1 )
r3Y .1 
RSS ( X 1 )

1
 ˆ1  74 3   33 
   
 ˆ 
 2  17  13 
0.014  0.0024  ˆ1   0.43 
xx 1.3  1249  ( xx) 1
      
0.06   ˆ
1.3
  3  0.70 
ESS ( X 1 X 3 )  23.29
ESS ( X 3 / X 1 )  23.29  14.72  8.57
8.57
r3Y .1   0.380
59.28
‫ يرشح‬X3 ‫ ← المتغير‬r3Y .1  0.380 ،‫األكبر‬

ESS ( X 3 / X 1 ) 8.57 8.57

F3*     8.093  FIN (1, 22,0.95)  4.3
RSS ( X 1 X 3 ) /( n  3) 23.29 / 22 1.059

ESS ( X 1 / X 3 ) 13.349
F1*    12.605  FIN (1, 22,0.95)  4.3
RSS ( X 1 X 3 ) /( n  3) 1.059
: ‫حيث إف‬
132
ESS ( X 1 / X 3 )  ESS ( X 1 X 3 )  ESS ( X 3 )  23.29   13.349  FIN  4.3
17
Y  f ( X 1 , X 3 ) . ‫النموذج‬
Y   0  1 X 1   3 X 3  u
:‫الخطوة الثالثة‬
ESS ( X 2 / X 1 X 3 )
r2Y .1,3 
RSS ( X 1 X 3 )

ESS ( X 2 / X 1 X 3 )  ESS ( X 1 X 2 X 3 )  ESS ( X 1 X 3 )


ESS ( X 1 X 2 X 3 )  ( xx) 1 xy xy 
299
 ‫مثاؿ)‪ :(12-9‬اذا توفرت البيانات التالية‪:‬‬

‫المتغيرات‬ ‫‪X1‬‬ ‫‪X2‬‬ ‫‪X3‬‬ ‫‪X4‬‬ ‫‪X1X2‬‬ ‫‪X1X3‬‬ ‫‪X1X4‬‬ ‫‪X2X3‬‬

‫‪RSS‬‬ ‫‪1225.68 906.33 1939.01 883.86 57.90 1227.07 74.76 415.44‬‬

‫‪X2X4‬‬ ‫‪X3X4‬‬ ‫‪X1X2X3‬‬ ‫‪X1X3X4‬‬ ‫‪X2X3X4‬‬ ‫‪X1X2X4‬‬ ‫‪X1X2X3X4‬‬

‫‪868.88‬‬ ‫‪175.75‬‬ ‫‪48.11‬‬ ‫‪50.83‬‬ ‫‪73.81‬‬ ‫‪47.97‬‬ ‫‪47.86‬‬

‫استخدـ طريقة االنحدار التدريجي إليجاد أفضؿ معادلة انحدار‪ .‬باستخداـ مستوى داللة ‪. 5%‬‬
‫الحؿ‪:‬‬
‫الخطوة األولى‪:‬‬
‫) ‪ESS ( X 1‬‬ ‫‪1489.95‬‬
‫‪r1Y ‬‬ ‫‪‬‬ ‫‪ 0.74‬‬
‫‪TSS‬‬ ‫‪2715.63‬‬

‫نختار‪ X4‬أوالً ‪.‬‬

‫ونستخدـ المختبر‪ F‬الختبار معنوية ‪:X4‬‬

‫‪ESS ( X 4 ) 1831.77‬‬
‫‪F4* ‬‬ ‫‪‬‬ ‫‪ 22.797‬‬ ‫‪,‬‬ ‫الجذولُت ‪Fc (1,11, 0.95)  4.4‬‬
‫) ‪RMS ( X 4‬‬ ‫‪80.35‬‬
‫← يثبت ‪ X4‬في النموذج‪.‬‬

‫الخطوة الثانية ‪:‬‬

‫) ‪ESS ( X 1 / X 4‬‬ ‫) ‪ESS ( X 1 X 4 )  ESS ( X 4‬‬
‫‪r1Y .4 ‬‬ ‫‪‬‬ ‫‪ 0.957‬‬
‫) ‪TSS  ESS ( X 4‬‬ ‫) ‪RSS ( X 4‬‬
‫‪r2Y .4  0.1302‬‬
‫‪r3Y .4  0.895‬‬

‫‪311‬‬
 ‫لذا ينتخب ‪ ،X1‬فتكوف معادلة االنحدار‪:‬‬

‫ونختبر معنوية المتغير ‪X4‬‬

‫) ‪ESS ( X 4 X 1‬‬
‫‪F4* ‬‬ ‫‪ 153.9‬‬ ‫‪‬‬ ‫)‪Fc (1,n3, 0.05‬‬
‫) ‪RMS ( X 1 , X 4‬‬
‫) ‪ESS ( X 1 X 4‬‬
‫‪F1* ‬‬ ‫‪ 108.2‬‬ ‫‪‬‬ ‫)‪Fc (1, n  3, 0.09‬‬
‫) ‪RMS ( X 1 , X 4‬‬
‫← يثبت كؿ مف‪ X1‬و‪ X4‬في النموذج‪.‬‬

‫الخطوة الثالثة‪:‬‬

‫‪r2Y .14  0.599‬‬

‫لذا نختار‪ X2‬ويضمف في المعادلة‪:‬‬

‫وتحسب معنوية ‪ X2‬المضاؼ‪:‬‬

‫‪ESS ( X 2 X 1 X 4 ) 26.8‬‬
‫‪F2* ‬‬ ‫‪‬‬ ‫‪ 5.02‬‬ ‫‪‬‬ ‫)‪Fc (1, n  4, 0.95‬‬
‫‪RMS ( X 1 X 2 X 4 ) 5.33‬‬

‫‪ESS ( X 1 X 2 X 4 ) 820.9‬‬
‫‪F1* ‬‬ ‫‪‬‬ ‫‪ 154.01‬‬ ‫‪‬‬ ‫)‪Fc (1,n4, 0.95‬‬
‫) ‪RMS ( X 1 X 2 X 4‬‬ ‫‪5.33‬‬
‫ولكف ‪ F4‬مع وجود ‪ X2‬و ‪ F4  1.86 :X1‬غير معنوي ) لذا يحذؼ ‪ X4‬مف النموذج( ‪.‬‬
‫*‬ ‫*‬

‫الخطوة الرابعة‪:‬‬
‫يضاؼ المتغير ‪X3‬‬

‫وتحسب معنوية ‪:X3‬‬

‫‪ESS ( X 3 X 1 X 2 ) 9.79‬‬
‫‪F3* ‬‬ ‫‪‬‬ ‫‪ 1.83‬‬ ‫‪‬‬ ‫)‪Fc (1,n4,0.95‬‬
‫‪RMS ( X 1 X 2 X 3 ) 5.35‬‬

‫‪311‬‬
 ‫وبمقارنتيا مع القيـ الجدولية يتضح اف ‪ X3‬غير معنوي‪.‬‬
‫لذا يحذؼ ‪.X3‬‬
‫وتكونأفضممعادلةانحدار ‪:‬‬

‫كماإف مثاؿ)‪ (10-9‬يمكف حمو بطريقة مغايرة اعتماداًعمى قيـ‪ F‬الجزئية‪.‬‬

‫مثاؿ )‪ (13-9‬باستخداـ ‪F‬‬

‫الخطوة األولى ‪:‬‬
‫) ‪ESS ( X 1‬‬ ‫) ‪TSS  RSS ( X 1‬‬
‫‪F1* ‬‬ ‫‪‬‬
‫)‪RMS ( X 1 ) RSS ( X 1 ) /( n  k  1‬‬

‫‪F4*  22.797‬‬ ‫‪,‬‬ ‫‪FIN  Fc (1,11,0.95)  4.48‬‬

‫← ‪ X4‬يدخؿ المعادلة‬
‫الخطوة الثانية‪:‬‬

‫‪F3*  40.291‬‬ ‫‪,‬‬ ‫‪FIN  Fc (1,10,0.95)  4.96‬‬

‫← المتغير‪ X1‬يدخؿ المعادلة‬

‫وتحسب معنوية ‪ X4‬بعد ادخاؿ ‪ X1‬المعادلة‬

‫الخطوة الثالثة‪:‬‬
‫‪F2*( X 2 / X1X 4 )  5.02‬‬ ‫‪F3*( X 3 / X1X 4 )  4.23 ,‬‬ ‫‪FIN  5.12‬‬
‫‪Y  0  4 X 4  u‬‬ ‫‪‬‬ ‫نتوقؼ‪ :‬افضؿ معادلة انحدار‬

‫‪312‬‬
 ‫مثاؿ)‪ :(14-9‬مف لوحة المعمومات التالية ‪:‬‬

‫‪RSS‬‬ ‫‪93‬‬ ‫‪83‬‬ ‫‪133‬‬ ‫‪80‬‬ ‫‪76‬‬ ‫‪67‬‬ ‫‪65‬‬

‫المتغيرات‬ ‫‪X1‬‬ ‫‪X2‬‬ ‫‪X3‬‬ ‫‪X1X2‬‬ ‫‪X1X3‬‬ ‫‪X2X3‬‬ ‫‪X1X2X3‬‬

‫حددأفضؿ معادلة انحدار باستخداـ االختيار األمامي وقارنيا مع االنحدار التدرجي ‪.‬‬
‫القيـ الجدولية ‪:‬‬

‫الحؿ‪ :‬باستخداـ االختبار االمامي‪:‬‬

‫الخطوة األولى‪:‬‬

‫‪F3*  1.759‬‬

‫الخطوة الثانية‪:‬‬

‫َضوي‬ ‫‪X3 ‬‬ ‫‪Fc(1,17)  3.59‬‬ ‫‪ ‬االكبر‬ ‫‪F3*.2  4.059‬‬

‫الخطوة الثالثة‪:‬‬

‫‪ F‬غير معنوية نتوقؼ‬

‫أفضؿ معادلة انحدار‪:‬‬
‫االنحدار المتسمسؿ ‪ :‬الخطوة األولى ‪ :‬نفسيا كما في االختبار األمامي‪.‬‬

‫‪313‬‬
 ‫الخطوة الثانية‪:‬أيضا تحسب‬

‫الخطوة الثالثة‪ :‬نفسيا‬

‫مثاؿ)‪ : (15-9‬مع توافر لوحة البيانات‪:‬‬

‫استخدـ طريقة االنحدار التسمسمي لتقدير أفضؿ معادلة انحدار الستجابة ‪ Y‬والمتغيرات‬
‫استخدـ مستوى داللة ‪ ،%10‬اذكر الخطوتيف األولى والثانية فقط‪.‬‬
‫الحؿ‪:‬‬
‫الخطوة األولى‪:‬‬
‫‪x1 y‬‬ ‫‪33‬‬
‫‪r1Y ‬‬ ‫‪‬‬ ‫‪ 0.479‬‬
‫‪x12y 2‬‬ ‫)‪(74)(64‬‬
‫أو يمكف حسابيا عمى وفؽ االتي‪:‬‬
‫) ‪ESS ( X 1‬‬ ‫‪14.68‬‬
‫‪‬‬ ‫‪‬‬ ‫االكبر ← ‪ 0.479‬‬
‫‪TSS‬‬ ‫‪64‬‬
‫وكذلؾ‪:‬‬

‫وحيث اف معامؿ ارتباط ‪ Y‬مع ‪ X1‬ىو االكبر‪ ،‬لذا نختار المتغير ‪ X1‬لتضمينو في المعادلة‪ ،‬ثـ نحسب‬
‫قيمة ‪ F‬الختبار معنوية المتغير‪X1‬‬

‫وحيث اف قيمة ‪ F‬الجدولية ىي‪( F1N (1, 23,0.95)  2.94) :‬‬

‫‪ X1‬يضمف في المعادلة‪:‬‬

‫‪314‬‬
 ‫‪ X1‬ميـ يثبت في المعادلة‪.‬‬

‫الخطوة الثانية‪ :‬نحسب معامبلت االرتباط الجزئية بيف المتغير ‪ Y‬والمتغيرات المستقمة ‪ X2‬و ‪ X3‬عمماً‬
‫باف ‪ X1‬ثابت‬

‫وذلؾ يتطمب حساب معامبلت االرتباط البسيط ‪:r12‬‬

‫‪r3Y  r31 rY 1‬‬

‫‪r3Y .1 ‬‬ ‫وكذلؾ‪:‬‬
‫‪1  r312 1  rY21‬‬
‫والذي يتطمب حساب ‪: r13‬‬

‫)‪0.39  0.08 (0.479‬‬ ‫‪0.352‬‬

‫‪ r3Y .1 ‬‬ ‫‪‬‬ ‫‪ 0.4‬‬
‫)‪(0.996) (0.8778‬‬ ‫‪0.874‬‬

‫وبما اف ‪ r3Y.1‬ىي األكبر ‪ ← X3‬يضمف في المعادلة وتحسب معنويتو عمى وفؽ اختبار‪: F‬‬

‫ولحساب )‪ESS(X3/X1‬‬
‫) ‪ESS ( X 3 X 1‬‬
‫‪r32Y .1 ‬‬ ‫) ‪ ESS ( X 3 X 1 )  RSS ( X 1 )  r32Y .1  0.16 RSS ( X 1‬‬
‫) ‪RSS ( X 1‬‬
‫ولكف‬
‫) ‪RSS ( X 1‬‬
‫‪TSS‬‬
‫‪ 1  r12Y .‬‬ ‫‪‬‬ ‫‪‬‬
‫‪ RSS ( X 1 )  1  (0.479) 2 (64)  49.32‬‬

‫‪ESS ( X 3 X 1 )  0.16 (49.3)  7.888‬‬

‫‪315‬‬
‫) ‪RSS ( X1 X 3 )  TSS  ESS ( X1 X 3‬‬

‫) ‪ TSS  RSS  ESS ( X 3 X1‬‬

‫‪ RSS ( X1 X 3 )  64  22.568  41.432‬‬

‫‪7.888‬‬
‫‪F3* ‬‬ ‫‪ 4.188‬‬
‫)‪41.432 (n  3‬‬

‫وتقارف مع‬
‫وبذلؾ نستدؿ اف ‪ X3‬ميـ معنوياً ويضمف بالنموذج‪.‬‬
‫كما ويجب اف نستدؿ حوؿ معنوية المتغير‪ X1‬عند تضميف المتغير ‪ X3‬في النموذج‪.‬‬
‫ونختبره باستخداـ ‪ F‬الجزئي‪:‬‬
‫) ‪ESS ( X 1 X 3‬‬
‫‪F1* ‬‬
‫)‪RSS ( X 1 X 3 ) (n  3‬‬

‫إذف ‪ X1‬ميـ يبقى في النموذج‬

‫‪316‬‬
 ‫أسئهة انفصم انتبسع‪:‬‬

‫سٔ‪ :‬عينة عشوائية بحجـ )‪(20‬مشاىدة لقيـ المتغير‪ Y‬مع المتغيرات التوضيحية ‪ ، X3 ، X2 ، X1‬فاذا‬
‫توافرت المعمومات التالية‪:‬‬

‫‪1.00  0.998 0.851‬‬ ‫‪0.972 ‬‬

‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪1.00‬‬ ‫‪ 0.913  0.979 ‬‬ ‫‪Y  50‬‬
‫‪R‬‬ ‫‪,‬‬
‫‪1.00‬‬ ‫‪0.949 ‬‬ ‫‪Y 2  369‬‬
‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪1‬‬ ‫‪.‬‬‫‪00‬‬ ‫‪‬‬
‫م‪ /‬ايجاد افضل معادلة انحدار خطي باستخدام طريقة االختيار االمامي ومقارنتها مع طريقة االنحدار‬
‫التدرجي‪.‬‬

