Hand Out On Time Series Analysis

See discussions, stats, and author profiles for this publication at: https://www.researchgate.
net/publication/336141869
- ‫ ﻣﺪﻋﻤﺔ ﺑﺄﻣﺜﻠﺔ ﻣﺤﻠﻮﻟﺔ‬- ‫ ﻣﺤﺎﺿﺮات ﻓﻲ ﺗﺤﻠﻴﻞ اﻟﺴﻼﺳﻞ اﻟﺰﻣﻨﻴﺔ‬: ‫ﻣﻄﺒﻮﻋﺔ ﺑﻴﺪاﻏﻮﺟﻴﺔ ﺗﺤﺖ ﻋﻨﻮان‬
Book · July 2019
CITATIONS READS
0 1,725
1 author:
Mohammed Seghir Guellil

University Mustapha Stambouli of Mascara
34 PUBLICATIONS 149 CITATIONS
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
Tourism, Foreign Direct Investment, Financial Sector, Labor Market and Economic Growth : sustainable development View project
Energy Modeling View project
All content following this page was uploaded by Mohammed Seghir Guellil on 30 September 2019.
The user has requested enhancement of the downloaded file.

‫‪Ministry Of Higher Education and Scientific Research‬‬
‫وزارة التعليم العالي و البحث العلمي‬
‫‪University of Mustapha Stambouli Mascara‬‬
‫جامعة مصطفى إسطمبولي معسكر‬
‫‪Faculty of Economics, Business and Management Sciences‬‬
‫كلية العلوم اإلقتصادية‪ ,‬العلوم التجارية و علوم التسيير‬
‫قسم العلوم االقتصادية‬
‫مطبوعة بيداغوجية حتت عنوان‪:‬‬
‫حماضرات يف حتليل السالسل الزمنية‬

‫‪ -‬مدعمة أبمثلة حملولة ‪-‬‬
‫موجهة لطلبة الليسانس و املاسترفي ميدان العلوم االقتصادية والتجارية وعلوم التسيير‬
‫من اعداد‪ :‬د‪ .‬قليل حممد صغري‬
‫السنة الجامعية ‪2019/2018‬‬

‫» تعلموا العلم وعلموه الناس‪ ،‬وتعلموا الوق ار والسكينة‪ ،‬وتواضعوا لمن تعلمتم منو‬
‫ولمن علمتموه‪ ،‬وال تكونوا جبارة العلماء ف ال يقوم جهلكم بعلمكم‪« .‬‬
‫‪ -‬عمر ابن الخطاب ‪-‬‬
‫الفهرس‬
‫الفهرس‪....................................................................................................‬أ‬
‫ادلقدمة‪1 .................................................................. ……………………….‬‬
‫الباب األول‪ :‬التحليل الكالسيكي للسالسل الزمنية‬
‫الفصل األول‪ :‬عموميات في السالسل الزمنية‬

‫ماىية السلسلة الزمنية‪4 .............................................................................. :‬‬ ‫‪.1‬‬
‫مصدر بيانات السلسلة الزمنية‪4 ...................................................................... :‬‬ ‫‪.2‬‬
‫مركبات السلسلة الزمنية وأشكاذلا‪5 .................................................................... :‬‬ ‫‪.3‬‬
‫‪.1.3‬االذباه العػاـ )‪5 ................................................................................ :T(t‬‬
‫‪.2.3‬التغَتات الدورية )‪5 ............................................................................ : C(t‬‬
‫‪ .3.3‬التغَتات ادلومسية )‪6 ........................................................................... : S(t‬‬
‫‪.4.3‬العشوائية )‪6 ................................................................................... : e(t‬‬
‫كيفية الكشف عن مركبات السلسلة الزمنية (طرؽ الكشف)‪9 ........................................... :‬‬ ‫‪.4‬‬
‫‪.1.4‬الكشف عن االذباه العاـ‪9 .......................................................................... :‬‬
‫‪.2.4‬الكشف عن ادلومسية‪13 ............................................................................. :‬‬
‫طرؽ معاجلة مركبات السلسلة الزمنية (تقدير مركبات السلسلة الزمنية)‪20 ................................. :‬‬ ‫‪.5‬‬
‫‪.1.5‬تقدير االذباه العاـ‪20 ...............................................................................:‬‬
‫‪.2.5‬التعديل ادلومسي‪21 ................................................................................. :‬‬
‫الفصل الثاني‪:‬التنبؤ باستخدام نموذج التلميس األسي)‪(Le lissage exponentiel‬‬
‫خصائص طرؽ التلميس‪28 .......................................................................... :‬‬ ‫‪.1‬‬

‫‪ .1.1‬ادلبادئ األساسية‪28 ................................................................................ :‬‬
‫‪ .2.1‬صياغة ظلوذج التلميس األسي‪29 ..................................................................... :‬‬
‫‪ .3.1‬دور ثابت التلميس األسي‪29 ........................................................................ :‬‬
‫‌أ‬
‫ظلوذج التلميس األسي البسيط (النموذج ادلستقر)‪31 .................................................... :‬‬ ‫‪.2‬‬
‫ظلوذج التلميس األسي الثنائي (النموذج اخلطي ‪32 ............................................:)Brown‬‬ ‫‪.3‬‬
‫ظلوذج ‪34 ......................................................................... ………:Holt‬‬ ‫‪.4‬‬
‫ظلوذج باالذباه العاـ وادلومسية (ظلوذج ‪34 ............................................. :)Holt-Winters‬‬ ‫‪.5‬‬
‫تقدير معامالت التلميس‪37 ......................................................................... :‬‬ ‫‪.6‬‬
‫الباب الثاني‪ :‬تحليل السالسل الزمنية العشوائية‬
‫الفصل الثالث‪ :‬نماذج السالسل الزمنية العشوائية المستقرة والغير مستقرة‬

‫خصائص السلسلة الزمنية‪39 ......................................................................... :‬‬ ‫‪.I‬‬
‫العشوائية‪39 .............................................................................. ……..:‬‬ ‫‪.1‬‬
‫االستقرارية‪39 ............................................................................... ……:‬‬ ‫‪.2‬‬
‫‪ .1.2‬االستقرارية التامة ‪40 .......................................................... :Strictly Stationary‬‬
‫‪ .2.2‬االستقرارية الضعيفة ‪40 ......................................................... :Weak Stationary‬‬
‫مفهوـ االرتباط الذايت‪40 ............................................................................ :‬‬ ‫‪.3‬‬
‫‪ 1.3‬تعريف االرتباط الذايت‪40 ............................................................................ :‬‬
‫‪ 2.3‬دواؿ االرتباط الذايت‪40 ............................................................................. :‬‬
‫اخلصائصية )‪42 ...................................................................... :(Ergodicité‬‬ ‫‪.4‬‬
‫ظلاذج السالسل الزمنية العشوائية وادلستقرة (ظلاذج ‪43 .........................................:)ARMA‬‬ ‫‪.II‬‬
‫ظلوذج االضلدار الذايت )‪43 .................................................................... :AR(p‬‬ ‫‪.1‬‬
‫ظلوذج ادلتوسطات ادلتحركة )‪44 ............................................................... :MA(q‬‬ ‫‪.2‬‬
‫النماذج ادلختلطة )‪47 ................................................................ :ARMA(p,q‬‬ ‫‪.3‬‬
‫‪ .III‬ظلاذج السالسل الزمنية العشوائية الغَت مستقرة‪49 ....................................................... :‬‬
‫أنواع السالسل الزمنية الغَت مستقرة‪49 ................................................................ :‬‬ ‫‪.1‬‬
‫‪ .1.1‬النموذج ‪49 ........................................................... :(Trend. Stationary) TS‬‬
‫‪ .21.‬السَتورة ‪49 .................................................... :)Differency. Stationary‌(‌DS‬‬
‫‌ب‬
‫اختبارات الكشف عن استقرارية السلسلة الزمنية‪50 .................................................... :‬‬ ‫‪.2‬‬
‫‪ 1.2‬اختبار‪50 ....................................................... :(Dickey – Fuller 1979)D.F:‬‬
‫‪ .2.2‬اختبار )‪51 ............................................. :Dickey – Fuller Augmentés (1981‬‬
‫‪ .3.2‬اختبار )‪52 ......................................................... :Phillips Et Perron (1988‬‬
‫‪ .4.2‬اختبار ‪52 ........................................................................ :)2991(‌KPSS‬‬
‫‪ .5.2‬اختبار )‪53 ..............................................:Elliot, Rothenberg et Stock (1996‬‬
‫‪ .6.2‬اختبار )‪53 ................................................................... :Ng-Perron(2001‬‬
‫االمتداد إذل النماذج ‪ ARIMA‬و ‪54 .................................................. :SARIMA‬‬ ‫‪.3‬‬
‫الفصل الرابع‪ :‬التنبؤ باستخدام منهجية ‪Box and Jenkins‬‬
‫مقدمة‪55 .......................................................................... ………………..:‬‬

‫‪ .1‬استخراج خصائص السلسلة الزمنية‪55 .................................................................... :‬‬
‫‪ .2‬التعرؼ على النموذج‪56 ............................................................................... .:‬‬
‫‪ 3‬تقدير معادل النموذج‪56 ............................................................................ …..:‬‬
‫‪.1.3‬تقدير معلمات النموذج )‪57 ................................................................. :A R (p‬‬
‫‪.2.3‬تقدير معلمات السَتورة ) ‪ M A ( q‬و النموذج ادلختلط ) ‪57 .......................... .ARMA ( p.q‬‬
‫‪.4‬اختبار جودة النموذج ‪58 .............................................................................. ..:‬‬
‫‪ .5‬القياـ بالتنبؤ‪60 ............................................................................………..:‬‬
‫سبرين تطبيقي "سلسلة مبيعات النشاء "‪64 ........................................................ :"Amidon‬‬
‫سبرين تطبيقي سلسلة مبيعات اجلليكوز "‪71 ................................................... :"GLUCOSE‬‬
‫الفصل الخامس‪ :‬االمتداد إلى نماذج الذاكرة الطويلة ‪ ARFIMA‬والنماذج الغير الخطية‪ARCH‬‬
‫ظلاذج الذاكرة الطويلة ‪77 ............................................................... :ARFIMA‬‬ ‫‪.I‬‬

‫مفهوـ الذاكرة الطويلة‪77 ............................................................................ :‬‬ ‫‪.1‬‬
‫التحقق من خاصية الذاكرة الطويلة‪79 ................................................................ :‬‬ ‫‪.2‬‬
‫‪ .1.2‬التحقق من خاصية الذاكرة الطويلة باستخداـ االختبارات االحصائية‪79 ................................... :‬‬
‫‌ج‬
‫‪ .2.2‬التحقق من خاصية الذاكرة الطويلة باستخداـ االشكاؿ البيانية‪85 ........................................ :‬‬
‫ظلاذج ‪88 ............................................................................. :ARFIMA‬‬ ‫‪.3‬‬
‫طرؽ تقدير ظلاذج ‪90 ................................................................... :ARFIMA‬‬ ‫‪.4‬‬
‫‪ .1.4‬طرؽ التقدير دبرحلتُت‪90 ............................................................................ :‬‬
‫‪ .2.4‬الطرؽ دبرحلة واحدة (طرؽ اإلمكاف األكرب)‪92 ........................................................ :‬‬
‫مراحل بناء ظلوذج ‪94 ................................................................... :ARFIMA‬‬ ‫‪.5‬‬
‫‪ .1.5‬مرحلة التعرؼ‪94 ............................................................................. ……:‬‬
‫‪ .2.5‬مرحلة التقدير‪94 ............................................................................ ……..‬‬
‫‪ .3.5‬مرحلة التشخيص‪96 .......................................................................... ……:‬‬
‫‪ .4.5‬التنبؤ‪98 ............................................................................…………..:‬‬
‫النماذج الغَت اخلطية ‪99 .................................................................... :ARCH‬‬ ‫‪.II‬‬
‫احلاالت الشرطية و الغَت الشرطية لنموذج ‪100 ............................................. : ARCH‬‬ ‫‪.1‬‬
‫اخلصائص األساسية لنماذج ‪101 ........................................................... :ARCH‬‬ ‫‪.2‬‬
‫تقدير معلمات النموذج ‪102 ....................................................................... :‬‬ ‫‪.3‬‬
‫اختبار ‪ ARCH‬للسالسل الزمنية ‪102 .............................................................. :‬‬ ‫‪.4‬‬
‫التنبؤ باستخداـ ظلوذج )‪103 ........................................................... : ARCH(p‬‬ ‫‪.5‬‬
‫سبرين تطبيقي‪103 ............................................................................ ………..:‬‬
‫ظلوذج )‪107 ..................................................................... :GARCH (p .q‬‬ ‫‪.6‬‬
‫سبرين تطبيقي‪108 ............................................................................. ………..:‬‬
‫قائمة اجلداوؿ‪112..........................................................................................‬‬
‫قائمة األشكاؿ‪113.........................................................................................‬‬
‫قائمة ادلراجع‪114...........................................................................................‬‬
‫‌د‬
‫المقدمة‬
‫يلعب التحليل االقتصادي دورا ىاما يف فهم النظرية االقتصادية اليت توفر رؤى حوؿ االليات اليت ربكم الظواىر‬
‫االقتصادية‪ .‬حيث أف الطرؽ الكمية تساعد على ربليل و ظلذجة سلتلف الظواىر االقتصادية بغرض ازباذ القرارات‬
‫االسًتاتيجية سوآءا على ادلستوى اجلزئي أو الكلي‪ ،‬دبا يسمح برسم السياسات االقتصادية‪ .‬كما ساىم رواد االقتصاد‬
‫القياسي دبساعلات كبَتة يف النظرية االقتصادية من خالؿ استخداـ األساليب اإلحصائية واالقتصادية القياسية اليت تفيد‬
‫يف معرفة أو رصد سلوؾ بعض ادلتغَتات يف ادلاضي‪ ،‬مث التنبؤ بسلوكها ادلستقبلي‪ .‬حيث أف السالسل الزمنية تعترب فرعا‬
‫من فروع االقتصاد القياسي اليت يتلخص ىي األخرى ىدفها الرئيسي يف دراسة سلوؾ ادلتغَتات خالؿ الزمن‪ .‬كما صلد‬
‫من بُت أىدافها الرئيسية أيضا الكشف عن االذباه العاـ يف ىذه السالسل وكذا دراسة مدى استقرار القيم (وتغَتىا)‬
‫دبرور الزمن‪.‬‬
‫ؽلس ربليل السالسل الزمنية الكثَت من اجملاالت إضافة اذل اجملاؿ االقتصادي‪ ،‬نذكر من بُت ىذه اجملاالت‪ :‬اجملاؿ‬
‫الطيب‪ ،‬البيئي‪ ،‬االجتماعي‪ ...،‬فالصورة اليت ؽلكن رصدىا انطالقا من ىذا التحليل تبدو وكأهنا رجل كبَت السن لديو‬
‫الكثَت من اخلربة واحلكمة دبا يكفي لالستفادة من مؤشرات األحداث السابقة حوؿ ادلستقبل‪ ،‬وىو نوع من التنبؤ‪ .‬عالوة‬
‫جيدا‬
‫على ذلك‪ ،‬يوجد العديد من األليات و التقنيات اليت تستخدـ يف ربليل البيانات‪ ،‬لصياغة النموذج الذي يتالءـ ً‬
‫مع التحليل الذي يود الباحث القياـ بو‪.‬‬
‫من أجل احلصوؿ على فهم جيد لتحليل السالسل الزمنية‪ ،‬اشتملت ادلطبوعة على مخسة فصوؿ استمدت من برنامج‬
‫السنة األوذل ماسًت‪ ،‬كما أف ادلطبوعة اشتملت على بابُت رئيسيُت أحاطا بسلسلة من احملاضرات (دروس مع سبارين‬
‫تطبيقية)‪:‬‬
‫‪ ‬الباب األوؿ يتعلق بالتحليل الكالسيكي للسالسل الزمنية‪ ،‬مت من خاللو التطرؽ اذل الفصلُت التاليُت‪:‬‬
‫الفصل األوؿ‪ :‬عموميات يف السالسل الزمنية‪.‬‬
‫الفصل الثاين‪ :‬التنبؤ باستخداـ ظلوذج التلميس األسي )‪. (Le lissage exponentiel‬‬
‫‪ ‬الباب الثاين ؼلص ربليل السالسل الزمنية العشوائية‪ ،‬و الذي ينقسم بدوره اذل ثالثة فصوؿ موزعة بالشكل‬
‫التارل‪:‬‬
‫الفصل الثالث‪ :‬ظلاذج السالسل الزمنية العشوائية ادلستقرة والغَت مستقرة‪.‬‬
‫‪1‬‬
‫الفصل الرابع‪ :‬التنبؤ باستخداـ منهجية ‪.Box and Jenkins‬‬
‫الفصل اخلامس‪ :‬االمتداد إذل ظلاذج الذاكرة الطويلة ‪ ARFIMA‬والنماذج الغَت اخلطية ‪.ARCH‬‬
‫‪2‬‬
‫التحليل األورل ألي ظاىرة ينطلق من سبثيل التطور الزمٍت ذلذه األخَتة‪ ،‬و ىذا من خالؿ رسم بياين ػلتوي على قيم‬
‫الظاىرة االقتصادية ‪ xt‬على زلور الًتاتيب والزمن ‪ t‬على زلور الفواصل‪ .‬عندما يكوف سبثيل الفًتات الزمنية غَت متصل‪،‬‬
‫فإف الرسم البياين الناتج عبارة عن أعمدة بيانية‪ .‬النظاـ ادلتبع‪ ،‬ىو االحتفاظ بادلضلع التكراري اخلاص بالتمثيل ادلسمى‪:‬‬
‫الشكل الزمٍت للوقائع‪.‬‬
‫التقنيات التقليدية ادلستخدمة يف ربليل السالسل الزمنية تنطلق من فصل السالسل عن مركباهتا األساسية (االذباه العاـ‪،‬‬
‫ادلومسية‪ ،‬الدورية والعشوائية) و كذا ربديد نوع النموذج (ذبميعي‪ ،‬جدائي أو سلتلط) اذل إعادة تشكيل السلسلة للقياـ‬
‫التنبؤ‪ .‬ىذه ادلقاربة تفًتض أف بنية السلسلة ؽلكن ذبزئتها إذل عناصر بسيطة (قابلة للنمذجة)‪ ،‬وبالتارل ؽلكن التنبؤ هبا‬
‫بسهولة أكرب‪ ،‬ومن مث إعادة بنائها للحصوؿ على قيم السلسلة األصلية ادلتنبؤ هبا‪.‬‬
‫يف النهاية‪ ،‬يف ىذا اجلزء اخلاص هبذه الطرؽ التقليدية‪ ،‬ىناؾ نقطتاف سيتم التطرؽ ذلما‪ :‬عموميات يف السالسل الزمنية‬
‫(مركبات السالسل الزمنية‪ ،‬طرؽ الكشف عن مركبات السلسلة الزمنية و كيفية معاجلتها ‪)...،‬؛ يشكلوف الفصل ‪ 1‬من‬
‫ىذا اجلزء‪ .‬مث عرض من خالؿ الفصل ‪ 2‬طرؽ التنبؤ باستخداـ ظلوذج التلميس األسي‪.‬‬
‫‪3‬‬
‫انفصم‌األول‬
‫عموميات في السالسل الزمنية‬
‫تعترب دراسة مركبات السلسلة الزمنية شرطًا أساسيًا دلعاجلة السالسل الزمنية‪ .‬فعند وجود أحد ىذه ادلركبات أو حىت كلها‪،‬‬
‫غلب عزذلا للمرور اذل ربليل اخلصائص األخرى‪ .‬ذبدر اإلشارة ىنا اذل أف فصل السلسلة الزمنية عن مركباهتا‪ ،‬دوف سابق‬
‫ضارا بتحليل السلسلة وبالتارل يؤدي إذل تدىور جودة‬
‫اختبار لوجود ىذه ادلركبات أو ال‪ ،‬يكمن أف ؼللق "تشويشا" ً‬
‫التنبؤ‪ .‬يف ىذا الفصل‪ ،‬سنسلط الضوء على مركبات السلسلة الزمنية وأشكاذلا‪ ،‬وكذا تقنيات اختبار وجود مكونات‬
‫السالسل الزمنية‪ ،‬مث نتطرؽ اذل طرؽ التعديل‪.‬‬
‫ياهيت‌انسهسهت‌انضيُيت‪‌ :‬‬ ‫‪.2‬‬

‫تتعدد تعاريف السلسلة الزمنية حبسب طبيعة الغرض أو التخصص‪ .‬أما التعريف الشامل للسلسلة الزمنية‪" :‬ىي‬
‫‪1‬‬
‫عبارة عن سلسلة من القيم احملققة يف ادلاضي وادلتميزة باخلصائص التالية ‪:‬‬
‫‪ -‬تتكوف من قيم معلومة‪ ،‬زلسوبة وزلققة فعال‪.‬‬
‫‪ -‬أف تكوف القيم متجانسة يف وحدة الزمن‪.‬‬
‫‪ -‬أف تكوف القيم ذات داللة إحصائية‪ ،‬أي أف تكوف ادلعطيات العددية كافية لتحليل الظاىرة ادلدروسة فكلما كانت‬
‫السلسلة طويلة نسبيا‪ ،‬كلما كاف التنبؤ أكثر دقة وذلك حسب طبيعة ادلعطيات شهرية‪ ،‬فصلية أو سداسية‪ ،‬ولكن عموما‬
‫يف الدراسات ادلهتمة بتحليل ادلبيعات تكوف ادلعطيات ذات طبيعة شهرية‪".‬‬
‫يصذس‌بياَاث‌انسهسهت‌انضيُيت‪‌ :‬‬ ‫‪.1‬‬

‫يتم احلصوؿ على ادلعطيات من ادلصادر الداخلية للمنشأة (مستندات إدارة ادلبيعات) أو من ادلصادر اخلارجية‬
‫كادلنشورات واإلحصائيات اليت تقوـ بإعدادىا الدوائر ادلختصة يف الدولة أو تلك الدوائر البحثية والطالبية يف ادلعاىد‬
‫واجلامعات‪ ،‬لكن ىذه ادلعطيات ال تستغل مباشرة يف ربليل السالسل الزمنية‪ ،‬إال بعد القياـ بتعديل السلسلة من‬
‫االضلرافات‪ ،‬وذل ك عن طريق زلاولة إعادة تشكيل الطلبات الضائعة اليت دل تلىب يف فًتة النفاذ واليت تقدر قيمتها حسب‬
‫ما تراىا ادلؤلفة ‪ C.ALCOUFFE‬بػ‪( :‬مدة النفاذ ‪ x‬متوسط الطلب يف تلك ادلدة)‪ ،‬بعد ذلك ػلاوؿ الدارس إسقاط‬
‫‪1‌khaldi‬‬‫‪KHALED. (2017), « Méthodes Statistiques : Rappels De Cours Exercices Corrigés», Office des Publications‬‬
‫‪Universitaires, Alger, p81.‬‬
‫‪4‬‬
‫ادلعطيات اليت حبوزتو على منحٌت بياين من أجل مالحظة اذباه الظاىرة ادلدروسة وما تشتمل عليو من تذبذبات (تقعرات‬
‫وربدبات)‪ ،‬وقياسها عن طريق معامل اخلشونة )‪ (Coefficient de Rugosité‬ادلعرؼ بالعالقة التالية‪:‬‬
‫‪N‬‬
‫‪ Y‬‬ ‫‪ Yt 1 ‬‬

‫‪2‬‬
‫‪t‬‬
‫‪CR ‬‬ ‫‪t 2‬‬
‫‪ Y‬‬ ‫‪‬‬

‫‪N‬‬
‫‪2‬‬
‫‪t‬‬ ‫‪Y‬‬
‫‪t 2‬‬
‫فكلما كاف ىذا ادلعامل ذو قيمة ضعيفة كلما كانت السلسلة أكثر استقرارا‪ ،‬وإذا وجد أف ىذا ادلعامل ذو قيمة‬
‫مرتفعة فإف ىذا يتطلب ربسُت (تعديل) السلسلة الزمنية عن طريق التحويل أو الًتشيح الذي يقضي على بعض مكونات‬
‫السلسلة الزمنية‪.‬‬
‫يشكباث‌انسهسهت‌انضيُيت‌وأشكانها‪‌ :‬‬ ‫‪.3‬‬

‫تتكػػوف السلسػػلة الزمنيػػة مػػن رلموعػػة مػػن ادلكونػػات وىػػي االذبػػاه العػػاـ‪ ،‬التغ ػَتات الدوريػػة‪ ،‬ادلومسيػػة والعش ػوائية‪ ،‬وتعتػػرب ىػػذه‬
‫ادلكونات كمتغَتات تطرأ على ادلبيعات ولذلك غلب ربليلها ومعرفة مدى تأثَتىا‪.‬‬
‫‪‌ 1.3‬االحجاِ‌انعـاو )‪‌ ‌:T(t‬‬
‫يشَت االذباه العاـ للسلسلة الزمنية إذل احلركة ادلنتظمة اليت تعكس النمو أو الركود أو التناقص على مدى فًتات طويلة‪.‬‬
‫ورغم أف طوؿ فًتة االذباه العاـ الفعلية غَت زلددة إال أنو يفضل أف سبتد يف احلاالت االقتصادية والتجارية لتشمل دورتُت‬
‫اقتصاديتُت على األقل حىت تتمكن من احلصوؿ على نتائج كافية‪.‬‬
‫تظهر تغَتات االذباه العاـ يف األجل الطويل نتيجة للتغَت التدرغلي يف حجم اجملتمع‪ ،‬والناتج القومي اإلمجارل‪ ،‬والتطور‬
‫التكنولوجي‪ ،‬ويقيس االذباه العاـ متوسط التغَت لكل فًتة زمنية‪ ،‬وقد يكوف خطا مستقيما أو منحٌت أو أي شكل آخر‬
‫بناءا على بيانات السلسلة‪ .‬فاالذباه العاـ غَت اخلطي يعرب عنو بالكثَت من السالسل الزمنية غَت اخلطية وىناؾ ثالث أنواع‬
‫سلتلفة لالذباه العاـ غَت اخلطي األوؿ ىو ادلنحٌت األسي ويستخدـ لتمثيل اذباه عاـ يتغَت دبعدؿ غَت ثابت‪ ،‬ومنحٌت النمو‬
‫ويأخذ شكل ‪ S‬ويصف ظلو صناعة أو مؤسسة ما يف األجل الطويل‪ ،‬ومنحٌت من الدرجة الثانية الذي يعتمد على معادلة‬
‫من الدرجة الثانية‪ . 2‬ويفيد االذباه العاـ مثال يف ربليل ادلبيعات الفعلية خالؿ السنوات السابقة ويساعد يف ربديد ظلوىا‬
‫مستقبال‪ ،‬ىذا النمو يقًتف بدورة حياة السلعة ادلتكونة من ثالثة مراحل أساسية ‪ :‬مرحلة ظهور السلعة مث مرحلة النضج‬
‫‪3‬‬
‫ادلميزة بتطور ثابت تقريباً‪ ،‬مث أخَتاً مرحلة الزواؿ وىي ادلرحلة اليت تسبق انعداـ الطلب على السلعة‪ ،‬نتيجػة التطور التقٍت‬
‫الذي يساعد على ظهور سلع بديلة ذلا‪.‬‬
‫انخغيشاث‌انذوسيت‌)‪:‌C(t‬‬ ‫‪2.3‬‬
‫وىي متغَتة منتظمة ذات طوؿ غَت معػروؼ بدقػة وتظهػر يف ادلػدى البعيػد وتشػمل حػالتُت‪ :‬حالػة الركػود االقتصػادي وحالػة‬
‫ٍ‬
‫بشيء من االنتظػاـ يف فػًتات متباعػدة‪ ،‬وتػػؤثراف يف الطلػب علػى ادلبػػيعات ذلػك‬ ‫الرخاء االقتصادي‪ ،‬ىاتُت احلالتُت تتعقباف‬
‫‪2‬صالح الدين اذلييت "األساليب لإلحصائية يف العلوـ اإلدارية –تطبيقات باستخداـ ‪"-SPSS‬الطبعة الثانية للناشر دار وائل للطباعة والنشر عماف –األردف‪-‬‬
‫‪ 1006‬ص ‪.449‬‬
‫‪-3‬ادلتوسط احلسايب للطلب ثابت يف وحدة الزمػن‪.‬‬
‫‪5‬‬
‫أنػػو يف حالػػة الركػػود يكػػوف الطلػػب علػػى ادلبيعػػات مػػنخفض ويف فػػًتة الرخػػاء ػلػػدث العكػػس‪ ،‬ولكػػن لكػػوف أف التنبػػؤ عمومػػا‬
‫يهتم بادلدى القريب وادلتوسط فػإف الدورات هتمػل دراستها‪.‬‬
‫‪‌ 3.3‬انخغيشاث‌انًىسًيت‌)‪‌ :‌S(t‬‬
‫وتشَت التغَتات ادلومسية إذل متوسط التغَت ادلنتظم الذي ػلدث بصفة دورية يف غضوف سنة أو أقل وبفًتات زلػددة (شػهريا‪،‬‬
‫أسبوعيا‪...،‬اخل)‪.‬‬
‫وتعد التغَتات ادلومسية اليت ربدث يف فًتات زمنية شهرية أو ربع سنوية مػن أكثػر ىػذه التغػَتات رلػاال للدراسػة مثػل مبيعػات‬
‫السيارات‪ ،‬استهالؾ الطاقة الكهربائية‪ ،‬ادلبيعات اليت ربصل يف ادلناسبات واألعيػاد وغَتىػا‪ ،‬ومػن أىػم األسػباب الػيت تػؤدي‬
‫إذل التغػَتات ادلومسيػػة ىػػي‪ :‬تغػَتات الطقػػس‪ ،‬العػػادات والتقاليػػد‪ ،‬االحتفػػاالت الدينيػػة‪ ،‬فحالػػة الطقػػس مػػن أىػػم العوامػػل الػػيت‬
‫تؤدي حدوث تغَتات مومسية يف اإلنتاج الزراعي والنشاط السياحي وأنشطة البناء واألنشطة السياحية وكذلك فػإف األعيػاد‬
‫وادلواسم تؤدي إذل زيادة بعض ادلبيعات مثل األلبسة وبعض ادلواد الغذائية‪.‬‬
‫‪ 4.3‬انعشىائيت‌)‪‌ :‌e(t‬‬
‫وىي اليت تػصف مجيع العوامل وادلتغَتات اليت دل تؤخذ بعُت االعتبار أو تلك اليت ال ؽلكػن قياسها والتنبؤ حبدوثها‪،‬‬
‫لكوهنا مفاجئة وعشوائية احلدوث مثل احلروب والفيضانات والزالزؿ وبقية العوامل ادلؤثرة يف طلب السلع واخلدمات‬
‫بشكل غَت متوقع‪.‬‬
‫مثل ىذه التغَتات العرضية يصعب التنبؤ هبا وتتصف بفجائيتها وقصر الفًتة الزمنية اليت ربدث فيها‪ ،‬وبالنظر لعدـ أعليتها‬
‫فإنو ؽلكن إزالة تأثَتىا على بيانات السلسلة الزمنية للحصوؿ على سلسلة خالية من التغَتات غَت ادلنتظمة وغالبا ما يشار‬
‫إليها بالتغَتات ادلتبقية‪.‬‬
‫شكل‪ 1‬مكونات السمسمة الزمنية‬
‫ادلصدر ‪ :‬مقتبس بتصرؼ من ادلرجع زلمد أبوصاحل وعدناف زلمد عوض (مقدمة يف اإلحصاء) دار ‪ 1983 USA, A WILEY ARABOOK‬الصفحة ‪.276‬‬
‫يف حلظة زمنية ‪ t‬ىي بداللة ادلكونات السابقة الذكر ويكتب ىذا عالقة بػ‪:‬‬ ‫‪Yt‬‬ ‫إف القيم ادلشاىدة‬
‫) ‪ y t  f ( Tt , C t , S t , e t‬لكن باستبعاد الدورات ألهنا يف الغالب ربدث يف السالسل الزمنية الطويلة جداً نكتب‪:‬‬
‫) ‪ y t  f ( Tt , S t , e t‬وؽلكن سبثيل ىذه الدالة بالنماذج التالية ‪:‬‬
‫‪6‬‬
‫‪y t  Tt  S t  e t ...............................‬‬ ‫‪ -‬النمػوذج التجميعػي‬
‫‪y‬‬ ‫‪t‬‬ ‫‪ Tt . S t . e t ..................................‬‬ ‫‪ -‬النمػوذج اجلػدائػي‬
‫‪ -‬النمػوذج ادلختلػػط ‪y t  ( Tt . S t )  e t ..............................‬‬
‫ؽلكػن معرفػػة طبػػيعة النمػػوذج عػػن طريػػق حسػػاب ادلتوسػػط احلسػػايب واالضلػراؼ ادلعيػػاري للسلسػػلة‪ ،‬فػػإذا كػػاف ىػػذين األخػَتين‬
‫ػوذج ذبميعيػاً‪ ،‬وإذا كػاف غػَت ذلػػك فالسلسػلة تشػكل ظلوذجػاً جػدائياً‪ ،‬وعنػػد‬
‫ثػابتُت يف وحػدة الػػزمن‪ ،‬فػإف السلسػلة تشػػكل ظل ً‬
‫إدخاؿ اللوغاريتم على النموذج اجلدائي أو النموذج ادلختلط ضلصل على ظلوذج ذبميعي عادي‪.‬‬
‫‪ -‬ونستطيع إظهار أشكاؿ السلسلة الزمنية وذلك من خالؿ الرسومات التالية‪.‬‬
‫شكل‪ 2‬نماذج السمسمة الزمنية‬
‫النموذج التجميعي‪.‬‬
‫النموذج اجلدائي‪.‬‬
‫* طرق الكشف عن نوع النموذج‪:‬‬