‫س‪ :2‬مع توافر لوحة البيانات‪:‬‬

‫‪ 74 10 3 ‬‬ ‫‪ 33 ‬‬

‫‪‬‬ ‫‪‬‬ ‫‪ ‬‬
‫‪x x  ‬‬ ‫‪14 1 ‬‬ ‫‪, x y   4 ‬‬ ‫‪, y 2  64‬‬ ‫‪, n  25‬‬
‫‪‬‬ ‫‪17 ‬‬ ‫‪ 13 ‬‬
‫‪‬‬ ‫‪ ‬‬

‫أ( استخدـ طريقة االنحدار التسمسمي لتقدير افضؿ معادلة انحدار الستجابة ‪ Y‬والمتغيرات ‪X2 ، X3‬‬
‫‪. X1،‬‬
‫ب( قارف النتائج باستخداـ طريقة االختيار االمامي‪.‬‬

‫س‪ :3‬حدد افضؿ معادلة انحدار باستخداـ اسموب الحذؼ العكسي مع توافر لوحة المعمومات حوؿ‬
‫استجابة ‪ Y‬عمى المتغيرات ‪.X1، X2 ، X3‬‬

‫المتغيرات‬ ‫‪X1‬‬ ‫‪X2‬‬ ‫‪X3‬‬ ‫‪X1X2‬‬ ‫‪X1X3‬‬ ‫‪X2X3‬‬ ‫‪X1X2X3‬‬

‫‪RSS‬‬ ‫‪93‬‬ ‫‪83‬‬ ‫‪133‬‬ ‫‪80‬‬ ‫‪76‬‬ ‫‪67‬‬ ‫‪65‬‬

‫‪317‬‬
 ‫سٗ‪ :‬مع توافر لوحة المعمومات التالية‪:‬‬

‫)‪s.o.v R(X1 X2 X3/X0‬‬ ‫)‪R(X1 X2 /X0‬‬ ‫)‪R(X1 X3/X0) R(X2 X3/X0‬‬ ‫)‪R(X1 /X0‬‬

‫‪SS‬‬ ‫‪725‬‬ ‫‪414‬‬ ‫‪645‬‬ ‫‪348‬‬ ‫‪325‬‬

‫)‪s.o.v R(X2 /X0) R(X3 /X0‬‬ ‫‪Total‬‬

‫‪SS‬‬ ‫‪242‬‬ ‫‪60‬‬ ‫‪1325‬‬

‫استنتج افضؿ معادلة انحدار عمى وفؽ طريقة االنحدار التدرجي‪.‬‬

‫‪318‬‬
 ‫انفصم انعبشر‬

‫‪Dummy Variables‬‬ ‫انمتغيرات انوهمية (انصورية)‬

‫في الفصوؿ السابقة مف الكتاب تمت دراسة االنحدار بالنسبة لممتغيرات التي يمكف توصيفيا كمياً‪،‬‬
‫غيػػر أف ىنػػاؾ متغي ػرات أخػػرى اليمكػػف توصػػيفيا كمي ػاً والتػػي تػػؤثر فػػي الظ ػواىر االقتصػػادية نوعي ػاً مثػػؿ‬
‫الجػػنس‪ ،‬الديانػػة ‪ ،‬الجنسػػية ‪،‬الحػػروب ‪ ،‬الػزالزؿ أو االضػػطرابات أو التغيػرات فػػي السياسػػات الحكوميػػة ومػػا‬
‫الػػى ذلػػؾ‪ .‬ويشػػار الػػى ىػػذه المتغي ػرات بػػالمتغيرات الوىميػػة‪ ،‬أو المتغي ػرات الثنائيػػة )‪ (Binary‬أو المتغي ػرات‬
‫النوعية )‪ (Qualitative variables‬أو المتغيػرات الفئويػة )‪ (categorical‬وسيخصػص ىػذا الفصػؿ فػي‬
‫دراسة ىذا النوع مف المتغيرات‪.‬‬

‫)‪(1-10‬طبيعة المتغيرات الوهمية وكيفية استخدامها في االنحدار‪.‬‬

‫)‪(1-1-10‬طبيعة المتغيرات الوهمية‪:‬‬

‫اف المتغيػرات الوىميػػة ىػػي متغيػرات نوعيػػة تشػػير الػػى وجػػود أو عػػدـ وجػػود ظػػاىرة معينػػة‪.‬‬
‫وتعػد أداة قويػة وفاعمػػة لتمثيػؿ السػػموؾ الوصػفي لممشػاىدات ) األفػراد (‪ .‬فػالمتغير الػػوىمي يصػؼ الحػوادث‬
‫والتي تمتمؾ صفتيف فقط ‪ ،‬وتأخذ ىذه المتغيرات قيمتيف تحكميتيف فقط ىما الصفر والواحد*‪.‬‬

‫فيي تأخذ القيمة واحد)‪ (1‬عنػد تػوافر الصػفة وتحققيػا‪ ،‬فػي حػيف تأخػذ صػفر)‪ (0‬عنػد غيػاب الصػفة وعػدـ‬
‫تحققي ػ ػػا‪ .‬وتك ػ ػػوف المتغيػ ػ ػرات الوىمي ػ ػػة متغي ػ ػػرات مس ػ ػػتقمة )التوض ػ ػػيحية() وت ػ ػػدعى نم ػ ػػاذج تحمي ػ ػػؿ التب ػ ػػايف‬
‫)‪ .(ANOVA‬والتي يظير تأثيرىا فى المقطع الثابت وتسػمى أيضػاً )‪(intercept-dummy-variables‬‬
‫وشكميا العاـ‪:‬‬

‫‪Yi  0  1 X i  Di  ui‬‬ ‫‪...‬‬ ‫)‪(1 -10‬‬

‫والشكؿ )‪ (1‬يوضح ذلؾ‪.‬‬

‫___________________‬

‫)*( اف اختيار قيمة )‪ (0‬أو )‪ (1‬تكوف اختيارية بحتة‪ ،‬حيث اف‪:‬‬

‫المشاىدة ) ‪ ( i‬تحمؿ الصفة‬

‫‪1‬‬
‫‪Di  ‬‬
‫‪0‬‬ ‫غير ذلؾ‬

‫‪319‬‬
 ‫شكؿ )‪(1-10‬‬
‫متغير وىمي مقطعي‬
‫‪An intercept-Dummy‬‬

‫‪Yi   0  1 X i  Di‬‬

‫‪Y‬‬ ‫‪E (Y Di  1)  0    1 X i‬‬

‫‪ 0‬‬ ‫‪zero‬‬ ‫المٌل ثابت‬

‫‪‬‬ ‫‪0  ‬‬
‫‪E (Y Di  0)  0  X i‬‬
‫‪0‬‬

‫‪0‬‬ ‫‪X‬‬

‫أم ػػا اذا احت ػػوت النم ػػاذج عم ػػى متغيػ ػرات توض ػػيحية كمي ػػة ال ػػى جان ػػب متغيػػرات توض ػػيحية نوعي ػػة )وىمي ػػة(‬
‫فتسمػػى نمػاذج تحميػؿ التغػاير)‪ ،(ANCOVA‬وبػذلؾ يكػوف تأثيرىػا فػى الميػؿ ويسػمى ) ‪slope dummy‬‬
‫‪ (varibles‬أو معامؿ التداخؿ مف خبلؿ ضػرب المتغيػر الػوىمي )‪ (Di‬بػالمتغير الكمػي )‪ ،(Xi‬المتغيػر) ‪Di‬‬
‫‪ ،(Xi‬ويػتـ اسػتخدامو عنػدما يكػػوف التغيػر فػي )‪ (Yi‬نسػػبة الػى المتغيػر التوضػػيحي )‪ (Xi‬يعتمػد عمػى مسػػتوى‬
‫متغير توضيحي آخر ىو ‪.Di‬‬

‫ويمكف اف توضح صيغتيا العامة عمى وفؽ اآلتي‪:‬‬

‫‪Yi  0  1 X i  Di  X i Di ui‬‬ ‫‪...‬‬ ‫)‪(2 -10‬‬

‫وبذلؾ فاف الميؿ لمدالة يمكف تحديده عمى وفؽ االتي‪:‬‬

‫‪dYi‬‬
‫‪ 1‬‬ ‫‪,‬‬ ‫‪Di  0‬‬ ‫عندما ‪:‬‬
‫‪dX i‬‬
‫‪dYi‬‬
‫‪ 1   ,‬‬ ‫‪Di  1‬‬
‫‪dX i‬‬
‫عندما ‪:‬‬
‫ولقد تـ تضميف)‪ (δDi‬مف اجؿ منع التحييز في معممة حد الميؿ الوىمي ) ‪ ( Di Xi‬المقدرة ) ˆ‪. (‬‬

‫‪311‬‬
 ‫والشكؿ )‪ (2-10‬يوضح ذلؾ ‪:‬‬

‫شكؿ)‪(2-10‬‬
‫متغير الميؿ الوىمي‬
‫‪Slope Dummy‬‬
‫)‪Y  0  1 X  D  ( XD‬‬
‫‪Y‬‬
‫)‪(Y Di  1‬‬
‫المٌل ‪1   ‬‬
‫)‪(Y Di  0‬‬
‫‪0‬‬ ‫المٌل ‪1 ‬‬
‫‪0‬‬

‫‪0‬‬ ‫‪X‬‬

‫حيث اف ‪ : δ :‬تمثؿ االختبلؼ في الحد الثابت‪.‬‬

‫و ‪ : γ‬تمثؿ االختبلؼ في الميؿ‪.‬‬
‫كما اف المتغيرات الوىمية قد تكوف متغيرات معتمدة )‪.*(dependent dummy varibles) (Y‬‬
‫وجدير بالذكر اف المتغيرات الوىمية تستخدـ في كمتا الدراسات المقطعية والسبلسؿ الزمنية‪.‬‬

‫(‪ )2-1-10‬استخدامات المتغيرات الوهمية‪:‬‬

‫المتغي ػرات الوىميػػة قػػد تكػػوف توضػػيحية أو معتمػػدة‪ ،‬وقػػد يكػػوف تأثيرىػػا فػػى المقطػػع الثابػػت فقػػط‬
‫فتسمػى النماذج )‪ (ANOVA‬أو )‪ (intercept dummy‬أو يكوف تأثيرىا فى الميؿ فتسػمى )‪(ANOCVA‬‬
‫أو)‪ (slope dummy‬وذلؾ مف خبلؿ تػداخميا مػع المتغيرات التوضػيحية الكميػة وفػي كػبل الحػالتيف يمكػف‬
‫اف يك ػػوف تطبيقي ػػا عمػ ػى السبلس ػػؿ الزمني ػػة أو المق ػػاطع العرض ػػية أو تعم ػػؿ عم ػػى دم ػػج السبلس ػػؿ الزمني ػػة‬
‫بالمقاطع العرضية‪ .‬وسيتـ توضيح االستخدامات مف خبلؿ األمثمة التطبيقية التالية‪:‬‬
‫استخدامات المتغيرات الوهمية في االنحدار‪:‬‬

‫مثال)‪ :(1-10‬دراسات المقاطع العرضية‪ :‬دراسة اسعار السكف )‪ (Y‬بداللة حجـ السكف )‪ ،(X‬تـ اختيار‬
‫عينة مف محافظة البصرة وبذلؾ فاف سعر السكف ‪Y‬بداللة حجـ السكف ‪ X‬وبالصيغة الخطية‪:‬‬
‫‪Yi   0  1 X i  ei‬‬
‫‪ :β1‬تمثؿ قيمة المتر المربع اإلضافي لوحدة السكف‪.‬‬
‫____________‬
‫)*( موضوع المتغيرات الوىمية الداخمية ىو خارج نطاؽ الكتاب‪.‬‬

‫‪311‬‬
 ‫‪ :β0‬تمثؿ قيمة األرض فقط‪.‬‬
‫معموـ اف أسعار السكف في المحافظة تتأثر أيضاً بموقػع السكف‪ ،‬فوجود السكػف في موقع متكامؿ الخدمات‬
‫يختمؼ عف سعػر السكف بالحجـ نفسو وفي موقع آخر أقؿ تكامبلً لمخػدمات‪ ،‬ويمكػف مواجيػة ىػذه المشػكمة‬
‫بتقػػدير معػػادلتيف منفصػػمتيف لسػػعر السػػكف وذلػػؾ عػػف طريػػؽ اسػػتخداـ بيانػػات أسػػعار السػػكف فػػي الموقػػع‬
‫متكامػػؿ الخػػدمات لتقػػدير سػػعر السػػكف فػػي ذلػػؾ الموقػػع‪ .‬واسػػتخداـ البيانػػات ألسػػعار السػػكف فػػي المواقػػع‬
‫األخرى وىكذا يتـ الحصوؿ عمى معادلتيف مختمفتيف ألسعار السكف بداللة حجـ السكف‪.‬‬
‫ولكػػف ىنػػاؾ طريقػػة أكثػػر كفػػاءة وىػػي تقػػدير معادلػػة واحػػدة ولممواقػػع جميعيػػا ولكػػف بعػػد وضػػع االفت ارضػػات‬
‫الخاصة‪.‬‬
‫ولنفتػػرض اف القيػػود عمػػى اسػػعار السػػكف ف ػي المواقػػع غيػػر متكاممػػة الخػػدمات التغيػػر الميػػؿ الحػػدي لمسػػعر‬
‫ولكنيا تخفض الميؿ المتوسط لو كما في الشكؿ )‪.(3-10‬‬
‫وىكذا يمكف تضميف متغير الموقع ‪ D‬الى معادلة االنحدار ويتـ توصيؼ المتغير ) الموقع ( كاالتي‪:‬‬

‫‪‬‬ ‫السكن في موقع متكامل الخدمات‬

‫‪ 1‬‬
‫‪ Di  ‬وعمية‬
‫‪‬‬
‫‪ 0‬‬ ‫غير ذلك‬
‫تصبح معادلة االنحدار‪:‬‬

‫‪Yi  0  1 X i  Di  ei‬‬ ‫‪,‬‬ ‫‪i  1,, n‬‬

‫مف ذلؾ يتبيف اف متوسط االستجابة لسعر السكف في محافظو البصرة كاآلتي‪:‬‬

‫‪(Yi D  1)  (0   )  1 X i‬‬ ‫سعر السكف في الموقع متكامؿ الخدمات‬

‫‪(Yi D  0)  0  1 X i‬‬ ‫سعر السكف في المواقع األخرى‬

‫)‪Y  0  1 X  D  ( XD‬‬

‫‪312‬‬
 ‫وبمكف توضيح ذلؾ في الشكؿ البياني التالي‪:‬‬

‫شكؿ)‪(3-10‬‬
‫العبلقة بيف سعر السكف وموقعو‬
‫‪intercept Dummy variable‬‬
‫‪Y‬‬
‫الموقع متكامؿ الخدمات )‪(Y D  1‬‬

‫الموقع غير متكامؿ الخدمات )‪(Y D  0‬‬

‫‪0‬‬

‫‪0 ‬‬
‫‪0‬‬ ‫‪X‬‬

‫يتضح مف الشكؿ )‪ (3-10‬اف اضافة المتغير الوىمي ‪ Di‬الى معادلػة االنحػدار سػوؼ يخمػؽ انتقػاالً‬
‫بشكؿ مواز في عبلقة االنحدار وبمقدار )‪ (δ‬معامؿ المتغير الوىمي ‪ .Di‬حيػث اف ‪ δ‬يمكػف تفسػيرىا بانيػا‬
‫الفرؽ في سعر السكف )‪ (location premium‬بسبب وجوده في الموقع ذي الخدمات المتكاممة‪.‬‬
‫وفي ىذه الحالة فاف المتغير الوىمي ‪ D‬يسمى )‪.(intercept dummy variable‬‬
‫أف المعممة ‪ δ‬تعكس أىميػة المتغيػر الػوىمي ) الموقػع ( وبػذلؾ فيػي تعكػس اخػتبلؼ سػعر السػكف اعتمػاداً‬
‫عمى الموقع‪.‬‬
‫وفػي حػاؿ افتػراض تػػداخؿ بػيف حجػـ السػػكف )‪ (X‬وبػيف تكامػؿ خػػدمات الموقػع )‪ ،( D‬فيػتـ توصػػيؼ‬
‫متغير التداخؿ بحاصؿ ضػرب ) ‪ ( Xi Di‬ويسػمى متغيػر التػداخؿ )‪ (interaction‬أو قػد يسػمى ) ‪Slops‬‬
‫‪ (Dummy Variable‬اذ اف ىذا المتغير يسمح بتغييرات في الميؿ لعبلقة االنحدار ‪:‬‬

‫الموقع متكامل الخدمات‬

‫‪‬‬
‫‪ Xi‬‬
‫‪X i Di  ‬‬
‫‪‬‬
‫‪ 0‬‬ ‫الموقع غير متكامل الخدمات‬

‫‪313‬‬
 ‫وبذلؾ فاف متوسط االستجابة لمموقعيف ‪:‬‬

‫‪  ( 1   ) X i‬‬ ‫‪Di  1 ‬‬

‫‪(Yi )   0  1 X i   ( X i Di )   0‬‬ ‫‪‬‬ ‫‪...‬‬ ‫)‪(3 - 10‬‬
‫‪ 0  1 X i‬‬ ‫‪Di  0‬‬
‫بمعنى اف سعر المتر المربع لمسكف )‪ (β1+γ‬اذا كاف موقع السكف متكامؿ الخدمات في حيف سعر المتر‬
‫المربع لمسكف ىو )‪ (β1‬في المواقع االخرى ‪.‬‬

‫وبذلؾ فاف ‪) γ‬معامؿ التػداخؿ( ىػو الفػرؽ بسػعر المتػر المربػع لمسػكف فػي المػوقعيف ويكػوف موجبػاً اذا كػاف‬
‫الموقع لو أفضمية عمى المواقع األخرى‪.‬‬

‫والشكؿ )‪ (4-10‬يوضح ذلؾ‬

‫الشكؿ )‪(4-10‬‬
‫العبلقة بيف سعر السكف وموقعو في حاؿ تداخؿ حجـ السكف مع الموقع‬
‫)‪( Slopc Dummy Variable‬‬
‫‪Y‬‬
‫)‪(Y D  1‬‬

‫‪γ‬‬
‫)‪(Y D  0‬‬

‫‪1‬‬
‫‪0‬‬
‫‪0‬‬ ‫‪X‬‬

‫وبعبارة أخرى فاف اثر التداخؿ يمكف توضيحو مف خبلؿ المشتقة الجزئية لتوقع سعر السكف نسبة الى‬
‫حجـ السكف والذي يتمثؿ بالميؿ ‪:‬‬

‫‪(Y ) 1  ‬‬ ‫‪Di  1‬‬

‫‪‬‬
‫‪X‬‬ ‫‪1‬‬ ‫‪Di  0‬‬

‫وبشكؿ عاـ يمكف افتراض اف الموقع )‪ (D‬يؤثر فى المقطع والميؿ بالوقت ذاتو فتكوف معادلة االنحدار‪:‬‬

‫‪314‬‬
‫‪Yi  0  1 X i  Di   ( X i Di )  ei‬‬ ‫‪...‬‬ ‫)‪(4 -10‬‬

‫وبذلؾ فاف متوسط سعر السكف ‪:‬‬

‫‪(  0   )  ( 1   ) X i‬‬
‫‪‬‬ ‫‪if‬‬ ‫‪Di  1‬‬‫‪‬‬
‫‪(Yi )  ‬‬ ‫‪‬‬ ‫‪...‬‬ ‫)‪(5 - 10‬‬
‫‪ 0‬‬
‫‪‬‬ ‫‪ 1 X i‬‬ ‫‪if‬‬ ‫‪Di  0 ‬‬
‫‪‬‬
‫ويمكف تمثيميا بالشكؿ )‪(5-10‬‬

‫الشكؿ )‪(5-10‬‬
‫تأثير المتغير الوىمي )الموقع ‪ (D‬فى الحد الثابت والميؿ بالوقت نفسو‪.‬‬

‫‪Y‬‬ ‫‪(Yi D  1)  ( 0   )  (1   ) X i‬‬

‫‪‬‬ ‫‪(Yi D  0)  0  1 X i‬‬

‫‪0  ‬‬ ‫‪δ‬‬

‫‪β1‬‬
‫‪0‬‬
‫‪0‬‬ ‫‪X‬‬

‫مثال (‪ :)2-10‬دراسة اختبلؼ البيئة ) ريؼ ػ حضر(‪ :‬مقارنة دالتي االستيبلؾ في الريؼ والحضر وذلؾ‬
‫مف خبلؿ عينة مف اسر الريؼ حجميا )‪ (n1‬ونقدر دالة االستيبلؾ منيا‪ ،‬وتأخذ عينة مف اسر الحضر‬
‫حجميا)‪ (n2‬ثـ نقدر دالة االستيبلؾ منيا كاآلتي ‪.‬‬

‫‪Y  1   2 X t‬‬ ‫‪...‬‬ ‫)‪(6 -10‬‬ ‫دالة المستيمؾ في الريػؼ ‪:‬‬

‫‪Y  1   2 X t‬‬ ‫‪...‬‬ ‫)‪(7 -10‬‬ ‫دالة المستيمؾ في الحضػر‪:‬‬
‫وبذلؾ فاف دالة االستيبلؾ ليا أربعة احتماالت ممكنة ‪:‬‬
‫أ ( اختبلؼ حد الكفاؼ بيف الحضر والريؼ ‪ α1 ≠ β1‬وبيانيا يمكف تمثيميا بالشكؿ )‪.(3-10‬‬
‫ب( اختبلؼ الميؿ الحدي بيف الحضر والريؼ ‪ α2 ≠ β2‬وبيانيا يمكف تمثيميا بالشكؿ )‪.(4-10‬‬
‫ج( اختبلؼ بيف حدي الكفاؼ والميؿ الحدي في الحضر والريؼ ‪ α1 ≠ β1&α2 ≠ β2‬وبيانيا يمكف‬
‫تمثيميا بالشكؿ )‪.(5-10‬‬

‫‪315‬‬
 ‫د( دالتا االستيبلؾ متماثمتاف تماما ‪ : α1 = β1&α2 = β2‬ال اختبلؼ بيف دالة االستيبلؾ في الحضر‬
‫والريؼ‪.‬‬
‫ويمكف اعتماد ىذه االفتراضات جميعيا بإدخاؿ المتغير الوىمي‪ ،‬اذ يساعد استخداـ المتغيرات الوىمية‬
‫عمى اختبار كؿ االحتماالت السابقة مف خبلؿ تقدير معادلة انحدار واحدة بدالً مف تقدير معادلتيف‬
‫ومقارنتيما‪ .‬ويتـ استخداـ عينة كبيرة حجميا ‪ n = n1+ n2‬وتكوف صيغة االنحدار‬

‫‪Yt     X t  Dt  Dt X t  ut‬‬ ‫‪...‬‬ ‫)‪(8 - 10‬‬

‫الحضر‬
‫‪1‬‬
‫‪Di  ‬‬
‫الريؼ‬
‫‪0‬‬

‫‪(Y D  0)     X‬‬ ‫ويتضح اف القيمة المتوقعة لبلنفاؽ االستيبلكي في الريؼ‪:‬‬

‫في حيف القيمة المتوقعة لئلنفاؽ االستيبلكي في الحضر‪(Y D  1)  (   )  (   ) X :‬‬

‫مثــال (‪ :)3-10‬فػػي د ارسػػات السبلسػػؿ الزمنيػػة‪ :‬د ارسػػة اإلنفػػاؽ االسػػتيبلكي عمػػى سػػمعة معينػػة يعتمػػد عمػػى‬
‫مستوى الدخؿ المتاح‪ ،‬وعند اخذ عينة لسنوات معينة منيا سنوات حرب وأخرى سنوات سمـ‪ ،‬وإلدخاؿ تأثير‬
‫وقػت السػػمـ أو وقػػت الحػرب فػػي معادلػػة االنحػػدار يكػوف بأحػػد الطػريقتيف‪ .‬األولػػى عػزؿ سػػنوات الحػػرب عػػف‬
‫س ػػنوات الس ػػمـ وتق ػػدير دال ػػة االس ػػتيبلؾ كدال ػػة بدالل ػػة مس ػػتوى الػ ػدخؿ المت ػػاح ع ػػف طري ػػؽ اس ػػتخداـ بيان ػػات‬
‫منفصػػمة لكػػؿ فق ػره بشػػكؿ منعػػزؿ وبػػذلؾ يػػتـ الحصػػوؿ عمػػى معػػادلتيف مختمفتػػيف لبلسػػتيبلؾ‪ .‬امػػا الطريقػػة‬
‫الثانيػػة وىػػي أكث ػػر كفػػاءة وذلػػؾ تق ػػدير معادلػػة واحػػدة ولمفتػ ػرتيف بعػػد وضػػع ف ػػروض وىػػي اف القيػػود عم ػػى‬
‫االستيبلؾ وقت الحرب التغير الميؿ الحدي لبلستيبلؾ‪ ،‬ولكنيا تخفض الميؿ المتوسػط لػو وبػذلؾ نفتػرض‬
‫اف دالػػة االسػػتيبلؾ خػػبلؿ سػػنوات الحػػرب ليػػا الميػػؿ نفسػػو فػػي سػػنوات السػػمـ ولكػػف ليػػا حػػد ثابػػت اصػػغر‬
‫وبذلؾ فاف دالة االستيبلؾ إلجمالي المدة يمكف التعبير عنيا بمعادلة انحدار واحدة كاآلتي‪:‬‬

‫‪Ct  0  1Ydt  Dt  ut‬‬ ‫‪t  1,2,, n‬‬

‫حيث اف‪:‬‬
‫‪ :Ct‬اإلنفاؽ االستيبلكي اإلجمالي في السنوات ‪.t‬‬
‫‪ :Ydt‬مستوى الدخؿ المتاح في السنوات ‪.t‬‬
‫‪ :Dt‬متغير وىمي يوصؼ اثر الحرب والسمـ كاآلتي ‪:‬‬

‫‪316‬‬
 ‫‪ 0‬‬ ‫(*) سنوات السلم‬
‫‪Di  ‬‬
‫‪ 1‬‬ ‫سنوات الحرب‬
‫‪ :β0‬حد الكفاؼ‬
‫‪ :β1‬الميؿ الحدي لبلستيبلؾ‬
‫‪ :δ‬تعكس أىميو السمـ وىي بذلؾ تعكس تأثير الحرب السمبي فى اإلنفاؽ االستيبلكي‪.‬‬

‫وبذلؾ فاف متوسط االستجابة ‪:‬‬

‫‪(Ct D  1)  (0   )  1Ydt‬‬ ‫اإلنفاؽ االستيبلكي في سنوات الحرب‪:‬‬

‫‪(Ct D  0)   0  1Ydt‬‬ ‫اما متوسط االستجابة في فتره السمـ‪:‬‬

‫___________________‬
‫)*( يمكف توصيؼ ‪ D‬كآالتي‪:‬‬
‫‪1‬‬ ‫سنوات السلم‬
‫‪‬‬
‫‪Di  ‬‬
‫‪‬‬
‫‪ 0‬‬
‫سنوات الحرب‬ ‫ويكمف االختبلؼ في تفسير النتائج‬
‫‪(Ct D  1)   0  ‬‬ ‫وبذلؾ فاف متوسط االستجابةفي فتره السمـ ىي‪ 1Ydt :‬‬
‫‪(Ct D  0)   0  1Ydt‬‬ ‫وفي فتره الحرب‪:‬‬

‫‪317‬‬
 ‫وبذلؾ فعند مستويات الدخؿ المنخفضة‪ ،‬فاف النفقات االستيبلكية تنخفض بمقدار ) ( خبلؿ سنوات‬
‫الحرب‪ .‬الشكؿ )‪ (6-10‬يوضح ذلؾ‪:‬‬

‫الشكؿ )‪(6-10‬‬
‫‪C‬‬ ‫)‪(C D  0‬‬
‫االنفاق االستهالكً‬
‫)‪(C D  1‬‬
‫‪δ‬‬
‫‪0‬‬
‫الدخل المتاح ‪Yd‬‬
‫)‪(  0‬‬

‫اما اذا كاف االفتراض اف ظروؼ وقت الحرب تقمؿ الميؿ الحدي لبلستيبلؾ دوف الحد الثابت في معادلة‬
‫االستيبلؾ وبذلؾ فاف معادلة االنحدار لتمثيؿ دالة االستيبلؾ في كمتا الفترتيف ‪:‬‬
‫‪Ct  0  1Ydt   (Ydt Dt )  ut‬‬
‫وبذلؾ فاف متوسط االستجابة لمفترتيف ىو ‪:‬‬
‫‪(Ct D  1‬‬ ‫‪ )(    (    )Y‬سنواتالحرب‬
‫‪0‬‬ ‫‪1‬‬ ‫‪dt‬‬

‫‪(Ct D  0‬‬ ‫‪ ( )   0  1Ydt‬سنوات السلم‬

‫)ونتوقع باف ‪γ‬سالبة(‪.‬‬
‫والعبلقػة المقػدرة الناتجػة يمكػف تمثيميػا بالمنحنيػات الموجػودة فػي الشػكؿ )‪ (7-10‬حيػث اف دالػة االسػتيبلؾ‬
‫في وقت الحرب ذات انحدار اقؿ‪ ،‬ولكف القاطع الرأسي نفسو كما ىو الحاؿ في وقت السمـ‪.‬‬

‫الشكؿ )‪(7-10‬‬
‫‪C‬‬ ‫السلم )‪(C D  0‬‬
‫اإلنفاق االستهالكً‬ ‫‪γ‬‬
‫الحرب )‪(C D  1‬‬