‫‪4‬‬
‫أ ‪ -‬الطرؽ اإلحصائية‪:‬‬
‫أ‪ -1-‬طريقة الوسط ادلستوى‪:‬‬
‫‪ -‬تستعمل ىذه الطريقة إذا ما كانت السنة مقسمة إذل عدة فًتات و ذلذه الطريقة خطوتاف‪:‬‬
‫‪ 4‬جالطو اجليالرل‪ " ،‬االحصاء مع سبارين ومسائل زللولة "‪ ،‬ديواف ادلطبوعات اجلامعية‪ ،‬اجلزائر‪ .1021 ،‬ص‪.254‬‬
‫‪7‬‬
‫‪ -‬حساب الوسط احلسايب السنوي لكل سنة‪.‬‬
‫‪ -‬حساب الفرؽ بُت القيم األصلية اخلاصة بكل سنة و الوسط السنوي ادلقابل ذلا فإذا كانت ىذه الفرؽ تشكل متوالية‬
‫حسابية آو قيم متقاربة نستنتج أف ظلوذج السلسة الزمنية ىو ظلوذج ذبميعي أما إذا شكلت متتالية ىندسية فإننا يف حالة‬
‫النموذج اجلدائي‪.‬‬
‫أ‪ -2-‬طريقة االضلراؼ ادلعياري السنوي‪:‬‬
‫ذلذه الطريقة خطوة واحدة و ىي ربديد االضلراؼ ادلعياري السنوي لكل سنة فإذا كانت قيم االضلرافات ادلعيارية متساوية‬
‫فإننا يف حالة ظلوذج ذبميعي أما إذا كانت متباعدة فنحن يف حالة ظلوذج مضاعف‪.‬‬
‫أ‪ -3-‬طريقة ادلعادلة االضلدارية‪:‬‬
‫تعترب من أىم الطرؽ و تعتمد على قيمة معامل االضلدار للمعادلة التالية‪:‬‬
‫فهنا من خالؿ معامل االضلدار نعرؼ نوع السلسة فاذا كاف‪:‬‬

‫← ظلوذج ذبميعي‪.‬‬
‫← ظلوذج جدائي‪.‬‬
‫← ظلوذج سلتلط‪.‬‬
‫مثاؿ تطبيقي‪ :‬اجلدوؿ ادلبُت أدناه يضم ادلتوسطات احلسابية وكذا االضلرافات ادلعيارية احملسوبة انطالقا من رلموعة من‬
‫ادلشاىدات السنوية‪:‬‬
‫‪t‬‬ ‫̅‬ ‫𝝈‬
‫باستخداـ معطيات اجلدوؿ مت تقدير معادلة االضلدار التالية‪:‬‬
‫‪‌ 2013‬‬ ‫‪‌ 2652.8‬‬ ‫‪‌ 850.7‬‬
‫‪ σ‬و ذلك باستخداـ طريقة ادلربعات‬ ‫̅‬
‫‪‌ 2014‬‬ ‫‪‌ 2650.3‬‬ ‫‪‌ 782.3‬‬
‫‪‌ 2015‬‬ ‫‪‌ 3029.4‬‬ ‫‪‌ 803.6‬‬ ‫الصغرى العادية‪ .‬ومت العثور على النتائج التالية‪:‬‬
‫‪‌ 2016‬‬ ‫‪‌ 3415.8‬‬ ‫‪‌ 946.6‬‬
‫‪‌ 2017‬‬ ‫‪‌ 3525.3‬‬ ‫‪‌ 1023.4‬‬ ‫̂‬ ‫̂‬
‫̂ و بالتارل فاف ىذه السلسلة من النوع اجلدائي‪.‬‬ ‫نالحظ يف ىذه احلالة أف ادلقدر‬
‫ب ‪ -‬الطريقة البيانية‪:‬‬
‫كما قد سبق ذكره فاف السلسة الزمنية تأخذ احد األشكاؿ الثالث إما ذبميعي أو جدائي أو سلتلط وتعطى صيغتها على‬
‫العموـ كما يلي‪:‬‬
‫ب ‪ -1-‬النموذج التجميعي ‪ :‬يفًتض ىذا النموذج أف العالقة بُت العناصر األربعة تكوف مستقلة ال تؤثر يف بعضها‬
‫‪5‬‬
‫البعض و ال تتأثر بقيمة غَتىا من ادلكونات و تأخذ على الشكل التارل‪:‬‬
‫‪ 5‬مولود حشماف‪" ،‬ظلاذج وتقنيات التنبؤ القصَت ادلدى"‪ ،‬ديواف ادلطبوعات اجلامعية‪ ،‬اجلزائر‪ ،2998 ،‬ص‪.52‬‬
‫‪8‬‬
‫حيث ؽلكن حصر قمم ادلنحٌت البياين للسلسة بُت خطي مستقيمُت و متوازيُت‪.‬‬
‫ب ‪ 2-‬النموذج اجلدائي‪:‬يفًتض ىذا النموذج وجود عالقة بُت ادلكونات األربعة للسلسلة الزمنية و ىي على النحو‬
‫‪6‬‬
‫التارل‪:‬‬
‫و ال ؽلكن حصر ىذه القمم يف خطي متوازيُت‪.‬‬
‫كيفيت‌انكشف‌عٍ‌يشكباث‌انسهسهت‌انضيُيت‌(طشق‌انكشف)‪:‬‬ ‫‪.4‬‬
‫ىناؾ العديد من اختبارات الكشف عن مركبات السلسة الزمنية و ضلن نعلم انو ؽلكن الكشف عنها من خالؿ ربليل‬
‫ادلعلومات بيانيا و ذلك من خالؿ دراسة و ربليل الظروؼ اليت تولدت عنها ىذه السلسلة فإذا كاف احمليط مستقرا تكوف‬
‫السلسة حىت ىي مستقرة و العكس صحيح و تتمثل مركبة االذباه العاـ يف تلك ادلركبة اليت تدفع بادلنحٌت ضلو الزيادة أو‬
‫النقصاف حسب ميلو‪.‬‬
‫‪ -‬تتمثل ادلركبة الفصلية على ىيئة قمم بشكل منتظم يسمح لنا ربديد فًتة حدوثها‪.‬‬
‫‪ -‬تتمثل ادلركبة العشوائية يف االلتواءات اليت تشوش ادلركبات ادلنتظمة‪.‬‬
‫لكن التحليل البياين لوحده ال يكفي لكشف ادلركبات اجلوىرية للسلسة الزمنية و على أساس ىذا نلجأ الختبارات‬
‫اإلحصائية‪.‬‬
‫‪-2-4‬انكشف‌عٍ‌االحجاِ‌انعاو‪‌ :‬‬
‫‪‌-2-2-4‬طشيقت‌االخخباساث‌انحشة‌‪:‬‬
‫و مسيت باحلرة الف ادلتغَت العشوائي ‪  t‬ال ؼلضع ألي توزيع احتمارل علما انو من بُت فرضيات طريقة ادلربعات الصغرى و‬
‫‪7‬‬
‫صلد فيها عدة اختبارات‪.‬‬
‫أ ػ اختبار التوارل(تعاقب اإلشارات) ‪: Run Test‬‬
‫وىو يستعمل دلعرفة مدى عشوائية السلسة الزمنية و يدعى باختبار العشوائية وىو يستعمل يف التحقيق من وجود مركبة‬
‫االذباه العاـ يف السلسلة الزمنية‪ ،‬و ىو يقوـ على الفرضتُت التاليتُت‪:‬‬
‫‪ :H0‬السلسلة عشوائية (ال يوجد اذباه عاـ)‪.‬‬
‫‪ :‌H1‬يوجد اذباه عاـ‪.‬‬
‫و يكوف ذلك من خالؿ ترتيب ادلشاىدات من اصغر قيمة إذل اكرب قيمة‪.‬‬
‫‪ -‬حساب الوسيط ( )‪ ،‬وىي ادلشاىدات ادلقابلة للرتبة ‪m‬حيث‪:‬‬
‫‪T -‬فردي‪m=(T+1)/2:‬‬
‫‪T -‬زوجي‪m=T/2 :‬‬
‫وموجبة دلن ىي اكرب‪.‬‬ ‫‪ -‬إعطاء إشارة سالبة للقيم اليت ىي اصغر من‬
‫‪6‬مولود حشماف‪ ،‬مرجع سابق‪ ،‬ص‪.51‬‬

‫‪7‬حالطو جيالرل‪،‬مرجع سابق ‪،‬ص‪246‬‬
‫‪9‬‬
‫و الذي ؽلثل عدد مرات توارل االشارة من ادلوجب اذل السالب او العكس نأخذ القرار على أساس‪:‬‬ ‫‪ -‬حساب‬
‫فاف‬ ‫‪ -‬دلا ‪:‬‬
‫| |‬ ‫‪-‬‬
‫√‬
‫سبثل القيم العليا والدنيا من اجلدوؿ على الًتتيب‪.‬‬
‫فاف السلسة ربتوي على االذباه العاـ‪.‬‬
‫وذلذا نتوقع حسب ‪-‬ىذا االختبار اف تكوف ‪R‬ضعيفة يف حالة وجود مركبة االذباه العاـ وتكوف معتربة يف حالة عدـ‬
‫وجودىا‪.‬‬
‫مثاؿ تطبيقي‪ :‬التأ كد من وجود مركبة االذباه العاـ يف ادلعطيات التالية اخلاصة دببيعات مؤسسة ما‪ ،‬من سنة ‪ 2003‬اذل‬
‫غاية سنة ‪ 2017‬باستعماؿ ىذا االختبار واألرقاـ معطاة بادلاليُت‪.‬‬
‫‪t‬‬ ‫المشاهدة‬
‫‪2003‬‬ ‫‪14.12‬‬
‫نالحظ ىنا اف الًتتيب الزمٍت ىو نفسو الًتتيب التصاعدي إذا وباستعماؿ‬
‫‪2004‬‬ ‫‪14.42‬‬ ‫العالقات السابقة صلد‪‌ :‬‬
‫‪2005‬‬ ‫‪16.12‬‬ ‫← ‪Md=18,96‬‬ ‫‪m=8‬‬
‫‪2006‬‬ ‫‪16.78‬‬ ‫وكذا‪‌ R=2‌:‬‬
‫‪17.34‬‬
‫و من اجلدوؿ نستخرج قيميت احلد االدىن و االعلى و ىي‪:‬‬
‫‪2007‬‬
‫‪2008‬‬ ‫‪17.86‬‬
‫‪.Rl=14.12, Ru =23.45‬‬
‫‪2009‬‬ ‫‪18.37‬‬
‫‪2010‬‬ ‫‪18.96‬‬ ‫‪‌ ،‬وبالتارل فالسلسلة ربتوي على مركبة‬ ‫‪R< Rl < Ru‬‬ ‫كوف‬ ‫‪H0‬‬ ‫القرار‪ :‬رفض‬
‫‪2011‬‬ ‫‪19.56‬‬
‫االذباه العاـ‪.‬‬
‫‪2012‬‬ ‫‪20.19‬‬ ‫‌‬
‫‌‬
‫‪2013‬‬ ‫‪20.84‬‬
‫ب ‪ -‬اختبار نقطة االنعطاؼ ‪:Turning point‬‬
‫‪2014‬‬ ‫‪21.52‬‬
‫‪2015‬‬ ‫‪22.19‬‬
‫حسب ىذا االختبار تعترب نقطة االنعطاؼ تلك الفًتة اليت تكوف اإلشارة فيها‬
‫‪2016‬‬ ‫‪22.81‬‬ ‫سلتلفة عن إشارة الفًتة السابقة فإذا كانت السلسة الزمنية عشوائية بدوف اذباه‬
‫‪2017‬‬ ‫‪23.45‬‬
‫عاـ‪ ،‬فاف توزيع عدد مرات تغَت اإلشارة يكوف تقريبا طبيعيا حىت بالنسبة للعينات‬
‫الصغَتة ‪،‬شلا يستدعى االستعانة جبداوؿ التوزيع الطبيعي الستخراج القيم احلرجة و يكوف االختيار ىنا‪:‬‬
‫‪ -‬حساب الفروؽ من الدرجة األوذل للسلسة ادلعنية‪.‬‬
‫‪ -‬إعطاء إشارة موجبة للفروؽ ادلوجبة و سالبة للفروؽ السالبة‪.‬‬
‫‪.‬‬ ‫و يستعمل يف حالة العينات األكرب من‬ ‫وىو عدد ادلرات تغَت االشارة يف‬ ‫يرمز ذلذا االختبار‬
‫| |‬ ‫‪⁄‬‬ ‫‪ :‬ال يوجد اذباه عاـ‪ ،‬اذا كاف ‪:‬‬ ‫ترفض الفرضية‬
‫‪10‬‬
‫√‬
‫مثاؿ تطبيقي‪ :‬اجلدوؿ التارل ػلوي على ‪ 12‬مشاىدة متعلقة باستهالؾ رلموعة من العائالت‪:‬‬
‫‪12‬‬ ‫‪11‬‬ ‫‪10‬‬ ‫‪9‬‬ ‫‪8‬‬ ‫‪7‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪1‬‬ ‫‪t‬‬
‫‪282‬‬ ‫‪273‬‬ ‫‪264‬‬ ‫‪261‬‬ ‫‪271‬‬ ‫‪261‬‬ ‫‪256‬‬ ‫‪253‬‬ ‫‪272‬‬ ‫‪263‬‬ ‫‪258‬‬ ‫‪255‬‬ ‫‪Ct‬‬
‫‪8‬‬ ‫‪9‬‬ ‫‪1‬‬ ‫‪-20‬‬ ‫‪20‬‬ ‫‪6‬‬ ‫‪3‬‬ ‫‪28-‬‬ ‫‪8‬‬ ‫‪5‬‬ ‫‪3‬‬ ‫‪....‬‬ ‫انفشق‬
‫‪+‬‬ ‫‪+‬‬ ‫‪+‬‬ ‫‪-‬‬ ‫‪+‬‬ ‫‪+‬‬ ‫‪+‬‬ ‫‪-‬‬ ‫‪+‬‬ ‫‪+‬‬ ‫‪+‬‬ ‫‪.....‬‬ ‫اإلشاسة‬
‫دبا أف عدد ادلشاىدات‪ T>10 :‬فانو ؽلكننا تطبيق ىذا االختبار‪.‬‬

‫‪=5‬‬ ‫يف ىذا ادلثاؿ لدينا‪:‬‬
‫‪.|Z|=1.23‬‬ ‫‪ ،‬صلد ‪:‬‬ ‫‪4 ،‬‬ ‫و بتطبيق العالقتُت ‪:‬‬
‫‪⁄‬‬
‫لدينا أيضا‪:‬‬
‫أي التسليم بعشوائية السلسلة الزمنية و بالتارل فاف السلسلة‬ ‫‪H0‬‬ ‫| ‪ ،‬فانو سيتم قبوؿ الفرضية‬ ‫|‬ ‫‪⁄‬‬
‫دبا أف‪:‬‬
‫الزمنية ال ربتوي على اذباه عاـ‪.‬‬
‫ج‪ -‬اختبار اإلشارة ‪:Sign test‬‬
‫يعتمد اختبار اإلشارة ) ( على إشارة الفروؽ من الدرجة األوذل من موجبة و سالبة‪.‬‬
‫‪ -‬ربديد عدد الفروؽ ادلوجبة و عدد الفروؽ الغَت صفرية ‪.n‬‬
‫‪ -‬يستعملو دلا ‪n ≥ 20‬‬
‫√‬
‫‪4‬‬
‫أي يوجد أذباه عاـ‪.‬‬ ‫| | ترفض الفرضية‬ ‫‪⁄‬‬ ‫دلا ‪:‬‬
‫مثاؿ تطبيقي‪ :‬اجلدوؿ التارل يضم رلموعة من ادلشاىدات احملسوبة على أساس الفروقات من الدرجة‬
‫االوذل للمتغَت ‪:Yt‬‬
‫‪12‬‬ ‫‪11‬‬ ‫‪10‬‬ ‫‪9‬‬ ‫‪8‬‬ ‫‪7‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪1‬‬ ‫‪t‬‬
‫‪14-‬‬ ‫‪41‬‬ ‫‪22‬‬ ‫‪11-‬‬ ‫‪39-‬‬ ‫‪56‬‬ ‫‪0‬‬ ‫‪10-‬‬ ‫‪-31‬‬ ‫‪45‬‬ ‫‪9‬‬ ‫‪-‬‬ ‫‪∆Yt‬‬
‫‪14‬‬ ‫‪13‬‬ ‫‪11‬‬ ‫‪12‬‬ ‫‪10‬‬ ‫‪29‬‬ ‫‪28‬‬ ‫‪27‬‬ ‫‪26‬‬ ‫‪25‬‬ ‫‪24‬‬ ‫‪23‬‬ ‫‪t‬‬
‫‪-14‬‬ ‫‪34‬‬ ‫‪22‬‬ ‫‪-22‬‬ ‫‪-49‬‬ ‫‪50‬‬ ‫‪8‬‬ ‫‪-39‬‬ ‫‪-24‬‬ ‫‪53‬‬ ‫‪5‬‬ ‫‪-30‬‬ ‫‪∆Yt‬‬
‫‪11‬‬
‫من اجلدوؿ ادلبُت أعاله‪ ،‬نستنتج ما يلي‪:‬‬
‫عدد االشارات ادلوجبة ‪.v=11‬‬ ‫‪‬‬
‫عدد الفروقات غَت الصفرية ‪.n=22‬‬ ‫‪‬‬
‫اذا‪:‬‬
‫√‬ ‫‪4‬‬ ‫𝜇 ‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌و‪:‬‬ ‫بينما‪:‬‬
‫و بالتارل صلد‪:‬‬
‫|‬ ‫‪⁄‬‬ ‫|‬ ‫𝛼 ←‬ ‫لدينا‪:‬‬

‫دبعٌت اف السلسلة عشوائية و بالتارل فاف السلسلة الزمنية خالية من‬ ‫‪H0‬‬ ‫| ‪ ،‬فإننا سنقبل الفرضية‬ ‫|‬ ‫‪⁄‬‬ ‫دبا أف‪:‬‬
‫مركبة اذباه عاـ‪.‬‬
‫د ‪ -‬اختبار دانياؿ ‪:Daniel test‬‬
‫يعترب أقوى و أحسن اختبار وىو يستعُت دبعاملة االرتباط لسيربماف ‪ coefficient de Spearman‬وىو يعتمد‬
‫على قياس االرتباط اخلطي بُت ترتيبُت الًتتيب التصاعدي ‪ Rt‬و الزمٍت ‪ t‬وبتعبَت رياضي‪:‬‬
‫و منو معاملة االرتباط النظري يعرؼ بػ‪:‬‬
‫√‬
‫)‪Var(Rt) = Var(t‬‬ ‫أين‪:‬‬

‫∑‬ ‫–‬
‫∑‬ ‫̅‬
‫و يف حالة سلسلة غَت مكررة ادلشاىدات‪:‬‬
‫و لتبسيط ىذا ادلعامل يعطي على الشكل التارل‪:‬‬

‫∑‬
‫و‬ ‫معامل ارتباط خطي فاف‪:‬‬ ‫∑ ىو الفرؽ بُت الًتتيب التصاعدي والزمٍت أي‪ dt = (Rt – t) :‬و كوف أف‬
‫‪.1-≥ ≥1‬‬
‫‪:T‬عدد ادلشاىدات‪.‬‬
‫‪،‬يتم رفض ‪ H0‬حسب حجم العينة‪ ،‬دلا‪:‬‬ ‫فبعد حساب معامل االرتباط اخلطي‬
‫‪12‬‬
‫| |‬ ‫‪⁄‬‬ ‫‪ -‬يف العينات الصغَتة‬
‫| |‬ ‫‪⁄‬‬ ‫‪ -‬العينات الكبَتة‬
‫حيث‪:‬‬
‫‪…………1‬‬
‫‪⁄‬‬
‫√‬
‫‪1‬‬ ‫√‬
‫مثاؿ تطبيقي‪ :‬باستعماؿ نفس ادلعلومات السابقة للجدوؿ اخلاص باختبار التوارل صلري ىذا االختبار‪:‬‬
‫‪12‬‬ ‫‪11‬‬ ‫‪10‬‬ ‫‪9‬‬ ‫‪8‬‬ ‫‪7‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪1‬‬ ‫الزمن‬
‫‪12‬‬ ‫‪11‬‬ ‫‪8‬‬ ‫‪5.5‬‬ ‫‪10‬‬ ‫‪5.5‬‬ ‫‪3‬‬ ‫‪1‬‬ ‫‪9‬‬ ‫‪7‬‬ ‫‪4‬‬ ‫‪2‬‬ ‫انشحبت‬
‫‪0‬‬ ‫‪0‬‬ ‫‪2‬‬ ‫‪3.5‬‬ ‫‪-2‬‬ ‫‪1.5‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪-5‬‬ ‫‪-4‬‬ ‫‪-2‬‬ ‫‪-1‬‬ ‫‪d‬‬
‫‪0‬‬ ‫‪0‬‬ ‫‪4‬‬ ‫‪12.25‬‬ ‫‪4‬‬ ‫‪2.25‬‬ ‫‪9‬‬ ‫‪16‬‬ ‫‪25‬‬ ‫‪16‬‬ ‫‪4‬‬ ‫‪1‬‬ ‫‪d2‬‬
‫∑‬ ‫‪4‬‬
‫‪44‬‬
‫‪⁄‬‬ ‫‪4‬‬ ‫←‬ ‫‪T=12 . 𝛼 =5%‬‬
‫‪ ،‬أي أنو يوجد أذباه عاـ‪.‬‬ ‫فانو سيتم رفض الفرضية العدمية‬ ‫‪⁄‬‬ ‫دبا أف ‪:‬‬
‫‪-2-1-4‬االختبارات الغَت حرة ‪: Parametric test‬‬

‫ىذه الطريقة تكمن يف افًتاض وجود مركبة اذباه عاـ يف السلسة الزمنية إضافة إذل أهنا تسمح دبعرفة التوزيع االحتمارل‬
‫لألخطاء أي‪:‬‬
‫→‬ ‫حيث‬
‫‪8‬‬
‫وبعد ربديد شكل الدالة يتم تقدير معادلها مث اختبار معنوية معلمة االذباه العاـ باستعماؿ إحصائية ‪.Student‬‬
‫‪-1-4‬انكشف‌عٍ‌انًىسًيت‪:‬‬
‫على العموـ ؽلكن معرفة أف السلسة الزمنية ربتوي على ادلركبة الفصلية بكل بساطة و ذلك عند معرفة موضوع السلسة‬
‫الزمنية مسبقا فعلى سبيل ادلثاؿ الطلب على غازات التدفئة أو الطلب على ادلربدات فهذا دليل على أف الطلب مرتفع يف‬
‫وقت معُت على حساب فًتة أخرى ‪،‬و لكن ىذه ادلعرفة السطحية ال تفي بالغرض لذا يتم اللجوء عادة إذل اختبارات‬
‫إحصائية لعل أعلها‪:‬‬
‫‪ 8‬مولود حشماف "السالسل الزمنية و تقنيات التنبؤات يف ادلدى القصَت" ديواف ادلطبوعات اجلامعية اجلزائر ‪،‬الطبعة الثالثة‪،1020،‬ص‪.32‬‬
‫‪13‬‬
‫‪ :‬فيعترب ىذا األخَت من أىم االختبارات استعماال للتأكد من وجود أو عدـ وجود مركبة‬ ‫أ‪-‬‬
‫‪ ،‬و ىو يقوـ على الفرضتُت التاليتُت‪:‬‬ ‫مومسية ‪،‬و يرمز لو بالرمز‬
‫‪ :H0‬السلسلة الزمنية زبلو من ادلومسية‪.‬‬
‫‪ :‌H1‬السلسة الزمنية ربتوي على مركبة مومسية‪.‬‬
‫‪9‬‬
‫و لو عالقة ذبريبية تعطي بالشكل التارل‪:‬‬
‫∑‬
‫→‬ ‫كدرجة حرية ‪:‬‬ ‫علما أف ىذا االختبار يتبع توزيع كاي مربع ب‬
‫حيث أف ‪:‬‬
‫‪ :‬رلموع رتب الفصل‪.‬‬
‫‪:‬عدد القيم أو ادلشاىدات ادلقابلة للفصل‪.‬‬
‫و من اجل تطبيق ىذا االختبار تتبع‬ ‫‪:‬دورية ادلركبة الفصلية فاذا كانت السلسة مقسمة اذل ثالثيات فاف ‪4‬‬
‫اخلطوات اآلتية‪:‬‬
‫‪ -1‬إبعاد االذباه العاـ‪.‬‬
‫مت تعديل ىذه الرتب‪.‬‬ ‫‪ -2‬ربديد وجود أو عدـ وجود ادلومسية من خالؿ ربديد الرتب‬
‫عند مستوى معنوية 𝛼ودرجة حرية‬ ‫‪ -3‬ربديد القيم اجملدولة ؿ‬
‫نقوؿ اف السلسة ربتوي على مركبة مومسية‪.‬‬ ‫‪ - 4‬مقارنة القيم احملسوبة مع اجلد ولية إذا كانت‬
‫مثاؿ تطبيقي‪‌:‬لدينا ادلعطيات التالية حوؿ متغَت اجتماعي معُت خالؿ الفًتة ‪1027.4-1023.2‬‬
‫ادلطلوب‪ :‬كشف ادلركبة الفصلية باستخداـ اختبار‪ Kruskall-Wallis‬؟‬
‫مشاهدة‬ ‫سنة‪/‬فصل‬ ‫مشاهدة‬ ‫سنة‪/‬فصل‬ ‫مشاهدة‬ ‫سنة ‪/‬فصل‬
‫‪60‬‬ ‫‪3‬‬ ‫‪31‬‬ ‫‪4‬‬ ‫‪24‬‬ ‫‪2013/1‬‬
‫‪36‬‬ ‫‪4‬‬ ‫‪21‬‬ ‫‪2015/1‬‬ ‫‪10‬‬ ‫‪1‬‬
‫‪6‬‬ ‫‪‌1027/2‬‬ ‫‪21‬‬ ‫‪1‬‬ ‫‪44‬‬ ‫‪3‬‬
‫‪22‬‬ ‫‪1‬‬ ‫‪68‬‬ ‫‪3‬‬ ‫‪12‬‬ ‫‪4‬‬
‫‪64‬‬ ‫‪3‬‬ ‫‪19‬‬ ‫‪4‬‬ ‫‪20‬‬ ‫‪2014/1‬‬
‫‪50‬‬ ‫‪4‬‬ ‫‪7‬‬ ‫‪1026/2‬‬ ‫‪29‬‬ ‫‪1‬‬
‫‪28‬‬ ‫‪1‬‬ ‫‪64‬‬ ‫‪3‬‬
‫بعد ترتيب ىذه ادلشاىدات ضلصل على اجلدوؿ التارل‪:‬‬

‫‪2‬‬ ‫‪2015/1‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪2014/1‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪2013/1‬‬ ‫‪T‬‬
‫‪21‬‬ ‫‪21‬‬ ‫‪31‬‬ ‫‪64‬‬ ‫‪29‬‬ ‫‪20‬‬ ‫‪12‬‬ ‫‪44‬‬ ‫‪10‬‬ ‫‪24‬‬ ‫مشاىدة‬
‫‪9‬جيالرل جالطو ‪،‬مرجع سابق ذكره‪،‬ص‪.051‬‬

‫‪14‬‬
‫‪5‬‬ ‫‪5‬‬ ‫‪23‬‬ ‫‪28‬‬ ‫‪9‬‬ ‫‪3‬‬ ‫‪22‬‬ ‫‪25‬‬ ‫‪20‬‬ ‫‪7‬‬ ‫الرتبة‬
‫‪4‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪2017 /1‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪2016/1‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪T‬‬
‫‪50‬‬ ‫‪64‬‬ ‫‪22‬‬ ‫‪6‬‬ ‫‪36‬‬ ‫‪60‬‬ ‫‪28‬‬ ‫‪7‬‬ ‫‪19‬‬ ‫‪68‬‬ ‫مشاىدة‬
‫‪26‬‬ ‫‪28‬‬ ‫‪4‬‬ ‫‪2‬‬ ‫‪24‬‬ ‫‪27‬‬ ‫‪8‬‬ ‫‪1‬‬ ‫‪21‬‬ ‫‪10‬‬ ‫الرتبة‬
‫ويكوف الًتتيب حسب الفصل كالتارل(ترتيب الرتب)‪:‬‬

‫المجموع‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪1‬‬ ‫فصل‪ /‬سنة‬
‫‪28.5‬‬ ‫‪2‬‬ ‫‪1‬‬ ‫‪5.5‬‬ ‫‪3‬‬ ‫‪7‬‬ ‫‪1‬‬
‫‪36.5‬‬ ‫‪4‬‬ ‫‪8‬‬ ‫‪5.5‬‬ ‫‪9‬‬ ‫‪20‬‬ ‫‪2‬‬
‫‪89‬‬ ‫‪28.5‬‬ ‫‪27‬‬ ‫‪10‬‬ ‫‪28.5‬‬ ‫‪25‬‬ ‫‪3‬‬
‫‪66‬‬ ‫‪26‬‬ ‫‪24‬‬ ‫‪21‬‬ ‫‪23‬‬ ‫‪22‬‬ ‫‪4‬‬
‫‪‌:‬‬ ‫باستخداـ العالقة التجريبية التالية ؿ‬
‫∑‬
‫‌‪‌‌‌‌‌‌‌‌T=20‬و‌ ‪‌ .n1 = n2 = n3 = n4 =5‬‬ ‫أيضا‪‌‌‌:‬‬ ‫‌ولدينا‬

‫نتحصل على النتيجة التالية‪‌ :‬‬
‫*‬ ‫‪+‬‬
‫→‌‬ ‫‪4‬‬
‫عند مستوى معنوية قدره‬ ‫انطالقا من اجلدوؿ االحصائي لكاي مربع يتم ربديد القيمة اجلدولية ؿ‬
‫‪ 5%‬ودرجة حرية =‪ ، 3‬و ىذا على الشكل التارل‪‌ :‬‬
‫فاننا نرفض فرضية العدـ ‪ H0‬و نقبل الفرضية البديلة ‪ ، H1‬و بالتارل فاف السلسة الزمنية‬ ‫دبا أف‬
‫ربتوي على مركبة مومسية‪.‬‬
‫ب‪ -‬الطريقة االضلدارية‪:‬‬
‫من ادلؤشرات و اليت يعرب عنها بنفس العدد من ادلتغَتات‬ ‫تتمثل يف افًتاض وجود ادلركبة الفصلية يف السلسلة الزمنية ب‬
‫التمثيلية اليت يتم تقدير معلماهتا بطريقة ادلربعات الصغرى‪.‬‬
‫ج‪-‬دالة االرتباط الذايت‪ :‬و يعتمد على فكرة االرتباط بُت ادلشاىدات و يف فًتات سلتلفة و تظهر ادلومسية يف الرسم البياين‬
‫على شكل قمم أو اطلفاضات يف فًتات زمنية معينة ‪ ،‬و يتم حساب تلك ادلعلمات وفق العالقة التالية أين‬
‫حيث أف ‪410‬‬
‫‪10‬مولود حشماف ‪،‬مرجع سابق ذكره ص ‪.55‬‬