‫‪0‬‬
‫الدخل المتاح ‪Yd‬‬
‫)‪(  0‬‬

‫‪318‬‬
 ‫)‪(2-10‬االنحدار في حالة أكثر من متغير نوعي واحد ‪Regression in case of more than‬‬
‫‪one dummyvariable‬‬
‫يمكػػف اسػػتخداـ عػػدد كبيػػر مػػف المتغي ػرات النوعيػػة ) الصػػورية ( بقػػدر مػػا يتطمػػب التحميػػؿ‪ ،‬شػػرط‬
‫توافر عدد كاؼ مف المشاىدات تسمح بتقدير المعادلػة عمػى سػبيؿ المثػاؿ‪ ،‬فػي د ارسػة السػموؾ االسػتيبلكي‬
‫ألسر مختمفة فقد يعتمد مستوى االستيبلؾ عمى عدد مف السمات المميزة مثػؿ وجػود األطفػاؿ مػف عػدميـ‪،‬‬
‫أو اذا كانت االسرة تقطف في منزؿ ممؾ أو لئليجار‪ ،‬جنس رب األسرة فيما اذا كاف انثػى أو ذكػر وغيرىػا‬
‫مػػف المتغي ػرات النوعيػػة الػػى جانػػب المتغيػػر الكمػػي وىػػو الػػدخؿ المتػػاح فػػيمكف إضػػافة عػػدد مػػف المتغي ػرات‬
‫النوعية عمى وفؽ ىدؼ الدراسة مع وجوب مراعاة االتي‪:‬‬
‫‪ ‬يجب اف تحدد عدد الفئات لكؿ متغير نوعي‪.‬‬
‫‪ ‬تحدد الفئة المرجعية لكؿ متغير نوعي‪.‬‬
‫اما الخطوات االخرى فيي نفسيا في حالة متغير نوعي واحد‪.‬‬
‫وقد تنشأ حاالت خاصة يمكف توضيحيا مف خبلؿ دراسة التداخؿ بيف المتغيرات الوىمية‪.‬‬
‫)‪(3-10‬التداخل بين المتغيرات الوهمية ‪Interaction between dummies‬‬
‫فػػي الفق ػرات السػػابقة تػػـ توضػػيح اف اثػػر المتغي ػرات الوىميػػة يكػػوف مػػف خػػبلؿ االخػػتبلؼ فػػي‬
‫المقطػػع العمػػودي ) الصػػادي( ) أو قػػد يكػػوف مػػف خػػبلؿ االخػػتبلؼ فػػي الميػػؿ فػػي حالػػة وجػػود تػػداخؿ بػػيف‬
‫المتغير الوىمي والمتغير الكمي التوضيحي( كما انو يمكف استخداـ عدد كبير مف المتغيرات الوىمية بقػدر‬
‫ما يتطمب التحميؿ‪.‬‬
‫والسؤاؿ ىنا ىؿ اف آثار المتغيرات الوىمية تكوف مستقمة عف بعضيا اآلخر ؟‬
‫اإلجابة عف ىذا السؤاؿ يكوف مف خبلؿ المثاؿ التالي‪:‬‬

‫مثال)‪ :(4-10‬دراسة األجر الوظيفي ‪ Y‬دالة بداللػة الخبػرة ‪ ، X‬الػى جانػب عوامػؿ أخػرى تتعمػؽ باإلنتاجيػة‬
‫والقابمية‪ .‬لذا يضمف متغير الجنس )ذك اًر أو أنثى ( فضبل عف الحالة الزوجية )متزوج أو غير متزوج(‬
‫وبذلؾ فاف معادلة االنحدار‪:‬‬
‫‪Y  0  1 X  1D1   2 D2  u‬‬ ‫‪...‬‬ ‫)‪(9 -10‬‬

‫حيث اف‪:‬‬
‫‪ 1‬‬ ‫غُشهتزوج‬ ‫‪ 1‬‬ ‫ركش‬
‫‪D2  ‬‬ ‫و‬ ‫‪D1  ‬‬
‫‪ 0‬‬ ‫هتزوج‬ ‫‪ 0‬‬ ‫اًثً‬
‫وبافتراض وجود تداخؿ بيف المتغيرات الوىميو فاف عبلقة االنحدار تصبح‪:‬‬

‫‪Y  0  1 X  1D1   2 D2   ( D1D2 )  u‬‬ ‫‪...‬‬ ‫)‪(10 -10‬‬

‫‪319‬‬
 ‫حيث اف ‪:‬‬
‫‪ : δ1‬تقيس اثر الجنس في حيف ٕ‪ δ‬تقيس اثر الحالة الزوجية‪.‬‬
‫و‪ : γ‬تقيس اثر كوف الموظؼ ذك اًر وغير متزوج‪.‬‬
‫وبذلؾ فاف متوسط االستجابة لؤلجر يتـ توصيفيا عمى وفؽ اآلتي‪:‬‬

‫‪(  0  1 2   )  1 X‬‬ ‫‪ ‬ذكر غير متزور‬

‫‪‬‬ ‫‪‬‬
‫‪(  0   2 )  1 X‬‬ ‫‪ ‬اًثً غُش هتزوجت‬
‫‪‬‬ ‫‪‬‬
‫‪Y ‬‬ ‫‪‬‬ ‫‪‬‬ ‫)‪(11  10‬‬
‫‪ 0  1 1 X‬‬ ‫‪ ‬ذكر متزور‬
‫‪‬‬ ‫‪‬‬
‫‪ 0  1 X‬‬ ‫‪‬‬
‫‪‬‬ ‫‪ ‬انثى متزوجة‬

‫(‪ )4-10‬االنحدار في حالة عدد فئات المتغيرالوهمي أكثر من ‪Regression in case of : 2‬‬
‫‪dummies with more than two categories‬‬
‫ىناؾ العديد مف المتغيرات الوصفية تمتمؾ أكثر مف صفتيف‪ .‬مػثبلً الموقػع الجغ ارفػي أو مسػتوى‬
‫التعميـ أو فصوؿ السنة‪ ،‬أو اشير السنة‪ .‬في ىذه الحالة سيتـ توليد متغير وىمي لكؿ فئػة بشػكؿ منفصػؿ‪.‬‬
‫ىذا ويجب مراعاة عدـ تضميف جميػع المتغيػرات الوىميػة المتولػدة فػي معادلػة االنحػدار منعػاً لحػدوث تعػدد‬
‫خطي تاـ وتسمى بمصيدة المتغير الػوىمي)*(‪ .‬لػذلؾ يجػب توليػد متغيػرات وىميػة بقػدر ) عػدد الفئػات ‪ٔ -‬‬
‫(‪ .‬ويكوف المتغير الوىمي المحذوؼ ممثبلً لمجموعة المقارنة ) ‪( Reference group‬‬
‫ورياضياً الييـ أي فئة تعد االساس لممقارنة‪ .‬وسيتـ عرض مجموعة امثمة لتوضيح ذلؾ‪.‬‬

‫مثــال)‪ :(5-10‬د ارسػػة األجػػور )‪ (Y‬دالػػة بداللػػة عػػدد سػػنوات الخب ػرة )‪ (X‬والتحصػػيؿ الد ارسػػي‪ .‬ونفتػػرض اف‬
‫العينة المدروسة تحصيميـ الدراسي ىو ‪ :‬أقؿ مف ثانوي‪ ،‬ثانوي‪ ،‬بكػالوريوس‪ ،‬دبمػوـ عػالي‪ .‬وحيػث اف عػدد‬
‫الفئات ىو)‪ (4‬لذا نولد المتغيرات الوىمية كاآلتي ‪:‬‬
‫‪ 1‬‬ ‫دبلىم‬ ‫‪ 1‬‬ ‫جاهعٍ‬ ‫‪ 1‬‬ ‫ثاًىٌ‬
‫‪D3  ‬‬ ‫‪, D2  ‬‬ ‫‪, D1  ‬‬
‫‪ 0‬‬ ‫غُشرلك‬ ‫‪ 0‬‬ ‫غُشرلك‬ ‫‪ 0‬‬ ‫غُشرلك‬

‫وتكوف فئة أقؿ مف الثانوي ىي االساس لممقارنة‬

‫__________________‬
‫)*( يمكف التخمص مف الوقوع في مصيدة المتغيػر الػوىمي وذلػؾ مػف خػبلؿ عػدـ تضػميف مقطػع صػادي ) ثابػت( فػي معادلػة االنحػدار‬
‫مع مراعاة تفسير المعممات واختبلفيا عف حالة تضميف مقطع صادي(‪.‬‬

‫‪321‬‬
 ‫وبذلؾ فاف معادلة االنحدار لؤلجر حسب التحصيؿ والخبرة ‪:‬‬
‫‪Y  0  1 X  1D1   2 D2   3 D3  u‬‬
‫واف متوسط االستجابة لؤلجر‪:‬‬
‫اقل من ثانوي‬
‫‪ 0  1 X‬‬
‫‪‬‬
‫‪(  0  1 )  1 X‬‬ ‫ثانــوي‬
‫‪‬‬
‫‪(Y )  ‬‬ ‫بكالورٌوس‬
‫‪ 0  2 1 X‬‬
‫‪‬‬ ‫دبلوم عالً‬
‫‪‬‬‫‪(  0   3 )  1 X‬‬
‫‪‬‬
‫حيث اف‪:‬‬
‫‪ :δ3‬يقيس الفرؽ في متوسط األجر لموظؼ حاصؿ عمى دبموـ عالي مقارنة بشخص آخر‬
‫تحصيمو أقؿ مف ثانوي‪.‬‬
‫‪ :δ2‬يقيس الفرؽ في متوسط األجر لموظؼ حاصؿ عمى بكالوريوس مقارنة بأقؿ مف ثانوي‬
‫‪ :δ1‬يقيس الفرؽ في متوسط األجر لموظؼ حاصؿ عمى ثانوية‪.‬‬
‫‪ :β1‬يمثؿ األجر األساسي لموظؼ بدوف خبرة وتحصيمو اقؿ مف ثانوي‪.‬‬
‫ويمكف توضيح ذلؾ مف خبلؿ الشكؿ )‪(8-10‬‬

‫الشكؿ )‪(8-10‬‬
‫دالة األجر بداللة التحصيؿ الدراسي والخبرة‬
‫‪Y‬‬ ‫دبلوم عالً دبلوم عالً‬

‫بكالورٌوس‬

‫‪3‬‬ ‫ثانوي‬
‫‪2‬‬ ‫متوسط االجر دون الثانوي‬
‫‪ 1‬‬
‫‪0‬‬
‫‪X‬‬

‫وىناؾ استخدامات إضافية لممتغيرات الوىمية أيضاً ويمكف توضيحيا باألمثمة‪:‬‬

‫‪321‬‬
 ‫مثـــال(‪ :)6-10‬ف ػػي د ارس ػػة الموس ػػمية ‪ :‬أف التقمب ػػات الموس ػػمية م ػػف ب ػػيف العوام ػػؿ الت ػػي ت ػػؤثر ف ػػي الظػ ػواىر‬
‫االقتصػػادية‪ .‬عمػػى سػػبيؿ المثػػاؿ فػػي د ارسػػة الطمػػب عمػػى المبلبػػس الصػػوفية أو المبلبػػس الثقيمػػة بوجػػو عػػاـ‬
‫يزداد عند دخوؿ الموجات الباردة في فصؿ الشتاء في حيف يقؿ الطمب عمييػا فػي فصػؿ الصػيؼ‪ ،‬كمػا اف‬
‫الطمػػب عمػػى المشػػروبات البػػاردة وااليػػس ك ػريـ يػػزداد فػػي الموجػػات الحػػارة فػػي فصػػؿ الص ػيؼ ويقػػؿ الطمػػب‬
‫عمييا في الموجات الباردة مف فصؿ الشتاء‪ .‬في حيف الطمب عمى الحموى واليدايا يزداد في موسـ االعيػاد‬
‫بصورة ممحوظة بالمقارنة مع األوقات االخرى مف السنة ‪.‬‬
‫ولد ارسػػة اثػػر الموجػػات الحػػارة فػػى الطمػػب عمػػى المشػػروبات البػػاردة يػػتـ إدخػػاؿ متغيػػر وىمػػي ‪ D‬يػػتـ‬
‫توصيفو عمى وفؽ اآلتي ‪:‬‬
‫‪ 1‬‬ ‫الصُف‬
‫‪D‬‬
‫‪ 0‬‬ ‫غُشرلك‬

‫‪Y  0  1 X  D  u‬‬ ‫وبذلؾ تكوف معادلة الطمب عمى المثمجات عمى وفؽ اآلتي ‪:‬‬
‫وبذلؾ فاف المعممة تقيس االختبلؼ في الطمب في موسـ الموجة الحارة في الصيؼ عف باقي اياـ السنة‬
‫وبذلؾ فاف التأثير يظير مف خبلؿ المقطع الثابت كما يمكف اف يكوف التأثير مف خبلؿ الميؿ الحدي ‪:‬‬
‫‪Yi   0  1 X i   ( Di X i )  ui‬‬
‫أو قد يكوف التأثير مف خبلؿ المقطع الثابت والميؿ الحدي ‪Yi   0  1 X i   Di   X i  vi :‬‬
‫وإلظيار اثر المواسـ األربعة ) صيؼ ‪ ،‬خريؼ ‪ ،‬شتاء ‪ ،‬ربيع ( فيتـ مف خبلؿ إدخاؿ عػدد مػف المتغيػرات‬
‫الوىمية ‪ D4، D3، D2، D1‬لنموذج ال يحوي عمى مقطع صػادي ويكػوف توصػيؼ المتغيػرات الوىميػة عمػى‬
‫وفؽ اآلتي ‪:‬‬
‫‪ 1‬‬ ‫صُف‬ ‫خشَف ‪ 1‬‬ ‫‪ 1‬‬ ‫شتاء‬ ‫‪ 1‬‬ ‫سبُع‬
‫‪D4  ‬‬ ‫‪, D3  ‬‬ ‫‪, D2  ‬‬ ‫‪, D1  ‬‬
‫‪ 0‬‬ ‫غُشرلك‬ ‫غُشرلك ‪ 0‬‬ ‫‪ 0‬‬ ‫غُشرلك‬ ‫‪ 0‬‬ ‫غُشرلك‬
‫‪Y  1D1   2 D2   3 D3   4 D4  u‬‬ ‫وتكوف معادلة االنحدار‪:‬‬
‫أو يكػػوف النمػػوذج بإدخػػاؿ ثبلثػػة متغي ػرات وىميػػة وحػػذؼ المتغيػػر الػػوىمي الػػذي يعػػد موسػػـ المقارنػػة مػػع‬
‫المقطع الصادي‪ ،‬ويكوف موسـ المقارنة خيارياً يعتمد عمػى الباحػث‪ .‬فػاذا جعمنػا فصػؿ الصػيؼ ىػو الفصػؿ‬
‫الذي تتـ عمى وفقو المقارنة يحذؼ ‪.D1‬‬
‫‪Yi  0  2D2i   3 D3i   4 D4i  ui‬‬ ‫وتكوف معادلة االنحدار ‪:‬‬
‫اما اذا رغب الباحث في جعؿ فصؿ الخريؼ ىو فصؿ المقارنة فتكوف معادلة االنحدار ‪:‬‬
‫‪Y   0  1Di1   3 D3i   4 D4i  ui‬‬
‫وىكذا ‪. . .‬‬
‫ومف ضمف االستخدامات الميمة االخرى لممتغيرات الوىمية يكوف بدراسة المنحنى المنكسر‪.‬‬

‫‪322‬‬
‫مثال)‪ :(7-10‬يستخدـ المتغير الوىمي لدراسة المنحنى المنكسػر‪ .‬وذلػؾ مػف خػبلؿ قيػاس التغيػر فػي الميػؿ‬
‫بعد مستوى معيف‪.‬‬
‫لد ارسػػة منحنػػى عػػرض العمػػؿ‪ ،‬فارتفػػاع األجػػر يػػؤدي الػػى زيػػادة عػػدد سػاعات العمػػؿ الػػى حػػد معػػيف‪.‬‬
‫وبعد ىذا المستوى يؤدي ارتفاع األجر الى تقميؿ ساعات العمؿ‪ ،‬وكما في الشكؿ )‪.(9-10‬‬
‫اذ اف معادلة االنحدار التي تصؼ عرض العمؿ ىي‪:‬‬
‫‪W  0   1D  u‬‬ ‫‪...‬‬ ‫)‪(13 -10‬‬

‫الشكؿ )‪(9-10‬‬
‫منحنى عرض العمؿ‬
‫‪ W‬األجر‬

‫عدد ساعات العمل ‪L‬‬

‫*‪L‬‬

‫‪W  0   1D  u‬‬

‫‪1‬‬ ‫عدد الساعات أكبر من *‪(L > L*( L‬‬

‫‪‬‬
‫‪D‬‬
‫‪ 0‬‬ ‫غير ذلك‬

‫مثال)‪ :(8-10‬كما ويعد المتغير الوىمي مؤش اًر ميماً لدراسة المتغيرات الرقمية‪ :‬ففي الحػاالت التػي ال تتػاح‬
‫بيانات كافية عف ىذه المتغيرات‪ .‬مثبلً دراسة دالة االدخار لعدد مف اإلفراد‪ ،‬فاف العمر يعػد احػد المتغيػرات‬
‫التوضيحية تؤثر فى االدخار اذ يعتقػد بانػو كممػا تقػدـ الفػرد فػي السػف زادت حكمتػو وبالتػالي تػزداد مقدرتػو‬
‫عمى االدخار‪ .‬ولكف ال يكوف االختبلؼ في العمر بعاـ أو عاميف فقد يكوف ذلؾ ليس بالتأثير الكبير الذي‬
‫يػػؤثر فػػى اتخػػاذ قػ اررات االدخػػار وانمػػا االختبلفػػات الكبيػرة ىػػي التػػي تػػؤثر‪ .‬فػػاذا كانػػت أعمػػار العينػػة تتػرأوح‬
‫بيف ‪ 15‬سنة و ‪ 65‬سنة فقد يكوف مف المناسب تقسيميـ الى ثبلث مجاميع‪:‬‬
‫المجموعة األولى‪ :‬تضـ اإلفراد الذيف تترأوح أعمارىـ بيف‪ 30-15‬سنة‬
‫المجموعة الثانية‪ :‬تضـ اإلفراد الذيف تترأوح أعمارىـ بيف ‪ 45-31‬سنة‬
‫المجموعة الثالثة‪ :‬تضـ اإلفراد الذيف تترأوح أعمارىـ بيف ‪ 65-46‬سنة‬

‫‪323‬‬
‫‪St  0  1Yt  1D1t   2 D2t   1D1tYt   2 D2tYt  ut‬‬ ‫‪...‬‬ ‫)‪(14 - 10‬‬
‫وبذلؾ فاف دالة االدخار والتي يعتقد بأنيا تتأثر بمستوى الدخؿ وعمر الفرد يمكف صياغتيا عمى وفؽ‬
‫اآلتي‪:‬‬
‫‪ :S‬االدخار ‪ :Y ،‬الدخؿ‬
‫‪‬‬
‫‪‬‬ ‫‪1‬‬ ‫الفرد من المجموعة الثانية‬
‫‪D1  ‬‬
‫‪‬‬
‫‪‬‬ ‫‪0‬‬ ‫غير ذلك‬
‫‪‬‬
‫‪‬‬ ‫‪1‬‬ ‫الفرد من المجموعة الثالثة‬
‫‪D2  ‬‬
‫‪‬‬ ‫غير ذلك‬
‫‪‬‬ ‫‪0‬‬
‫وبذلؾ تكوف فئة األساس ىي الفئة األولى ‪.‬‬
‫كم ػػا ويمك ػػف اس ػػتخداـ المتغيػ ػرات الوىمي ػػة لد ارس ػػة قطاع ػػات مختمف ػػة عب ػػر ع ػػدد م ػػف الس ػػنوات وىن ػػاؾ‬
‫استخدامات أخرى واسعة ومتعددة‪ ،‬تعد خارج نطاؽ منيج الكتاب‪.‬‬

‫(‪ )5-10‬اختيار المعنوية في نماذج تحتوي متغيرات وهمية‪:‬‬

‫"‪" Testing hypolhesis of effects of Dummy variables‬‬

‫(‪ )1-5-10‬اختيار معنوية آثار متغير وهمي منفرد( اختبار معنوية)‬

‫" ‪" Testing hypothesis of intercept Dummy‬‬

‫مع افتراض اف المتغير العشوائي يتوزع توزيعاً طبيعياً أو اف حجـ العينة كبير فاف اختبار‬
‫ستيودنت ‪ t‬يمكف إتباعو الختبار معنوية اثر احد المتغيرات الوىمية‪:‬‬
‫‪0 :   0‬‬
‫‪vs. 1 :   0‬‬ ‫‪or‬‬ ‫‪ 2 :  0‬‬
‫ˆ‪‬‬
‫‪t ‬‬
‫*‬
‫يمكف استخداـ ‪: t‬‬
‫)ˆ‪s.e(‬‬
‫ومقارنتيا بالقيـ الجدولية لطرفيف في الحالة األولى ولطرؼ واحد لمحالة الثانية‪.‬‬
‫وبذلؾ فاف الفشؿ في معنوية ) ( يكوف عدـ وجود اختبلؼ معنوي لمصفة التي يمتمكيا المتغيػر الػوىمي ‪.‬‬
‫وبالعودة الى المثػاؿ )‪ (1-10‬الختبػار فيمػا إذا كػاف الموقػع ذا داللػة معنويػة عمػى سػعر السػكف فيكػوف ذلػؾ‬
‫‪ 1 :   0‬وبذلؾ فاف الفشػؿ‬ ‫مف خبلؿ اختبار معنوية ) ( اذ تكوف فرضية العدـ ‪  0 :   0‬ضذ‬
‫في معنوية ) ( يمكف تفسيره باف الموقع متكامؿ الخدمات ليس بذي أىمية الخػتبلؼ السػعر لمسػكف‪ .‬ويػتـ‬
‫ذلؾ باستخداـ المختبر )‪.(t‬‬

‫‪324‬‬
 ‫(‪ (2-5-10‬اختيار المعنوية المشتركة آلثار عدد من المتغيرات الوهمية ‪.‬‬
‫"‪" Testing for the joint signficancy‬‬

‫كما ويمكف اختبار األىمية المشتركة لممتغيرات الوىمية‪ ،‬بافتراض وجود متغيريف وىمييف‪.‬‬
‫‪Y  1   2 X  1D1   2 D2   D1D2  u‬‬ ‫معادلة االنحدار ىي‪:‬‬
‫والختبار المعنوية المشتركة فاف فرضية العدـ ‪:‬‬
‫‪ 0 : 1   2    0‬‬
‫‪vs. 1 : 1   2    0‬‬ ‫والبذَلت ‪:‬‬
‫ويتـ استخداـ المختبر ‪ F‬عمى وفؽ القانوف‪:‬‬
‫‪(eer  eeUr ) J‬‬
‫‪F* ‬‬
‫) ‪eeUr (n  k‬‬
‫‪ J:‬عدد المتغيرات الوىمية = عدد الفرضيات المشتركة‪.‬‬
‫‪ k:‬عدد المعممات المطموب تقديرىا في نموذج االنحدار غير المقيد‪.‬‬
‫ويتـ الحصوؿ عمى مجموع مربعات األخطاء لمنموذج المقيد ) ‪ (eer‬مف تقدير النموذج ‪:‬‬
‫‪Y  1   2 X  error‬‬
‫اما مجموع مربعات األخطاء لمنموذج غير المقيد ) ‪ ( eeUr‬مف تقدير النموذج‪:‬‬
‫‪Y  1   2 X  1D1   2 D2   D1D2  e‬‬
‫والختبار أىمية الموسمية في البيانات البد مف اختبار المعنوية المشتركة لجميع المتغيرات الوىمية التي‬
‫تمثؿ الموسمية‪.‬‬
‫‪Y  0  2D2   3 D3   4 D4  u‬‬ ‫ففي النموذج‪:‬‬
‫حيث ‪ D4 ، D3 ، D2‬متغيرات وىمية تمثؿ الموسمية وباعتبار الموسـ األوؿ ىو موسـ المقارنة‪.‬‬
‫والختبار الموسمية البد مف اختبار الفرضية‪:‬‬
‫‪ 0 :  2  3   4  0‬‬
‫‪‬‬
‫عدم وجود الموسمٌة‪ H0 :‬‬
‫والتي تستوجب استخداـ المختبر ‪ F‬عوضاً عف ‪ ، t‬حيث اف النموذج غير المقيد ىو ‪:‬‬
‫‪Y  0  2D2   3 D3   4 D4  u‬‬
‫في حيف يكوف النموذج المقيد‪:‬‬
‫‪Y  0  u‬‬
‫حيث اف الموسمية ىي مركبة مشتركة لجميع المتغيرات الوىمية التي تمثؿ الموسمية‪.‬‬

‫‪325‬‬
 ‫‪(eer  eeUr ) 3‬‬
‫‪F* ‬‬
‫)‪eeUr (n  4‬‬
‫وبالمنيجية نفسيا فاف اختبار البيانات الشيرية تكوف باستخداـ ‪ F‬اذ نختبر المعنوية المشتركة لجميع‬
‫المتغيرات الوىمية التي تمثؿ البيانات الشيرية‪.‬‬

‫(‪ )3-5-10‬اختبار تساوي معادلتي انحدار باستخدام المتغيرات الوهمية‪.‬‬

‫‪Testing for the equality of two regression using Dummy variable.‬‬

‫يمكف استخداـ المتغيرات الوىمية لدراسة تسأوي اآلثار لمعادلة النموذج ككؿ‪.‬‬
‫ففي دراسة قيمة السكف كدالة بداللة ) مساحة السكف ( وموقعو فاف متوسط االستجابة تحدد عمى وفؽ‪:‬‬

‫الموقع متكامل الخدمات ‪ ( 1   )  (  2   ) St  1   2 St‬‬

‫‪‬‬
‫‪( Pt )  ‬‬
‫‪‬‬
‫‪‬‬ ‫‪1   2 St‬‬
‫موقع آخر‬
‫في ىذه الحالة فقد تـ السماح لممقطع الثابت والميؿ بػاالختبلؼ ‪ α2 ≠ β2&α1 ≠ β1‬وبػذلؾ فػاف االنحػدار‬
‫في كمتا الحالتيف مختمؼ تماماً وكما موضح في الشكؿ)‪(5-10‬‬
‫وعميو يكوف تقدير المعممات في النموذجيف بشكؿ منفصؿ )‪ (α2 ، α1‬في النموذج في الموقع المرغوب و‬
‫‪ β2 ، β1‬في الموقع الثاني‪.‬‬
‫والختبار ىؿ توجد فروؽ معنوية بيف االنحدار في الموقعيف ) متكامؿ الخدمات ‪ ،‬موقع آخر ( يمكف دمػج‬
‫البيانات في عينة واحدة بتضميف المتغير الوىمي وتقدير النموذج‬
‫‪P  0   1S   D   (SD)  u‬‬
‫باستخداـ العينة المدمجة واختبار الفرضية‪:‬‬

‫والتي تدؿ عمى عدـ وجود اختبلؼ في سعر السكف بغض النظر عف الموقع ‪ 0 :     0‬‬
‫‪vs‬‬
‫‪1 :     0‬‬ ‫والتي تدؿ عمى وجود اختبلؼ في سعر السكف اعتماداً عمى اثر الموقع‬
‫ونبلحظ في حالة تحقؽ فرضية العدـ فاف النموذج المستخدـ‪:‬‬
‫‪P  1   2 St  et‬‬ ‫الموقع الكامل‬
‫‪P  1   2 St  et‬‬
‫الموقع اآلخر‬
‫وىو النموذج المقيد‪.‬‬

‫‪326‬‬
 ‫حيث اف ‪:‬‬
‫‪1  1    0‬‬
‫و ‪2  2    0‬‬
‫في حيف النموذج غير المقيد ىو‪Pt  (1   )  ( 2   )St  et :‬‬
‫ويتـ اختبار الفرضية عمى وفؽ اختبار ‪ F‬كما في الفقرة السابقة‪ .‬وىو ما يعرؼ )‪.(chow test‬‬

‫مثال (‪ :)9-10‬افترض بيانات عف االستثمار اإلجمالي )‪ (Y‬فػي عػدد اآلالت لشػركتيف مػثبلً جنػراؿ الكتػرؾ‬
‫)‪ (I‬ويستنج ىأوس )‪ (II‬لمسنوات )‪ (1954-1935‬بأسعار ‪ 1947‬كدالة بداللة قيمة الشركتيف لممػدة نفسػيا‬
‫‪ X1‬ورصيد رأس الماؿ في الشركتيف لممدة نفسيا ‪ ، X2‬وبذلؾ فاف دالة االنحدار ىي‪:‬‬
‫‪Y   0  1X 1   2 X 2  e‬‬ ‫‪n  20‬‬
‫‪‬‬
‫‪Y   0  1X 1   2 X 2  e‬‬ ‫‪n  20‬‬
‫وعند دمج الشركتيف بعينة واحده فيكوف حجـ العينة = ‪40‬‬
‫‪Y  0   1X1   2 X 2  e‬‬
‫وبذلؾ يكوف دمج العينة ىو الدالة المقيدة )افتراض تسأوي الميميف والمقطعيف الثابتيف ( ونحسب مجموع‬
‫مربعات البواقي لمدمج ‪. eer‬‬
‫‪. (ee) r  (e‬‬
‫في حيف مجموع مربعات البواقي لبلنحدار غير المقيد ىو ) ‪ e  ee‬‬
‫ثـ نستخدـ اختبار ‪F :‬‬
‫‪(eer  eeUr ) 3‬‬
‫‪F* ‬‬
‫) ‪eeUr (n  n  2k‬‬
‫ويمكف أيضاً استخداـ )‪ (chow - test‬مف خبلؿ إدخاؿ متغير وىمي ‪ D‬يوصؼ كآالتي ‪:‬‬

‫لبيانات الشركة وستنج ىأوس ‪ 1‬‬

‫‪‬‬
‫‪D‬‬
‫‪‬‬
‫‪ 0‬‬ ‫لمشركة األخرى‬
‫وبذلؾ تكوف معادلو االنحدار ‪:‬‬
‫‪Y  0  1D   2X1   2 ( DX1 )  3 X 2   3 ( DX 2 )  et‬‬
‫وىي تمتمؾ معادلو االنحدار غير المقيدة‪ ،‬نحسب مجموع المربعات لبواقي العبلقة‪(eeUr ) :‬‬
‫كما يتـ حساب مجموع مربعات البواقي لمعبلقة المقيدة‪Y  0   1X1   2 X 2  e :‬‬
‫ثـ يتـ استخداـ المختبر‪. F‬‬
‫وبافتراض اف تقدير العبلقة لمبيانات المدمجة )‪ (40‬مشاىدة اعطت المعمومات التالية‪:‬‬

‫‪327‬‬
 ‫‪Yˆ  17.872  0.0152 X 1  0.1436 X 2‬‬
‫‪eer  16563.00‬‬ ‫‪,‬‬ ‫‪‬‬
‫)‪t : (2.544‬‬ ‫)‪(2.452‬‬ ‫)‪(7.719‬‬
‫وكذلؾ معادلة التقدير باستخداـ المتغيرات الوىمية ىي‪:‬‬
‫) ‪Yˆ  9.9563  9.4469 D  0.0266 X 1  0.0263( DX1 )  0.1517 X 2  0.0593( DX 2‬‬
‫)‪t : (0.421‬‬ ‫)‪(0.328‬‬ ‫)‪(2.265‬‬ ‫)‪(0.767‬‬ ‫)‪(7.837‬‬ ‫)‪(0.507‬‬
‫‪eeUr  14989.82‬‬
‫وبتطبيؽ ‪:F‬‬
‫‪(eer  eeUr ) J (16563.00  14989.82) 3‬‬
‫‪F* ‬‬ ‫‪‬‬ ‫‪ 1.1894‬‬
‫) ‪eeUr (n  k‬‬ ‫)‪14989.82 (40  6‬‬