‫‪15‬‬
‫∑‬ ‫̅‬ ‫̅‬
‫∑‬ ‫̅‬
‫‪:11‬‬ ‫* اختبار‬
‫صلد عدة اختبارات ؽلكننا الكشف هبا عن مكونات السلسلة الزمنية‪ ،‬أعلها وأكثرىا استعماال اختبار ‪ Buys-Ballot‬ومن‬
‫أجل القياـ هبذا االختبار غلب أف نتبع ادلراحل التالية‪:‬‬
‫‪ -‬المرحلة األولى‪ :‬التمثيل البياني للسلسة الزمنية وإنشاء جدول ‪:Buys-Ballot‬‬
‫وػلتوي ىذا اجلدوؿ على بيانات للمبيعات احملققة خالؿ عدة سنوات‪ ،‬ومتوسط ادلبيعات واضلرافها ادلعياري لكل‬
‫سنة من جهة‪ ،‬ومن جهة أخرى على متوسط ادلبيعات واضلرافها ادلعياري لكل فصل إذا كانت البيانات فصلية‪ ،‬ومتوسط‬
‫ادلبيعات واضلرافها ادلعياري لكل شهر إذا كانت البيانات شهرية‪ ،‬وأخَتا ػلتوي على ادلتوسط العاـ واضلراؼ ادلعياري العاـ‪.‬‬
‫‪ -‬المرحلة الثانية‪ :‬تحليل التباين واختبار فيشر )‪:(Fisher‬‬
‫ليكن لدينا‪:‬‬
‫‪ : n‬عدد ادلشاىدات‪.‬‬
‫إذا كانت البيانات شهرية ‪...‬‬ ‫‪P  12‬‬ ‫‪ : P‬عدد ادلالحظات يف السنة ( ‪ P  4‬إذا كانت البيانات فصلية‪،‬‬
‫اخل)‪.‬‬
‫و ‪. j  1,2,3,..., P‬‬ ‫‪i  1,2,3,..., N‬‬ ‫‪ : xij‬قيم السلسلة الزمنية من أجل‬
‫‪ : N‬عدد السنوات‪.‬‬
‫لنفرض أف السلسلة الزمنية تأخذ الصيغة التالية‪:‬‬
‫‪xij  mij  eij‬‬
‫حيث أف‪:‬‬
‫‪ : eij‬اخلطأ العشوائي مع العلم أف ) ‪. eij  N (0, 2‬‬
‫‪ : mij‬العناصر ادلكونة للسلسلة الزمنية‪.‬‬
‫والتباين الكلي يأخذ الصيغة التالية‪:‬‬
‫‪ x‬‬ ‫‪ x.. ‬‬
‫‪N‬‬ ‫‪P‬‬
‫‪ST ‬‬
‫‪2‬‬
‫‪ij‬‬
‫‪i 1‬‬ ‫‪j 1‬‬
‫مع‪:‬‬
‫‪N‬‬ ‫‪P‬‬
‫‪1‬‬
‫‪x.. ‬‬
‫‪N .P‬‬
‫‪ x‬‬
‫‪i 1‬‬ ‫‪j 1‬‬
‫‪ij‬‬
‫‪ : ST‬رلموع التباين الكلي مربع‪.‬‬
‫‪11 Régis Bourbonnais, Michel Terraza. (2016), « Analyse des séries temporelles : Cours et exercices corrigés -‬‬
‫‪Applications à l'économie et à la gestion», 4ème édition, Dunod, Paris, France, p21.‬‬
‫‪16‬‬
‫‪ : x..‬ادلتوسط العاـ للسلسلة الزمنية‪.‬‬
‫‪1 P‬‬
‫‪xi . ‬‬ ‫‪ xij‬‬
‫‪P j 1‬‬
‫متوسط السنة ‪: i‬‬
‫‪1 N‬‬
‫‪x. j‬‬ ‫‪‬‬ ‫‪ xij‬‬
‫‪N i 1‬‬
‫متوسط الفًتة ‪: j‬‬
‫جدول ‪ 1‬تحميل التباين لمكشف عن التغيرات الموسمية و االتجاه العام‬

‫مجموع المربعات‬ ‫درجة الحرية‬ ‫التباين‬ ‫العناصر‬
‫‪P‬‬
‫‪S P  N  ( x. j  x.. ) 2‬‬ ‫‪P 1‬‬ ‫‪vP ‬‬
‫‪SP‬‬ ‫الفترة‬
‫‪j 1‬‬
‫‪P 1‬‬
‫‪N‬‬ ‫‪SA‬‬ ‫السنة‬
‫) ‪S A  N  ( xi.  x..‬‬ ‫‪2‬‬ ‫‪N 1‬‬ ‫‪vA ‬‬
‫‪N 1‬‬
‫‪i 1‬‬
‫‪N‬‬ ‫‪P‬‬ ‫‪SR‬‬ ‫البواقي‬
‫) ‪S R   ( xij  xi.  x. j  x..‬‬ ‫)‪( P  1)( N  1‬‬ ‫‪vR ‬‬
‫)‪( P  1)( N  1‬‬
‫‪i 1 j 1‬‬
‫‪ST‬‬ ‫‪N .P  1‬‬ ‫‪vT ‬‬

‫‪ST‬‬ ‫المجموع‬
‫‪N .P  1‬‬
‫‪Source: Régis Bourbonnais et Michel Terraza « op-cité » p13‬‬
‫أ‪ -‬اختبار تأثير االتجاه العام‪:‬‬

‫لتكن الفرضيتُت التاليتُت‪:‬‬
‫‪ : H 0‬ال يوجد اذباه عاـ‪.‬‬
‫‪ : H1‬يوجد اذباه عاـ‪.‬‬
‫ومن اجلدوؿ ‪ -1-‬لتحليل التباين يتم حساب معلمة ‪ Fisher‬التجريبية ادلبنية على ادلالحظة‪.‬‬
‫‪vA‬‬
‫‪‬‬
‫‪FCAL‬‬ ‫‪‬‬
‫‪vR‬‬
‫اجلدولية‪ .‬درجة ادلعنوية تعطى بالشكل التارل‪:‬‬ ‫‪‬‬
‫‪FTAB‬‬ ‫ومقارنتو مع‬
‫‪Fv3.v2 ‬‬ ‫‪‬‬ ‫‪v3  N 1‬‬
‫)‪v 2  ( N 1)( p 1‬‬
‫‪ : ‬مستوى ادلعنوية‪.‬‬
‫وبالتارل القرار يكوف كالتارل‪ :‬السلسلة الزمنية تتأثر دبركبة‬ ‫‪H0‬‬ ‫‪ FTAB‬نرفض الفرضية العدمية‬
‫‪  FCAL‬‬ ‫إذا كاف ‪‬‬
‫االذباه العاـ‪.‬‬
‫ب‪ -‬اختبار تأثير التغيرات الموسمية‪:‬‬
‫‪ : H 0‬ال يوجد تغَتات مومسية‪.‬‬
‫‪ : H1‬يوجد تغَتات مومسية‪.‬‬
‫‪17‬‬
‫ومن اجلدوؿ ‪ -1-‬لتحليل التباين يتم حساب معلمة ‪ Fisher‬التجريبية ادلبنية على ادلالحظة‪.‬‬
‫‪vP‬‬
‫‪FCAL ‬‬
‫‪vR‬‬
‫اجلدولية‪ .‬درجة ادلعنوية تعطى بالشكل التارل‪:‬‬ ‫‪‬‬
‫‪FTAB‬‬ ‫ومقارنتو مع‬
‫‪Fv3 .v2 ‬‬ ‫‪‬‬ ‫‪v3  p1‬‬
‫)‪v2 ( N 1)( p1‬‬
‫‪ : ‬مستوى ادلعنوية‪.‬‬
‫وبالتارل القرار يكوف كالتارل‪ :‬السلسلة الزمنية تتأثر بالتغَتات‬ ‫‪H0‬‬ ‫‪ FTAB‬نرفض الفرضية العدمية‬
‫‪  FCAL‬‬ ‫إذا كاف ‪‬‬
‫ادلومسية‪.‬‬
‫مثاؿ تطبيقي‪" :‬اختبار الكشف عن االذباه العاـ و التغَتات ادلومسية باستخداـ اختبار‬
‫‪"Buys-Ballot‬‬
‫اجلدوؿ التارل يضم البيانات الشهرية دلبيعات مادة النشاء دلؤسسة معينة للفًتة ادلمتدة من ‪‌‌1022‬انى‌‪84( 1027‬‬
‫مشاىدة)‪.‬‬
‫ادلرحلة األوذل‪:‬التمثيل للسلسلة الزمنية وانشاء جدوؿ‪Buys-Ballot.‬‬
‫‪-‬أ‪ -‬التمثيل البياين للسلسلة الزمنية‪:‬‬

‫‪les ventes‬‬
‫‪16000‬‬
‫‪14000‬‬
‫‪12000‬‬
‫‪10000‬‬
‫‪8000‬‬ ‫‪les ventes‬‬
‫‪6000‬‬
‫‪4000‬‬
‫‪2000‬‬
‫‪0‬‬
‫‪1‬‬ ‫‪9‬‬ ‫‪17‬‬ ‫‪25‬‬ ‫‪33‬‬ ‫‪41‬‬ ‫‪49‬‬ ‫‪57‬‬ ‫‪65‬‬ ‫‪73‬‬ ‫‪81‬‬
‫جدوؿ‪Buys-Ballot‬‬ ‫‪-‬ب‪-‬انشاء‬
‫‪Année‬‬ ‫‪Jan‬‬ ‫‪Fév‬‬ ‫‪Mars‬‬ ‫‪Avr‬‬ ‫‪Mai‬‬ ‫‪Juin‬‬ ‫‪Juilly‬‬ ‫‪Aout‬‬ ‫‪Sep‬‬ ‫‪Oct‬‬ ‫‪Nov‬‬ ‫‪Dec‬‬ ‫‪Moyenne‬‬ ‫‪Ecart-type‬‬
‫‪2011‬‬ ‫‪7486‬‬ ‫‪7176‬‬ ‫‪4907‬‬ ‫‪4823‬‬ ‫‪5185‬‬ ‫‪4349‬‬ ‫‪3619‬‬ ‫‪1322‬‬ ‫‪5646‬‬ ‫‪4469‬‬ ‫‪5817‬‬ ‫‪5543‬‬ ‫‪5028.5‬‬ ‫‪1541.1‬‬
‫‪2012‬‬ ‫‪2477‬‬ ‫‪2173‬‬ ‫‪3485‬‬ ‫‪2283‬‬ ‫‪3057‬‬ ‫‪3138‬‬ ‫‪2435‬‬ ‫‪2255‬‬ ‫‪3749‬‬ ‫‪4478‬‬ ‫‪2606‬‬ ‫‪3586‬‬ ‫‪2977‬‬ ‫‪697.796‬‬
‫‪2013‬‬ ‫‪1472‬‬ ‫‪1925‬‬ ‫‪1880‬‬ ‫‪3017‬‬ ‫‪4944‬‬ ‫‪1434‬‬ ‫‪4412‬‬ ‫‪4546‬‬ ‫‪5386‬‬ ‫‪7393‬‬ ‫‪8028‬‬ ‫‪6108‬‬ ‫‪4212.08‬‬ ‫‪2192.08‬‬
‫‪2014‬‬ ‫‪6736‬‬ ‫‪6200‬‬ ‫‪6233‬‬ ‫‪7544‬‬ ‫‪8403‬‬ ‫‪5715‬‬ ‫‪7932‬‬ ‫‪3683‬‬ ‫‪2566‬‬ ‫‪10686‬‬ ‫‪8228‬‬ ‫‪9314‬‬ ‫‪6940‬‬ ‫‪2183.2‬‬
‫‪2015‬‬ ‫‪6620‬‬ ‫‪4391‬‬ ‫‪5375‬‬ ‫‪6701‬‬ ‫‪6440‬‬ ‫‪3377‬‬ ‫‪6785‬‬ ‫‪6729‬‬ ‫‪8486‬‬ ‫‪13664‬‬ ‫‪6842‬‬ ‫‪6125‬‬ ‫‪6794.75‬‬ ‫‪2417.63‬‬
‫‪2016‬‬ ‫‪4262‬‬ ‫‪1162‬‬ ‫‪1054‬‬ ‫‪6182‬‬ ‫‪9154‬‬ ‫‪9241‬‬ ‫‪10883‬‬ ‫‪5440‬‬ ‫‪6166‬‬ ‫‪8113‬‬ ‫‪7722‬‬ ‫‪7358‬‬ ‫‪7186‬‬ ‫‪2648.67‬‬
‫‪9‬‬
‫‪2017‬‬ ‫‪5928‬‬ ‫‪6121‬‬ ‫‪7521‬‬ ‫‪6153‬‬ ‫‪8544‬‬ ‫‪7447‬‬ ‫‪8845‬‬ ‫‪1548‬‬ ‫‪2154‬‬ ‫‪7027‬‬ ‫‪7358‬‬ ‫‪3346‬‬ ‫‪5999.53‬‬ ‫‪2301.65‬‬
‫‪Moyenne‬‬ ‫‪4997.‬‬ ‫‪4164‬‬ ‫‪5707.‬‬ ‫‪5249‬‬ ‫‪6532.‬‬ ‫‪4957.‬‬ ‫‪6415.8‬‬ ‫‪3646.1‬‬ ‫‪4879‬‬ ‫‪7975.7‬‬ ‫‪6657.‬‬ ‫‪5911.7‬‬ ‫‪5591.1‬‬
‫‪3‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪29‬‬ ‫‪6‬‬ ‫‪4‬‬ ‫‪1‬‬ ‫‪3‬‬ ‫‪1‬‬
‫‪Ecart-type‬‬ ‫‪2139.‬‬ ‫‪2238.‬‬ ‫‪2600.‬‬ ‫‪1820.8‬‬ ‫‪2099.‬‬ ‫‪2498.‬‬ ‫‪2827.8‬‬ ‫‪1900.0‬‬ ‫‪2055.1‬‬ ‫‪3058.7‬‬ ‫‪1817.‬‬ ‫‪1922.7‬‬ ‫‪2551.12‬‬
‫‪3‬‬ ‫‪9‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪1‬‬ ‫‪96‬‬ ‫‪2‬‬ ‫‪8‬‬ ‫‪2‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪9‬‬
‫‪18‬‬
‫ادلرحلة الثانية‪:‬ربليل التباين واختبار‪. Fisher‬‬
‫‪ -‬أ‪-‬ربليل التباين للسلسلة الزمنية‬
‫درجة‬
‫التباين‬ ‫مجموع الفروق‬ ‫العناصر‬
‫الحرية‬
‫‪V =13621491.2‬‬
‫‪p‬‬
‫‪11‬‬ ‫‪S =149836403‬‬
‫‪p‬‬ ‫الفترة‬
‫‪V =6018109.48‬‬
‫‪A‬‬
‫‪6‬‬ ‫‪S =36108656.9‬‬
‫‪A‬‬ ‫السنة‬
‫‪V =2509147.83‬‬
‫‪R‬‬
‫‪66‬‬ ‫‪S =165603757‬‬
‫‪R‬‬ ‫البواقي‬
‫‪V =4565569.05‬‬
‫‪T‬‬
‫‪77‬‬ ‫‪S =351548817‬‬
‫‪T‬‬ ‫المجموع‬
‫‪ -‬ب‪ -‬اختبار تأثَت التغَتات ادلومسية و االذباه العاـ‪:‬‬

‫‪ ‬اختبار تأثَت االذباه العاـ‪:‬‬
‫‪‌:H0 -‬ال يوجد اذباه عاـ‪.‬‬
‫‪ :H1-‬يوجد اذباه عاـ‪.‬‬
‫ومن جدوؿ ربليل التباين يتم حساب قيمة ‪ Fisher‬ذبريبية ادلبنية على ادلالحظة‪:‬‬
‫‪vA‬‬
‫'‬
‫‪FCal‬‬ ‫‪‬‬ ‫‪ 7.71‬‬
‫‪vR‬‬
‫'‬
‫‪Ftab‬‬ ‫‪ F60;66‬‬
‫‪.05‬‬
‫‪ 2.32‬‬
‫ودبا أف ‪ F’CAL>F’TAB‬فهذا يعٍت أف وجود تأثَت سنوي للسلسلة الزمنية أي أهنا تتأثر دبركبة االذباه العاـ‪.‬‬
‫‪ ‬اختبار تأثَت التغَتات ادلومسية‪:‬‬
‫‪ :H0 -‬اليوجد تغَتات مومسية‪.‬‬
‫‪ :H1 -‬يوجد تغَتات مومسية‪.‬‬
‫ومن اجلدوؿ السابق لتحليل التباين نقوـ حبساب ‪ Fisher‬ذبرييب ادلبٍت على ادلالحظة‪:‬‬
‫‪vp‬‬
‫‪Fcal ‬‬ ‫‪ 2.57‬‬
‫‪vR‬‬
‫‪Ftab  F110;.05‬‬
‫‪66  1.93‬‬
‫ودبا أف ‪ FCAL>FTAB‬فأننا نرفض الفرضية العدمية وبالتارل نستنتج أف السلسلة الزمنية تتأثر بالتغَتات ادلومسية‪.‬‬
‫‪19‬‬
‫طشق‌يعانجت‌يشكباث‌انسهسهت‌انضيُيت‌(حقذيش‌يشكباث‌انسهسهت‌انضيُيت)‪:‬‬ ‫‪.5‬‬
‫لتحديد مدى تأثَت كل جزء من العناصر ادلكونة للظاىرة ادلدروسة على القيمة الكلية للظاىرة يستوجب تفكيكها إذل‬
‫مكوناهتا األساسية (االذباه‪ ،‬ادلركبة ادلومسية‪ ،‬الدورية والعرضية) وىذا ما يدعي بتحليل السلسلة الزمنية أو تبسيط القيمة‬
‫اإلمجالية إذل العناصر اجلزائية ادلكونة ذلا‪.‬‬
‫‪-2-5‬حقذيش‌االحجاِ‌انعاو‪‌ :‬‬
‫يوجد العديد من الطرؽ لتقدير االذباه العاـ للظواىر ادلختلفة‪ ،‬زبتلف كل منها عن األخرى من حيث طبيعتها و مدى‬
‫دقتها و مدى مرونة استخدامها يف التنبؤ من بُت الطرؽ‪.12‬‬
‫‪ -‬طريقة ادلربعات الصغرى‪.‬‬
‫‪ -‬طريقة ادلتوسطات ادلتحركة‪.‬‬
‫‪ -‬طريقة أشباه ادلتوسطات (متوسطي نصف السلسلة)‪.‬‬
‫ىنا كطريقة التمهيد باليد اليت تعتمد على التمثيل البياين للظاىرة‪ ،‬غَت أهنا تعترب غَت دقيقة ألهنا تعتمد على التقدير‬
‫الشخصي للباحث دوف ادلوضوعية‪.13‬‬
‫أ‪ .‬طريقة المتوسطات المتحركة‪:‬‬
‫تقوـ ىذه الطريقة على استخداـ أكثر من متوسطُت حسابيُت حيث يتم حساب عدد من ادلتوسطات ادلتتابعة جملموعة‬
‫من البيانات األصلية للظاىرة على أف تتكوف كل رلموعة منها من مفردتُت أو ثالثة أو أربعة حسب احلالة‪.14‬‬
‫وعليو تقوـ ىذه الطريقة على خطوتُت أساسيتُت‪:15‬‬
‫ربديد طوؿ الفًتة اليت يتعُت ازباذىا اساسا للحساب‪ ،‬و ينبغي يف ىذا السياؽ األخذ يف احلساب أنو كلما كانت ىذه‬
‫الفًتة أقصر‪ ،‬كاف خط االذباه العاـ الناشئ عن ىذا األسلوب يعطي توفيقا أحسن عن البيانات و العكس صحيح‪.‬‬
‫حساب ادلتوسطات ادلتحركة‪:‬‬
‫بعد ربديد الفًتة الزمنية اليت ترغب يف ازباذىا أساسا يف حساب ادلتوسطات ادلتحركة تقوـ باخلطوة التالية و ادلتمثلة يف‬
‫البدء يف عملية احلساب‪.‬‬
‫ب‪ .‬طريقة المربعات الصغرى‪:16‬‬
‫تعترب ىذه الطريقة أفضل الطرؽ ألف يف ىذه الطريقة يتم ربديد معادلة االذباه العاـ على أساس أف يكوف رلموع مربعات‬
‫اضلرافات القيم احملسوبة عن طريق القيم األصلية أقل ما ؽلكن و من ىنا جاءت ىذه التسمية‪ ،‬و تستخدـ يف تعيُت خط‬
‫االضلدار البسيط و ذلك بافًتاض وجود عالقة خطية‪ ،‬وهبذا ؽلكن احلصوؿ على معادلة خط االذباه العاـ بعد افًتاض أف‬
‫‪ 12‬إبراىيم علي إبراىيم عبد ربو‪ :‬مبادئ علم اإلحصاء‪ ،‬الدار اجلامعية‪ ،‬االسكندربة‪ ،‬الطبعة ‪ ،2008 ،02‬ص ‪.459-446‬‬
‫‪ 13‬إبراىيم علي إبراىيم عبد ربو‪ :‬مبادئ علم اإلحصاء‪ ،‬مرجع سابق‪ ،‬ص‪.447‬‬
‫‪ 14‬إبراىيم علي إبراىيم عبد ربو‪ :‬مبادئ علم اإلحصاء‪ ،‬مرجع سابق‪ ،‬ص‪.453‬‬
‫‪15‬‬ ‫‪‌Nino Silverio, « Séries chronologiques », Support de cours provisoire pour l’unité de valeur “Mathématiques et‬‬
‫‪statistiques” destiné aux classes du BTS Comptabilité-Gestion de l’ECG, 2005, P 3.‬‬
‫‪16 Régis Bourbonnais, Économétrie «Cours et exercices corrigés », 20e édition, Dunod, Paris, 2015, P 18.‬‬
‫‪20‬‬
‫الزمن ؽلثل ادلتغَت ادلستقل )‪ (t‬و قيمة الظاىرة )‪ (Y‬ؽلثل ادلتغَت التابع وفقا للمعادلة التالية‪:17‬‬
‫ىذا بافًتاض أف خط االذباه العاـ ىو خط مستقيم‪ ،‬و على خالؼ معادلة اخلط ادلستقيم خلط االذباه العاـ يوجد عدة‬
‫أشكاؿ أخرى ذلذه ادلعادلة‪.‬‬
‫‪-1-5‬انخعذيم‌انًىسًي‪:‬‬
‫يف الكثَت من احلاالت‪ ،‬يكوف من األفضل العمل على البيانات اخلالية من التغَتات ادلومسية ‪.‬فلهذا السبب نقوـ بتحويل‬
‫السلسلة الزمنية االصلية اذل سلسلة منزوعة ادلومسية أو سلسلة معدلة مومسيا‪.‬‬
‫‪-2-1-5‬انًُىرج‌انخجًيعي‪‌ :‬‬
‫لنعترب السلسلة اإلحصائية التالية اخلاصة بادلبيعات الفصلية لشركة ما (دباليُت الدينار)‪:‬‬
‫‪Trim 1 Trim 2 Trim 3 Trim 4 Trim 1 Trim 2 Trim 3 Trim 4 Trim 1 Trim 2 Trim 3 Trim 4 Trim 1 Trim 2 Trim 3 Trim 4‬‬
‫‪120‬‬ ‫‪181‬‬ ‫‪71‬‬ ‫‪119‬‬ ‫‪128‬‬ ‫‪190‬‬ ‫‪73‬‬ ‫‪124‬‬ ‫‪140‬‬ ‫‪196‬‬ ‫‪84‬‬ ‫‪133‬‬ ‫‪145‬‬ ‫‪206‬‬ ‫‪96‬‬ ‫‪142‬‬
‫أوؿ خطوة يف التعديل ادلومسي تتمثل يف ربديد نوع النموذج اخلاص بالسلسلة الزمنية‪ :‬اما جدائي أو ذبميعي‪ .‬وللتأكد‬
‫من ذلك يكفي االستعانة بالطريقة البيانية‪ .‬فمن خالؿ الشكل البياين ادلبُت أذناه يتضح أف ظلوذج ىذه السلسلة‬
‫اإلحصائية ىو عبارة ظلوذج ذبميعي (اخلطُت االفًتاضيُت اللذاف ؽلراف باحلدود الدنيا والعظمى عبارة عن خطاف متوازياف)‪.‬‬
‫‪Chiffre d'affaires et moyenne mobile‬‬

‫‪250‬‬
‫‪200‬‬
‫‪150‬‬
‫‪100‬‬
‫‪50‬‬
‫‪0‬‬
‫‪-50‬‬
‫‪-100‬‬
‫‪Données d'origine‬‬ ‫‪Moyenne mobile d'ordre 4‬‬ ‫‪Différences Saisonnières‬‬
‫نقوـ حبساب ادلتوسطات ادلتحركة من الرتبة ‪( 4‬دبا أننا بصدد معاجلة مشاىدات فصلية)‪ .‬ضلدد بعد ذلك الفروقات‬
‫ادلومسية‪ ،‬معٌت ذلك‪ ،‬الفرؽ بُت قيم السلسلة الزمنية اخلاـ وقيم ادلتوسطات ادلتحركة ادلقابلة ذلا‪.‬‬
‫تستخدـ ىذه الفروقات للحصوؿ على معامالت مومسية غَت مصححة خاصة بكل فصل‪.‬‬
‫يف حُت أف ادلعامالت ادلومسية ما ىي يف الواقع اال ادلتوسط احلسايب للفروقات ادلومسية اخلاصة بكل فصل‪.‬‬
‫‪17‬‬ ‫‪Régis Bourbonnais, Économétrie «Cours et exercices corrigés », idem, P 21.‬‬

‫‪21‬‬
Série X des chiffres
d’affaires MM ordre 4 X-MM(4)
Trimestre 1 120
Trimestre 2 181
Trimestre 3 71 123.75 -52.75
Trimestre 4 119 125.88 -6.88
Trimestre 1 128 127.25 0.75
Trimestre 2 190 128.13 61.88
Trimestre 3 73 130.25 -57.25
Trimestre 4 124 132.50 -8.50
Trimestre 1 140 134.63 5.38
Trimestre 2 196 137.13 58.88
Trimestre 3 84 138.88 -54.88
Trimestre 4 133 140.75 -7.75
Trimestre 1 145 143.50 1.50
Trimestre 2 206 146.13 59.88
Trimestre 3 96
Trimestre 4 142
:‫ ادلعامل ادلومسي للفصل األوؿ ػلسب بالشكل التارل‬،‫على سبيل ادلثاؿ‬
.‫بنفس الطريقة يتم حساب ادلعامالت ادلومسية األربعة‬

Coéfficients Coéfficients
non corrigés corrigés
Trimestre 1 2.54 2.52
Trimestre 2 60.21 60.19
Trimestre 3 -54.96 -54.89
Trimestre 4 -7.71 -7.73
Somme 0.0833 0.000
Moyenne 0.0208 0.0000
‫ حيث أنو غلب أف يكوف األثر الصايف دلركبة ادلومسية خالؿ فًتة‬.‫نفًتض ىنا أف ادلركبة ادلومسية تتسم بالدورية التامة‬
‫ األمر الذي يقودنا إذل تعديل ادلعامالت ادلومسية الغَت مصححة عن‬.‫ ألنو مدرج يف االذباه العاـ للسلسلة الزمنية‬،‫صفري‬
.‫طريق طرح من ىذه األخَتة متوسط ادلعامالت ادلومسية جلميع الفًتات‬
‫ وبالتارل ؽلكننا نزع ادلومسية من السلسلة الزمنية من خالؿ طرح من كل قيمة‬،‫لدينا األف ادلعامالت ادلومسية ادلصححة‬
.‫أساسية معامل ادلومسية ادلقابلة ذلا‬
Série X des Série X CVS
chiffres des chiffres
d’affaires d’affaires
Trimestre 1 120 117.48
22
‫الرسم البياين التارل يبُت السلسلة الزمنية األصلية وكذا السلسلة الزمنية منزوعة ادلومسية‪.‬‬
‫‪500‬‬
‫‪Chiffre d'affaire‬‬
‫‪0‬‬
‫‪Données d'origine‬‬ ‫‪Données corrigés des variations saisonnières‬‬
‫‪-1-1-5‬انًُىرج‌انجذائي‪‌ :‬‬
‫( ىذا النوع ىو‬ ‫سيتم ىنا عرض تقنيتُت لنزع ادلومسية من سلسلة زمنية بافًتاض أف ظلوذج السلسلة من النوع اجلدائي‬
‫األكثر مصادفة يف ادلمارسة العملية)‪.‬‬
‫اجلدوؿ التارل يضم ادلشاىدات اخلاصة بعدد السيارات اجلديدة ادلسجلة يف مدينة معينة خالؿ الفًتة ادلمتدة من ‪2014‬‬
‫اذل ‪.2018‬‬
‫‪Décembre‬‬
‫‪Septembre‬‬
‫‪Novembr‬‬
‫‪Octobre‬‬
‫‪Janvier‬‬
‫‪Février‬‬
‫‪Année‬‬
‫‪Juillet‬‬
‫‪Mars‬‬
‫‪Avril‬‬
‫‪Août‬‬
‫‪Juin‬‬
‫‪Mai‬‬
‫‪e‬‬
‫‪2014‬‬ ‫‪2006‬‬ ‫‪3224‬‬ ‫‪3789‬‬ ‫‪4153‬‬ ‫‪3100‬‬ ‫‪2527‬‬ ‫‪3015‬‬ ‫‪1504‬‬ ‫‪1847‬‬ ‫‪2314‬‬ ‫‪1673‬‬ ‫‪1602‬‬
‫‪2015‬‬ ‫‪2247‬‬ ‫‪3862‬‬ ‫‪3586‬‬ ‫‪4047‬‬ ‫‪2838‬‬ ‫‪2727‬‬ ‫‪2730‬‬ ‫‪1648‬‬ ‫‪2007‬‬ ‫‪2450‬‬ ‫‪1966‬‬ ‫‪1695‬‬
‫‪2016‬‬ ‫‪2433‬‬ ‫‪3723‬‬ ‫‪4325‬‬ ‫‪4493‬‬ ‫‪3399‬‬ ‫‪3038‬‬ ‫‪3247‬‬ ‫‪1928‬‬ ‫‪2377‬‬ ‫‪2831‬‬ ‫‪2388‬‬ ‫‪2126‬‬
‫‪2017‬‬ ‫‪3127‬‬ ‫‪4437‬‬ ‫‪5478‬‬ ‫‪4384‬‬ ‫‪3552‬‬ ‫‪3678‬‬ ‫‪3611‬‬ ‫‪2260‬‬ ‫‪2699‬‬ ‫‪3071‬‬ ‫‪2510‬‬ ‫‪2182‬‬
‫‪2018‬‬ ‫‪3016‬‬ ‫‪4671‬‬ ‫‪5218‬‬ ‫‪4746‬‬ ‫‪4814‬‬ ‫‪3545‬‬ ‫‪3341‬‬ ‫‪2439‬‬ ‫‪2637‬‬ ‫‪3085‬‬ ‫‪2737‬‬ ‫‪2055‬‬
‫قبل الشروع يف عملية التعديل ادلومسي غلب ربديد نوع النموذج اخلاص بالسلسلة الزمنية‪ :‬اما جدائي أو ذبميعي‪ .‬فمن‬
‫خالؿ الشكل البياين ادلبُت أذناه يتضح أف ظلوذج ىذه السلسلة اإلحصائية ىو عبارة ظلوذج جدائي (اخلطُت االفًتاضيُت‬
‫اللذاف ؽلراف باحلدود الدنيا والعظمى عبارة عن خطاف غَت متوازياف)‪.‬‬
‫‪Nouvelles immatriculations de voitures particulières commerçiales et‬‬

‫‪utilitaires neuves de 2014 à 2018 dans une ville Algerienne‬‬
‫‪6000‬‬
‫‪5000‬‬
‫‪4000‬‬
‫‪3000‬‬
‫‪2000‬‬
‫‪1000‬‬
‫‪0‬‬
‫‪Janvier‬‬
‫‪Janvier‬‬
‫‪Janvier‬‬
‫‪Janvier‬‬
‫‪Janvier‬‬
‫‪Mai‬‬
‫‪Mai‬‬
‫‪Mai‬‬
‫‪Mai‬‬
‫‪Mai‬‬
‫‪Mars‬‬
‫‪Mars‬‬
‫‪Mars‬‬
‫‪Mars‬‬
‫‪Mars‬‬
‫‪Juillet‬‬
‫‪Juillet‬‬
‫‪Juillet‬‬
‫‪Juillet‬‬
‫‪Juillet‬‬
‫‪Novembre‬‬
‫‪Nombre d'immatriculations‬‬
‫‪23‬‬
‫أ‪. .‬طريقة ادلتوسطات ادلتحركة ‪:‬‬
‫باستخداـ ىذه الطريقة‪ ،‬ضلسب ادلتوسطات ادلتحركة ذات رتبة تساوي عدد فًتات ادلوسم (شهر‪ ،‬فصل‪ ،‬سنة‪.)...،‬‬
‫الرتبة ‪12‬‬ ‫جدول المتوسطات المتحركة من‬
‫‪Octobre‬‬
‫‪Janvier‬‬
‫‪Année‬‬
‫‪Juillet‬‬
‫‪Mars‬‬
‫‪Avril‬‬
‫‪Août‬‬
‫‪Juin‬‬
‫‪Mai‬‬
‫‪2014‬‬ ‫‪2573‬‬ ‫‪2610‬‬ ‫‪2628‬‬ ‫‪2615‬‬ ‫‪2599‬‬ ‫‪2597‬‬
‫‪2015‬‬ ‫‪2593‬‬ ‫‪2587‬‬ ‫‪2600‬‬ ‫‪2612‬‬ ‫‪2630‬‬ ‫‪2646‬‬ ‫‪2658‬‬ ‫‪2660‬‬ ‫‪2685‬‬ ‫‪2734‬‬ ‫‪2776‬‬ ‫‪2815‬‬
‫‪2016‬‬ ‫‪2851‬‬ ‫‪2884‬‬ ‫‪2911‬‬ ‫‪2942‬‬ ‫‪2976‬‬ ‫‪3011‬‬ ‫‪3058‬‬ ‫‪3117‬‬ ‫‪3195‬‬ ‫‪3238‬‬ ‫‪3240‬‬ ‫‪3271‬‬
‫‪2017‬‬ ‫‪3311‬‬ ‫‪3340‬‬ ‫‪3368‬‬ ‫‪3391‬‬ ‫‪3406‬‬ ‫‪3413‬‬ ‫‪3411‬‬ ‫‪3416‬‬ ‫‪3415‬‬ ‫‪3419‬‬ ‫‪3487‬‬ ‫‪3534‬‬
‫‪2018‬‬ ‫‪3517‬‬ ‫‪3514‬‬ ‫‪3518‬‬ ‫‪3516‬‬ ‫‪3526‬‬ ‫‪3531‬‬
‫بعد ربديد ىذه ادلتوسطات‪ ،‬يتم حساب النسب ادلومسية واليت تساوي بيانات السلسلة األصلية مقسومة على‬
‫ادلتوسطات ادلتحركة ادلقابلة‪.‬‬
‫جدول النسب الموسمية‬
‫‪Octobre‬‬
‫‪Janvier‬‬
‫‪Année‬‬
‫‪Juillet‬‬
‫‪Mars‬‬
‫‪Avril‬‬
‫‪Août‬‬
‫‪Juin‬‬
‫‪Mai‬‬
‫‪2014‬‬ ‫‪1.17‬‬ ‫‪0.58‬‬ ‫‪0.70‬‬ ‫‪0.88‬‬ ‫‪0.64‬‬ ‫‪0.62‬‬

‫‪2015‬‬ ‫‪0.87‬‬ ‫‪1.49‬‬ ‫‪1.38‬‬ ‫‪1.55‬‬ ‫‪1.08‬‬ ‫‪1.03‬‬ ‫‪1.03‬‬ ‫‪0.62‬‬ ‫‪0.75‬‬ ‫‪0.90‬‬ ‫‪0.71‬‬ ‫‪0.60‬‬
‫‪2016‬‬ ‫‪0.85‬‬ ‫‪1.29‬‬ ‫‪1.49‬‬ ‫‪1.53‬‬ ‫‪1.14‬‬ ‫‪1.02‬‬ ‫‪1.06‬‬ ‫‪0.62‬‬ ‫‪0.74‬‬ ‫‪0.87‬‬ ‫‪0.74‬‬ ‫‪0.65‬‬
‫‪2017‬‬ ‫‪0.94‬‬ ‫‪1.33‬‬ ‫‪1.63‬‬ ‫‪1.29‬‬ ‫‪1.04‬‬ ‫‪1.08‬‬ ‫‪1.06‬‬ ‫‪0.66‬‬ ‫‪0.79‬‬ ‫‪0.90‬‬ ‫‪0.72‬‬ ‫‪0.62‬‬
‫‪2018‬‬ ‫‪0.86‬‬ ‫‪1.33‬‬ ‫‪1.48‬‬ ‫‪1.35‬‬ ‫‪1.37‬‬ ‫‪1.00‬‬
‫نقوـ بعد ذلك حبساب متوسطات النسب ادلومسية لكل فًتة من فًتات ادلوسم ‪.‬ىذه ادلتوسطات سبثل ادلعامالت ادلومسية‪.‬‬
‫جدول المعامالت الموسمية‬
‫‪Octobre‬‬
‫‪Janvier‬‬
‫‪Somme‬‬
‫‪Juillet‬‬
‫‪Mars‬‬
‫‪Avril‬‬
‫‪Août‬‬
‫‪Juin‬‬
‫‪Mai‬‬
‫‪0.88‬‬ ‫‪1.36‬‬ ‫‪1.49‬‬ ‫‪1.43‬‬ ‫‪1.16‬‬ ‫‪1.03‬‬ ‫‪1.08‬‬ ‫‪0.62‬‬ ‫‪0.75‬‬ ‫‪0.89‬‬ ‫‪0.70‬‬ ‫‪0.62‬‬ ‫‪12.012‬‬
‫من ادلسلم بو عموما أف رلموع ادلعامالت ادلومسية مساو لعدد فًتات ادلوسم‪ ،‬يف مثالنا احلارل يساوي ‪( 12‬عدد األشهر)‬
‫ومتوسط ادلعامالت ادلومسية ىو ‪.1‬‬
‫يف ىذه احلالة قيمة متوسط ادلعامالت ادلومسية تساوي ‪ ،1.001‬تصحح القيم احملسوبة بقسمتها على ىذا ادلتوسط‪.‬‬
‫جدول المعامالت الموسمية المصححة‬
‫‪Octobre‬‬
‫‪Janvier‬‬
‫‪Somme‬‬
‫‪Juillet‬‬
‫‪Mars‬‬
‫‪Avril‬‬
‫‪Août‬‬
‫‪Juin‬‬
‫‪Mai‬‬
‫‪0.88‬‬ ‫‪1.36‬‬ ‫‪1.49‬‬ ‫‪1.43‬‬ ‫‪1.16‬‬ ‫‪1.03‬‬ ‫‪1.08‬‬ ‫‪0.62‬‬ ‫‪0.75‬‬ ‫‪0.89‬‬ ‫‪0.70‬‬ ‫‪0.62‬‬ ‫‪12.00‬‬
‫‪24‬‬
‫بعد تصحيح ادلعامالت ادلومسية‪ ،‬يكوف احلصوؿ على سلسلة زمنية معدلة مومسيا فوري‪ :‬ببساطة تتم قسمة كل قيمة من‬
‫السلسلة األصلية على ادلعامل ادلومسي ادلصحح لنفس الفًتة‪.‬‬
‫السلسلة الزمنية المعدلة موسميا‬
‫‪Octobre‬‬
‫‪Janvier‬‬
‫‪Année‬‬
‫‪Juillet‬‬
‫‪Mars‬‬
‫‪Avril‬‬
‫‪Août‬‬
‫‪Juin‬‬
‫‪Mai‬‬
‫‪2014‬‬ ‫‪2281‬‬ ‫‪2372‬‬ ‫‪2539‬‬ ‫‪2908‬‬ ‫‪2681‬‬ ‫‪2447‬‬ ‫‪2795‬‬ ‫‪2432‬‬ ‫‪2478‬‬ ‫‪2608‬‬ ‫‪2385‬‬ ‫‪2580‬‬
‫‪2015‬‬ ‫‪2555‬‬ ‫‪2842‬‬ ‫‪2403‬‬ ‫‪2834‬‬ ‫‪2455‬‬ ‫‪2640‬‬ ‫‪2531‬‬ ‫‪2665‬‬ ‫‪2692‬‬ ‫‪2761‬‬ ‫‪2803‬‬ ‫‪2730‬‬
‫‪2016‬‬ ‫‪2766‬‬ ‫‪2740‬‬ ‫‪2899‬‬ ‫‪3146‬‬ ‫‪2940‬‬ ‫‪2985‬‬ ‫‪3010‬‬ ‫‪3118‬‬ ‫‪3189‬‬ ‫‪3190‬‬ ‫‪3405‬‬ ‫‪3424‬‬
‫‪2017‬‬ ‫‪3555‬‬ ‫‪3265‬‬ ‫‪3671‬‬ ‫‪3070‬‬ ‫‪3072‬‬ ‫‪3561‬‬ ‫‪3348‬‬ ‫‪3655‬‬ ‫‪3621‬‬ ‫‪3461‬‬ ‫‪3578‬‬ ‫‪3514‬‬
‫‪2018‬‬ ‫‪3429‬‬ ‫‪3437‬‬ ‫‪3497‬‬ ‫‪3323‬‬ ‫‪4164‬‬ ‫‪3432‬‬ ‫‪3097‬‬ ‫‪3944‬‬ ‫‪3538‬‬ ‫‪3476‬‬ ‫‪3902‬‬ ‫‪3309‬‬
‫الرسم البياين ادلبُت أدناه يضم السلسلة الزمنية األصلية وكذا السلسلة الزمنية ادلعدلة مومسيا‪.‬‬
‫‪Nouvelles immatriculations de voitures particulières commerçiales et‬‬
‫‪utilitaires neuves de 2014 à 2018 dans une ville Algerienne‬‬
‫‪6000‬‬
‫‪5000‬‬
‫‪4000‬‬
‫‪3000‬‬
‫‪2000‬‬
‫‪1000‬‬
‫‪0‬‬
‫‪Janvier‬‬
‫‪Janvier‬‬
‫‪Janvier‬‬
‫‪Janvier‬‬
‫‪Janvier‬‬
‫‪Mai‬‬
‫‪Mars‬‬
‫‪Mai‬‬
‫‪Mars‬‬
‫‪Mars‬‬
‫‪Mai‬‬
‫‪Mars‬‬
‫‪Mai‬‬
‫‪Juillet‬‬
‫‪Juillet‬‬
‫‪Juillet‬‬
‫‪Mars‬‬
‫‪Mai‬‬
‫‪Juillet‬‬
‫‪Juillet‬‬
‫‪Données originales‬‬ ‫‪Série corrigé des variations saisonnières‬‬
‫ب‪ .‬طريقة النسب لالذباه العاـ (‪:)Méthode Des Rapports A La Tendance‬‬

‫تعترب ىذه الطريقة ىي األخرى من بُت الطرؽ ادلستخدمة لنزع ادلومسية من السلسلة الزمنية‪ .‬تستوجب ىذه األخَتة تقدير‬
‫معادلة خط االضلدار للسلسلة الزمنية بداللة ‪ n‬فًتة‪.‬‬
‫يف ادلثاؿ التارل‪ ،‬مت تقدير معادلة خط االضلدار للمبيعات بداللة ‪ 60‬مشاىدة (‪ 12‬شهر× ‪ 5‬سنوات)‪.‬‬
‫‪4 4‬‬ ‫فكانت معادلة االضلدار ادلتحصل عليها كالتارل‪:‬‬
‫بعد ذلك يتم حساب قيم السلسلة ادلعدلة للمتغَت ‪ y‬لكل الفًتات استنادا إذل معادلة خط االضلدار اليت مت تقديرىا أنفا‪.‬‬
‫وبالتارل نتحصل على اجلدوؿ التارل‪:‬‬
‫‪25‬‬
‫االنحدار‪‌:‬‬ ‫جدول قيم السلسلة المعدلة للمتغير ‪‌y‬لكل الفترات استنادا إلى معادلة خط‬
‫‪Octobre‬‬
‫‪Janvier‬‬
‫‪Année‬‬
‫‪Juillet‬‬
‫‪Mars‬‬
‫‪Avril‬‬
‫‪Août‬‬
‫‪Juin‬‬
‫‪Mai‬‬
‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪7‬‬ ‫‪8‬‬ ‫‪9‬‬ ‫‪10‬‬ ‫‪11‬‬ ‫‪12‬‬
‫‪2014‬‬ ‫‪2605‬‬ ‫‪2619‬‬ ‫‪2634‬‬ ‫‪2649‬‬ ‫‪2663‬‬ ‫‪2678‬‬ ‫‪2693‬‬ ‫‪2707‬‬ ‫‪2722‬‬ ‫‪2737‬‬ ‫‪2751‬‬ ‫‪2766‬‬
‫‪2015‬‬ ‫‪2780‬‬ ‫‪2795‬‬ ‫‪2810‬‬ ‫‪2824‬‬ ‫‪2839‬‬ ‫‪2854‬‬ ‫‪2868‬‬ ‫‪2883‬‬ ‫‪2898‬‬ ‫‪2912‬‬ ‫‪2927‬‬ ‫‪2942‬‬
‫‪2016‬‬ ‫‪2956‬‬ ‫‪2971‬‬ ‫‪2985‬‬ ‫‪3000‬‬ ‫‪3015‬‬ ‫‪3029‬‬ ‫‪3044‬‬ ‫‪3059‬‬ ‫‪3073‬‬ ‫‪3088‬‬ ‫‪3103‬‬ ‫‪3117‬‬
‫‪2017‬‬ ‫‪3132‬‬ ‫‪3147‬‬ ‫‪3161‬‬ ‫‪3176‬‬ ‫‪3190‬‬ ‫‪3205‬‬ ‫‪3220‬‬ ‫‪3234‬‬ ‫‪3249‬‬ ‫‪3264‬‬ ‫‪3278‬‬ ‫‪3293‬‬
‫‪2018‬‬ ‫‪3308‬‬ ‫‪3322‬‬ ‫‪3337‬‬ ‫‪3352‬‬ ‫‪3366‬‬ ‫‪3381‬‬ ‫‪3395‬‬ ‫‪3410‬‬ ‫‪3425‬‬ ‫‪3439‬‬ ‫‪3454‬‬ ‫‪3469‬‬
‫حساب النسب ادلومسية يكوف انطالقا من تقسيم القيم األصلية للسلسلة الزمنية ‪ y‬على قيم السلسلة ادلعدلة ̂ ادلتحصل‬
‫عليها انطالقا من معادلة خط االضلدار‪.‬‬
‫جدول النسب الموسمية‬
‫‪Octobre‬‬
‫‪Janvier‬‬
‫‪Année‬‬
‫‪Juillet‬‬
‫‪Mars‬‬
‫‪Avril‬‬
‫‪Août‬‬
‫‪Juin‬‬
‫‪Mai‬‬
‫‪2014‬‬ ‫‪0.77‬‬ ‫‪1.23‬‬ ‫‪1.44‬‬ ‫‪1.57‬‬ ‫‪1.16‬‬ ‫‪0.94‬‬ ‫‪1.12‬‬ ‫‪0.56‬‬ ‫‪0.68‬‬ ‫‪0.85‬‬ ‫‪0.61‬‬ ‫‪0.58‬‬
‫‪2015‬‬ ‫‪0.81‬‬ ‫‪1.38‬‬ ‫‪1.28‬‬ ‫‪1.43‬‬ ‫‪1.00‬‬ ‫‪0.96‬‬ ‫‪0.95‬‬ ‫‪0.57‬‬ ‫‪0.69‬‬ ‫‪0.84‬‬ ‫‪0.67‬‬ ‫‪0.58‬‬
‫‪2016‬‬ ‫‪0.82‬‬ ‫‪1.25‬‬ ‫‪1.45‬‬ ‫‪1.50‬‬ ‫‪1.13‬‬ ‫‪1.02‬‬ ‫‪1.07‬‬ ‫‪0.63‬‬ ‫‪0.77‬‬ ‫‪0.92‬‬ ‫‪0.77‬‬ ‫‪0.68‬‬
‫‪2017‬‬ ‫‪1.00‬‬ ‫‪1.41‬‬ ‫‪1.73‬‬ ‫‪1.38‬‬ ‫‪1.11‬‬ ‫‪1.15‬‬ ‫‪1.12‬‬ ‫‪0.70‬‬ ‫‪0.83‬‬ ‫‪0.94‬‬ ‫‪0.77‬‬ ‫‪0.66‬‬
‫‪2018‬‬ ‫‪0.91‬‬ ‫‪1.41‬‬ ‫‪1.56‬‬ ‫‪1.42‬‬ ‫‪1.43‬‬ ‫‪1.05‬‬ ‫‪0.98‬‬ ‫‪0.72‬‬ ‫‪0.77‬‬ ‫‪0.90‬‬ ‫‪0.79‬‬ ‫‪0.59‬‬
‫خطوة أخَتة نقوـ حبساب ادلتوسط احلسايب لكل فًتة وبالتارل استخراج ادلعامالت ادلومسية‬
‫جدول المعامالت الموسمية‬
‫‪Octobre‬‬
‫‪Janvier‬‬
‫‪Juillet‬‬
‫‪Mars‬‬
‫‪Avril‬‬
‫‪Août‬‬
‫‪Juin‬‬
‫‪Mai‬‬
‫‪Somme‬‬
‫‪0.86‬‬ ‫‪1.34‬‬ ‫‪1.49‬‬ ‫‪1.46‬‬ ‫‪1.17‬‬ ‫‪1.02‬‬ ‫‪1.05‬‬ ‫‪0.63‬‬ ‫‪0.75‬‬ ‫‪0.89‬‬ ‫‪0.72‬‬ ‫‪0.62‬‬ ‫‪12.00‬‬
‫يف الواقع لسنا ىنا حباجة لضبط ىذه ادلعامالت (دبعٌت تصحيحها)‪ ،‬وذلك ألف رلموعها يساوي ‪( 12‬عدد الفًتات يف‬
‫السنة الواحدة)‪.‬‬
‫بنفس الطريقة السابقة يتم اغلاد قيم السلسلة الزمنية ادلعدلة مومسيا‪ ،‬والنتائج مبينة يف اجلدوؿ التارل‪:‬‬
‫السلسلة الزمنية المعدلة موسميا‬
‫‪Octobre‬‬
‫‪Janvier‬‬
‫‪Année‬‬
‫‪Juillet‬‬
‫‪Mars‬‬
‫‪Avril‬‬
‫‪Août‬‬
‫‪Juin‬‬
‫‪Mai‬‬
‫‪2014‬‬ ‫‪2326‬‬ ‫‪2412‬‬ ‫‪2539‬‬ ‫‪2846‬‬ ‫‪2657‬‬ ‫‪2471‬‬ ‫‪2875‬‬ ‫‪2371‬‬ ‫‪2466‬‬ ‫‪2605‬‬ ‫‪2319‬‬ ‫‪2590‬‬
‫‪2015‬‬ ‫‪2606‬‬ ‫‪2890‬‬ ‫‪2403‬‬ ‫‪2774‬‬ ‫‪2432‬‬ ‫‪2667‬‬ ‫‪2603‬‬ ‫‪2598‬‬ ‫‪2679‬‬ ‫‪2758‬‬ ‫‪2725‬‬ ‫‪2740‬‬
‫‪2016‬‬ ‫‪2821‬‬ ‫‪2786‬‬ ‫‪2899‬‬ ‫‪3079‬‬ ‫‪2913‬‬ ‫‪3015‬‬ ‫‪3096‬‬ ‫‪3039‬‬ ‫‪3137‬‬ ‫‪3187‬‬ ‫‪3310‬‬ ‫‪3437‬‬
‫‪2017‬‬ ‫‪2626‬‬ ‫‪3320‬‬ ‫‪3671‬‬ ‫‪3005‬‬ ‫‪3044‬‬ ‫‪3597‬‬ ‫‪3443‬‬ ‫‪3563‬‬ ‫‪3603‬‬ ‫‪3457‬‬ ‫‪3479‬‬ ‫‪3528‬‬
‫‪2018‬‬ ‫‪3497‬‬ ‫‪3495‬‬ ‫‪3497‬‬ ‫‪3253‬‬ ‫‪4125‬‬ ‫‪3467‬‬ ‫‪3186‬‬ ‫‪3845‬‬ ‫‪3520‬‬ ‫‪3473‬‬ ‫‪3793‬‬ ‫‪3322‬‬
‫‪26‬‬
.‫ خط االضلدار والسلسلة ادلعدلة مومسيا‬،‫فيما يلي نشاىد التمثيل البياين للسلسلة األصلية‬
Nouvelles immatriculations de voitures particulières commerçiales et

utilitaires neuves de 2014 à 2018 dans une ville Algerienne
6000
5000
4000
3000
2000
1000
0
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59
Série originale Série CVS régression Droite de régression
27
‫انفصم‌انثاَي‬
‫التنبؤ باستخدام نموذج التلميس‬

‫)‪(Le lissage exponentiel‬‬ ‫األسي‬
‫يعود فضل تأسيس طريقة التلميس األسي للباحث ‪ Holt‬يف سنة ‪ 2957‬وكذلك للباحث ‪ Brown‬سنة‬
‫‪ .182961‬ويعد من األساليب الشائعة يف احلياة العملية‪ ،‬ويعتمد ىذا األسلوب على فكرة أف ادلعلومات القدؽلة أقل أعلية‬
‫من ادلعلومات احلديثة وذلذا غلب أف تعطي وزنا أقل‪ ،19‬حبيث يأخذ التنبؤ اخلاص بالفًتة السابقة وغلري عليو التعديل‬
‫للحصوؿ على التنبؤ اخلاص بالفًتة الالحقة‪ ،‬ويعرب ىذا التعديل على خطأ التنبؤ يف الفًتة السابقة ويتم حسابو بضرب‬
‫خطأ التنبؤ يف الفًتة السابقة يف معامل ثابت يًتاوح بُت ‪ 0‬و‪.2‬‬
‫‪ .2‬خصائص‌طشق‌انخهًيس‪‌ :‬‬
‫‪ 2.2‬انًبادئ‌األساسيت‪‌ :‬‬
‫‪ -‬ادلبدأ األوؿ‪ :‬االطلفاض ادلتزايد لقيمة ادلعلومة مع الزمن‪.‬‬
‫‪ -‬ادلبدأ الثاين‪ :‬تلخيص ادلعلومات‪ .‬حيث أف االستعماؿ الكلي لسلسلة زمنية ما صعب جدا‪ .‬ومن ىنا تقنيات‬
‫التلميس األسي تعمل على تصغَت حجم السلسلة الزمنية يف شكل بعض ادلعلمات‪ .‬ومن أجل إجراء عملية التنبؤ‬
‫باستعماؿ ىذه التقنية من الضروري االحتفاظ ببعض القيم يف الذاكرة‪.‬‬
‫‪ -‬ادلبدأ الثالث‪ :‬التحديث ادلستمر للمعلمات بفضل بعض احلسابات البسيطة نسبيا‪ .‬حبيث يعترب أسلوب‬
‫التلميس األسي أسلوبا مكيفا‪ .‬دبعٌت أنو يسًتجع باستمرار ادلعلمات بنفس الًتتيب الذي يدير وصوؿ ادلعلومات‪ .‬إذا ىذا‬
‫ادلبدأ ما ىو إال نتيجة الشًتاؾ ادلبدأين السابقُت‪.‬‬
‫‪18‬‬ ‫‪Régis BOURBONNAIS, Jean-Claude USUNIER. (2017), «Prévision Des Ventes», 6ème édition, Economica, Paris,‬‬
‫‪p 57.‬‬
‫‪ 19‬علي ىادي جربين (إدارة العمليات)دار الثقافة للنشر والتوزيع عماف –األردف‪ 1006 -‬ص ‪.107‬‬
‫‪28‬‬
‫‪ 1.2‬صياغت‌ًَىرج‌انخهًيس‌األسي‪‌ ‌:‬‬
‫لنفرض أف ‪ xt‬سبثل مبيعات منتج معُت يف الزمن ‪ ، t‬وؽلكن اعتبارىا كنتيجة لتوفيقو خطية غَت منتهية من ادلبيعات‬
‫ادلاضية‪ .‬مع أف تأثَت أو وزف ادلاضي على احلاضر ىو متناقص مع أقدميتو‪ ،‬وىو يتبع منحى أسي‪.‬‬
‫تسمح طريقة التلميس األسي دبوازنة ادلالحظات إحداىا على األخرى‪ ،‬بإعطاء أوزاف أكثر أعلية للبيانات األكثر‬
‫حداثة‪ .‬حيث تكوف األوزاف متناقصة مع البعد يف ادلاضي‪ .‬ويعرب عن ىذا االتزاف بادلعامل الذي ػلدد الوزف ادلعطى‬
‫للحاضر بالنسبة للماضي‪ ،‬بإتباع النمذجة التالية‪:20‬‬
‫(‪xˆt  St  xˆt 1   ( xt 1  xˆt 1 ) .........................)2‬‬
‫مع‪:‬‬
‫‪ : x̂t‬قيمة ادلبيعات ادلتنبأ هبا للزمن ‪. t‬‬
‫‪ : xt 1‬آخر مبيعات زلققة (يف الزمن ‪.) t  1‬‬
‫‪ : xˆt 1‬التنبؤ اخلاص بالفًتة األخَتة (الزمن ‪.) t  1‬‬
‫‪ : ‬معامل التلميس وىي دائما زلصورة بُت الواحد والصفر‪.‬‬
‫ومن خالؿ ادلعادلة (‪ ) 2‬يظهر التلميس كأنو نتيجة آخر قيمة ملمسة مصححة بإعطاء وزف للفرؽ بُت ادلبيعات‬
‫احملققة وادلتنبأ هبا‪ .‬وىنا صلد ادلبدأ الثالث وىو تكييف التلميس مع خطأ التنبؤ‪.‬‬
‫وؽلكن إجراء تعديالت على ادلعادلة (‪ )2‬كالتارل‪:‬‬
‫‪x‬‬‫‪ˆt  xt 1  (1   ) x‬‬ ‫(‪ˆt 1 ...................)1‬‬
‫وهبذا الشكل‪ ،‬يظهر التلميس األسي كمتوسط متزف آلخر قيمة للمبيعات احملققة وآخر قيمة ملمسة‪.‬‬
‫‪‌ 3.2‬دوس‌ثابج‌انخهًيس‌األسي‪‌ :‬‬

‫من أجل مالحظة التأثَت والدور ادلهم الذي يلعبو ثابت التلميس ( ‪ ) ‬يف التنبؤ‪ ،‬سوؼ نضع يف ادلعادلة (‪ )2‬ما‬
‫يلي‪:‬‬
‫‪ ، xˆt‬ىذا يعٍت أف ادلشاىدات اجلديدة غَت مستعملة يف عملية التنبؤ‪ ،‬التلميس ىنا‬ ‫‪ xˆt 1‬‬ ‫‪ : 0   -‬إذا‬
‫ساكن مقارنة مع ادلبيعات احملققة‪ ،‬والتنبؤات تبقى ثابتة‪.‬‬
‫‪ : 1   -‬إذا ‪ ، xˆt  xt‬ىنا النموذج يتبع ادلعلومات األخَتة‪ ،‬والقيمة اجلديدة ادللمسة ىي دائما مساوية آلخر‬
‫قيمة للمبيعات احملققة‪ .‬وبالتارل ؽلتاز التلميس ىنا برد فعل كبَت )‪.(hyper réactif‬‬
‫وؽلكن تعميم العالقة (‪ )1‬بالرجوع يف الزمن )‪ (t  1, t  2,...., t  n,...,0‬كالتارل‪:‬‬
‫(‪xˆt  xt 1   (1   ) xt  2   (1   )2 xt 3  .....   (1   )n  2 xt  n 1   (1   )n 1 x0 ..........)3‬‬
‫ودبا أف ‪ ‬زلصورة بُت الصفر والواحد فإف األوزاف ادلخصصة لقيمة من ادلبيعات ىي متناقصة‪ .‬وىذا ما يظهر‬
‫يف اجلدوؿ ‪ -1-‬والشكل البياين ‪.-4-‬‬
‫‪20‬‬ ‫‪(Chapitre 8 : Prévision des ventes et modélisation) www.bibliotheque.Refer.org/livre67// 6703.pdf. du 03/02/2007.‬‬

‫‪29‬‬
‫جدول ‪ 2‬انخفاض قيمة المعمومات مع أقدميتها‬
‫التعديل الدقيق المتناقص‬ ‫الوزن‬ ‫المتوسط الكالسيكي‬ ‫الزمن‬

‫عند‬
‫‪α=0.30‬‬
‫‪0.30‬‬ ‫‪α‬‬ ‫‪0.1‬‬ ‫‪0‬‬
‫‪0.21‬‬ ‫)‪α(1-α‬‬ ‫‪0.1‬‬ ‫‪-1‬‬
‫‪0.15‬‬ ‫‪α(1-α)2‬‬ ‫‪0.1‬‬ ‫‪-2‬‬
‫‪0.10‬‬ ‫‪α(1-α)3‬‬ ‫‪0.1‬‬ ‫‪-3‬‬
‫‪0.07‬‬ ‫‪α(1-α)4‬‬ ‫‪0.1‬‬ ‫‪-4‬‬
‫‪0.05‬‬ ‫‪α(1-α)5‬‬ ‫‪0.1‬‬ ‫‪-5‬‬
‫‪0.04‬‬ ‫‪α(1-α)6‬‬ ‫‪0.1‬‬ ‫‪-6‬‬
‫‪0.02‬‬ ‫‪α(1-α)7‬‬ ‫‪0.1‬‬ ‫‪-7‬‬
‫‪0.02‬‬ ‫‪α(1-α)8‬‬ ‫‪0.1‬‬ ‫‪-8‬‬
‫‪0.01‬‬ ‫‪α(1-α)9‬‬ ‫‪0.1‬‬ ‫‪-9‬‬
‫‪0.01‬‬ ‫‪α(1-α)10‬‬ ‫‪0.1‬‬ ‫‪-10‬‬
‫‪Source : Régis BOURBONNAIS ET Jean-Claude USUNIER. Op.cit p 59.‬‬
‫لـ𝛼‬ ‫شكل‪ 3‬انخفاض قيمة المعمومات مع أقدميتها ومقارنة المتوسط الكالسيكي مع ثالث قيم‬
‫‪0,9‬‬
‫‪0,8‬‬
‫‪0,7‬‬
‫‪0,6‬‬ ‫‪α=0.30‬‬
‫‪0,5‬‬ ‫المتوسط الكالسيكي‬
‫‪0,4‬‬ ‫‪α=0.80‬‬
‫‪0,3‬‬ ‫‪α=0.60‬‬
‫‪0,2‬‬
‫‪0,1‬‬
‫‪0‬‬
‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪7‬‬ ‫‪8‬‬ ‫‪9‬‬ ‫‪10 11‬‬
‫‪Source : Régis BOURBONNAIS ET Jean-Claude USUNIER. Op.cit p 60.‬‬
‫وبالتارل نستنتج من خالؿ مالحظتنا للشكل البياين أنو كلما كانت ‪ ‬قريبة من الصفر يتم االعتماد على أكرب‬
‫عدد من ادلشاىدات ادلاضية يف عملية التلميس األسي‪ .‬وكلما اقًتبت من الواحد كلما نقص عدد ادلشاىدات اليت يتم‬
‫االعتماد عليها يف التنبؤ باستعماؿ التلميس األسي‪.‬‬
‫ومن ادلمكن ربديد العمر ادلتوسط للمعلومة أو ادلشاىدة بالعالقة التالية‪:‬‬
‫‪1‬‬
‫‪D‬‬
‫‪‬‬
‫إذا كانت ‪   1‬العمر ادلتوسط للمعلومة أو ادلشاىدة ىو صفر ما دامت القيمة األخَتة فقط مأخوذة بعُت‬
‫االعتبار يف التنبؤ‪ .‬أما إذا كانت ‪   0‬فإف العمر ادلتوسط للمشاىدة غَت منتهي ألف القيمة األوذل فقط مأخوذة بعُت‬
‫االعتبار‪.‬‬
‫‪30‬‬
‫‪ًَ .1‬ىرج‌انخهًيس‌األسي‌انبسيظ‌(انًُىرج‌انًسخقش)‪‌ :‬‬
‫يستعمل ىذا النموذج يف حالة السلسلة الزمنية العشوائية اليت تسلك مسارا عشوائيا حوؿ وسط حسايب ثابت‪،‬‬
‫دبعٌت أهنا ال ربتوي ال على اذباه عاـ وال على تغَتات مومسية‪ .21‬وصيغة ظلوذج التلميس البسيط ىي كالتارل‪:‬‬
‫‪ˆt  xt 1  (1   ) x‬‬
‫‪x‬‬ ‫‪ˆt 1‬‬
‫مع‪ xt 1  xˆt :‬من أجل البدء (يف حالة عدـ توفر إال قيمة واحدة من ادلبيعات احملققة)‪.‬‬
‫والتنبؤ لألفق ‪ h‬يعطى على الشكل التارل‪:‬‬
‫‪xˆn  h  xn 1‬‬
‫ومن ىنا نالحظ أف التنبؤات ثابتة مهما تكن ‪. h‬‬
‫مثاؿ تطبيقي‪:‬‬
‫اجلدوؿ التارل ػلتوي على البيانات ادلسجلة و اخلاصة بالسلسلة الزمنية ‪.xt‬‬
‫‪8‬‬ ‫‪7‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪1‬‬ ‫‪t‬‬
‫‪30‬‬ ‫‪30‬‬ ‫‪20‬‬ ‫‪20‬‬ ‫‪30‬‬ ‫‪40‬‬ ‫‪40‬‬ ‫‪30‬‬ ‫‪xt‬‬
‫ادلطلوب‪ :‬القياـ بالتنبؤ دبدى ثالث فًتات مستقبلية‪ ،‬عند رلاؿ ثقة مقدر ب ‪ ،٪95‬و ىذا باستخداـ طريقة التلميس‬
‫األسي البسيط‪ .‬ثابت التلميس األسي ‪ λ‬يساوي ‪.0.3‬‬
‫احلل‪:‬‬
‫‪t‬‬ ‫‪xt‬‬ ‫̂‬ ‫̂‬