‫‪Fc (3,34, 0.95)  2.8826‬‬

‫وبذلؾ فاف القرار يكوف‪:‬‬
‫ال ترفض فرضية العدـ‪ .‬وبذلؾ فاف دالة االستثمار في الشركتيف متسأوية ) غير مختمفة (‪.‬‬
‫أي ال اختبلؼ في استثمار الشركتيف‪.‬‬

‫)‪(6-10‬تفسير المتغيرات الوهمية في معادلة االنحدار نصف الموغاريتمية ‪Interpretation of the‬‬

‫‪dummy variable in semi log regression‬‬
‫في حالو النماذج نصؼ الموغاريتمية )‪:(log – lin‬‬
‫‪LnY  0   1X‬‬
‫عندما تتضمف العبلقة نصؼ الموغاريتمية متغي اًر وىمياً‪:‬‬
‫‪LnY  0   1X  1D‬‬
‫مثبلً ‪ : Y‬الدخؿ لمتدريسي‬
‫‪ : X‬سنوات الخدمة التدريسية‪.‬‬
‫‪ : D‬شيادة الدكتوراه = ‪ 1‬وماجستير= ‪0‬‬
‫‪ :‬التغير النسبي في ‪ Y‬لتغير مطمؽ في ‪D‬‬ ‫‪1‬‬

‫عند زيادة سنوات الخدمة سنة واحدة فاف متوسط الدخؿ يمثؿ )‪(β1‬‬
‫‪ δ1‬وطرحيا مف الواحد‪.‬‬ ‫اما فيما يخص تفسير) ‪ (1‬فيكوف بأخذ العدد المقابؿ بأساس ‪ e‬لممعممة‬
‫‪1  e  ‬‬‫‪1‬‬

‫بعبارة اخرى فاف التغيير النسبي في متوسط ‪ Y‬نسبة الى الشيادة يتمثؿ بػ ‪ 1  (anti ln(ˆ)) ‬‬
‫‪328‬‬
‫مثــال)‪ :(10-10‬افتػػرض معادلػػة التقػػدير لػػدخؿ التدريسػػي كدالػػة بسػػنوات الخدمػػة )‪ (X‬واف العينػػة مجموعػػة‬
‫تدريسييف بعضيـ حاصؿ عمى شيادة دكتوراه واآلخريف شيادة ماجستير‪.‬‬
‫‪LnYˆ  2.9298  0.0546 X 1  0.1341D‬‬
‫)‪t : (481.524‬‬ ‫)‪(48.3356‬‬ ‫)‪(27.225‬‬
‫‪R2 = 0.9958‬‬ ‫‪d =2.51‬‬

‫يتوضح مف النتائج اف معممة االنحدار ىي )‪ (0.0546‬بمعنى اف مقدار الزيادة السنوية لػ )لوغاريتـ‬

‫الدخؿ( ىي ‪.5.46 %‬‬
‫أي اف متوسط الدخؿ يزداد بمقدار‪:‬‬
‫‪1  (anti ln(0.1341))  (1  1.1435)‬‬
‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪‬‬ ‫‪0‬‬ ‫‪.‬‬‫‪1435‬‬ ‫‪‬‬
‫أي بمقدار ‪ 14.35%‬مع ثبات‬
‫سنوات الخبرة لمتدريسي الحاصؿ عمى شيادة دكتوراه‪.‬‬

‫)‪(7-10‬المتغيرات الوهمية ومشكمة عدم تجانس األخطاء ‪Dummy variables and‬‬

‫‪hetroscedastisity‬‬
‫عند دمج مشاىدات) فترتيف أو أكثر ( باستخداـ المتغيرات الوىمية يجب افتراض اف التبايف فػي‬
‫‪‬‬
‫‪ var(ui )  ‬أي افتػ ػراض تج ػػانس‬
‫‪2‬‬
‫‪ i  1,2,‬‬ ‫ك ػػؿ فتػ ػرة ى ػػو نفس ػػو ف ػػي الفتػ ػرة األخ ػػرى ‪‬‬
‫التبايف لؤلخطاء‪.‬‬
‫اما في حالة عدـ تحقؽ فرضية التجانس‪ ،‬فاف نتائج التقدير قد تظير اآلتي‪:‬‬
‫)اف المقطع والميؿ يكوف غير ميـ إحصائياً بالرغـ مف اف معممة المتغير الوىمي تكوف معنوية(‪.‬‬
‫وعميو فاف الختيار التغيرات الييكميػة باسػتخداـ المتغيػرات الوىميػة )اختبػار ‪ (chow‬البػد مػف التحقػؽ بعػدـ‬
‫وجود مشكمة عدـ التجانس‪.‬‬

‫(‪ )8-10‬المتغيرات الوهمية ومشكمة االرتباط الذاتي ‪Dummy variables and‬‬

‫‪autocorrelation‬‬
‫عند استخداـ دراسات السبلسؿ الزمنية لمدتيف ) ‪ ( n1‬و )‪ ( n2‬فيتـ استخداـ المتغير الوىمي‪:‬‬

‫‪‬‬
‫‪0‬‬ ‫للمدة األولى‬
‫‪D‬‬
‫‪‬‬
‫‪1‬‬ ‫للمدة الثانٌة‬

‫‪329‬‬
 ‫‪Y  0   1X   D   ( XD)  u‬‬ ‫وبذلؾ فاف معادلة االنحدار‪:‬‬
‫‪ut   ut 1   t‬‬ ‫بافتراض اف المتغير العشوائي يمتمؾ )‪:AR(1‬‬
‫‪ :εt‬متغير عشوائي ضوضاء بيضاء‬
‫‪( t )  0‬‬ ‫‪‬‬
‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫(‪var‬‬‫‪‬‬ ‫‪t‬‬ ‫)‬ ‫‪‬‬ ‫‪‬‬ ‫‪2‬‬
‫‪‬‬
‫‪cov(  )  0‬‬
‫‪‬‬ ‫‪t t s‬‬ ‫‪‬‬

‫بذلؾ البد مف تحويؿ المشاىدات بالشكؿ الذي يخمص األخطاء مف مشكمة االرتباط الذاتي واف وجود‬
‫المتغير الوىمي يولد مشكمة تحويؿ المشاىدات بالنسبة لممتغير الوىمي ألف قيميا اما )‪ (1‬أو )صفر(‪ .‬يتـ‬
‫التحويؿ عمى وفؽ اآلتي‪:‬‬
‫حيث اف‪:‬‬
‫‪‬‬
‫‪0‬‬ ‫للمدة األولى‬
‫‪D‬‬
‫‪‬‬
‫‪1‬‬ ‫للمدة الثانية‬
‫يتـ تحويميا ‪:‬‬

‫‪‬‬ ‫‪0‬‬
‫المدة األولى ‪‬‬
‫‪‬‬
‫‪‬‬
‫‪D ‬‬
‫*‬
‫‪ 1‬‬ ‫‪‬‬ ‫)‪(15  10‬‬
‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪1  ‬‬ ‫المشاهدة األولى‬

‫‪‬‬ ‫‪1‬‬
‫‪‬‬ ‫‪‬‬ ‫للمشاهدة األخرى‬

‫المدة الثانٌة‬ ‫أي‪:‬‬

‫‪‬‬ ‫‪1‬‬ ‫‪‬‬

‫‪D*  0 0  0‬‬ ‫‪1  1‬‬
‫‪‬‬ ‫‪1 ‬‬ ‫‪‬‬
‫‪n1‬‬ ‫‪n1  1‬‬ ‫‪n1  n2‬‬

‫المدة األولى ‪‬‬ ‫‪0‬‬

‫‪‬‬
‫‪( Dt X t )*  ‬‬ ‫‪ X t‬‬ ‫المشاهدة األولى‬ ‫)‪ (16  10‬‬
‫‪‬‬ ‫‪‬‬
‫المدة الثانية ‪‬‬ ‫للمشاهدات األخرى ‪Dt X t  Dt X t 1  X t   X t 1‬‬

‫‪331‬‬
 ‫مثال (‪ :)11-10‬انحدار‪ ) Y‬الدخؿ الشخصي ( دالة بداللة ‪ ) X‬سنوات الخدمة ( ‪ D2، D1 ،‬الحالة‬
‫التعميمية‪ ،‬ومعادلة التقدير‪:‬‬
‫‪Yˆ  1360.638  375.5 X  1592.1D1  4707.4D2  515.3D1 X  339.5D2 X‬‬
‫ـ‪ (1/‬حدد دالة االستجابة لكؿ مستوى مف مستويات الدالة التعميمية‪ ،‬وفسر مدلوؿ العبلقات المقدرة‪.‬‬
‫‪ (2‬ىؿ اف خطوط االنحدار متطابقة ؟‬
‫‪ (3‬ىؿ يوجد تداخؿ بيف المتغيرات ‪ D2 ، D1‬والمتغير التوضيحي ‪ .X‬بافتراض توافر المعمومات التالية‪:‬‬

‫‪s.o.v‬‬ ‫‪d.f‬‬ ‫‪SS‬‬

‫)‪ESS(X,D1D2,D1X,D2X‬‬ ‫‪5‬‬ ‫‪261.95‬‬
‫)‪ESS(X‬‬ ‫‪1‬‬ ‫‪95.605‬‬
‫)‪ESS(X,D1,D2‬‬ ‫‪3‬‬ ‫‪246.87‬‬
‫) ‪ESS( D1D2,D1X,D2X / X‬‬ ‫‪4‬‬ ‫‪166.345‬‬
‫)‪ESS(D1X,D2X / XD1,D2‬‬ ‫‪2‬‬ ‫‪15.080‬‬
‫‪Error‬‬ ‫‪14‬‬ ‫‪185.33‬‬
‫‪Total‬‬ ‫‪19‬‬ ‫‪447.28‬‬

‫الحؿ‪:‬‬
‫)‪ (1‬دالة االستجابة ىي‪(Y )  ˆ0  ˆ1 X  1D1   2 D2  1 ( D1 X )  2 ( D2 X ) :‬‬
‫وبذلؾ فاف دالة االستجابة لممستويات المختمفة‪:‬‬
‫أساس المقارنة‪:‬‬
‫ˆ ‪ D 0‬‬
‫‪  Y 1‬‬ ‫‪   0  ˆ1 X  1360  375 X‬‬
‫‪ D2  0 ‬‬
‫المستوى الثاني‬
‫‪(Y D2  1, D1  0)  (1360  4707.4)  (375  339.5) X‬‬
‫المستوى الثالث‬
‫‪(Y D1  1, D2  0)  (1360  1592)  (375  515.3) X‬‬

‫)‪ (2‬الختبار تطابؽ خطوط االستجابة‬

‫‪ 0 : 1   2  1  2  0‬‬
‫‪vs. 1 : 1   2  1  2  0‬‬

‫‪331‬‬
 ‫‪ESS ( D1 D2 , D1 X , D2 X X ) 4‬‬ ‫‪41.58625‬‬
‫‪F* ‬‬ ‫‪‬‬ ‫‪ 3.14‬‬
‫‪RSS ( X , D1 , D2 , D1 X , D2 X ) (n  6) 13.23785714‬‬
‫‪Fc ( 4,14, 0.95)  3.11‬‬
‫خطوط االستجابة غير متطابقة ← المتغيرات الوىمية معنوية‪.‬‬
‫)‪ (3‬الختبار التداخؿ بيف المتغيرات الوىمية والمتغير الكمي ‪ ، X‬تصاغ فرضية العدـ‪:‬‬
‫‪ 0 : 1  2  0‬‬
‫‪vs. 1 : 1  2  0‬‬

‫‪ESS ( D1 X , D2 X X , D1 , D2 ) 2‬‬ ‫‪15.08 2‬‬ ‫‪7.54‬‬

‫‪F* ‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪ 0.569‬‬
‫)‪RSS ( X , D1 , D2 , D1 X , D2 X ) (n  6‬‬ ‫‪185.33 14 13.23‬‬

‫‪Fc ( 2,14,0.95)  3.74‬‬

‫وبذلؾ فاف القرار ىو ال أىمية لمتداخؿ‪.‬‬

‫مثال)‪ :(12-10‬دراسة االدخار في فترتيف ) اختبلؼ سياستيف ( مثبلً‬

‫تطبٌق السٌاسة ‪I‬‬ ‫‪Yi  1  2 X i  ui‬‬ ‫‪i  1,2, , n1‬‬
‫‪Yi   1   2 X i  vi‬‬ ‫‪i  1,2, , n2‬‬
‫ليست بالضرورة متسأوية‪.‬‬ ‫‪n2، n1‬‬
‫تطبٌق السٌاسة ‪II‬‬
‫تنتج الحاالت التالية‪:‬‬
‫‪ 2   2‬االنحدار متماثبلف‬ ‫‪ 1   1‬و‬ ‫‪ .1‬معادلتا االنحدار متطابقة‪:‬‬
‫االختبلؼ في المقطع الصادي‬ ‫‪2   2‬‬ ‫‪ 1   1‬و‬ ‫‪ .2‬االنحدار متوازياف‪:‬‬
‫‪ Concurrent reg .3 2   2‬االختبلؼ في الميؿ‬ ‫‪ 1   1‬و‬
‫في الميؿ والمقطع الصادي‪.‬‬ ‫‪2   2‬‬ ‫‪ 1   1‬و‬ ‫‪ .4‬االنحدار مختمفاف تماماً‬

‫والختبار التغيرات الييكمية يستخدـ ) اختبار ‪ ( chow‬وكبديؿ الختبار ‪ chow‬يتـ استخداـ المتغيرات‬
‫الوىمية بعد تحديد نقطة التغير‪.‬‬
‫ويمكف توضيح االحتماالت بالشكؿ البياني)‪:(10-10‬‬

‫‪332‬‬
 (10-10) ‫الشكؿ‬

Y Y  2  2
 2  2 1
γ1
1

 1  1 1
X X
(1) (2)
Y 2 Y 2

2 2

1
 1  1 1
X X
(3) (4)

333
‫مثال)‪ :(13-10‬لدراسة العبلقة بيف مقدار الراتب السنوي )‪ ، (Y‬وعدد سنوات الخدمة )‪ (X1‬والخبرة االداريػة‬
‫)‪ (D‬لعشريف موظؼ في مؤسسة معينة‪.‬‬