‫‪1‬‬ ‫‪30‬‬ ‫‪30‬‬ ‫‪0‬‬
‫‪2‬‬ ‫‪40‬‬ ‫‪30,00‬‬ ‫‪10,00‬‬
‫‪3‬‬ ‫‪40‬‬ ‫‪33,00‬‬ ‫‪7,00‬‬
‫‪4‬‬ ‫‪30‬‬ ‫‪35,10‬‬ ‫‪-5,10‬‬
‫‪5‬‬ ‫‪20‬‬ ‫‪33,57‬‬ ‫‪-13,57‬‬
‫‪6‬‬ ‫‪20‬‬ ‫‪29,50‬‬ ‫‪-9,50‬‬
‫‪7‬‬ ‫‪30‬‬ ‫‪26,65‬‬ ‫‪3,35‬‬
‫‪8‬‬ ‫‪30‬‬ ‫‪27,65‬‬ ‫‪2,35‬‬
‫‪9‬‬ ‫‪28,36‬‬
‫‪10‬‬ ‫‪28,36‬‬
‫‪11‬‬ ‫‪28,36‬‬
‫̂‬ ‫نبدأ بوضع‪:‬‬

‫من أجل ‪( t=2‬التنبؤ احملسوب يف ‪ t=1‬من أجل ‪ )t=2‬لدينا‪:‬‬
‫̂‬ ‫̂‬
‫‪21‬مولود حشماف (ظلاذج وتقنيات التنبؤ القصَت ادلدى) ديواف ادلطبوعات اجلامعية –اجلزائر‪ 2998 -‬ص ‪.72‬‬
‫‪31‬‬
‫̂‬ ‫‪4‬‬ ‫من أجل ‪:t=3‬‬
‫…‬
‫̂‬ ‫من أجل ‪:t=8‬‬
‫̂‬ ‫من أجل ‪:t=9‬‬
‫̂‬ ‫̂‬ ‫̂‬ ‫من أجل ‪:t=10, 11‬‬
‫∑‬ ‫̅‬
‫√‪.‬‬ ‫(صيغة العينات الصغَتة) و‬ ‫√‬ ‫لدينا‪:‬‬
‫̂‬ ‫√‬ ‫أين‪:‬‬

‫[‬ ‫]‪44 44‬‬ ‫و بالتارل‪:‬‬
‫‪ًَ .3‬ىرج‌انخهًيس‌األسي‌انثُائي‌(انًُىرج‌انخطي‌‪:)Brown‬‬
‫يسمح ظلوذج التلميس األسي البسيط حبساب التنبؤ يف حالة السلسلة الزمنية ادلستقرة وبدوف اذباه عاـ‪ .‬أما‬
‫ظلوذج التلميس األسي الثنائي فهو مستعمل يف حالة السالسل الزمنية ذات االذباه العاـ واليت تأخذ الشكل التارل‪:‬‬
‫‪xt  a0t  a1t t‬‬
‫يتغَتاف على مدى‬ ‫‪aˆ1t‬‬ ‫و ادليل‬ ‫‪aˆ0t‬‬ ‫ونالحظ أهنا تأخذ نفس خصائص االذباه العاـ‪ .‬مع العلم أف ادلتوسط‬
‫الزمن‪.‬‬
‫وكما يدؿ اسم ىذا النموذج‪ ،‬فإف تقنية التلميس األسي الثنائي تعمل على تلميس سلسلة زمنية ملمسة من‬
‫قبل‪ ،‬وذلك بإتباع الصياغات التالية‪:‬‬
‫‪St  xt  (1   ) St 1‬‬
‫‪SSt  St  (1   ) SSt 1‬‬
‫مع‪:‬‬
‫‪‬‬
‫‪‬‬
‫) ‪ a1t  1 ( S t  SSt‬‬
‫‪ a 0 t  2 S t  SSt‬‬
‫‪‬‬
‫‪‬‬
‫ػلسب بادلعادلة التالية‪:‬‬ ‫‪h‬‬ ‫والتنبؤ لألفق‬
‫‪ˆt 1  a0t  ha1t‬‬
‫‪x‬‬
‫يبُت اجلدوؿ أدناه رلموعة من ادلشاىدات ادلسجلة و اخلاصة بالسلسلة الزمنية ‪.xt‬‬
‫‪8‬‬ ‫‪7‬‬ ‫‪6‬‬ ‫‪5‬‬ ‫‪4‬‬ ‫‪3‬‬ ‫‪2‬‬ ‫‪1‬‬ ‫‪t‬‬
‫‪30‬‬ ‫‪30‬‬ ‫‪20‬‬ ‫‪20‬‬ ‫‪30‬‬ ‫‪40‬‬ ‫‪40‬‬ ‫‪30‬‬ ‫‪xt‬‬
‫ادلطلوب‪ :‬القياـ بالتنبؤ بالفًتات الثالث ادلستقبلية‪ ،‬وىذا باستخداـ طريقة التلميس األسي الثنائي‪ .‬ثابت التلميس األسي‬
‫‪ λ‬يساوي ‪.0.5‬‬
‫‪32‬‬
‫‪t‬‬ ‫‪xt‬‬ ‫̂‬ ‫̂̂‬

‫‪1‬‬ ‫‪10‬‬ ‫‪10‬‬ ‫‪10‬‬
‫‪2‬‬ ‫‪20‬‬ ‫‪10,00‬‬ ‫‪10,00‬‬ ‫‪10,00‬‬ ‫‪0,00‬‬ ‫‪10,00‬‬ ‫‪10,00‬‬
‫‪3‬‬ ‫‪20‬‬ ‫‪15,00‬‬ ‫‪12, 50‬‬ ‫‪17,50‬‬ ‫‪2,50‬‬ ‫‪20,00‬‬ ‫‪0,00‬‬
‫‪4‬‬ ‫‪30‬‬ ‫‪17,50‬‬ ‫‪15,00‬‬ ‫‪20,00‬‬ ‫‪2,50‬‬ ‫‪22,50‬‬ ‫‪7,50‬‬
‫‪5‬‬ ‫‪40‬‬ ‫‪23,75‬‬ ‫‪19,38‬‬ ‫‪28,12‬‬ ‫‪4,37‬‬ ‫‪32,49‬‬ ‫‪7,51‬‬
‫‪6‬‬ ‫‪40‬‬ ‫‪31,88‬‬ ‫‪25,63‬‬ ‫‪38,13‬‬ ‫‪6,25‬‬ ‫‪44,38‬‬ ‫‪-4,38‬‬
‫‪7‬‬ ‫‪50‬‬ ‫‪35,94‬‬ ‫‪30,79‬‬ ‫‪41,09‬‬ ‫‪5,15‬‬ ‫‪46,24‬‬ ‫‪3,76‬‬
‫‪8‬‬ ‫‪50‬‬ ‫‪42,97‬‬ ‫‪36,88‬‬ ‫‪49,06‬‬ ‫‪6,09‬‬ ‫‪55,15‬‬ ‫‪-5,15‬‬
‫‪9‬‬ ‫‪46,49‬‬ ‫‪41,69‬‬ ‫‪51,29‬‬ ‫‪4,80‬‬ ‫‪56,09‬‬
‫‪10‬‬ ‫‪60,89‬‬
‫‪11‬‬ ‫‪65,69‬‬
‫‪12‬‬ ‫‪70,49‬‬
‫أمثلة عن احلسابات‪:‬‬
‫̂ )‪a‬‬
‫̂‬ ‫̂‬
‫̂‬ ‫̂‬
‫…‬
‫̂‬ ‫̂‬ ‫‪4‬‬ ‫‪4 4‬‬
‫̂̂ )‪b‬‬ ‫̂‬
‫̂̂‬ ‫̂‬ ‫̂̂‬
‫̂̂‬ ‫̂‬ ‫̂̂‬
‫…‬
‫̂̂‬ ‫̂‬ ‫̂̂‬ ‫‪4‬‬ ‫‪4‬‬
‫)‪c‬‬ ‫̅‬
‫)‪d‬‬ ‫‪4‬‬
‫)‪e‬‬ ‫‪4‬‬ ‫‪4‬‬
‫‪4‬‬ ‫‪4‬‬
‫‪4‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪4‬‬ ‫‪4‬‬
‫)‪f‬‬
‫‪4‬‬ ‫‪4‬‬
‫‪44‬‬
‫‪44‬‬ ‫[‬ ‫]‬
‫[‬ ‫‪4‬‬ ‫]‬
‫‪33‬‬
‫[‬ ‫]‬
‫‪4‬‬ ‫‪[ 4‬‬ ‫]‬
‫‪ًَ .4‬ىرج‌‪:Holt‬‬
‫نستطيع كذلك استخداـ ظلوذج التلميس األسي ‪ Holt‬الذي يضم معلمتُت‪ :‬األوذل من أجل التلميس ادلتوسط‬
‫) ‪ (a0t‬والثانية زبص ادليل ) ‪ (a1t‬حبيث‪:‬‬
‫‪ -‬التلميس ادلتوسط ‪ a0t‬مع معامل التلميس ‪ ‬احملصورة بُت الصفر والواحد‪.‬‬
‫‪ -‬تلميس ادليل أو االذباه العاـ ‪ a1t‬مع معامل التلميس ‪ ‬احملصور كذلك بُت الصفر والواحد‪.‬‬
‫مالحظة‪ :‬يف حالة ‪   ‬النموذج ‪ Holt‬ىو نفسو ظلوذج التلميس األسي الثنائي ‪.Brown‬‬
‫أما صيغة ىذا النموذج فهي كالتارل‪:‬‬
‫) ‪a0t  xt  (1   )(a0t 1  a1t 1‬‬
‫‪a1t   (a0t  a0t 1 )  (1   )a1t 1‬‬
‫ػلسب بادلعادلة السابقة‪:‬‬ ‫‪h‬‬ ‫والتنبؤ لألفق‬
‫‪ˆt 1  a0t  ha1t‬‬
‫‪x‬‬
‫ومن أجل البدء لدينا‪:‬‬
‫‪a0 1  x1‬‬
‫‪a1 1  0‬‬
‫‪ًَ .5‬ىرج‌باالحجاِ‌انعاو‌وانًىسًيت‌(ًَىرج‌‪‌ :)Holt-Winters‬‬

‫من نقائص ظلوذج ‪ Holt‬أنو ال يقوـ بنمذجة التغَتات ادلومسية ىذا ما أدى إذل ظهور ظلوذج ‪،Holt-Winters‬‬
‫الذي يعكس مساعلة ‪ Holt‬باإلضافة إذل معادلة ‪ Winters‬تلك اخلاصة بالتغَتات ادلومسية‪ .‬وىذا ىو النموذج ادلستعمل‬
‫عادة يف برامج التنبؤ بادلبيعات‪ ،‬وصلد ثالثة أنواع من التلميس‪:‬‬
‫‪ -‬التلميس ادلتوسط ‪ a0t‬مع معامل التلميس ‪. ‬‬
‫‪ -‬تلميس ادليل ‪ a1t‬مع معامل التلميس ‪. ‬‬
‫‪ -‬التلميس ادلومسي ‪ St‬مع معامل التلميس ‪. ‬‬
‫وصيغة النموذج ىي كالتارل‪:‬‬
‫) ‪a0t   ( xt / St  p )  (1   )(a0t 1  a1t 1‬‬
‫‪a1t   (a0t  a0t 1 )  (1   )a1t 1‬‬
‫‪St   ( xt / a0t )  (1   ) St  p‬‬
‫ليست معروفة بعد‪.‬‬ ‫‪St‬‬ ‫ألف‬ ‫‪St  p‬‬ ‫ونستعمل‬
‫مع ‪ p‬ىي الفًتة وىي مساوية ؿ‪ 21‬إذا كانت البيانات شهرية و‪ 4‬إذا كانت فصلية‪.‬‬
‫أما التنبؤ يف األفق ‪ h‬يعطى بالشكل التارل‪:‬‬
‫‪34‬‬
‫‪xˆt 1  (a0t  ha1t ) St  p  h si1  h  p‬‬
‫‪xˆt 1  (a0t  ha1t ) St  p  2 h sip  1  h  2 p‬‬
‫مع العلم أف‪:‬‬
‫‪a0 p  x‬‬
‫‪a1 p  0‬‬
‫اجلدوؿ التارل يضم ادلشاىدات اخلاصة بادلبيعات الشهرية لشركة ما على مدى ‪ 3‬سنوات و ادلعرفة ب‪. xt‬‬
‫‪t‬‬ ‫‪t‬‬ ‫‪t‬‬
‫‪Année 1-J‬‬ ‫‪401,60‬‬ ‫‪Année 2-J‬‬ ‫‪263,90‬‬ ‫‪Année 3-J‬‬ ‫‪393,40‬‬
‫‪F‬‬ ‫‪395,70‬‬ ‫‪F‬‬ ‫‪289,90‬‬ ‫‪F‬‬ ‫‪316,20‬‬
‫‪M‬‬ ‫‪451,00‬‬ ‫‪M‬‬ ‫‪337,00‬‬ ‫‪M‬‬ ‫‪428,60‬‬
‫‪A‬‬ ‫‪427,60‬‬ ‫‪A‬‬ ‫‪374,00‬‬ ‫‪A‬‬ ‫‪467,60‬‬
‫‪M‬‬ ‫‪496,80‬‬ ‫‪M‬‬ ‫‪292,70‬‬ ‫‪M‬‬ ‫‪501,00‬‬
‫‪J‬‬ ‫‪467,70‬‬ ‫‪J‬‬ ‫‪398,60‬‬ ‫‪J‬‬ ‫‪487,40‬‬
‫‪J‬‬ ‫‪352,30‬‬ ‫‪J‬‬ ‫‪421,70‬‬ ‫‪J‬‬ ‫‪463,30‬‬
‫‪A‬‬ ‫‪182,10‬‬ ‫‪A‬‬ ‫‪173,80‬‬ ‫‪A‬‬ ‫‪165,90‬‬
‫‪S‬‬ ‫‪522,20‬‬ ‫‪S‬‬ ‫‪522,10‬‬ ‫‪S‬‬ ‫‪595,10‬‬
‫‪O‬‬ ‫‪687,20‬‬ ‫‪O‬‬ ‫‪642,40‬‬ ‫‪O‬‬ ‫‪698,10‬‬
‫‪N‬‬ ‫‪1080,3‬‬ ‫‪N‬‬ ‫‪984,20‬‬ ‫‪N‬‬ ‫‪1012,10‬‬
‫‪D‬‬ ‫‪1391,6‬‬ ‫‪D‬‬ ‫‪1307,6‬‬ ‫‪D‬‬ ‫‪1380,00‬‬
‫ادلطلوب‪ :‬القياـ بالتنبؤ دببيعات اؿ‪ 21‬شهرا ادلقبلة من السنة الرابعة‪ ،‬وىذا باستخداـ ظلوذج باالذباه العاـ وادلومسية (ظلوذج‬
‫‪α‬‬ ‫‪ .)Holt-Winters‬مع‪:‬‬
‫‪t‬‬ ‫‪a0t‬‬ ‫‪a1t‬‬ ‫‪St‬‬ ‫̂‬ ‫)‪(PREV‬‬

‫‪Année 1-J‬‬ ‫‪401,60‬‬ ‫‪0,70‬‬
‫‪F‬‬ ‫‪395,70‬‬ ‫‪0,69‬‬
‫‪M‬‬ ‫‪451,00‬‬ ‫‪0,79‬‬
‫‪A‬‬ ‫‪427,60‬‬ ‫‪0,75‬‬
‫‪M‬‬ ‫‪496,80‬‬ ‫‪0,87‬‬
‫‪J‬‬ ‫‪467,70‬‬ ‫‪0,82‬‬
‫‪J‬‬ ‫‪352,30‬‬ ‫‪0,62‬‬
‫‪A‬‬ ‫‪182,10‬‬ ‫‪0,32‬‬
‫‪S‬‬ ‫‪522,20‬‬ ‫‪0,91‬‬
‫‪O‬‬ ‫‪687,20‬‬ ‫‪1,20‬‬
‫‪N‬‬ ‫‪1080,3‬‬ ‫‪1,89‬‬
‫‪D‬‬ ‫‪1391,6‬‬ ‫‪571,3‬‬ ‫‪0,0‬‬ ‫‪2,44‬‬
‫‪Année 2-J‬‬ ‫‪263,90‬‬ ‫‪512,6‬‬ ‫‪-5,9‬‬ ‫‪0,67‬‬
‫‪F‬‬ ‫‪289,90‬‬ ‫‪480,3‬‬ ‫‪-8,5‬‬ ‫‪0,67‬‬ ‫‪351‬‬
‫‪35‬‬
‫‪M‬‬ ‫‪337,00‬‬ ‫‪458,3‬‬ ‫‪-9,9‬‬ ‫‪0,78‬‬ ‫‪372‬‬
‫‪A‬‬ ‫‪374,00‬‬ ‫‪463,8‬‬ ‫‪-8,3‬‬ ‫‪0,76‬‬ ‫‪336‬‬
‫‪M‬‬ ‫‪292,70‬‬ ‫‪419,8‬‬ ‫‪-11,9‬‬ ‫‪0,84‬‬ ‫‪396‬‬
‫‪J‬‬ ‫‪398,60‬‬ ‫‪431,6‬‬ ‫‪-9,5‬‬ ‫‪0,84‬‬ ‫‪334‬‬
‫‪J‬‬ ‫‪421,70‬‬ ‫‪500,6‬‬ ‫‪-1,7‬‬ ‫‪0,66‬‬ ‫‪260‬‬
‫‪A‬‬ ‫‪173,80‬‬ ‫‪512,9‬‬ ‫‪-0,3‬‬ ‫‪0,32‬‬ ‫‪159‬‬
‫‪S‬‬ ‫‪522,10‬‬ ‫‪530,2‬‬ ‫‪1,5‬‬ ‫‪0,93‬‬ ‫‪469‬‬
‫‪O‬‬ ‫‪642,40‬‬ ‫‪532,4‬‬ ‫‪1,6‬‬ ‫‪1,20‬‬ ‫‪639‬‬
‫‪N‬‬ ‫‪984,20‬‬ ‫‪529,9‬‬ ‫‪1,1‬‬ ‫‪1,88‬‬ ‫‪1010‬‬
‫‪D‬‬ ‫‪1307,6‬‬ ‫‪532,8‬‬ ‫‪1,3‬‬ ‫‪2,44‬‬ ‫‪1294‬‬
‫‪Année 3-J‬‬ ‫‪393,40‬‬ ‫‪551,3‬‬ ‫‪3,0‬‬ ‫‪0,67‬‬ ‫‪355‬‬
‫‪F‬‬ ‫‪316,20‬‬ ‫‪528,6‬‬ ‫‪0,5‬‬ ‫‪0,66‬‬ ‫‪374‬‬
‫‪M‬‬ ‫‪428,60‬‬ ‫‪535,5‬‬ ‫‪1,1‬‬ ‫‪0,78‬‬ ‫‪412‬‬
‫‪A‬‬ ‫‪467,60‬‬ ‫‪560,2‬‬ ‫‪3,5‬‬ ‫‪0,77‬‬ ‫‪408‬‬
‫‪M‬‬ ‫‪501,00‬‬ ‫‪574,6‬‬ ‫‪4,6‬‬ ‫‪0,84‬‬ ‫‪471‬‬
‫‪J‬‬ ‫‪487,40‬‬ ‫‪579,5‬‬ ‫‪4,6‬‬ ‫‪0,84‬‬ ‫‪486‬‬
‫‪J‬‬ ‫‪463,30‬‬ ‫‪618,9‬‬ ‫‪8,1‬‬ ‫‪0,68‬‬ ‫‪387‬‬
‫‪A‬‬ ‫‪165,90‬‬ ‫‪593,1‬‬ ‫‪4,7‬‬ ‫‪0,31‬‬ ‫‪202‬‬
‫‪S‬‬ ‫‪595,10‬‬ ‫‪610,8‬‬ ‫‪6,0‬‬ ‫‪0,94‬‬ ‫‪555‬‬
‫‪O‬‬ ‫‪698,10‬‬ ‫‪605,8‬‬ ‫‪4,9‬‬ ‫‪1,19‬‬ ‫‪742‬‬
‫‪N‬‬ ‫‪1012,10‬‬ ‫‪588,6‬‬ ‫‪2,7‬‬ ‫‪1,85‬‬ ‫‪1151‬‬
‫‪D‬‬ ‫‪1380,00‬‬ ‫‪583,6‬‬ ‫‪1,9‬‬ ‫‪2,42‬‬ ‫‪1442‬‬
‫‪Année 4-J‬‬ ‫‪395‬‬
‫‪F‬‬ ‫‪387‬‬
‫‪M‬‬ ‫‪461‬‬
‫‪A‬‬ ‫‪458‬‬
‫‪M‬‬ ‫‪500‬‬
‫‪J‬‬ ‫‪500‬‬
‫‪J‬‬ ‫‪405‬‬
‫‪A‬‬ ‫‪188‬‬
‫‪S‬‬ ‫‪563‬‬
‫‪O‬‬ ‫‪719‬‬
‫‪N‬‬ ‫‪1119‬‬
‫‪D‬‬ ‫‪1471‬‬
‫‪22‬‬ ‫أمثلة عن احلسابات‪:‬‬

‫̅ (بالنسبة السنة األوذل)‪.‬‬ ‫نبدأ بوضع‪4 :‬‬
‫‪4‬‬ ‫‪4‬‬ ‫ادلومسية‪:‬‬
‫ادلتوسط احلسايب‪4 :‬‬
‫‪ 22‬ؽلكن أف تظهر بعض االختالفات الطفيفة بُت القيم احملسوبة و القيم ادلوجودة يف اجلدوؿ و ذلك راجع اذل أف الربرليات تستخدـ حسابات أكثر دقة‬
‫خاصة على مستوى الفواصل‪.‬‬
‫‪36‬‬
‫االذباه العاـ‪:‬‬
‫يف ادلثاؿ الراىن‪ ،‬وكحالة مستقرة (يتم وضع األفق ‪ h‬يساوي ‪ )2‬لشهر سبتمرب من السنة ‪:1‬‬
‫̂‬ ‫‪4‬‬
‫(احملسوبة يف شهر أوت من السنة ‪ ،1‬مع ‪.)h=1‬‬
‫التنبؤ بالنسبة لشهر سبتمرب من السنة ‪( 4‬األفق ‪ ،)h=9‬واحملسوب يف شهر ديسمرب من السنة ‪ ،3‬يساوي‪:‬‬
‫̂‬ ‫‪4‬‬
‫‪ .6‬حقذيش‌يعايالث‌انخهًيس‪‌ :‬‬
‫ادلثلى على أساس تصغَت رلموع مربعات البواقي‬ ‫) ‪( ,  , ‬‬ ‫يتم اختيار أو تقدير معامالت التلميس األسي‬
‫‪ ،  et2‬أين ‪ ، et  xt  xˆt‬وبالتارل االختيار يتم على أساس التجربة حيث أف‪:‬‬
‫‪  -‬عادة ما تكوف مساوية ‪ 0.2‬أو ‪.0.3‬‬
‫‪ -‬قيمة ‪ ‬تكوف أكرب قوة من ادليل‪ ،‬غالبا ما تتغَت ولكن عادة ما تكوف قريبة من ‪.0.2‬‬
‫يتم حساب التنبؤ لكل تركيبة من قيم ) ‪ ، ( ,  , ‬وبعد ذلك يتم حساب رلموع الفروؽ‪ .‬ويتم البحث بتغيَت‬
‫قيم ىذه ادلعامالت باضلرافات صغَتة من أجل ربسُت فعالية النموذج‪ .‬مع العلم أف الوصوؿ إذل قيم مثلى ذلذه ادلعامالت‬
‫ليس باألمر السهل من وجهة نظر رياضية‪ ،‬حىت يف حالة النماذج ادلصطنعة‪ .‬حقيقة نقف عن التقدير عندما يصبح‬
‫معدؿ اخلطأ ادلالحظ يظهر كأنو مرضي‪.23‬‬
‫‪23‬‬‫‪Christian Marmuse. (1983), « Les aides à la décision –techniques quantitatives de gestion », 2ème édition, Edition‬‬
‫‪FERNAND NATHAN. P162.‬‬
‫‪37‬‬
‫يعترب التحليل الكالسيكي للسالسل الزمنية الذي يعتمد بالدرجة االوذل يف أحكامو على اآلليات التقليدية‬
‫للتحليل واالستنباط منظورا قدؽلا حيث أضحى الدور االساسي للخرباء االقتصادين و ادلفكرين ىو زلاولة تفسَت احمليط‬
‫االقتصادي و ربديد أىم ادلتغَتات اليت تتحكم يف ىذا األخَت‪ .‬حيث أف تقنيات التنبؤ تكوف يف معظم احلاالت غَت‬
‫كافية للتنبؤ بالظواىر االقتصادية‪ .‬فمثال عند احلديث عن أساليب التلميس األسي‪ ،‬صلد أهنا مبنية من استقراء ادلكونات‬
‫احلتمية اليت تشوه الواقع االقتصادي‪ .‬وقد الحظ اإلحصائيوف أف ىذه األدوات غالباً ما تعطي نتائج زائفة أكثر شلا تقدمو‬
‫كمعلومات حوؿ احلقائق اجلوىرية للسلسلة‪.‬‬
‫وىذا ما جعل اىتماـ الباحثُت ينصب للبحث يف ىذا اجملاؿ يف السبعينيات خاصة بعد أعماؿ ‪Box and‬‬
‫‪ Jenkins‬الذين يقًتحوف "فلسفة" جديدة دلعاجلة السلسلة الزمنية‪ .‬فهم يعتربوف يف الواقع أنو يف فًتة زمنية ‪ ، t‬تكوف قيمة‬
‫‪ xt‬عبارة عن متغَت عشوائي‪.‬‬
‫من خالؿ ىذه ادلنهجية ادلبينة‪ ،‬تكوف النماذج احملددة (‪ )ARMA‬عبارة عن ظلاذج خطية‪ .‬قاـ بعد ذلك بعض‬
‫ادلؤلفُت ؾ "‪ "Tong, 1990‬بربط ىذه ادلنهجية بالنماذج الغَت خطية‪ .‬ؽلكن أف ترتبط خاصية الالخطية بسَتورة من‬
‫‪،)Threshold – AR( TAR‬‬ ‫الدرجة ‪( 2‬متوسط العينة)‪ ،‬يطلق على ىذه النماذج ب‪ :‬ظلاذج االضلدار الذايت ذو العتبات‬
‫النماذج الشبو خطية ‪ ،Bilinear‬ظلاذج ‪ ...،(AR EXponentiels) EXAR‬إخل‪...‬‬
‫‪(Autreegressive‬‬ ‫أيضا بتباين العينة (سَتورة من الدرجة الثانية)؛ مت إقًتاح ظلاذج ‪ARCH‬‬
‫ؽلكن أف تتعلق الالخطية ً‬
‫)‪ Conditionnal Heteroscedasticity‬بواسطة ‪ Engle‬يف عاـ ‪ .2981‬فتحت ىذه النماذج اجملاؿ اماـ إنشاء العديد‬
‫‪‌.‬‬ ‫من النماذج األخرى )‪ ، (Guegan, 1994‬بضم ىذا ادلبدأ مع ظلاذج ‪‌‌‌‌ ARMA‬‬
‫نعرؼ ظلاذج السالسل الزمنية العشوائية ادلستقرة والغَت مستقرة وكيفية الفصل بينهما عن طريق اختبار‬
‫يف ىذا اجلزء‪ّ ،‬‬
‫اجلذور الوحدية (الفصل ‪ .)3‬نقدـ بعد ذلك التنبؤ بادلبيعات باستخداـ منهجية ‪( Box and Jenkins‬الفصل ‪ .)4‬وأخَتاً‬
‫‪ ،‬يتعلق الفصل ‪ 5‬االمتداد إذل ظلاذج الذاكرة الطويلة ‪ ARFIMA‬والنماذج الغَت اخلطية ‪.ARCH‬‬
‫‪38‬‬
‫انفصم‌انثانث‬
‫نماذج السالسل الزمنية العشوائية‬

‫المستقرة والغير مستقرة‬
‫سيتم التطرؽ من خالؿ ىذا الفصل اذل ظلاذج السالسل الزمنية العشوائية ادلستقرة والغَت مستقرة‪ ،‬وكذا اذل كيفية التمييز‬
‫بُت السلسلة من النوع التحديدي )‪ (TS‬والسلسلة من النوع العشوائي)‪ .)DS‬عالوة على ذلك يقدـ ىذا الفصل بعض‬
‫اختبارات اجلذور الوحدية ادلستخدمة يف دراسة استقرارية السالسل الزمنية‪ ،‬ويصف ظلاذج ‪ ARMA‬و ‪ARIMA‬‬
‫ويوضح كيفية استخدامها لنمذجة تطور سلسلة زمنية‪.‬‬
‫خصائص‌انسهسهت‌انضيُيت‪‌ :‬‬ ‫‪.I‬‬

‫‪ .2‬انعشىائيت‪‌ :‬‬
‫وتتمثل يف ادلركبة العشوائية اليت تكوف قد تولدت عن ظروؼ عشوائية‪ .‬وىي تعرب عن التذبذبات غَت ادلنتظمة‪.24‬‬
‫وؽلكن الكشف عن ادلركبة العشوائية إما عن طريق ربليل ادلعلومات بيانيا‪ ،‬أو باستعماؿ االختبارات اإلحصائية‪.‬‬
‫إال أف الطريقة األوذل ال تبُت لنا بصفة واضحة ىذه ادلركبة لذا سوؼ نلجأ إذل االختبارات اإلحصائية‪.‬‬
‫‪ .1‬االسخقشاسيت‪:‬‬
‫تكوف السلسلة العشوائية مستقرة‪ ،‬إذا تذبذبت حوؿ وسط حسايب ثابت‪ ،‬مع تباين وتباين مشًتؾ ليس ذلم عالقة‬
‫بالزمن‪ ،‬أي أف‪:25‬‬
‫‪E (Yt )  E (Yt  k ) ‬‬
‫‪VAR (Yt )  VAR (Yt  k )   0‬‬
‫) ‪COV (Yt , Yt  k )  COV (Yt  k , Yt  k  s‬‬
‫حيث أنو ذبدر اإلشارة اذل أنو غلب التمييز بُت أنواع االستقرارية‪ ،‬على النحو التارل‪:‬‬
‫‪24‬مولود حشماف (مرجع سابق) ص‪.222‬‬

‫‪25‬‬‫‪Régis Bourbonnais, Michel Terraza. (2016), « Analyse des séries temporelles : Cours et exercices corrigés -‬‬
‫‪Applications à l'économie et à la gestion», 4ème édition, Dunod, Paris, France, p84.‬‬
‫‪39‬‬
‫‪‌.1.2‬االسخقشاسيت‌انخايت‌‪:Strictly Stationary‬‬
‫يقاؿ أف السلسلة }‪‌{Xt‬استقرارية تامة إذا كاف التوزيع االحتمارل ادلشًتؾ للمتغَتات ‪ Xt1,Xt2,…,Xtn‬ىو نفس التوزيع‬
‫االحتمارل ادلشًتؾ للمتغَتات ‪ Xt1+k,Xt2+k,….,Xtn+k‬و جلميع النقاط الزمنية ادلختارة ‪‌t1,t2,…,tn‬وألي ثابت فتكوف‬
‫السلسلة الزمنية استقرارية تامة بتحقيق الشروط الثالثة السابقة‪.‬‬
‫‪‌.2.2‬االسخقشاسيت‌انضعيفت‌‪‌ :Weak Stationary‬‬

‫إف مفهوـ االستقرارية الضعيفة يسمح للتوزيع االحتمارل ادلشًتؾ للمتغَتات ‪ Xt1,Xt2,…,Xtn‬بالتغَت حلد ما مع الزمن‪.‬‬
‫و لكن يتطلب أف يكوف الوسط و التباين ثابتُت ‪ .‬كذلك يتطلب أف يكوف التغاير )‪ Cov(Xt,Xt+k‬دالة لفًتات‬
‫اإلبطاء للفًتة ‪ k‬فقط و ال يعتمد على الزمن ‪ .t‬كما يقاؿ للسلسلة الزمنية }‪ {Xt‬بأهنا مستقرة من الرتبة انثاَيت‌‬
‫‪ Second-order Stationary‬إذا حققت الشروط اآلتية ‪(Priestley,1981) :‬‬
‫‪ E(Xt)= -1‬حيث كمية ثابتة ال تعتمد على ‪.t‬‬

‫‪ Var(Xt)=σ2X -2‬حيث أف ‪ σ2‬كمية ثابتة ال تعتمد على الزمن ‪.t‬‬
‫‪ Cov(Xt1,Xt2)=γ(t2-t1) -3‬دالة بداللة |‪ |t2-t1‬فقط‪.‬‬
‫‪ .3‬يفهىو‌االسحباط‌انزاحي‪‌ :‬‬
‫يعترب االرتباط الذايت أحد ادلشاكل اليت يًتتب على وجودىا عدـ الدقة يف قياس معامالت العالقات االقتصادية‬
‫عند استخداـ طريقة ادلربعات الصغرى العادية‪.‬‬
‫‪ 2.3‬حعشيف‌االسحباط‌انزاحي‪‌ :‬‬
‫يشَت االرتباط الذايت بوجو عاـ إذل وجود ارتباط بُت القيم ادلشاىدة لنفس ادلتغَت‪ .‬ويف ظلاذج االضلدار عادة ما‬
‫تشَت مشكلة االرتباط الذايت إذل وجود ارتباط بُت القيم ادلتتالية للمتغَت العشوائي‪ .‬ويف ىذه احلالة تكوف قيمة معامل‬
‫االرتباط بُت القيم ادلتتالية للمتغَت العشوائي غَت مساوية للصفر‪.‬ووجود مشكلة االرتباط الذايت ؼلل بأحد االفًتاضات‬
‫اليت تقوـ عليها طريقة ادلربعات الصغرى العادي ة‪ ،‬وىي تعٍت أف خطأ ما حدث يف فًتة زمنية ما‪ ،‬مث أخذ يؤثر يف األخطاء‬
‫اخلاصة بالفًتات التالية بطريقة تؤدي لتكرار نفس اخلطأ أكثر من مرة‪ .‬أي أنو يوجد ىناؾ خطأ واحد ولكنو يتكرر يف‬
‫كل الفًتات التالية دبا يؤدي لظهور قيم احلد العشوائي عند مستوى ؼلتلف عن القيم احلقيقية‪.26‬‬
‫دوال‌االسحباط‌انزاحي‪‌ :‬‬ ‫‪1.3‬‬

‫أ‪-‬دالة االرتباط الذاتي البسيط‪:‬‬
‫هتتم ىذه الدالة بدراسة العالقة بُت السلسلة ذاهتا‪ ،‬أي الكشف عن االرتباطات الداخلية للسلسلة الزمنية‪ .‬لتكن )‪(Yt‬‬
‫‪27‬‬
‫سلسلة زمنية مستقرة و‪ k‬معامل تأخَت‪ ،‬ػلدد االرتباط الذايت بالعالقة ‪:‬‬
‫‪ 26‬عبد القادر زلمد عبد القادر عطية (احلديث يف االقتصاد القياسي بُت النظرية والتطبيق) الدار اجلامعية اإلبراىيمية –اإلسكندرية‪ 1005 -‬ص ‪.440‬‬
‫‪27J.C.USUNIER, (1982), (Pratique de la prévision à court terme) édition Dunod, Paris. p45.‬‬
‫‪40‬‬
‫‪N‬‬
‫‪( y‬‬ ‫‪t‬‬ ‫) ‪ y )( yt k  y‬‬

‫‪ (k ) ‬‬ ‫‪t  k 1‬‬
‫‪N‬‬
‫‪( y‬‬
‫‪t 1‬‬
‫‪t‬‬ ‫‪ y)2‬‬
‫‪N‬‬
‫‪1‬‬
‫‪y‬‬
‫‪N‬‬
‫حيث ‪ y‬سبثل ادلتوسط احلسايب ‪ y‬‬
‫‪t 1‬‬
‫‪t‬‬
‫كما ؽلكن صياغة االرتباط الذايت بداللة التباين والتباين ادلشًتؾ ‪:‬‬
‫) ‪COV ( yt , yt k‬‬
‫‪ (k ) ‬‬
‫) ‪VAR ( yt ).VAR ( yt -k‬‬
‫‪‬‬
‫وبػػُت السلسػػلة‬ ‫‪‬‬ ‫السلس ػػلة ‪‬‬
‫‪ yt ,  t   ‬‬
‫إذف مػػن ادلالحػػظ أف االرتبػػاط الػػذايت يقػػيس درجػػة االرتبػػاط بػػُت متغ ػَتات‬
‫‪‬‬ ‫‪‬‬
‫‪‬‬
‫‪‬‬
‫ادلنحازة بدرجة (‪.)k‬‬ ‫األصلية ‪ y t  k ,  t   ‬‬
‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪‬‬
‫‪‬‬
‫خصائص االرتباط الذايت‪:‬‬
‫) ‪.  ( k )   ( k‬‬ ‫‪ -‬االرتباط الذايت متناظر حوؿ الصفر أي أف‪:‬‬
‫‪ -‬االرتباط الذايت زلصور بُت القيمة‪. 1   (k )  1 :‬‬
‫‪ -‬عندما ‪ k  0‬فإف ‪  (k )  1‬وبالتارل ارتباط السلسلة تاـ‪.‬‬
‫‪ -‬ال فائدة من حساب ) ‪  (k‬عند عدـ استقرار السلسلة الزمنية‪.‬‬
‫‪.‬‬ ‫‪28 k‬‬ ‫‪T /4‬‬ ‫‪ -‬طلتار درجة التأخر )‪ (Décalage‬حسب عدد ادلشاىدات ادلتاحة واحملددة بالعالقة‬
‫ب‪ -‬دالة االرتباط الذاتي الجزئية ‪:‬‬
‫لتكن )‪ (Yt‬سلسلة زمنية مستقرة و‪ k‬معامل تأخَت‪ ،‬يقيس معامل االرتباط الذايت اجلزئي العالقة بُت قيم متتالية دلتغَت‬
‫‪29‬‬
‫ما خالؿ فًتتُت مع ثبات قيم الفًتات األخرى و يعطى بالعالقة التالية ‪:‬‬
‫‪rk ‬‬
‫‪‬‬
‫‪cov yt  yt* yt k  yt*k‬‬ ‫‪‬‬ ‫‪‬‬
‫‪‬‬
‫*‪v yt  yt‬‬ ‫‪ v y‬‬ ‫‪t k‬‬ ‫‪ yt*k‬‬ ‫‪‬‬
‫حيث أف ‪ y *t‬و ‪ yt*k‬متغَتات ضلصل عليها من اضلدار ‪ yt‬و ‪( yt k‬كل على حدا) على سلسلة ادلتغَتات التالية‪:‬‬
‫‪ yt k 1 ,..., yt 2 , yt 1 ‬وبالتارل فإف ‪:‬‬
‫‪k 1‬‬ ‫‪k 1‬‬
‫‪yt*    j yt  j‬‬ ‫‪,‬‬ ‫‪yt*k    'j yt  j‬‬
‫‪j 1‬‬ ‫‪j 1‬‬
‫حيث ‪ ‬و '‪ ‬معامالت ػلصل عليها بطريقة (‪.)MCO‬‬
‫ج‪-‬منحنى دالة االرتباط الذاتي (‪:)Corrélogramme‬‬
‫‪28‬‬‫‪(J.C.USUNIER ) Op.cit p 92.‬‬

‫‪29 (J.C.USUNIER ) Op.cit p 37.‬‬
‫‪41‬‬
‫‪30‬‬
‫ىذا ادلنحٌت ىو سبثيل بػياين لدالة االرتباط الذايت البسيط (‪ )AC‬ولدالة االرتباط الذايت اجلزئي (‪ ، )ACP‬ىذا التمثيل‬
‫البياين يسمح بػ ‪:‬‬
‫‪ -‬الكشف عن وجود مركبة ادلومسية‪.‬‬
‫‪ -‬اختبار استقرار السلسلة الزمنية‪.‬‬
‫‪ -‬الكشف عن وجود ارتباط ادلتغَتات الداخلية‪.‬‬
‫‪ -‬ربديد معامالت النموذج )‪SARIMA(p,d,q)(P,D,Q‬‬
‫احملدد‬ ‫) ‪ ( k‬‬ ‫ولتسهيل ربليل ادلنحٌت البػياين لدالة (‪ )AC‬نضع رلاؿ ثقة للقيِّم ادلقروءة‪ ،‬باالعتماد على تباين‬
‫‪31‬‬
‫بالعالقة ‪:‬‬
‫‪1 ‬‬ ‫‪‬‬
‫‪‬‬
‫‪k‬‬
‫‪VAR  ( k ) ‬‬
‫‪2‬‬
‫‪‬‬
‫‪N ‬‬
‫‪1‬‬ ‫‪‬‬ ‫‪2‬‬ ‫‪‬‬
‫‪i 1‬‬
‫‪‬‬
‫‪‬‬ ‫(‬‫‪i‬‬ ‫)‬ ‫‪‬‬
‫زلدد بػ ‪:‬‬ ‫‪(1   )  0.95‬‬ ‫وباعتبار أف (‪ )k‬تتبع يف توزيعها القانوف الطبػيعي فإف رلاؿ الثقة لػ (‪ )k‬بدرجة‬
‫‪ 1,96 VARˆ (k )‬‬
‫وبالتارل ؽلكن اختبار عشوائية السلسلة ‪ E ( yt )  0‬وذلك بوجود كل قيم (‪ )k‬بداخل ىذا اجملاؿ‪.‬‬
‫وبالنسبة لدالة (‪ )ACP‬فإهنا أيضا تتبع توزيعا طبيعيا ذو تباين مقدر بػ‪:‬‬
‫‪VAR rˆ(k )  1/ T‬‬
‫وػلدد رلاؿ الثقة بػ‪:‬‬
‫‪.‬‬ ‫‪1,96 VAR rˆ(k )‬‬
‫شكل‪ 4‬رسم بـياني لدالة االرتباط الذاتي‬
‫‪ .4‬انخصائصيت‌)‪‌ :(Ergodicité‬‬
‫تنبع ىذه الفكرة األساسية من االعتبار التارل‪ :‬ضلن نعلم أف أي سلسلة زمنية ما ىي اال ربقيق لعملية عشوائية خاصة‬
‫وبالتارل فإف كل مشاىدة ىي عبارة عن إحدى التحقيقات للمتغَت العشوائي ادلقابل‪ .‬إذف‪ ،‬كيف يتم حساب التوقع‬
‫الرياضي‪ ،‬التباين ودالة االرتباط الذايت ذلذا ادلتغَت يف حُت أنو يتوجب علينا معرفة أكثر من نقطة (مشاىدة) لكل متغَت‬
‫‪-30‬من اآلف فصاعدا نعرب عن دالة االرتباط الذايت البسيط بالرمز (‪ )AC‬وبالرمز (‪ )ACP‬لدالة االرتباط الذايت اجلزئي‪.‬‬
‫‪31 (J.C.USUNIER ) Op.cit p 92-93.‬‬
‫‪42‬‬
‫عشوائي؟ بعبارة أخرى‪ ،‬دبا أننا ال نستطيع القياـ حبسابات احصائية يف احلالة‪ ،‬فإنو يتوجب علينا البحث عن طريقة‬
‫أخرى ‪.‬‬
‫ؽلكننا القوؿ اذف‪ ،‬عن العملية ادلستقرة أهنا تتميز باخلصائصية (‪ )Ergodique‬إذا أمكن حساب كل خصائصها (الوسط‬
‫احلسايب‪ ،‬التباين‪ ،‬دالة االرتباط الذايت) استنادا دلسار واحد فقط من ىذه العملية (بطريقة عملية مشاىدة سلسلة زمنية‬
‫دلدة كافية)‪ .‬باختصار‪ ،‬ىذا يساعدنا على أف نقرر أف السلسلة الزمنية ادلشاىدة ىي عبارة عن عملية ظلوذجية أـ ال‪.‬‬
‫على سبيل ادلثاؿ التوقع الرياضي للعملية ىي هناية معدؿ (الوسط احلسايب) قيم مشاىدات السلسلة‪ ،‬عندما تؤوؿ فًتة‬
‫ادلشاىدات إذل ما الهناية‪.‬‬
‫ىناؾ رلموعة من الشروط الالزمة كي تكوف العملية ادلستقرة خصائصية‪ ،‬وىذا ىو غرض النظرية اخلصائصية ‪«la‬‬
‫)»‪.) Théorie Ergodique:conjecture de Boltzmann‬‬
‫ًَارج‌انسالسم‌انضيُيت‌انعشىائيت‌وانًسخقشة‌(ًَارج‌‪:)ARMA‬‬ ‫‪.II‬‬
‫تتكوف تشكيلة النماذج العشوائية من ظلاذج االضلدار الذايت )‪ ،(AR‬وظلاذج ادلتوسطات ادلتحركة )‪،(MA‬‬
‫والنماذج ادلختلطة من ظلاذج االضلدار الذايت وظلاذج ادلتوسطات ادلتحركة )‪ (ARMA‬باإلضافة إذل النماذج ادلمتدة‬
‫)‪ ،(ARIMA, SARIMA‬ومن شروط استعماؿ ىذه النماذج غلب أف تكوف السلسلة الزمنية مستقرة‪.‬‬
‫‪ًَ .2‬ىرج‌االَحذاس‌انزاحي‌)‪‌ ‌‌:AR(p‬‬

‫يف ظلاذج السالسل الزمنية غالبا ما تكوف ادلتغَتات ادلستقلة معتمدة الواحدة على األخرى‪ ،‬وذلك لكوهنا مشتقة‬
‫من مشاىدات نفس الظاىرة ) ‪ ( yt‬باعتماد فًتات زمنية مرتدة كما ىو موضح يف النموذج التارل‪:‬‬
‫‪yt  1 yt 1  2 yt  2  ...   p yt  p   t‬‬
‫‪ : yt‬سبثل قيمة الظاىرة يف الفًتة ‪. t‬‬
‫‪ : yt 1.......... yt  p‬سبثل قيمة الظاىرة نفسها يف فًتات زمنية سابقة (متغَتات مرتدة زمنية)‪.‬‬
‫ويعرؼ ىذا النموذج بنموذج االنحدار الذاتي بدرجة )‪ (Auto-regressive model) (p‬واختصارا يشار إليو‬
‫بػ )‪.AR(p‬‬
‫عندما تكوف ‪ p=1‬يصبح النموذج من الدرجة األوذل ويسمى أحيانا بعملية ماركوؼ ويكتب كاآليت‪:‬‬
‫‪yt  1 yt 1   t‬‬
‫وعندما تكوف ‪ p=2‬يصبح النموذج من الدرجة الثانية وىو ما يعرؼ بأسلوب أو عمليات ييل ويكتب كاآليت‪:‬‬
‫‪yt  1 yt 1  2 yt  2   t‬‬
‫دلنحٌت دالة االرتباط الذايت البسيط للنموذج )‪ AR(p‬خاصية التناقص اذلندسي يف حدوده من النوع‪:‬‬
‫‪k   k‬‬
‫‪43‬‬
‫أما بالنسبة دلنحٌت دالة االرتباط اجلزئي ‪ p‬حد األوذل زبتلف عن الصفر‪.‬‬
‫‪AR(1) : yt  1 yt 1   t‬‬ ‫مثال‪:‬‬
‫‪1  0.8‬‬
‫‪1‬‬ ‫‪FAC‬‬ ‫‪1‬‬ ‫‪FAP‬‬
‫‪12345 678‬‬
‫‪12345 678‬‬ ‫‪k‬‬ ‫‪k‬‬
‫‪-1‬‬
‫‪-1‬‬
‫‪1  0.8t‬‬
‫‪1‬‬ ‫‪FAC‬‬ ‫‪1‬‬ ‫‪FAP‬‬
‫‪12345 678‬‬
‫‪12345 678‬‬ ‫‪k‬‬ ‫‪k‬‬
‫‪ ‬نموذج االنحدار‬
‫‪-1‬‬
‫‪-1‬‬
‫‪32‬‬
‫الذاتي الموسمي ‪:SAR‬‬
‫وؽلكن كتابة صيغتو العامة على النحو التارل‪:‬‬
‫‪:‬سبثل معادل االضلدار الذايت ادلومسي ‪i=1,…,P‬‬ ‫حيث ‪:‬‬
‫‪ : P‬سبثل درجة النموذج ادلومسي‪.‬‬
‫‪ًَ .2‬ىرج‌انًخىسطاث‌انًخحشكت‌‪:MA(q)33‬‬
‫يف ظلوذج ادلتوسطات ادلتحركة من الدرجة ‪ ،q‬كل قيمة ‪ yt‬معممة دبتوسط متزف لعنصر اخلطأ العشوائي حىت‬
‫للمدة ‪: q‬‬
‫‪ 32‬ناظم عبد اهلل عبد احملمدي‪ ،‬ـ‪.‬ـ‪ .‬سعدية عبد الكرًن طعمو‪ ،‬استخداـ ظلاذج السالسل الزمنية ادلومسية للتنبؤ باستهالؾ الطاقة الكهربائية يف مدينة الفلوجة‪،‬‬
‫رللة جامعة األنبار للعلوـ االقتصادية واإلدارية‪ ،‬اجمللد‪ ،4‬العدد‪.1022، 7‬‬
‫‪33‬‬ ‫‪Regis BOURBONNAIS, (op-cit) p241.‬‬
‫‪44‬‬
‫‪MA(1) : yt   t  1 t 1‬‬
‫‪MA(2) : yt   t  1 t 1   2 t 2‬‬
‫‪........‬‬
‫‪MA(q) : yt   t  1 t 1   2 t 2  ...   q t q‬‬
‫أين ‪ 1, 2 ,..... q‬معلمات وؽلكن أف تكوف إما سالبة أو موجبة‪ ،‬و ‪  t‬ىو اخلطأ العشوائي ‪(Aléa‬‬
‫)‪.Gaussien‬‬
‫ىذا النموذج مثلو مثل ظلوذج االضلدار الذايت فإف األخطاء العشوائية ىي مفًتضة أهنا ناذبة عن اخلطأ األبيض‪.‬‬
‫وؽلكن تفسَت ظلوذج ادلتوسطات ادلتحركة كأنو سبثيل لسلسلة زمنية متوسطها متأثر بشكل عشوائي (اخلطأ العشوائي)‪.‬‬
‫مع العلم أنو يوجد ىنا مساواة بُت ظلوذج ادلتوسطات ادلتحركة من الدرجة األوذل))‪ (MA(1‬وظلوذج االضلدار‬
‫الذايت من درجة ما ال هناية ))‪: ( AR (‬‬
‫)‪MA(1)  AR (‬‬
‫وتأخذ دالة االرتباط الذايت البسيط الصيغة التالية‪:‬‬
‫‪iqk‬‬
‫‪ ‬‬ ‫‪i‬‬ ‫‪ik‬‬

‫‪k ‬‬ ‫‪i 0‬‬
‫‪iq‬‬
‫‪pourk  0,1......, qet k  0 pourk  q‬‬
‫‪‬‬
‫‪i 0‬‬
‫‪i‬‬
‫‪2‬‬
‫دبعٌت أنو إال ‪ q‬حد األوؿ دلنحٌت االرتباط الذايت البسيط اليت زبتلف جوىريا عن الصفر‪.‬‬
‫ومنحٌت االرتباط الذايت اجلزئي لو خاصية االطلفاض اذلندسي للتأخرات‪.‬‬
‫‪MA(1) : yt   t  1 t 1‬‬ ‫مثال‪:‬‬
‫‪45‬‬
‫‪34‬‬
‫‪ ‬نماذج المتوسط المتحرك الموسمي ‪: SMA‬‬
‫باستخداـ عامل التباطؤ ‪ D‬ينتج‪:‬‬
‫𝛼‬ ‫(‬ ‫𝛼‬ ‫𝛼‬ ‫𝛼‬ ‫)‬

‫وتصبح الصيغة العامة لنموذج ادلتوسط ادلتحرؾ ادلومسي من الدرجة ‪ Q‬تأخذ الشكل التارل‪:‬‬
‫𝛼‬ ‫𝛼‬ ‫𝛼‬
‫و ‪ Q‬سبثل درجة‬ ‫‪α‬‬ ‫سبثل معادل ظلوذج ادلتوسط ادلتحرؾ ادلومسي مع ‪ i= 1,…,Q‬و‬ ‫حيث‬
‫النموذج ادلومسي و ‪ S‬سبثل طوؿ الفًتة ادلومسية‪.‬‬
‫‪ 34‬ناظم عبد اهلل عبد احملمدي‪ ،‬ـ‪.‬ـ‪ .‬سعدية عبد الكرًن طعمو‪ ،‬مرجع سابق‪.‬‬
‫‪46‬‬
‫‪ .3‬انًُارج‌انًخخهطت‌)‪:ARMA(p,q‬‬
‫إف النماذج من النوع )‪ ARMA(p,q‬ىي مزيج من )‪ AR(p‬و )‪ ، MA(q‬لكن األخطاء بو مرتبطة يف وحدة الزمن‪،‬‬
‫األمر الذي يسمح بكتابة السلسلة الزمنية ادلدروسة بالشكل التارل ‪:‬‬
‫( )‪yt  1 yt 1  2 yt  2  ...   p yt  p  ut .............‬‬
‫معرؼ بالعالقة‪:‬‬ ‫‪ut‬‬ ‫حيث أف‬
‫‪ut   t  1 t 1   2 t 2  ...   q  t q‬‬
‫‪35‬‬
‫يفًتض أف يكوف )‪ AR(p‬و )‪ MA(q‬مستقرين يف وحدة الزمن وبالتارل )‪ ARMA(p,q‬مستقر تعريفاً‪.‬‬
‫ادلعادلة ( ) للنموذج ادلختلط )‪ A R M A ( p q‬ظلتاز دبا يلي‪36 :‬‬
‫‪ A R M A ) 0.0 ( -‬تصبح السلسلة ‪ Y‬ىي خطأ أبيض ‪.‬‬

‫‪T‬‬
‫‪ A R M A ) P.0 ( -‬يصبح النموذج ىو ) ‪.A R ( P‬‬

‫‪ A R M A ) 0.q( -‬يصبح عند إذف النموذج ) ‪. M A( q‬‬
‫‪ -‬دالة االرتباط الذايت البسط و اجلزئية سبتاز تناقص أسي بعد ‪ p‬و ‪ q‬تأخر‪.‬‬
‫إذا كانت لدينا سلسلة زمنية تضم بُت طياهتا مركبة االذباه العاـ ومركبة ادلومسية فيجب استبعاد ذلك (نظرا لتأثَته‬
‫على استقرار السلسلة) بواسطة استخداـ طريقة الفروؽ‪ ،‬وؼلترب استقرار السلسلػة باستخداـ اختبار اجلذور الوحدية مثل‬
‫اختبار )‪ (Philips et Perron‬و اليت سنتطرؽ اليها الحقا بالتفصيل أو بإحدى الطرؽ التالية‪:‬‬
‫‪ -2‬ذبزئة السلسلة ادلعدلة إذل جزئُت متساويُت ‪ ،‬وضلسب لكل منهما ادلتوسط احلسػايب والتبػاين فػإذا كػاف ىػذين األخػَتين‬
‫متساوين بالقيمة‪ ،‬وكاف منحٌت دالة ‪ AC‬لكل سلسلة منهما متطابق على اآلخر‪ ،‬فالسلسلة مستقرة يف وحدة الزمن‪.‬‬
‫‪ -1‬تنػاقص منحػٌت دالػة ‪ AC‬كلمػا زادت قيمػة ‪ k‬حػىت القيمػة ادلوافقػػة ل ػ‪ N 4 :‬حيػث غلػب أف يكػوف ادلنحػٌت ضػمن رلػػاؿ‬
‫ثقتو‪.‬‬
‫‪ -3‬إذا كاف اخلطأ العشوائي يشكل تشويشا أبػيضا (‪ ،)Bruit Blanc‬دبعٌت أف ‪ ‬موزع توزيعا طبػيعيا وػلػقق شروط‬
‫الفرضيات الكالسيكية‪ ،‬ويسمح باحلصوؿ على متتالية من ادلتغَتات العشوائية ذات متوسط معدوـ وتباين ثابت‪ ،‬وعند‬
‫رسم دالة ارتباطو الذايت (‪ )Corrélogramme des Résidus‬يكوف ادلنحٌت زلصوراً بكاملو داخل رلاؿ ثقتو‪.‬‬
‫ومن أجل ربديد نوع النموذج ودرجتو نقوـ بتحليل منحٌت دالة االرتباط الذايت ادللخص يف اجلدوؿ ‪:-3-‬‬
‫‪35 B.COUTROT et F.DROESBEKE (1989), « Les méthodes de prévision -Que sais-je », Edition P.U.F Paris, p 61-66.‬‬
‫‪36 Hassen BENNACEUR. (2010), « Econometrie : Notes De Cours_ Exercices Corriges », Centre De Publication‬‬
‫‪Universitaire, Tunisie, p 291.‬‬
‫‪47‬‬
‫جدول ‪ 3‬خصائص منحنى االرتباط الذاتي‬
‫‪FAP‬‬ ‫‪FAC‬‬ ‫النموذج‬
‫‪ 1<k‬بالنسبة لكل ‪=0‬‬ ‫تناقص أسي‬ ‫)‪AR(1‬‬
‫‪ 2<k‬بالنسبة لكل ‪=0‬‬ ‫تناقص أسي‬ ‫)‪AR(2‬‬
‫‪ p<k‬بالنسبة لكل ‪=0‬‬ ‫تناقص أسي‬ ‫)‪AR(P‬‬
‫تناقص باستمرار‬ ‫‪ 1<k‬بالنسبة لكل ‪0‬تساوي‬ ‫)‪MA(1‬‬
‫تناقص باستمرار‬ ‫‪ 2<k‬بالنسبة لكل ‪0‬تساوي‬ ‫)‪MA(2‬‬
‫تناقص باستمرار‬ ‫‪ q<k‬بالنسبة لكل ‪0‬تساوي‬ ‫)‪MA(q‬‬
‫تناقص أسي‬ ‫تناقص هندسي ابتداءا من أول تأخر‬ ‫)‪ARMA(1,1‬‬
‫تأخر‪q-p‬تناقص أسي بعد‬ ‫تأخر‪p-q‬تناقص أسي بعد‬ ‫)‪ARMA(p,q‬‬
‫‪Source : REGIS BOURBONNAIS (op-cit) p242.‬‬
‫اآلف بعد ربديد طبيعة كثَت احلدود ‪ ،‬تبقى كيفية ربديد درجتو ‪ ،‬ففي حالة كثَت احلدود )‪ MA (q), AR (p‬ربدد‬
‫الدرجػة ‪ p‬أو ‪ q‬وفقا ألكرب معامل تأخَت (‪ )k‬استقرت عنده السلسلة‪ ،‬أما يف حالة كثَت احلدود )‪ ARMA (p , q‬فيحدد‬
‫بنفس األسلوب السابق على أساس التجزئة‪ ،‬أو عن طريق التجربػة ومالحظة منحٌت دالة االرتباط (‪.)Corrélogramme‬‬
‫كما صلد عدة معايَت الختيار النموذج ادلناسب أعلها‪:‬‬
‫)‪2( p  q‬‬
‫‪AIC  log ˆ 2ˆ ‬‬ ‫‪ -‬معيار ‪:)2969( Akaike‬‬
‫‪T‬‬
‫‪log T‬‬
‫)‪SIC  log ˆ2ˆ  ( p  q‬‬ ‫‪ -‬معيار ‪:)2978( Schwars‬‬
‫‪T‬‬
‫‪log T‬‬
‫‪HQ( p, q)  log ˆ2ˆ  ( p  q)c‬‬ ‫‪ -‬معيار ‪:)2979( Hannan-Quinn‬‬
‫‪T‬‬
‫مع ‪ c>2‬ثابت‪.‬‬
‫‪. HQ, SIC, AIC‬‬ ‫وىنا يكوف االختيار على أساس أصغر قيمة للمعيار‪ ،‬أي نفضل النموذج الذي ػلقق أصغر‬
‫‪ ‬نماذج االنحدار الذاتي المتوسط المتحرك الموسمي‪SARMA:‬‬
‫عند دمج ظلوذج االضلدار الذايت ادلومسي مع ظلوذج ادلتوسط ادلتحرؾ ادلومسي ضلصل عمى ظلوذج مركب ويرمز لو‬
‫)‪SARMA(P,Q‬ويعرب عن ىذه النماذج بالشكل التارل‪:‬‬
‫𝛼‬ ‫𝛼‬
‫𝛼‬
‫‪48‬‬
‫ًَارج‌انسالسم‌انضيُيت‌انعشىائيت‌انغيش‌يسخقشة‪‌ :‬‬ ‫‪.III‬‬
‫‪ .2‬أَىاع‌انسالسم‌انضيُيت‌انغيش‌يسخقشة‪‌ 37:‬‬
‫‪ .2.2‬انًُىرج‌‪‌ :(Trend. Stationary) TS‬‬
‫ىذه النماذج غَت مستقرة و تربز عدـ استقراريتها التحديدية و يعطى على الشكل التارل‪:‬‬
‫‪yt ‬‬ ‫‪ t   t‬‬

‫) ‪  (t‬كثَت حدود بداللة الزمن‪.‬‬
‫‪ :  t‬خطأ أبيض‪.‬‬
‫و جل ىذه النماذج نكتب على سياؽ كثَت حدود من الرتبة األوذل على النحو التارل‪yt  a0  a1t  T :‬‬
‫‪ a0‬باستعماؿ ‪MCO‬‬ ‫‪a1‬‬ ‫ىذا النموذج غَت مستقر كونو مرتبط بالزمن و من أجل إرجاعو مستقرا وجب تقدير ادلعادل‬
‫– و أحسن طريقة إلرجاعو مستقرا ىي الطريقة االضلدارية‪.‬‬
‫‪‌ .2.1‬انسيشوسة‌‪‌ ‌:)Differency. Stationary‌(‌DS‬‬

‫وسبثل النوع الثاين من السالسل الغَت مستقرة وتربز عدـ استقرايرية عشوائية و تعطى على النحو التارل‪:‬‬
‫‪zt  (1  L)d yt  d yt‬‬
‫‪zt  (1  L) yt ‬‬ ‫‪ t‬‬

‫‪(1  D) d yt  B  et‬‬
‫‪ .B‬ثابت حقيقي‬
‫‪.d‬درجة التأخر‪.‬‬
‫فإذا كانت ‪ 0=B‬يسمى النموذج ‪ DS‬بدوف مشتقة و يكتب على النحو التارل‪:‬‬
‫‪YT  Yt 1   t‬‬
‫و يسمى يف ىذه احلالة بػ ‪Radom Walk Model‬‬
‫‪ 0  B‬يسمى ظلوذج ‪ DS‬بادلشتقة و يكتب على النحو التارل‪:‬‬
‫‪yt  yt 1  B   t‬‬
‫‪37-‬‬ ‫‪R. BOURLOUMAIS op cit p 230.‬‬

‫‪49‬‬
‫من اجل إرجاع النموذج مستقرا تستعمل طريقة الفرو قات ‪.‬‬
‫‪ .1‬اخخباساث‌انكشف‌عٍ‌اسخقشاسيت‌انسهسهت‌انضيُيت‪‌ :‬‬
‫‪ 2.1‬اخخباس‪‌ 38:(Dickey – Fuller 1979)D.F:‬‬
‫يسمح االختيار دبعرفة إف كانت السلسلة مستقرة أـ ال و معرفة نوع السلسلة الغَت مستقرة ‪ TS‬أو ‪ DS‬و يعتمد االختبار‬
‫على ثالث ظلاذج ىي‪:‬‬
‫)‪yt  1 yt 1   t .........(1‬‬ ‫* ظلوذج االضلدار الذايت‪:‬‬
‫)‪yt  1 yt 1     t ............(2‬‬ ‫* ظلوذج االضلدار الذايت مع وجود ثابت‪:‬‬
‫* ظلوذج االضلدار الذايت مع وجود االذباه العاـ‪yt  1 yt 1  bt  c   t ...........(3) :‬‬
‫و نقوـ بتقدير ‪  1‬باستعماؿ طريقة ‪ MCO‬من أجل النماذج الثالث و كذلك االضلراؼ ادلعياري‪.‬‬
‫‪ -‬تقدير التباين يف ادلدى القصَت بالعالقة التالية‪:‬‬
‫‪1 n 2‬‬
‫‪‬‬ ‫‪2‬‬
‫‪  et‬‬
‫‪n t 1‬‬
‫‪ -‬تقدير التباين يف ادلدى الطويل بالعالقة التالية‪:‬‬
‫‪1 n 2‬‬ ‫‪l‬‬

‫‪i n‬‬
‫‪s   et  2 (1 ‬‬
‫‪2‬‬
‫‪)  et et i‬‬
‫‪‬‬
‫‪t‬‬
‫‪n t 1‬‬ ‫‪i 1‬‬ ‫‪l‬‬ ‫‪1‬‬ ‫‪t  1‬‬
‫ومن أجل تقدير ىذا التباين يف ادلدى الطويل‪ ،‬من ادلهم ربديد رقم التأخر ‪ ، l‬ويساوي بالتقريب‪:‬‬
‫‪l  4(n / 100) 2 / 9‬‬
‫حيث أف ‪ n‬عدد ادلشاىدات‪.‬‬
‫‪(ˆ1  1) n(k  1)ˆˆt‬‬

‫‪t*ˆ ‬‬ ‫*‪k‬‬ ‫‪‬‬ ‫‪ -‬حساب اإلحصائية‪:‬‬
‫‪1‬‬
‫ˆ‪ˆ‬‬ ‫‪1‬‬
‫‪k‬‬
‫‪ˆ 2‬‬
‫‪k ‬‬ ‫حيث‪:‬‬
‫‪st2‬‬
‫ˆ‪ t‬يعٍت وجود جدر وحدي و لتوضيح اختبار ‪ DF‬أكثر نستعُت بادلخطط التارل‪:‬‬ ‫‪1‬‬
‫‪ tTAB‬‬ ‫إذا كانت‬
‫‪38-Régis‬‬ ‫‪Bourbonnais op-cite p 149.‬‬

‫‪50‬‬
DF ‫ مخطط لتوضيح اختبار‬5‫شكل‬
Régis Bourbonnais, op-cité, p236. :‫ادلصدر‬
‌ :Dickey – Fuller Augmentés ( 1981 )‌‫ اخخباس‬.1.1

‫ يقوـ على أساس الفرضية‬D.F.A ‫ البسيط اختبار‬D.F ‫جاء ىذا االختبار لسد بعض النقائض اليت ظهرت يف اختبار‬
:‫ و يعتمد على النماذج الثالث‬/  /  1 ‫البديلة‬
39
1
p
yt   t 1    j yt  j 1  t ............(4)
j 2
p
yt   t 1    j yt  j 1  c  t ............(5)
j 2
p
yt   t 1    j yt  j 1  c  bt  ............(6)
{ j 2
t
39- Régis Bourbonnais op-cite p 234.