‫‪) X1‬متغير كمي( رقـ الموظؼ‬ ‫‪) D‬متغير نوعي(‬ ‫‪Y‬‬

‫‪1‬‬ ‫‪5‬‬ ‫‪0‬‬ ‫ليست لو خبرة‬ ‫‪3250‬‬
‫‪2‬‬ ‫‪1‬‬ ‫ٓ‬ ‫ليست لو خبرة‬ ‫‪1600‬‬
‫‪3‬‬ ‫‪16‬‬ ‫ٓ‬ ‫ليست لو خبرة‬ ‫‪7500‬‬
‫‪4‬‬ ‫‪10‬‬ ‫ٔ‬ ‫لو خبرة‬ ‫‪13750‬‬
‫‪5‬‬ ‫‪5‬‬ ‫‪1‬‬ ‫لو خبرة‬ ‫‪6000‬‬
‫‪6‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫لو خبرة‬ ‫‪8700‬‬
‫‪7‬‬ ‫‪3‬‬ ‫‪1‬‬ ‫لو خبرة‬ ‫‪11350‬‬
‫‪8‬‬ ‫‪4‬‬ ‫‪0‬‬ ‫ليست لو خبرة‬ ‫‪3000‬‬
‫‪9‬‬ ‫‪15‬‬ ‫‪1‬‬ ‫لو خبرة‬ ‫‪15700‬‬
‫‪10‬‬ ‫‪6‬‬ ‫‪1‬‬ ‫‪ 113500‬لو خبرة‬
‫‪11‬‬ ‫‪8‬‬ ‫‪1‬‬ ‫لو خبرة‬ ‫ٕٕٓ٘ٔ‬
‫‪12‬‬ ‫‪2‬‬ ‫‪0‬‬ ‫ليست لو خبرة‬ ‫‪700‬‬
‫‪13‬‬ ‫‪4‬‬ ‫‪1‬‬ ‫لو خبرة‬ ‫‪10250‬‬
‫‪14‬‬ ‫‪8‬‬ ‫‪0‬‬ ‫ليست لو خبرة‬ ‫‪3500‬‬
‫‪15‬‬ ‫‪10‬‬ ‫‪0‬‬ ‫ليست لو خبرة‬ ‫‪4500‬‬
‫‪16‬‬ ‫‪13‬‬ ‫‪1‬‬ ‫لو خبرة‬ ‫‪16350‬‬
‫‪17‬‬ ‫‪6‬‬ ‫‪0‬‬ ‫ليست لو خبرة‬ ‫‪3800‬‬
‫‪18‬‬ ‫‪3‬‬ ‫‪1‬‬ ‫لو خبرة‬ ‫‪9800‬‬
‫‪19‬‬ ‫‪2‬‬ ‫‪1‬‬ ‫لو خبرة‬ ‫‪10800‬‬
‫‪20‬‬ ‫‪3‬‬ ‫‪0‬‬ ‫ليست لو خبرة‬ ‫‪23300‬‬

‫تمثيؿ المتغيرات النوعية باستخداـ المتغيرات الوىمية‪.‬‬

‫‪334‬‬
 ‫المتغير النوعي ‪ D‬ذو فئتيف‪:‬‬
‫‪‬‬
‫‪ 1‬‬ ‫له خبرة‬
‫‪D‬‬
‫‪‬‬
‫‪ 0‬‬ ‫ليست له خبرة‬
‫دالة االستجابة‪(Y )  ˆ0  ˆ1 X  ˆ D :‬‬

‫دالة االستجابة لموظؼ لو خبرة إدارية‪:‬‬

‫ˆ‪(Y )  ˆ0  ˆ1 X  ‬‬
‫‪ ( ˆ  ˆ)  ˆ X‬‬
‫‪0‬‬ ‫‪1‬‬

‫‪(Y )  ˆ0  ˆ1 X‬‬ ‫دالة االستجابة لموظؼ ليست لو خبرة إدارية‪:‬‬

‫الشكؿ )‪(11-10‬‬

‫‪Y‬‬ ‫‪(Y )  (ˆ0  ˆ)  ˆ1 X‬‬

‫‪1‬‬ ‫‪1‬‬
‫‪(Y )  ˆ0  ˆ1 X‬‬ ‫‪.‬‬
‫‪1‬‬
‫‪0  ‬‬ ‫‪1‬‬
‫‪0‬‬
‫‪X‬‬

‫‪ : δ‬ىو مقياس لمفرؽ في التأثير في نوع الخبرة اإلدارية‬

‫دالة االستجابة ىي دالة خطية لعدد سنوات الخدمة‪.‬‬

‫ب ػػافتراض ع ػػدـ وج ػػود ت ػػداخؿ ب ػػيف المتغي ػػر ال ػػوىمي ‪ D‬والمتغي ػػر الكم ػػي ‪ ، X‬وباس ػػتخداـ طريق ػػة المربع ػػات‬
‫الصغرى اعطت النتائج التالية‪:‬‬
‫‪Yˆ  4423.144  206.213 X  15032.775D‬‬
‫‪t:‬‬ ‫)‪(0.168‬‬ ‫)‪(1.385‬‬
‫‪s.e :‬‬ ‫‪1226.658‬‬ ‫‪10856.675‬‬

‫جدوؿ تحميؿ التبايف‪:‬‬

‫‪335‬‬
 ‫‪s.o.v‬‬ ‫‪SS‬‬ ‫‪d.f‬‬ ‫‪MS‬‬ ‫‪F‬‬
‫)‪ESS(X,D‬‬ ‫‪1142860793.148‬‬ ‫‪2‬‬ ‫‪571430396.574‬‬ ‫‪0.980‬‬
‫‪Error‬‬ ‫‪9910466206.852‬‬ ‫‪17‬‬ ‫‪582968600.403‬‬
‫‪Total‬‬ ‫‪11053327000.000‬‬ ‫‪19‬‬

‫)‪ (Fc = 4.45‬لمستوى احتماؿ ‪.%1‬‬

‫نػػرى اف نتػػائج جػػدوؿ التبػػايف تشػػير الػػى عػػدـ معنويػػة المعممػػات مجتمعػػة‪ .‬وكػػذلؾ تشػػير نتػػائج ‪ t‬الػػى عػػدـ‬
‫معنوية كؿ معممة منفردة‪.‬‬
‫اف معنويػػة (‪ )δ‬تػػدؿ عمػػى اف خػػط االنحػػدار لمموظػػؼ الػػذي لػػو خب ػرة واالخػػر الػػذي ليسػػت لػػو خب ػرة غيػػر‬
‫متطابقيف‪ .‬واف زيػادة عػدد سػنوات الخدمػة سػنة واحػدة سػتزيد ال ارتػب السػنوي بمقػدار ‪ 206.213‬دينػار) مػع‬
‫ثبات ‪.( D‬‬
‫‪ : ˆ  15032.775‬تعني التغير في راتب الموظؼ اعتماداً عمى خبرتو‪.‬‬
‫كما اف مجاؿ الثقة باحتماؿ ‪ 99%‬لممعممة (‪)δ‬‬
‫‪-16212.736 ≤ δ ≤ 46278.286‬‬
‫أي اف التغيػػر مػػف موظػػؼ ليسػػت لػػو خبػرة سػػابقة الػػى موظػػؼ لػػو خبػرة سػػابقة سػػيزيد راتبػػو السػػنوي مػػا بػػيف‬
‫)‪ (46278.286- () -16212.736‬دينا اًر سنوياً‪.‬‬

‫ولبيانات المثاؿ نفسيا فاف النتائج باستخداـ ‪ OLS‬وبافتراض وجود تداخؿ بيف المتغير النوعي والمتغير‬
‫)‪Yˆ  5530.750  24.968 X  12976.137 D  330.378( XD‬‬ ‫الكمي‪:‬‬

‫اختبار خطي االنحدار متطابقان‪:‬‬

‫‪ 0 :  2  3  0‬‬
‫‪vs. 1 :  2   3  0‬‬
‫اف احدىما عمى األقؿ ال يسأوي صف اًر‬

‫‪ESS ( D, XD X ) 2‬‬ ‫‪ESS ( X , D, XD )  ESS ( X ) 2‬‬

‫‪F* ‬‬ ‫‪‬‬ ‫‪ 0.912‬‬
‫)‪RSS ( X , D, XD ) (n  k  1‬‬ ‫‪RSS ( X , D, XD ) 16‬‬

‫‪Fc ( 2,16,0.95)  3.63‬‬

‫بما اف ‪ F* >Fc‬فيكوف خطا االنحدار متطابقيف‪.‬‬
‫والختبار فيما اذا كاف خطا االنحدار ليما معامؿ االنحدار نفسو‪.‬‬
‫أي الختبار فيما اذا لـ يوجد تداخؿ بينيما نتبع‪:‬‬

‫‪336‬‬
 ‫‪0 :   0‬‬
‫‪vs. 1 :   0‬‬

‫)‪MES ( XD X , D‬‬
‫‪F* ‬‬ ‫‪ 0.017  Fc ( 0.95)  3.63‬‬
‫) ‪MRS ( X , D, XD‬‬

‫)‪ESS ( XD X , D)  ESS ( X , D, XD)  ESS ( X , D‬‬

‫اذف ال يوجد تداخؿ بيف خطي االنحدار‪.‬‬
‫‪Yˆ  4423.144  206.213 X  15032.775D‬‬ ‫أي اف معادلة التقدير‪:‬‬
‫ىي التي تمثؿ البيانات خير تمثيؿ‪.‬‬

‫مثال)‪ :(14-10‬دراسة دالة االجر لعينة مف ‪ 20‬موظفاً بداللة سنوات الخدمة ‪ X‬والحالة التعميمية لمعينة‬
‫وتتضمف ثبلث فئات‪ ) :‬ثانوية ‪ ،‬جامعة‪ ،‬دراسات عميا (‪.‬‬
‫‪‬‬
‫‪ 1‬‬ ‫عليا‬ ‫‪‬‬
‫جامعة ‪ 1‬‬
‫‪D2  ‬‬ ‫‪,‬‬ ‫‪D1  ‬‬
‫‪‬‬
‫‪ 0‬‬ ‫‪‬‬
‫‪ 0‬‬
‫غير ذلك‬ ‫غير ذلك‬

‫‪337‬‬
 ‫رقـ الموظؼ‬ ‫‪) X1‬متغير كمي(‬ ‫)الحمة التعميمية(‬ ‫‪Y‬‬
‫‪D1‬‬ ‫‪D2‬‬
‫‪1‬‬ ‫‪5‬‬ ‫ٔ‬ ‫كمية‬ ‫‪0‬‬ ‫‪3250‬‬
‫‪2‬‬ ‫‪1‬‬ ‫ٓ‬ ‫عميا‬ ‫‪1‬‬ ‫‪1600‬‬
‫‪3‬‬ ‫‪16‬‬ ‫ٓ‬ ‫ثانوية‬ ‫ٓ‬ ‫‪7500‬‬
‫‪4‬‬ ‫‪10‬‬ ‫ٔ‬ ‫كمية‬ ‫‪0‬‬ ‫‪13750‬‬
‫‪5‬‬ ‫‪5‬‬ ‫‪0‬‬ ‫ثانوية‬ ‫‪0‬‬ ‫‪6000‬‬
‫‪6‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫عميا‬ ‫‪1‬‬ ‫‪8700‬‬
‫‪7‬‬ ‫‪3‬‬ ‫‪1‬‬ ‫كمية‬ ‫‪0‬‬ ‫‪11350‬‬
‫‪8‬‬ ‫‪4‬‬ ‫‪1‬‬ ‫كمية‬ ‫‪0‬‬ ‫‪3000‬‬
‫‪9‬‬ ‫‪15‬‬ ‫‪0‬‬ ‫عميا‬ ‫‪1‬‬ ‫‪15700‬‬
‫‪10‬‬ ‫‪6‬‬ ‫‪0‬‬ ‫عميا‬ ‫‪1‬‬ ‫‪113500‬‬
‫‪11‬‬ ‫‪8‬‬ ‫‪0‬‬ ‫عميا‬ ‫‪1‬‬ ‫ٕٕٓ٘ٔ‬
‫‪12‬‬ ‫‪2‬‬ ‫‪0‬‬ ‫ثانوية‬ ‫‪0‬‬ ‫‪700‬‬
‫‪13‬‬ ‫‪4‬‬ ‫‪0‬‬ ‫عميا‬ ‫‪1‬‬ ‫‪10250‬‬
‫‪14‬‬ ‫‪8‬‬ ‫‪0‬‬ ‫ثانوية‬ ‫‪0‬‬ ‫‪3500‬‬
‫‪15‬‬ ‫‪10‬‬ ‫‪0‬‬ ‫ثانوية‬ ‫‪0‬‬ ‫‪4500‬‬
‫‪16‬‬ ‫‪13‬‬ ‫‪1‬‬ ‫كمية‬ ‫‪0‬‬ ‫‪16350‬‬
‫‪17‬‬ ‫‪6‬‬ ‫‪1‬‬ ‫كمية‬ ‫‪0‬‬ ‫‪3800‬‬
‫‪18‬‬ ‫‪3‬‬ ‫‪0‬‬ ‫عميا‬ ‫‪1‬‬ ‫‪9800‬‬
‫‪19‬‬ ‫‪2‬‬ ‫‪1‬‬ ‫كمية‬ ‫‪0‬‬ ‫‪10800‬‬
‫‪20‬‬ ‫‪3‬‬ ‫‪1‬‬ ‫كمية‬ ‫‪0‬‬ ‫‪23300‬‬

‫وباستخداـ ‪ OLS‬اعطت النتائج التالية‪:‬‬

‫‪338‬‬
‫‪Yˆ  982.238  661.249 X  7880.059 D1  21935.460 D2‬‬
‫‪t:‬‬ ‫)‪(0.514‬‬ ‫)‪(0.551‬‬ ‫)‪(1.486‬‬
‫‪s.e :‬‬ ‫‪1285.579‬‬ ‫‪14295.797‬‬ ‫‪14758.984‬‬

‫اف عدـ معنوية المعممات ‪ δ2 ، δ1‬تدؿ عمى اف خطوط االنحدار متطابقة‪.‬‬

‫‪ : ˆ1  661.249‬تعنػػي اف زيػػادة سػػنة واحػػدة فػػي الخدمػػة سػػتزيد الػػدخؿ السػػنوي مقػػدار ‪661.249‬‬
‫دينا اًر )مع بقاء ‪ D1‬و ‪ D2‬ثابتة (‪.‬‬

‫‪ :δ1‬تعنػػي الفػػرؽ فػػي ال ارتػػب السػػنوي لموظػػؼ حاصػػؿ عمػػى شػػيادة بكػػالوريوس عػػف موظػػؼ بشػػيادة ثانويػػة‬
‫مقدار ‪ 7880.059‬دينا اًر‪.‬‬
‫أم ػػا الف ػػرؽ ب ػػيف ال ارت ػػب الس ػػنوي لموظ ػػؼ حاص ػػؿ عم ػػى ش ػػيادة عمي ػػا ع ػػف موظ ػػؼ بش ػػيادة ثانوي ػػة مق ػػدار‬
‫‪ 21935.460‬دينا اًر‪ ،‬وعف موظؼ بشيادة بكالوريوس بمقدار ‪ 14055.401‬دينا اًر‪.‬‬
‫وبافتراض وجود تداخؿ بيف المتغير الكمي والمتغيرات النوعية باستخداـ طريقة المربعات الصغرى‪ ،‬اعطت‬
‫النتائج التالية‪:‬‬
‫) ‪Yˆ  1360.638  375.532 X  7425.473D1  17125.6361D2  42.682( XD1‬‬
‫) ‪ 740.154( XD2‬‬
‫‪ -‬اختبار فيما اذا كانت خطوط االنحدار متطابقة‪:‬‬
‫‪ 0 : 1   2   1   2  0‬‬
‫‪vs. 1 : 1   2   1   2  0‬‬