51
‫‪-P‬رقم التأخَت‬
‫يتم ربديد درجة ‪ p‬عن طريق معياري ‪ AKaike‬أو ‪Schwarz‬‬
‫‪ .2.3‬اختبار )‪:Phillips Et Perron (1988‬‬

‫‪40‬‬
‫و تتمثل خطوات ىذا االختبار فيما يلي‪:‬‬

‫‪ .1‬التقدير بواسطة المربعات الصغرى للنماذج الثالث لـ ‪ DF‬و ذلك من أجل تقدير الباقي‬
‫‪2‬‬ ‫‪1 n 2‬‬

‫‪‬‬ ‫‪  et‬‬ ‫‪.2‬تقدير التباين يف ادلدى القصَت‪:‬‬
‫‪n t 1‬‬
‫‪ .3‬تقدير التباين في المدى الطويل‪:‬‬
‫‪1 n 2‬‬ ‫‪l‬‬

‫‪i 1 n‬‬
‫‪s   et  2 (1 ‬‬
‫‪2‬‬
‫‪)  et et 1‬‬
‫‪‬‬
‫‪t‬‬
‫‪n t 1‬‬ ‫‪i 1‬‬ ‫‪l‬‬ ‫‪1‬‬ ‫‪n t 1‬‬
‫و من أجل تقدير ىذا التباين يف ادلدى الطويل‪ ،‬من ادلهم ربديد رقم التأخر ‪ L‬و يساوي بالتقريب‬
‫‪l  4(n / 100) 2 / 9‬‬
‫حيث أف ‪ n :‬عدد ادلشاىدات‪.‬‬

‫‪ -4‬حساب اإلحصائية ‪:‬‬
‫‪(ˆ1  1) n(k  1)ˆˆt‬‬

‫‪t*ˆ ‬‬ ‫*‪k‬‬ ‫‪‬‬ ‫‌‌‌‌‌‌‌‌‌‌‬
‫‪1‬‬
‫‪ˆˆ1‬‬ ‫‪k‬‬
‫‪ˆ 2‬‬
‫‪k ‬‬ ‫حيث‪:‬‬
‫‪st2‬‬
‫ومقارنة ىذه اإلحصائية مع القيمة اجلدولية يف جدوؿ ‪.Makinon‬‬
‫نقبل الفرضية العدمية ‪ 1  1 : H 0‬السلسلة الزمنية غَت مستقرة‪.‬‬ ‫‪tˆ  tTAB‬‬

‫‪1‬‬
‫إذا كانت‬
‫‪41‬‬
‫‪ .3.2‬اختبار ‪:)1992(‌KPSS‬‬
‫اقًتح كل من ‪ Kwiatkowski et al.‬سنة ‪ 1992‬استخداـ مضاعف ) ‪ Lagrange ( LM‬لفرضية العدـ اليت‬
‫تقرر االستقرارية للسلسلة وؽلر اختبار ‪ KPSS‬بادلرحلة التالية ‪:‬‬
‫‪t‬‬
‫بعد تقدير النماذج ‪ 2‬و ‪. 3‬‬ ‫‪st   et‬‬ ‫‪.1‬حساب اجملموع اجلزئي للبواقي‬
‫‪i 1‬‬
‫‪40-Régis‬‬ ‫‪Bourbonnais, Michel Terraza. (2016), op.cit., p 10-17.‬‬

‫‪41-‬‬ ‫‪Régis bourbonnais op.cit. p 235.‬‬
‫‪52‬‬
‫‪ .2‬تقدير التباين الطويل األجل ‪ st2‬بنفس طريقة ‪Phillips Perron.‬‬
‫‪m‬‬
‫‪1 st2‬‬
‫‪LM ‬‬ ‫‪t 1‬‬
‫‪.3‬حساب إحصائية ‪ kpss‬من العالقة‬
‫‪s n2‬‬
‫‪2‬‬
‫نرفض فرضية العدـ ( االستقرار ) إذا كانت اإلحصائية ‪ LM‬أكرب من قيمة احلرجة ادلستخرجة من اجلدوؿ ادلعد من طرؼ‬
‫‪.Kwiatkowski et al.‬‬
‫اختبار )‪:Elliot, Rothenberg et Stock (1996‬‬ ‫‪.5.2‬‬
‫ىذا االختبار و ادلعرؼ ب ‪ ، ERS‬يعترب دبثابة نقطة أمثلية بالنسبة جلذر الوحدة حيث أنو يعتمد على شبو الفروقات‬
‫ادلطبقة على السلسلة‌‪ ،‌xt‬فهو ػلسن من قوة االختبار مقارنة مع االختبارات القياسية ؿ ‪.Dickey-Fuller‬‬
‫𝛼‬ ‫و‬ ‫𝛼‬ ‫لتكن‪:‬‬
‫مع‪‌zt=1 :‬يف حالة بدوف مشتقة (النموذج األوؿ من اختبار ‪‌zt=1,…,t‌،)Dickey-Fuller‬يف حالة وجود مشتقة‬
‫‪c=13,5‬‬ ‫𝛼 حيث ‪ c=7‬اذا كانت السلسلة ال يبدو أهنا ربتوي على اذباه عاـ و‬ ‫(النموذج الثاين)‪ ،‬و ‪⁄‬‬
‫اذا كاف يبدو أف ىذه السلسلة ربتوي على اذباه عاـ‪.‬‬
‫‪ .‬نقوـ بتقدير ادلعامل ‪ a‬بطريقة ادلربعات الصغرى ادلعممة )‪: (MCG‬‬ ‫ليكن النموذج‪:‬‬
‫‪.‬‬ ‫‪ .‬األمر الذي يسمح حبساب متغَت جديد‪̂ :‬‬ ‫̂‬
‫يسمح حبساب اإلحصائية‬ ‫∑‬ ‫يف األخَت‪ ،‬تقدير النموذج‪:‬‬

‫(النسبة بُت ادلعامل و اضلرافو ادلعياري) ربت الفرضية العدمية‬ ‫‪ ERS=t‬حيث أف ‪ t‬ىي إحصائية ادلعامل‬
‫‪.‬‬
‫يتم مقارنة االحصائية ‪ ERS‬مع القيم احلرجة ادلستخرجة من اجلدوؿ ادلعد من طرؼ ‪ ،Elliot and al‬اذا كانت‬
‫‪ ERS>ERStab‬يتم قبوؿ الفرضية العدمية ‪ ،H0‬و العكس صحيح‪.‬‬
‫‪ .2.3‬اختبار )‪:Ng-Perron(2001‬‬
‫اقًتح كل من ‪ Ng and Perron‬أربع احصائيات ترتكز على طريقة ادلربعات الصغرى ادلعممة )‪‌ (MCG‬ادلطبقة على‬
‫)‪‌،Phillips-Perron (1988‬‬ ‫معطيات بدوف اذباه عاـ‪ .‬ىذه االختبارات عبارة عن نسخة معدلة من اختبارات‬
‫)‪‌ Bhargava(1986‬و )‪‌ ERS(1996‬اليت تعترب اختبارات قوية بالنسبة لالضلرافات الكبَتة عندما تكوف البواقي مًتابطة‬
‫بشكل سليب‪.‬‬
‫∑‬
‫بدوف اذباه عاـ‪.‬‬ ‫ىي السلسلة‬ ‫مع‬ ‫لتكن الصيغة‪:‬‬
‫‪53‬‬
‫االحصائيات األربع معرفة بالشكل التارل‪:‬‬
‫(‬ ‫)‬
‫) (‬
‫(‬ ‫)‬
‫ال ربتوي على اذباه عاـ‬ ‫اذا كاف يبدو أف‬
‫{‬
‫(‬ ‫)‬
‫ربتوي على اذباه عاـ‬ ‫اذا كاف يبدو أف‬
‫قيمة ‌‪ f0‬ىي عبارة عن تقدير طيفي للبواقي من أجل الًتدد ‪ 0‬مع ‪‌ c=-7‬اذا كانت السلسلة ال ربتوي على اذباه عاـ و‬
‫‪ c=-13,5‬اذا كانت السلسلة ربتوي على اذباه عاـ‪.‬‬
‫‪‌ .Ng and Perron‬‬ ‫يتم مقارنة ىذه االحصائيات األربعة مع القيم احلرجة ادلستخرجة من اجلدوؿ ادلعد من طرؼ‬
‫‪ .3‬االيخذاد‌إنى‌انًُارج‌‪‌ARIMA‬و‌ ‪‌ 42:SARIMA‬‬
‫سبكننا اختبارات اجلذور الوحدية من معرفة إف كانت السالسل الزمنية مستقرة أو غَت مستقرة‪ ،‬ويف حالة عدـ‬
‫استقرارىا سبكننا كذلك من معرفة إف كانت من النوع ‪TS‬أو ‪.DS‬‬
‫فإذا كانت من النوع ‪ TS‬فيمكن ربويلها إذل سلسلة مستقرة بطريقة االذباه العاـ بالنسبة للوقت والباقي ادلقدر‬
‫للباقي‪ .‬وإظلا‬ ‫‪ AR‬و‪MA‬‬ ‫و‪ q‬لألجزاء‬ ‫يدرس باستعماؿ منهجية ‪ .Box-Jenkins‬ىذا ما يسمح بتحديد الدرجات‬
‫‪p‬‬
‫نبقى ىنا دائما يف حالة النماذج ادلختلطة ‪.ARMA‬‬
‫وإذا كانت السلسلة ادلدروسة من النوع ‪ ،DS‬ؽلكن ربوذلا إذل سلسلة زمنية مستقرة باالنتقاؿ إذل الفروقات‬
‫حسب درجة التكامل ‪( I  d‬دبعٌت عدد ادلرات اليت غلب أف نفاضل فيها السلسلة من أجل ربويلها إذل سلسلة‬
‫‪AR‬‬ ‫مستقرة)‪ .‬والسلسلة ادلفاضلة تدرس باستعماؿ منهجية ‪ Box-Jenkins‬اليت تسمح بتحديد الدرجات ‪ p‬و‪ q‬لألجزاء‬
‫و‪ .MA‬ويسمى ىذا النوع من النماذج بػ )‪.ARIMA (p,d,q‬‬
‫والنماذج ‪ SARIMA‬تسمح دبكاملة درجة من التفاضل ادلرتبطة باالستقرار ادلعمم بالتحويالت‪:‬‬
‫‪ ( I  Ds ) yt  yt  yt  s‬أين ‪ s‬تتبع مدة البيانات ( ‪ 4  s‬من أجل بيانات فصلية‪ 12  s ،‬من أجل بيانات‬
‫شهرية)‪.‬‬
‫‪42‬‬ ‫‪REGIS BOURBONNAIS, op-cit,p243.‬‬

‫‪54‬‬
‫انفصم‌انشابع‬
‫التنبؤ باستخدام منهجية‬

‫‪Box and Jenkins‬‬
‫يقذيت‪‌ :‬‬
‫من خالؿ دراسة ظلاذج التلميس األسي نالحظ أهنا اعتمدت على وجود القانوف األسي الذي يدير السلسلة الزمنية‪،‬‬
‫ولكن يف الواقع غَت واضح سباما ىذا من جهة ومن جهة أخرى السالسل الزمنية معقدة جدا بسبب االرتباط الذايت‬
‫والفارؽ الزمٍت الذي يفصل بُت القيم ادلشاىدة وأثرىا عل ى القيم الالحقة وبالتارل على القيم ادلقدرة‪ .‬ففي سنة ‪2976‬‬
‫توصل ‪ BOX-JENKINS‬يف الواليات ادلتحدة األمريكية إذل نشر عملهما ادلتعلق دبعاجلة السالسل الزمنية وكيفية‬
‫استعماذلا يف رلاؿ التنبؤ وذلك باالعتماد على دالة االرتباط الذايت واستخداـ مبدأ ادلتوسطات ادلتحركة ومبدأ االضلدار‬
‫الذايت‪ ،‬ىذا التحليل ؼلضع السلسلة الزمنية إذل العشوائية ظلوذج عشوائي (‪. )(S)ARIMA‬‬
‫‪43‬‬
‫‪‌-2‬اسخخشاج‌خصائص‌انسهسهت‌انضيُيت‪‌ :‬‬
‫تتلخص ىذه الطريقة يف اجراء رلموعة من التحليالت البيانية و اإلحصائية للسلسلة الزمنية كالعشوائية‪ ،‬ادلومسية‪،‬‬
‫االستقرارية‪....،‬‬
‫أ‪ .‬العشوائية‪:‬‬
‫وتتمثل يف ادلركبة العشوائية اليت تكوف قد تولدت عن ظروؼ عشوائية‪ .‬وىي تعرب عن التذبذبات غَت ادلنتظمة‪.44‬‬
‫وؽلكن الكشف عن ادلركبة العشوائية إما عن طريق ربليل ادلعلومات بيانيا‪ ،‬أو باستعماؿ االختبارات اإلحصائية‪ .‬إال أف‬
‫الطريقة األوذل ال تبُت لنا بصفة واضحة ىذه ادلركبة لذا سوؼ نلجأ إذل االختبارات اإلحصائية‪.‬‬
‫ب‪ .‬نزع الموسمية‪:‬‬
‫يف حالة ما إذا كانت السلسلة الزمنية تتأثر بالتغَتات ادلومسية‪ ،‬يتوجب أوال نزع ىذه االخَتة قبل أي معاجلة إحصائية ذلذه‬
‫السلسلة الزمنية‪ .‬تضاؼ ىذه ادلومسية للسلسلة ادلتنبأ هبا يف هناية ادلعاجلة بغرض احلصوؿ على تنبؤات بادلدى اخلاـ‪.‬‬
‫‪ 43‬التسمية ‪ (S)ARIMA‬ىي اختصار لػ‪.(Seasonal) Auto Regresive Integrated Moving Average :‬‬
‫‪44‬مولود حشماف (مرجع سابق) ص‪.222‬‬
‫‪55‬‬
‫ت‪ .‬البحث عن االستقرارية‪:‬‬
‫نقوؿ عن سلسلة زمنية ما بأهنا ذات معٌت واسع لالستقرار أو ذات تباين مشًتؾ مستقر إذا كانت أوساطها‪ ،‬تبايناهتا‬
‫وتبايناهتا ادلشًتكة ثابتة عرب الزمن‪ ،‬أي أف‪:45‬‬
‫‪E (Yt )  E (Yt  k ) ‬‬
‫‪VAR (Yt )  VAR (Yt  k )   0‬‬
‫) ‪COV (Yt , Yt  k )  COV (Yt  k , Yt  k  s‬‬
‫إذا كانت دراسة الرسم البياين لدالة االرتباط الذايت البسيط و كذا االختبارات اإلحصائية (إحصائية ‪ )Q‬تدؿ على أف‬
‫السلسلة الزمنية تتأثر دبركبة االذباه العاـ‪ ،‬فانو من األحسن أف تتم دراسة استقرار السلسلة الزمنية دبوجب اختبار اجلذور‬
‫الوحدية ؿ ‪ (Dickey-Fuller) 46‬حسب ادلنهجية ادلبينة (أنظر الفصل ‪.)3‬‬
‫الطريقة ادلناسبة للتخلص من مركبة االذباه العاـ تتحدد وفقا لنوع السلسلة الغَت مستقرة اما ‪ TS‬أو‪.DS‬‬
‫‪‌-1‬انخعشف‌عهى‌انًُىرج‪:‬‬
‫تعترب مرحلة التعرؼ على النموذج أىم و أصعب مرحلة على االطالؽ‪ :‬ألهنا تستوجب ربديد النموذج ادلالئم من بُت‬
‫ظلاذج ‪ .ARMA‬تتميز ىذه ادلرحلة بدراسة الرسم البياين لدالة االرتباط الذايت البسيط واجلزئي‬
‫(‪ .)Corrélogrammes‬فيما يلي سنلخص بعض القواعد البسيطة تسهل ربديد رتب )‪ (p,d,q‬لنموذج‬
‫‪.ARIMA‬‬
‫بعد التأكد من استقرار السلسلة الزمنية يتم ربديد الرتب ‪ p,q‬للنموذج ‪ ،ARMA‬وفقا للشروط ادلبسطة التالية‪:‬‬
‫‪ ‬اذا كانت ‪ q‬حد األوذل دلنحٌت دالة االرتباط البسيط زبتلف عن الصفر (‪ q=3‬على األكثر) و قيم منحٌت دالة‬
‫االرتباط اجلزئي تتناقص تدرغليا‪ ،‬ؽلكن أف نستنتج ظلوذج )‪.MA(q‬‬
‫‪ ‬اذا كانت ‪ p‬حد األوذل دلنحٌت دالة االرتباط اجلزئي زبتلف عن الصفر (‪ p=3‬على األكثر) و قيم منحٌت دالة‬
‫االرتباط البسيط تتناقص تدرغليا‪ ،‬فهذا ؽليز ظلوذج )‪.AR(p‬‬
‫‪ ‬اذا كانت دواؿ االرتباط الذايت البسيط و اجلزئي ال تبدو مبتورة‪ ،‬و بالتارل ضلن ىنا أماـ ظلوذج من نوع‬
‫‪ ،ARMA‬و الذي يتم ربديد رتبو تبعا للشكل اخلاص دلنحٌت دالة االرتباط الذايت‪.‬‬
‫‪‌-3‬حقذيش‌يعانى‌انًُىرج‪‌ :‬‬
‫بعد االنتهاء من مرحلة التعرؼ على ظلوذج السلسلة الزمنية وذلك بتحديد كل من )‪ ،(p,q,d‬ؽلكننا االنتقاؿ إذل‬
‫ادلرحلة ادلوالية وادلتمثلة يف مرحلة تقدير معادل النموذج باستعماؿ طريقة ادلربعات الصغرى )‪ (MCO‬أو طريقة اإلمكاف‬
‫األكرب )‪ ،(Maximum Likelihood Method‬فاختيار الطريقة ادلالئمة للتقدير يتوقف أساسا على نوع النموذج ادلختار‪:‬‬
‫‪45‬‬‫‪Régis Bourbonnais, Michel Terraza. (2016), op.cit., p84.‬‬

‫‪46‬‬‫» ‪Sandrine Lardic, Valérie Mignon « Econométrie des séries temporelles macroéconomiques et financières‬‬
‫‪Economica, Pris p148.‬‬
‫‪56‬‬
‫‪.2.3‬حقذيش‌يعهًاث‌انًُىرج‌ ) ‪‌ :A R ( p‬‬
‫يتم ربديد درجو ‪ p‬للسَتورة ) ‪ A R ( p‬بإحدى الطرؽ التالية‪:‬‬
‫‪ -‬طريقة معادالت يوؿ – و لكر‪.‬‬
‫‪ -‬الطريقة االضلدارية‪.‬‬
‫‪ -‬طريقة اإلمكاف األكرب‬
‫‪.1.3‬حقذيش‌يعهًاث‌انسيشوسة‌ ) ‪‌M A ( q‬و‌انًُىرج‌انًخخهظ‌) ‪‌ .A RMA ( p.q‬‬

‫‪-‬طريقة البحث الشبكي ‪grid- seach‬‬
‫‪-‬طريقة غوس – نيوتن التكرارية و تعمل على تدنيت رلموعة مربعات البواقي و على العموـ يتم تقدير معادل النموذج‬
‫ادلختارة على أساس طريقة ‪ MCO‬أو طريقة اإلمكاف األكرب باعتبار أف األخطاء مستقلة فيما بينها و تتبع توزيع طبيعي‬
‫‪.N ‬‬ ‫‪0. 2 ‬‬
‫خطوات طريقة اإلمكاف األكرب تتلخص كما يلي‪:‬‬
‫‪ .2‬لوغاريتم دالة ادلعقولية لنماذج )‪ ARMA(p,q‬تعطى على الشكل التارل‪:‬‬
‫‪S , ‬‬
‫‪logL T  ‬‬
‫‪T‬‬
‫‪2‬‬
‫‪T‬‬ ‫‪1‬‬
‫‪log 2  log  2  log det Z ' Z ‬‬
‫‪2‬‬ ‫‪2‬‬
‫‪ ‬‬
‫‪2 2‬‬
‫‪‬‬
‫‪.......1‬‬
‫حيث‪T:‬عدد ادلشاىدات‬
‫‪:Z‬مصفوفة من الرتبة )‪.(p+q+T,p+q‬‬
‫‪ E‬‬ ‫‪‬‬

‫‪T‬‬ ‫‪2‬‬
‫‪s,  ‬‬ ‫‪t‬‬ ‫‪X t ,  t ,  2‬‬

‫‪t  ‬‬
‫‪ .1‬تعظيم لوغاريتم دالة ادلعقولية ‪،‬أي ادلشتقة تساوي الصفر‪.‬‬

‫‪ .3‬تقدير ‪.  ‬‬ ‫‪2‬‬
‫‪ log LT‬‬ ‫‪T 1‬‬ ‫‪S , ‬‬

‫‪0‬‬ ‫‪‬‬ ‫‪0‬‬
‫‪ 2‬‬ ‫‪2  2‬‬ ‫‪2 4‬‬
‫‪‬‬
‫‪S , ‬‬
‫‪ 2 ‬‬
‫‪T‬‬
‫‪ .4‬و نقوـ بالتعويض يف (‪:)2‬‬
‫‪s,  1‬‬
‫‪ logdet Z ' Z  ‬‬
‫‪T‬‬ ‫‪T‬‬ ‫‪T‬‬
‫‪log LT  ‬‬ ‫‪log 2  log‬‬
‫‪2‬‬ ‫‪2‬‬ ‫‪T‬‬ ‫‪2‬‬ ‫‪2‬‬
‫التعظيم بالنسبة ذلذه الدالة يسمح بتقدير ادلعلمات ‪ ،‬لنماذج )‪.ARMA(p,q‬‬
‫مثال‪:‬‬
‫ليكن لدينا ظلوذج االضلدار الذايت من الرتبة )‪ AR(1‬الذي يعطى على الشكل التارل‪:‬‬
‫‪Yt    Yt 1 ‬‬
‫وبافًتاض أف البواقي تتبع توزيع طبيعي‪.‬‬
‫‪57‬‬
‫لوغاريتم دالة ادلعقولية يعطى بالشكل التارل‪:‬‬
‫‪1 n‬‬
‫‪L   ln 2   ln  2  2  Yt    Yt 1 ‬‬
‫‪n‬‬ ‫‪n‬‬
‫‪2‬‬ ‫‪2‬‬ ‫‪2 t 1‬‬
‫ادلشتقات اجلزئية بالنسبة للمعلمات الثالث تعطى على الشكل التارل‪:‬‬
‫‪L‬‬ ‫‪L‬‬ ‫‪L‬‬

‫ضلصل على ادلعادل الثالث‪.‬‬ ‫‪‬‬ ‫‪‬‬ ‫و بادلساواة ‪:‬‬
‫‪   2‬‬
‫‪-4‬اخخباس‌جىدة‌انًُىرج‌‪‌ :‬‬
‫بعد تقدير معلمات النموذج غلب اختبار نتيجة ىذا التقدير أو جودتو عن طريق اإلحصائيات معروفة يف ىذا‬
‫اجملاؿ‪ ،‬منها‪:‬‬
‫‪ ،‬بافًتاض أف ادلقدرات تقبل توزيعا‬ ‫‪Student:‬‬ ‫‪-‬أ‪ -‬اختبار جودة المعالم ‪ :‬ذلذا الغرض نستخدـ اإلحصائية (‪ )t‬لػ‬
‫طبيعيا فإف اإلحصائية تؤكد أو تنفي جودة ادلقدر ومدى مساعلتو يف تفسَت النموذج باحتماؿ قيمتو )‪: (  5%‬‬
‫بالنسبة لػ )‪: AR(p‬‬
‫‪ˆ p‬‬
‫‪tc ‬‬ ‫)‪  (0,1‬‬
‫) ‪VAR (ˆ p‬‬
‫وبالنسبة لػ )‪: MA(q‬‬
‫‪ˆ q‬‬
‫‪tc ‬‬ ‫)‪  (0,1‬‬
‫) ‪VAR (ˆ q‬‬
‫فإذا كانت قيمة ( ‪ ) tc  1.96‬نقبل ادلقدر ونرفض فرضية انعدامو والعكػس صػحيح ؛ باإلضػافة إذل اعتمػاد اإلحصػائيات‬
‫التقليدية (‪.)t , R , F, ...‬‬
‫عند احلصوؿ على عدة ظلاذج قياسية للظاىرة ادلدروسة‪ ،‬طلتار النموذج ادلنػاسب للواقع على أساس اختبار صحة‬
‫التمثيل باالعتماد على ادلعػايَت التالية ‪:‬‬
‫‪47‬‬
‫‪ -2‬أف يكوف تبايػن النموذج ذو قيمة ضعيفة‪.‬‬
‫‪-47‬تسمى ىذه ادلعايَت بإختبارات ادلفاضلة‪.‬‬

‫‪58‬‬
‫‪ -1‬أف يكوف رلموع مربع البواقي ضئيالً‪.‬‬
‫‪ -3‬معايَت اختيار النموذج‪:‬‬
‫‪‬‬
‫‪2 p  q ‬‬
‫‪AIC  log   ‬‬
‫‪2‬‬
‫‪ ‬معيار‪:Akaike (1969):‬‬
‫‪T‬‬
‫‪‬‬
‫‪SIC  log 2   p  q ‬‬

‫‪log T‬‬
‫معيار‪: Schwars(1978):‬‬ ‫‪‬‬
‫‪‬‬ ‫‪T‬‬
‫‪‬‬
‫‪HQ p, q   log  2   p  q c‬‬
‫‪log T‬‬
‫معيار)‪T :Hannan-Quinn(1979‬‬ ‫‪‬‬
‫‪C2‬‬
‫ؿ‬ ‫و ىنا يكوف االختيار على أساس أصغر قيمة للمعيار‪ ،‬أي نفضل النموذج الذي ػلقق أصغر قيم‬
‫‪AIC‬أو‪SIC‬أو‪.HQ‬‬
‫‪-‬ب‪ -‬تحليل البواقي ‪:‬‬
‫معادل داليت االرتباط الذايت البسيط واجلزئي ذلذه البواقي تكوف داخل رلاؿ ادلعنوية ادلعرب عنو بيانيا خبطُت متوازيُت‪.‬‬
‫‪ -‬الباقي ىو خطأ أبيض‪ :‬يهدؼ ىذا االختبار إذل التأكد من أف بواقي النموذج ادلشكل رباكي تشويشا أبػيضاً (سلسلة‬
‫‪48‬‬
‫‪:‬‬ ‫مستقرة)‪ ،‬واإلحصائية ادلستعملة يف ىذا الغرض ىي اإلحصائية ‪ Q‬لػ ‪ Ljung-BOX‬وادلعرفةبػ‬
‫‪k‬‬
‫)‪Q  N ( N  2) ( N  i )1 ˆ2 (i‬‬
‫‪i 1‬‬
‫للخطأ ‪. ‬‬ ‫) ‪(i‬‬ ‫عدد ادلشاىدات و )‪ ˆ2 (i‬مربع االرتباط الذايت بدرجة تأخر‬ ‫‪N‬‬ ‫حيث أف‬
‫‪ -‬تتبع ‪ Q‬تػوزيع كاي‪-‬مربع ‪  2‬بدرجة حرية (‪ ،)k-p-q‬وبدرجة ثقة (‪ .)=95%‬فإذا كانت‪:‬‬
‫) ‪  Q (cal.)  (2K  p  q‬غلب إعػادة النظػر يف ربديد النموذج بإضافة مركبات نظامية )‪ (AR,MA‬إليو‪.‬‬
‫) ‪  Q (cal.)  (2K  p  q‬السلسلة عشوائية‪ ،‬وىذا دليل على قوة النموذج ادلختار‪.‬‬
‫نستعمل إحصائية ‪ Q‬بدال من إحصائية ‪( Durbin-Watson‬لكوف ىذه األخَتة ربسب فقط االرتباط الذايت لألخطاء‬
‫من الدرجة األوذل)‪ ،‬وقد أدخل عليها تعديل من طرؼ (‪ )Box-Pierce‬فأصبحت بالشكل ‪:‬‬
‫‪k‬‬
‫‪Q  N‬‬
‫) ‪ˆ 2 (i‬‬
‫‪i 1‬‬
‫‪ -‬اخلطأ األبيض يتبع التوزيع الطبيعي‪ :‬إلثبات ذلك نستعمل اختبار ‪ ،)2984( Jarque-Bera‬الذي غلمع بُت كل من‬
‫) ‪ ( B11 / 2‬والذي يساوي‪:‬‬ ‫‪Skeweness‬‬ ‫ادلعامل‬
‫‪B11 / 2 ‬‬ ‫‪3‬‬
‫‪3/ 2‬‬
‫‪2‬‬
‫) ‪ ( B2‬والذي يساوي‪:‬‬ ‫‪Kurtosis‬‬ ‫ومعامل‬