‫) ‪MES ( D1 , D2 , XD1 , XD2 X‬‬

‫‪F* ‬‬
‫) ‪MRS ( X , D1 , D2 , XD1 , XD2‬‬

‫‪ESS ( X , , D1 , D2 , XD1 , XD2 )  ESS ( X ) 4‬‬

‫‪‬‬ ‫‪ 0.55‬‬
‫‪RSS 14‬‬
‫‪Fc ( 2,14,0.95)  3.11‬‬

‫‪F*< Fc‬‬
‫أي اف خطوط االنحدار متطابقة‪.‬‬
‫والختبار معنوية التداخؿ بيف المتغير النوعي والكمي‬
‫‪0 : 1   2  0‬‬
‫‪vs. 1 :  1   2  0‬‬

‫‪339‬‬
 ‫‪MES ( XD1 , XD2 D1 , D2 , X ) ESS ( X , D1 , D2 , XD1 , XD2 )  ESS ( X , D1 , D2 ) 2‬‬
‫‪F* ‬‬ ‫‪‬‬
‫) ‪MRS ( X , D1 , D2 , XD1 , XD2‬‬ ‫‪RSS ( X , D1 , D2 , XD1 , XD2 ) 14‬‬
‫‪ 0.037‬‬
‫)‪F *  Fc ( 2,14,0.95‬‬

‫اذف ال يوجد تداخؿ بيف المتغير الكمي والمتغير النوعي‪.‬‬

‫أي اف معادلة التقدير السابقة ىي أفضؿ تمثيؿ لمحالة‬
‫‪Yˆ  982.238  661.249 X  7880.059D1  21935.460D2‬‬

‫مثاؿ)‪ :(13-10‬دراسة العبلقة بيف الراتب السنوي )‪ (Y‬وعدد سنوات الخدمة )‪ (X‬والخبرة االدارية السابقة‬
‫)‪ (D1‬والحالة التعميمية‪.‬‬
‫عمماً اف ‪ D1‬ىو متغير نوعي بفئتيف‬
‫واف الحالة التعميمية وىي متغير نوعي لو ثبلث فئات‪ .‬يمثؿ بواسطة متغيريف ‪.D3 ، D2‬‬

‫‪‬‬
‫‪ 1‬‬ ‫له خبشة‬
‫‪D1  ‬‬
‫‪‬‬
‫‪ 0‬‬ ‫لُست له خبشة‬

‫‪‬‬ ‫شهادة كلُت‬

‫‪ 1‬‬
‫‪D2  ‬‬
‫‪‬‬
‫‪ 0‬‬ ‫غُش رلك‬

‫‪‬‬ ‫شهادة علُا‬

‫‪ 1‬‬
‫‪D3  ‬‬
‫‪‬‬
‫‪ 0‬‬ ‫غُش رلك‬
‫اعطيت معمومات حوؿ‪:‬‬
‫‪(Y )  ˆ0  ˆ1 X  1 D1   2 D2   3 D3 ‬‬ ‫دالة االستجابة بفرض عدـ وجود تداخؿ‪:‬‬

‫وعميو فاف دالة االستجابة لمحاالت المختمفة كاالتي‪:‬‬

‫‪341‬‬
 ‫‪(Y )  ˆ0  ˆ1 X‬‬ ‫موظع ليست له خبرة وحاصل على شهادة ثانوية‪.‬‬
‫‪(Y )  ( ˆ0  ˆ1 )  ˆ1 X‬‬

‫‪(Y )  ( ˆ0  ˆ2 )  ˆ1 X‬‬ ‫موظع له خبرة وحاصل على شهادة ثانوية‪.‬‬

‫‪(Y )  ( ˆ0  ˆ1  ˆ2 )  ˆ1 X‬‬

‫موظع ليست له خبرة وخريج جامعة‪.‬‬
‫‪(Y )  ( ˆ0  ˆ3 )  ˆ1 X‬‬

‫‪(Y )  ( ˆ0  ˆ1  ˆ3 )  ˆ1 X‬‬ ‫موظع له خبرة وخريج جامعة‪.‬‬

‫‪ :δ1‬تقيس مقدار الفرؽ بالراتب السنوي بسبب الخبرة التي يحصؿ عمييا خريج الثانوية‪.‬‬
‫عليا‪.‬لخريج الكمية مقارنة لشيادة الثانوية‪.‬‬
‫السنوي‬
‫اتبشهادة‬
‫خبرةبالر‬
‫مع‬ ‫مقدار لهالفرؽ‬
‫تقيس ليست‬
‫‪:δ2‬موظع‬
‫‪ :δ3‬تقيس مقدار الفرؽ بالراتب السنوي بسبب الشيادة العميا نسبة الى الشيادة الثانوية‪.‬‬
‫)‪ :(δ3 - δ2‬تقيس مقدار الفرؽ بالراتب السنوي لمشيادة العميا نسبة الى الشيادة الكمية‪.‬‬
‫موظع له خبرة مع شهادة عليا‪.‬‬
‫كما اف معادلة التقدير‪:‬‬
‫‪Yˆ  1395.550  534.722 X  2768.826 D1  2224.934 D2  7254.145D3‬‬
‫‪t:‬‬ ‫**)‪(10.53‬‬ ‫**)‪(4.75‬‬ ‫**)‪(3.29‬‬ ‫**)‪(14.36‬‬
‫وتشير قيـ ‪ t‬الى معنوية المعممات المقدرة‪.‬‬
‫‪ : ˆ1‬تشير الى اف الراتب السنوي سيزداد بمقدار)‪ (534.722‬دينا اًر لكؿ سنة زيادة في الخدمة مع بقاء‬
‫بقية المتغيرات ثابتة‪.‬‬
‫‪ :δ1‬تشير الى اف مقدار الفرؽ بالراتب السنوي بسبب الخبرة االدارية ىو ‪ 2768.826‬دينا اًر‪.‬‬
‫‪ :δ2‬تشير الى اف مقدار الفرؽ بالراتب السنوي لخريج الكمية عف خريج الثانوية‪ 2224.934 :‬دينا اًر‪.‬‬
‫‪ :δ3‬تشير باف مقدار الفرؽ بالراتب السنوي العميا عف خريج الثانوية‪ 7254.145 :‬دينا اًر‪.‬‬
‫أما الفرؽ بالراتب السنوي لموظؼ حاصؿ عمى شيادة عميا وآخر خريج كمية فيو‪ 5029.211 :‬دينا اًر‪.‬‬
‫وفي حالة وجود تداخؿ بيف المتغيرات المستقمة فاف دالة االستجابة تتمثؿ كاآلتي‪:‬‬
‫) ‪(Y )  ˆ0  ˆ1 X  ˆ1D1  ˆ2 D2  ˆ3 D3  ˆ4 ( XD1 )  ˆ5 ( XD2 )  ˆ6 ( XD3 )  ˆ7 ( D1D2‬‬
‫) ‪ ˆ ( D D‬‬
‫‪8‬‬ ‫‪1‬‬ ‫‪3‬‬

‫‪341‬‬
 ‫اسئهة انفصم انعبشر‬

‫س‪ :1‬بيانات عف أسعار السكف )‪ (Y‬ومساحة السكف )‪ ،(X1‬عمر بناء السكف )‪ ( X2‬لػ )‪ ( 4682‬سكناً تـ‬
‫بيعيا في محافظة معينة لمسنوات ‪ 1991‬كانوف الثاني إلى ‪ 1996‬كانوف األوؿ‪.‬‬
‫لدراسة عبلقة االنحدار لتحديد أسعار السكف في تمؾ المحافظة تتـ إضافة متغيرات وىمية لسنوات الدراسة‬
‫‪D=1‬‬ ‫كآالتي‪:‬‬
‫‪‬‬ ‫السكي تن بُعه فٍ ‪1992‬‬
‫‪ 1‬‬
‫‪D1  ‬‬
‫‪‬‬ ‫غُش رلك‬
‫‪ 0‬‬

‫‪‬‬
‫‪ 1‬‬ ‫السكن تم بيعه في ‪1993‬‬
‫‪D2  ‬‬
‫‪‬‬
‫‪ 0‬‬ ‫غير ذلك‬

‫‪‬‬
‫‪ 1‬‬ ‫السكن تم بيعه في ‪1994‬‬
‫‪D3  ‬‬
‫‪‬‬
‫‪ 0‬‬ ‫غير ذلك‬

‫‪‬‬
‫السكف تـ بيعو في ‪ 1 1995‬‬
‫‪D4  ‬‬
‫‪‬‬
‫‪ 0‬‬ ‫غير ذلؾ‬

‫‪‬‬
‫‪ 1‬‬ ‫السكن تم بيعه في ‪1996‬‬
‫‪D5  ‬‬
‫‪‬‬
‫‪ 0‬‬ ‫غير ذلك‬
‫وبذلؾ تكوف معادلة االنحدار‪:‬‬
‫‪Y  0  1 X1   2 X 2  1D1   2 D2   3 D3   4 D4   5 D5‬‬
‫)‪ :(1‬فسر معممات المتغيرات الوىمية المقدرة‪ .‬اذا تـ استخداـ الصيغة الخطية‪.‬‬
‫)‪ :(2‬فسر معممات المتغيرات الوىمية المقدرة‪ .‬اذا تـ استخداـ الصيغة الموغاريتمية المزدوجة‪.‬‬
‫) ٖ ( ‪:‬وضح كيؼ تختبر أنو التأثير لسنة البيع عمى السعر ‪.‬‬

‫س‪ :2‬نموذج انحدار لدراسة الدخؿ الشخصي السنوي )‪ (Y‬كدالة بداللة سنوات الدراسة ) ‪ (E‬والتحصيؿ‬
‫العممي لعينة تحصيميـ الدراسي ) بكالوريوس ‪ ،‬اعدادية ‪ ،‬ابتدائية (‪.‬‬
‫ـ ‪ :(1) //‬وصؼ كيؼ يتـ تضميف متغير التحصيؿ العممي باالنحدار‪.‬‬

‫‪342‬‬
 ‫‪Yˆ  4.5  0.5E  1.0D1  1.5D2‬‬ ‫)‪ :(2‬اذا عممت اف معادلة التقدير ‪:‬‬
‫ارسـ الدخؿ المقدر كدالة بداللة سنوات الدراسة ‪ X‬وحسب التحصيؿ العممي لممستويات‬
‫الثبلث عمماً اف الدراسة لمعينة المختارة ىي ما بيف )‪.(16-8‬‬
‫)‪ (3‬اذا عممت اف معادلة التقدير بوجود تداخؿ بيف ‪ E‬والمتغيرات الوىمية ىي‬
‫‪Yˆ  4.5  0.5E  1.4D1  0.3D2  0.2D1  0.1D2‬‬
‫ارسـ خط انحدار الدخؿ المقدر ولمستويات التحصيؿ العممي الثبلث‪.‬‬

‫س‪ :3‬البيانات التالية عف المشتريات مف السندات الحكومية ‪ B‬والدخؿ القومي ‪ Y‬لمسنوات)‪(1990-1974‬‬

‫‪B‬‬ ‫‪2.6‬‬ ‫‪3.0‬‬ ‫‪3.6‬‬ ‫‪3.7‬‬ ‫‪3.8‬‬ ‫‪4.1‬‬ ‫‪4.4‬‬ ‫‪7.1‬‬ ‫‪8.0‬‬ ‫‪8.9‬‬ ‫‪9.7‬‬ ‫‪10.2‬‬ ‫‪10.1‬‬ ‫‪7.9‬‬ ‫‪8.9‬‬ ‫‪9.1‬‬ ‫‪10.1‬‬

‫‪Y‬‬ ‫‪2.4‬‬ ‫‪2.8‬‬ ‫‪3.1‬‬ ‫‪3.4‬‬ ‫‪3.9‬‬ ‫‪4.0‬‬ ‫‪4.2‬‬ ‫‪5.1‬‬ ‫‪6.3‬‬ ‫‪8.1‬‬ ‫‪8.8‬‬ ‫‪9.6‬‬ ‫‪9.7‬‬ ‫‪9.6 10.4 12.0‬‬ ‫‪12.9‬‬

‫ـ‪ :(1)/‬رسـ االنتشار‪.‬‬

‫)‪ :(2‬ىؿ اف رسـ االنتشار يوضح اف ىناؾ نمطيف مف مشتريات السندات‪ ،‬اذا كاف الجواب‬
‫باإليجاب‪ ،‬اقترح حبلً مبلئماً لتقدير العبلقة بيف المشتريات مف السندات الحكومية والدخؿ‬
‫القومي‪.‬‬

‫‪343‬‬
 ‫انمصــبدر‪:‬‬
‫ٔ‪ -‬الراوي‪ ،‬خاشع محمد‪ " .ٜٔٛٚ،‬المدخؿ الى تحميؿ االنحدار "‪ ،‬دار الكتب لمطباعة والنشر‪،‬‬
‫الموصؿ‪.‬‬
‫ٕ‪ -‬شربجي‪،‬عبد الرزاؽ محمد صبلح‪ " .ٜٔٛٔ ،‬االنحدار الخطي المتعدد "‪ ،‬دار الكتب لمطباعة‬
‫والنشر‪ ،‬الموصؿ‪.‬‬
‫ٖ‪ -‬عبد الرحمف‪ ،‬عبد المحمود محمد " مقدمة في االقتصاد القياسي "‪ ،‬جامعة الممؾ سعود لمطباعة‬
‫والنشر‪.‬‬
‫ٗ‪ -‬عطية‪ ،‬عبد القادر محمد عبد القادر‪ " .2004 ،‬الحديث في االقتصاد القياسي‪ :‬بيف النظرية‬
‫والتطبيؽ"‪،‬مكة المكرمة‪.‬‬
‫٘‪ -‬كمجياف‪ ،‬ىاري و اؤتس‪ ،‬والس‪ " .1995 ،‬مقدمة في االقتصاد القياسي المبادئ والتطبيقات "‪،‬‬
‫ترجمة المرسي السيد حجازي وعبد القادر محمد عطية‪ ،‬جامعة الممؾ سعود‪.‬‬
‫‪ -ٙ‬نتر‪ ،‬جوف ‪ ،‬وازماف ويمياـ و كتنر‪ ،‬ميخائيؿ " نماذج احصائية تطبيقية" ‪ ،‬ترجمة انيس اسماعيؿ‬
‫كنجد‪ ،‬عبد الحميد بف عبد اهلل الزيد وابراىيـ بف عبد العزيز الواصؿ والحسيني عبد البر راضي‪،‬‬
‫الجزء االوؿ ) االنحدار ( جامعة الممؾ سعود لمطباعة والنشر‪.‬‬
‫‪ -ٚ‬ىادي‪ ،‬اموري و مسمـ‪ ،‬باسـ شمبية‪ " .2002 ،‬القياس االقتصادي المتقدـ ‪ ،‬النظرية والتطبيؽ"‪،‬‬
‫مطبعة الطيؼ‪.‬‬

‫‪1- Draper, N.R. & Smith, H., 1966. " Applied Regression Analysis ", New‬‬
‫‪York, john Wiley & Sons , Inc.‬‬

‫‪2- Franses, Philip Hans , " A concise introduction to econometrics ", An‬‬
‫‪intuitive guide, Cambridge . org .‬‬

‫‪3- Gujarati, Damodar N. 1995." Basic Econometrics " , 3rd ed., ., Me‬‬
‫‪Grow – Hill international, Edition, Singapore‬‬

‫‪4- Johnston, J., 1984. " Econometric methods ", 3rd ed., Me Grow – Hill‬‬
‫‪international, New York.‬‬

‫‪5- Maddala, G.S., 2002." Introduction to Econometrics ", Third Edition, ,‬‬
‫‪New York, John willey & sons, 1 td .‬‬
‫جممة مف منشورات عبر الويب‪.‬‬

‫‪344‬‬

‫‪View publication stats‬‬