‫‪B2 ‬‬ ‫‪4‬‬
‫‪2‬‬
‫‪2‬‬
‫‪48M.DAVID et J.C.MICHAUD « La prévision, Approche empirique d’une méthode statistique » édition Masson, Paris‬‬
‫‪1989. p 112.‬‬
‫‪59‬‬
‫‪1 n‬‬
‫العزـ ادلركزي من الرتبة ‪.k‬‬ ‫‪k‬‬ ‫‪‬‬ ‫‪ ( xt  x )k‬‬
‫‪n t 1‬‬
‫مع‬
‫واإلحصائية ‪ S‬تعطى على الشكل التارل‪:‬‬
‫‪n‬‬ ‫‪n‬‬
‫‪S ‬‬ ‫‪B1 ‬‬ ‫‪( B2  3) 2‬‬
‫‪6‬‬ ‫‪24‬‬
‫مع أف ‪ S‬يتبع توزيع كاي تربيع‪.‬‬
‫نرفض الفرضية العدمية إذف‬ ‫‪1‬‬ ‫القرار‪ :‬إذا كانت ‪ 12  S‬حيث أف درجة احلرية ‪ ،1‬ومستوى ادلعنوية‬
‫اخلطأ األبيض ال يتبع التوزيع الطبيعي‪ ،‬والعكس صحيح‪.‬‬
‫‪ -‬القياـ باختبار ‪ ARCH‬لعدـ ثبات تباين حد اخلطأ‪ ،‬و الذي يتم اجرائو انطالقا من دالة االرتباط الذايت دلربع‬
‫البواقي‪.‬‬
‫تعترب مرحلة اختبار جودة النموذج مهمة وتتطلب يف غالب األحياف الرجوع اذل مرحلة التعرؼ على النموذج‪.‬‬
‫‪‌-5‬انقياو‌بانخُبؤ‪‌ :‬‬
‫بعد إسباـ ادلراحل السابق و ربديد نوع النموذج ىل ىو اضلدار ذايت أـ متوسطة متحرؾ أو ظلوذج سلتلط و ربديد رتب كل‬
‫من ‪ q.d.p‬وجب اآلف إجراء عملية التنبؤ‪ ،‬حيث يعترب ىذا األخَت عرض حارل للمعلومات ادلستقبلية باستخداـ‬
‫‪49‬‬
‫معطيات و مشاىدات تارؼلية‪ ،‬و يكوف التنبؤ وفق منهجية ‪ Box Jenkins‬كالتارل‪:‬‬
‫‪.1‬كتابة النموذج ادلقدر ‪yˆt  f ˆ.ˆ. y.e.‬‬
‫‪.2‬تعويض ‪ t‬ب ‪ t + 1‬حيث ‪ L = 1.2.3 .... L‬و سبثل ‪ L‬عدد الفًتات ‪.‬‬
‫‪.3‬تعويض كل القيم ادلستقبلة للمتغَت اخلاص بالظاىرة ادلدروسة بتنبؤاهتا بينما هبم تعويض األخطاء ادلستقبلية بالصفر و‬
‫ادلاضية بالبواقي فمثال‪:‬‬
‫‪yt  u   t 1   t‬‬ ‫‪: MA1‬‬
‫إلجراء التنبؤ و بعد تتبع ادلراحل السابقة تكتب‬
‫‪yˆT 1  uˆ  ˆeT‬‬
‫ˆ‪yˆT  2  uˆ  ˆeT 1  u‬‬
‫ؽلكن تلخيص سلتلف خطوات منهجية ‪ Box-Jenkins‬يف ادلخطط التارل‪:‬‬
‫‪ -49‬مولود حشماف مرجع سبق ذكره ص ‪.129‬‬

‫‪60‬‬
‫شكل‪ 6‬خطوات منهجية ‪Box-Jenkins‬‬
‫‪ ‬قياس جودة التنـبؤ‪:‬‬

‫‪50‬‬
‫بعد اجراء عملية التنبؤ يتم قياس جودة ىذا األخَت‪ ،‬فمن بُت الطرؽ ادلستخدمة صلد‪:‬‬
‫اخلطأ النسيب و متوسط اخلطأ النسيب‪:‬‬
‫يعطى بالعالقة التالية_‪:‬‬
‫‪X i  Fi‬‬
‫‪ERi ‬‬ ‫‪.100‬‬
‫‪Xi‬‬
‫حيث ‪ : X i‬القيمة احملققػة‪ : Fi ،‬القيمة ادلتوقعة‬
‫‪50 (J.C.USUNIER) Op.cit P 233-234.‬‬

‫‪61‬‬
‫إف مقيػػاس اخلطػػأ النسػػيب ىػػو مفهػػوـ بسػػيط و تقليػػدي متجػػدد يف كػػل مػػرة عنػػد احلصػػوؿ علػػى إصلػػازات جديػػدة‪ ،‬و ىػػذا مػػا‬
‫يسمح حبسػاب الفػارؽ بػُت ادلنجػز و ادلتوقػع‪ ،‬غػَت أف النظػرة ادلركبػة ذلػذا ادلفهػوـ ترتكػز علػى حسػاب متوسػط اخلطػأ النسػيب‬
‫ادلعرؼ عالقة بػ ‪:‬‬
‫‪N‬‬
‫‪ ER‬‬
‫‪  N‬فإف‬
‫‪i‬‬
‫‪i 1‬‬
‫‪EM ‬‬
‫‪N‬‬
‫وتتم ادلفاضلة بُت ظلوذج وآخر على أساس أدىن قيمة للمقياس )‪ ،(EM‬لكن إذا أردنا منح ثقل أكثر ألخطاء القياس فإنو‬
‫يتوجب علينا حساب اخلطأ الًتبيعي ادلتوسط ادلعطى بالعالقة‪:‬‬
‫‪N‬‬
‫‪(X‬‬
‫‪i 1‬‬
‫‪i‬‬ ‫‪ Fi ) 2‬‬
‫‪E ‬‬
‫‪N‬‬
‫وبالرغم من ىذا فإف ىذا ادلقياس لن يكوف حامسا إال إذا جعلنا منو ديناميكيا على النحو التارل ‪:‬‬
‫‪t h‬‬
‫‪(X‬‬ ‫‪i‬‬ ‫‪ Fi ) 2‬‬

‫‪t  h  1, h  2,...‬‬ ‫حيث أنو‪:‬‬ ‫‪E t ‬‬ ‫‪i t  h‬‬
‫)‪( 2h  1‬‬
‫مقاييس أخرى‪:‬‬
‫أ‪.‬جدر متوسط مربعات البواقي‪:‬‬
‫‪R.MSS ‬‬
‫‪1‬‬
‫‪T‬‬
‫‪‬‬ ‫‪‬‬
‫‪yt  yt/‬‬ ‫‪‬‬‫‪2‬‬
‫‪ : y‬السلسلة ادلدروسة ‪.‬‬ ‫‪T‬‬
‫‪ : yt/‬السلسلة ادلنبأ هبا‪.‬‬

‫من أىم ادلقاييس ادلستخدمة يف ادلفاضلة بُت رلموعة ظلاذج و يتم االختيار على أساس أصغر قيمة لػ‬ ‫و يعترب‬
‫‪.‬‬
‫ب‪ .‬معيار ‪ : Thiel‬ىذا ادلعيار ىو عبارة عن إحصائية ‪ Thiel‬ادلرموز ذلا بالرمز )‪ (U‬و ادلعرفة كما يلي‪:‬‬
‫‪51‬‬
‫‪1‬‬
‫‪ N 1‬‬ ‫‪‬‬ ‫‪2‬‬
‫) ‪  ( FPE i 1  APE i 1‬‬

‫‪2‬‬
‫‪‬‬
‫‪U   i  1 N 1‬‬ ‫‪‬‬
‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪‬‬ ‫‪( APE i 1 ) 2‬‬ ‫‪‬‬
‫‪‬‬ ‫‪i 1‬‬ ‫‪‬‬
‫حيث أف ‪:‬‬
‫‪Fi  1  X i‬‬ ‫التغَت النسيب ادلتوقع‬
‫‪FPE i  1 ‬‬
‫‪Xi‬‬
‫‪X i1  X i‬‬ ‫و التغَت النسيب الفعلي‬
‫‪APE i  1‬‬ ‫‪‬‬
‫‪Xi‬‬
‫‪-51‬نفس ادلرجع السابق‬

‫‪62‬‬
‫ينتج ‪:‬‬ ‫‪U‬‬ ‫و ‪ APE i1‬بقيمتيهمػا يف العالقة السابقة‬ ‫‪FPE i1‬‬ ‫بتعويض‬
‫‪1‬‬
‫‪ N 1 Fi 1  X i 1 2‬‬ ‫‪‬‬ ‫‪2‬‬
‫(‪ ‬‬ ‫‪X‬‬

‫)‬ ‫‪‬‬
‫‪u   Ni 11‬‬ ‫‪i‬‬ ‫‪‬‬
‫‪‬‬ ‫‪X‬‬ ‫‪‬‬ ‫‪Xi 2‬‬ ‫‪‬‬
‫‪‬‬ ‫‪‬‬ ‫(‬ ‫‪i 1‬‬
‫)‬ ‫‪‬‬
‫‪ i 1‬‬ ‫‪X‬‬ ‫‪i‬‬ ‫‪‬‬
‫فالنتائج احملصل عليها هبذه الطريقة مكافئة لنتائج الطرؽ البسيطة‪.‬‬ ‫‪u1‬‬ ‫إذا كانت‬ ‫‪‬‬
‫فالنتائج احملصل عليها هبذه الطريقة غَت مرغوب فيها‪.‬‬ ‫‪u1‬‬ ‫إذا كانت‬ ‫‪‬‬
‫فالنتائج احملصل عليها جيدة‪.‬‬ ‫‪u1‬‬ ‫إذا كانت‬ ‫‪‬‬
‫‪63‬‬
‫حًشيٍ‌حطبيقي‌"سهسهت‌يبيعاث‌انُشاء‌"‪:""Amidon‬‬
‫‪ .1‬استخراج خصائص السلسلة الزمنية‪:‬‬
‫أ‪ .‬إنشاء المنحنى البياني و بيان اإلرتباط الذاتي البسيط والجزئـي ‪ :‬الشػكل (‪ )1‬يبػُت بيػاف اإلرتبػاط الػذايت لسلسػلة‬
‫مبيعات النشاء و كذا ادلنحٌت البياين ذلذه السلسلة ‪.‬‬
‫الشكل (‪ :)1‬ادلنحٌت البياين ومنحٌت دالة االرتباط الذايت لسلسلة النشاء‬
‫يشَت الشكل البياين اذل تطور الظاىرة ادلدروسة وكذا بياف االرتباط الذايت لسلسلة مبيعات النشاء (اف معامل اإلرتباط‬
‫الذايت لفًتة التأخر‪ k=12‬ؼلتلف إختالفا واضحا عن الصفر)‪ ،‬فمن خالؿ ربليل ىذا الشكل يتضح أف سلسلة مبيعات‬
‫النشاء غَت مستقرة و تتأثر بادلومسية‪.‬‬
‫‪Eviews‬‬ ‫ب‪ .‬ن ــزع التغيـ ـرات الموس ــمية )‪ :(Désaisonnalisation‬نق ػػوـ بن ػػزع التغ ػَتات ادلومسيػػة باس ػػتخداـ الربن ػػامج‬
‫‪ ،‌V10.0‬فػػإذا رمزنػػا ب ػ ‪ AMCVS‬إذل السلسػلة الزمنيػػة خاليػػة مػػن التغػَتات ادلومسيػػة‪،‬ورمزنا أيضػػا ب ػ ‪ CS‬إذل ادلعػػامالت‬
‫ادلومسية‪ ،‬فاجلدوؿ (‪ )1‬يبُت ادلعامالت ادلومسية الشهرية‪:‬‬
‫اجلدوؿ (‪ :)1‬ادلعامالت ادلومسية للسلسلة مبيعات النشاء‪.‬‬
‫‪64‬‬
‫أما الشكل (‪ )2‬فيبُت الرسم البياين لدالة االرتباط الذايت البسيطة واجلزئية للسلسلة ‪:AMIDCVS‬‬
‫الشكل(‪ :)2‬منحٌت البياين لدالة االرتباط الذايت للسلسة النشاء ادلعدلة‬
‫من خالؿ الرسم البياين لدالة االرتباط الذايت البسيط يتبُت أف السلسلة ‪ AMCVS‬تتأثر دبركبة االذباه العاـ‪.‬‬
‫ت‪ .‬مش ــكلة االس ــتقرارية‪ :‬وم ػػن أج ػػل ذل ػػك سنس ػػتعمل إختب ػػار ‪ )2988( Phillips-Perron‬وى ػػذا باإلس ػػتعانة بإس ػػتعماؿ‬
‫الربن ػػامج ‪ ،Eviews V10.0‬حي ػػث نق ػػوـ بتحدي ػػد رق ػػم الت ػػأخر ‪ ،3‬وال ػػذي يق ػػوـ بتدني ػػة معي ػػاري ‪ Akaike‬و‬
‫‪Schwarz‬وىذا من أجل حساب قيمة إحصائية ‪. ppcal‬‬
‫‪.‬‬ ‫‪Dickey-Fuller‬‬ ‫ومن أجل إجراء اإلختبار‪ ،‬نقدر النماذج الثالثة (‪ )3.2.1‬لػ‬
‫فننطلق من دراسة النموذج الثالث ‪:‬‬
‫‪ 3‬واجلدوؿ (‪)2‬‬ ‫‪AMIDCVS t‬‬ ‫* النموذج الثالث‪ :‬وىو معطى بالصيغة اآلتية ‪ 1 AMIDCVS t 1  Bt  c   t‬‬
‫يوضح ذلك‪:‬‬
‫اجلدوؿ (‪ :)2‬اختبار ‪ PP‬للنموذج الثالث‬
‫و بالتارل ؽلكن القوؿ‬ ‫‪tcal> ttab‬‬ ‫من خالؿ اجلدوؿ نالحظ اف نسبة ‪ student‬احملسوبة اكرب من النسبة اجلدولية اي‬
‫اف معامل االذباه العاـ ؼلتلف معنويا عن ‪.0‬‬
‫‪65‬‬
‫ننتقل اذل اخلطوة ادلوالية و تتمثل يف اختبار معنوية ‪( ɸ‬اختبار اجلذور الوحدية )‬
‫اف ‪ pp cal <pptab‬و بالتارل فاف السلسلة ‪ Amcvs‬غَت مستقرة من النوع ‪.Ts‬‬
‫‪ 2‬واجلدوؿ (‪ )3‬يوضح‬ ‫‪AMIDCVS t  1 AMIDCVS t 1  B   t‬‬ ‫* النموذج الثاين‪ :‬وىو معطى بالصيغة اآلتية‬
‫نتائج عملية التقدير‪:‬‬
‫اجلدوؿ (‪ :)3‬اختبار ‪ PP‬للنموذج الثاين‬
‫من خالؿ اجلدوؿ (‪ )3‬نالحظ أف قيمة اإلحصائية لػ ‪ ppcal‬تساوي ‪ -4.7‬وبادلقارنة مع القيمة اجلدولة ‪pptab‬‬
‫=‪ -2.89‬عند مستوى معنوية ‪ ،% 5‬صلد ‪ ، pptab  ppcal‬إذف نرفض الفرضية العدمية للجذور الوحدية‪ ،‬وبالتارل فإف‬
‫سلسلة مبيعات النشاء مستقرة‪.‬‬
‫‪ 1‬واجلدوؿ (‪ )4‬يوضح‬ ‫‪AMIDCVSt  1 AMIDCVSt 1   t‬‬ ‫* النموذج األوؿ‪ :‬وىو معطى بالصيغة اآلتية‬
‫ذلك‪:‬‬
‫اجلدوؿ (‪ :)4‬اختبار ‪ PP‬للنموذج األوذل‬
‫‪66‬‬
‫من خالؿ اجلدوؿ (‪ )4‬نالحظ أف قيمة اإلحصائية لػ ‪ ppcal‬تساوي ‪ -1.75‬وبادلقارنة مع القيمة اجلدولة ‪pptab‬‬
‫=‪ -1.94‬عند مستوى معنوية ‪ ،% 5‬صلد ‪ ، pptab  ppcal‬إذف نقبل الفرضية العدمية للجذور الوحدية‪ ،‬وبالتارل فإف‬
‫سلسلة مبيعات النشاء غَت مستقرة‪.‬‬
‫انطالقا من النماذج الثالث نستنتج أف سلسلة مبيعات النشاء غَت مستقرة من ‪ TS‬والرجاع السلسلة مستقرة نلجا اذل‬
‫طريقة االضلدار باستخداـ ‪ . mco‬و حساب ادلتبقى ‪ et‬و الذي يتم دراستو وفقا دلنهجية ‪. Box-Jenkins‬‬
‫مث نقوـ بدراسة استقرارية سلسلة ‪: et‬‬
‫اجلدوؿ(‪ :)5‬نتائج اختبار ‪ PP‬بالنسبة للسلسلة ‪et‬‬
‫القرار‬ ‫‪ PPtab‬قيمة إحصائية‬ ‫‪ppcal‬‬ ‫النموذج‬
‫القيم الحرجة ‪%2‬‬ ‫القيم الحرجة ‪%5‬‬ ‫القيم الحرجة ‪%20‬‬

‫مستقرة‬ ‫‪-2.59‬‬ ‫‪-1.94‬‬ ‫‪-1.61‬‬ ‫‪-5.40‬‬ ‫‪2‬‬
‫مستقرة‬ ‫‪-3.51‬‬ ‫‪-2.89‬‬ ‫‪-2.58‬‬ ‫‪-5.35‬‬ ‫‪1‬‬
‫مستقرة‬ ‫‪-4.07‬‬ ‫‪-3.46‬‬ ‫‪-3.15‬‬ ‫‪-5.31‬‬ ‫‪3‬‬
‫من خالؿ النتائج اليت تظهر يف اجلدوؿ (‪ )5‬نالحظ أف قيمة ‪ ppcal‬احلسابية لكل من النماذج الثالث أصغر من القيم‬
‫احلرجة (‪ ،)% 1 ،%10 ، %5‬إذف عدـ قبوؿ فرضية اجلذور الوحدية‪،‬وبالتارل فإف السلسلة ‪ et‬مستقرة‪.‬‬
‫‪ .2‬التعرف على النموذج‪:‬‬
‫يبُت الشكل (‪ )11-4‬التمثيل البياين لدواؿ االرتباط الذايت بالنسبة للسلسلة ‪ et‬دلبيعات النشاء‪.‬‬
‫الشكل (‪ :)3‬منحٌت البياين لدالة االرتباط الذايت للسلسلة ‪et‬‬
‫‪67‬‬
‫من خالؿ الرسم البياين لدالة االرتباط الذايت ادلبُت يف الشكل (‪ ،)3‬نالحظ أف معامل اإلرتباط األوؿ لدالة االرتباط‬
‫الذايت اجلزئي ؼلتلف جوىريا عن الصفر ‪ p=1‬عند ‪ ،k>1‬وأف معامالت اإلرتباط الذايت البسيط تتناقص ىندسيا و‬
‫بالتارل فاف النموذج احملصل عليو مبدئيا ىو )‪.AR(1‬‬
‫‪ .3‬تقدي ــر معلمات النموذج‪:‬‬
‫نقوـ بتقدير النموذج‪ ،‬باستعماؿ الربنامج ‪.Eviews 10.0‬‬
‫* تقدير النموذج )‪ :AR(1‬ويتم عن طريق تقدير ادلعادلة اآلتية‪:‬‬
‫‪et  1et 1   t‬‬
‫واجلدوؿ (‪ )6‬يبُت النتائج اآلتية‪:‬‬
‫(‪AR(1‬‬ ‫اجلدوؿ (‪ :)6‬تقدير النموذج‬
‫بعد تقدير عدة ظلاذج نالحظ أف‪:‬‬

‫‪-‬في النموذج )‪ AR(1‬معامل االضلدار الذايت ؼلتلف جوىريا عن الصفر (‪.)1.96 <5.11 student -t‬‬
‫‪ .4‬اختبار جودة النموذج‪:‬‬
‫ويتم ذلك عن طريق‪:‬‬
‫ؼلتلف‬ ‫أ‪ .‬إختبار معنوية المعامالت‪ :‬وىذا باستخداـ إختبار ستودنت إذ يتضح أف معامل النموذج)‪AR (1‬‬
‫جوىريا عن الصفر‪( ،‬أنظر اجلدوؿ (‪ ،))23-4‬فمعامل االضلدار الذايت ؼلتلف جوىريا عن الصفر )‪t student‬‬
‫= ‪.(1.96 < 5.11‬‬
‫ب‪ .‬هل البواقي تتبع خطأ أبيضا ؟‪ :‬دلعرفة ىل البواقي تتبع خطأ أبيضا فيجب إستخداـ إحصائية ‪Ljung – Box‬‬
‫والشكل (‪ )12-4‬يبُت ذلك‪:‬‬
‫الشكل (‪ :)4‬منحٌت دالة اإلرتباط الذايت لسلسلة البواقي وسلسلة مربع البواقي‬
‫‪68‬‬
‫من الشكل (‪ ) 4‬نالحظ أف كل احلدود تقع داخل رلاؿ الثقة وىذا مؤشر على غياب االرتباط الذايت للبواقي‪ ،‬كما‬
‫نالحظ أف إحتماالت إحصائية ‪ Ljung – Box‬أكرب من ‪ ،%5‬و كذا يشَت منحٌت دالة اإلرتباط الذايت لسلسلة مربع‬
‫البواقي (اختبار ‪ )ARCH‬أف كل احلدود تقع داخل رلاؿ الثقة وىذا ما يثبت ثبات تباين حد اخلطأ‪ ،‬وبالتارل قبوؿ فرضية‬
‫أف البواقي تتبع توزيع خطأ أبيض‪.‬‬
‫ت‪ .‬هل الخطأ األبيض يتبع توزيع طبيعي؟‪ :‬من أجل معرفة ىل بواقي اخلطأ األبيض تتبع توزيع طبيعي نستعمل اختبار‬
‫‪ )1984( Jarque-Bera‬الذي غلمع بُت اختبار ‪ Skewness‬والذي نرمز لو بػ ‪ v1‬واختبار‬
‫‪Kurtosis‬والذي نرمز لو بػ ‪ v2‬ونبُت ذلك يف الشكل (‪.)13 -4‬‬
‫الشكل (‪ :)5‬ادلدرج التكراري لسلسلة البواقي‬
‫من الشكل البياين (‪:)5‬‬

‫‪V1  0.32  1.96‬‬
‫‪V2  4.19  1.96‬‬
‫دبا أف ‪ 1.96> V1‬فإننا نقبل الفرضية العدمية اليت تنص على أف اخلطأ األبيض يتبع التوزيع الطبيعي‪.‬‬
‫ودبا أف ‪ 1.96< V2‬فإننا نقبل الفرضية البديلة اليت تنص على أف اخلطأ األبيض ال يتبع التوزيع الطبيعي‪ ،‬وللفصل يف‬
‫اإلختالؼ الواقع بُت نتائج اإلختبارين سوؼ نستخدـ إختبار ‪ Jarque-Bera‬والذي غلمع بُت اإلختبارين وكانت‬
‫النتائج كاآليت‪:‬‬
‫‪69‬‬
‫‪JB  6.33   02.05 (2)  0.10‬‬
‫ودبا أف إحصائية ‪  02.05 (2) < JB‬فاخلطأ األبيض ال يتبع التوزيع الطبيعي‪.‬‬
‫‪ .5‬التنبـ ــؤ‪:‬‬
‫بعد ما إتضح أف النموذج مقبوؿ إحصائيا ؽلكن إستخدامو يف التنبؤ كاأليت حيت‪:‬‬
‫‪ : et‬سلسلة ادلتبقى‪.‬‬
‫‪ : et-1‬سلسلة ادلتبقى ادلزاح بفًتة واحدة ‪.‬‬
‫‪ : Amcvst‬سلسلة ‪ Amidon‬اخلالية من ادلومسية ‪ et +‬ادلقدر‪.‬‬
‫^ ‪ : Amcvst‬سلسلة ‪ Amidon‬اخلالية من ادلومسية ادلقدرة ‪.‬‬
‫وبالتارل يكتب النموذج على الشكل التارل‪:‬‬

‫‪et  0.485et 1   t‬‬
‫فالتنبؤ بالنسبة للستة أشهر ادلقبلة لػسنة ‪ 2018‬لسلسلة ‪ et‬يكوف يف اجلدوؿ التارل‪:‬‬
‫جوان‬ ‫ماي‬ ‫أبريل‬ ‫مارس‬ ‫فيفري‬ ‫جانفي‬ ‫األشهر‬
‫‪-55.05‬‬ ‫‪-113.51‬‬ ‫‪-234.04‬‬ ‫‪-482.57‬‬ ‫‪-994.99‬‬ ‫‪-2051.54‬‬ ‫‪et‬‬
‫معادلة تقدير االذباه العاـ لسلسلة ‪: Amcvs‬‬

‫‪Amcvst ^ =36.22t+3957.094‬‬
‫فالتنبؤ بالنسبة للستة أشهر ادلقبلة لػسنة ‪ 2018‬يكوف يف اجلدوؿ (‪:)22-4‬‬
‫‪Amcvst = Amcvst ^ +et‬‬
‫اجلدوؿ (‪ :)7‬نتائج التنبؤ بادلبيعات النشاء‬

‫التنبؤ‬ ‫‪CS‬‬ ‫‪AMCVS‬‬ ‫األشهر‬
‫‪3987.4‬‬ ‫‪0,8‬‬ ‫‪4984.15‬‬ ‫جانفي‬
‫‪4071,6034‬‬ ‫‪0,67‬‬ ‫‪6077.01‬‬ ‫فيفري‬
‫‪6625,66‬‬ ‫‪1‬‬ ‫‪6615.66‬‬ ‫مارس‬
‫‪6495,7854‬‬ ‫‪0,94‬‬ ‫‪6920.42‬‬ ‫أبريل‬
‫‪8480,592‬‬ ‫‪1,2‬‬ ‫‪7067.26‬‬ ‫ماي‬
‫‪6374,0109‬‬ ‫‪0,89‬‬ ‫‪7262.82‬‬ ‫جوان‬
‫‪70‬‬
‫حًشيٍ‌حطبيقي‌سهسهت‌يبيعاث‌انجهيكىص‌"‪:"GLUCOSE‬‬
‫‪ .1‬استخراج خصائص السلسلة الزمنية‪:‬‬
‫يبُت بياف اإلرتباط الذايت لسلسلة‬ ‫(‪)1‬‬ ‫أ‪ .‬إنشاء المنحنى البياني و بيان اإلرتباط الذاتي البسيط والجزئي‪ :‬الشكل‬
‫مبيعات اجلليكوز و كذا ادلنحٌت البياين ذلذه السلسلة‪.‬‬
‫الشكل (‪ :)2‬ادلنحٌت البياين ومنحٌت دالة االرتباط الذايت لسلسلة اجلليكوز‬
‫يشَت الشكل البياين اذل تطور الظاىرة ادلدروسة وكذا بياف االرتباط الذايت لسلسلة مبيعات النشاء (اف معامل اإلرتباط‬
‫الذايت لفًتة التأخر‪ k=12‬ؼلتلف إختالفا واضحا عن الصفر)‪ ،‬فمن خالؿ ربليل ىذا الشكل يتضح أف سلسلة مبيعات‬
‫النشاء غَت مستقرة و تتأثر بادلومسية‪.‬‬
‫‪Eviews‬‬ ‫ب‪ .‬نزع التغيرات الموسمية )‪ : (Désaisonnalisation‬نقوـ بنػزع التغَتات ادلومسية باستخداـ الربنامج‬
‫‪ V10.0‬فإذا رمزنا بػ ‪ GLUCCVS‬إذل السلسلة الزمنية خالية من التغَتات ادلومسية‪،‬ورمزنا أيضا بػ ‪ CS‬إذل ادلعامالت‬
‫ادلومسية‪ ،‬فاجلدوؿ (‪ )1‬يبُت ادلعامالت ادلومسية الشهرية‪:‬‬
‫اجلدوؿ (‪ :)1‬معامالت ادلومسية للسلسلة مبيعات اجلليكوز‬
‫‪71‬‬
‫ت‪ .‬مشكلة االستقرارية‪ :‬نستعمل إختبار ‪ Phillips-Perron‬للكشف عن استقرارية السلسلة الزمنية‪ ،‬باستعماؿ الربنامج‬
‫وذلك من أجل حساب‬ ‫‪schwarz‬‬ ‫و‬ ‫‪Akaike‬‬ ‫‪ Eviews‌ v10.0‬إذ ضلدد رقم التأخر ‪ 3‬الذي يقوـ بتذنية ادلعياري‬
‫قيمة إحصائية ‪. ppcal‬‬
‫وبنفس الطريقة السابقة نقوـ بتقدير النماذج الثالث (‪ )3.1.2‬لػ ‪:Dickey-Fuller‬‬
‫‪1 GLUCCVSt  1GLUCCVSt 1   t‬‬
‫‪2 GLUCCVSt  1GLUCCVSt 1  B   t‬‬
‫‪3 GLUCCVSt  1GLUCCVSt 1  Bt  c   t‬‬
‫يبُت اجلدوؿ (‪ )2‬ملخص النتائج إلختبار ‪:Phillips-Perron‬‬
‫اجلدوؿ (‪ :)2‬نتائج اختبار ‪ PP‬بالنسبة للسلسلة الزمنية ‪GLUCCVS‬‬
‫القرار‬ ‫النموذج‬
‫قيمة إحصائية‬ ‫‪PPtab‬‬ ‫‪ppcal‬‬
‫غير مستقرة‬ ‫‪-2.59‬‬ ‫‪-1.94‬‬ ‫‪-1.61‬‬ ‫‪-1.15‬‬ ‫‪2‬‬
‫مستقرة‬ ‫‪-3.51‬‬ ‫‪-2.89‬‬ ‫‪-2.58‬‬ ‫‪-7.83‬‬ ‫‪1‬‬
‫مستقرة‬ ‫‪-4.07‬‬ ‫‪-3.46‬‬ ‫‪-3.15‬‬ ‫‪-8.05‬‬ ‫‪3‬‬
‫من خالؿ النتائج اليت تظهر يف اجلدوؿ (‪‌)1‬يتضح أف النموذجُت (‪ )1‬و (‪ )3‬مستقرين‪ ،‬و كذا قيمة ‪ ppcal‬احلسابية‬
‫بالنسبة للنموذج(‪ )2‬أكرب من القيم احلرجة (‪ ،)‌ %‌ 1،‌ %20‌ ،‌ %5‬إذف قبوؿ فرضية وجود اجلذور الوحدية للسلسلة‬
‫مبيعات اجلليكوز‪ ،‬أي أهنا غَت مستقرة من النوع ‪ DS‬وأحسن طريقة إلرجاعها مستقرة ىي طريقة الفروؽ ادلعطاة بالصيغة‬
‫اآلتية‪:‬‬
‫‪GLUCCVSt  GLUCCVSt  GLUCCVSt 1‬‬
‫نقوـ باختبار إستقرارية السلسلة الزمنية ذات الفروؽ األوذل ‪ ، GLUCCVS‬ونبُت ذلك يف اجلدوؿ (‪.)3‬‬
‫‪GLUCCVS‬‬ ‫اجلدوؿ (‪ :)3‬نتائج اختبار ‪ PP‬بالنسبة لسلسلة الزمنية‬
‫القرار‬ ‫النموذج‬
‫قيمة إحصائية‬ ‫‪PPtab‬‬ ‫‪ppcal‬‬
‫مستقرة‬ ‫‪-2.59‬‬ ‫‪-1.94‬‬ ‫‪-1.61‬‬ ‫‪-17.79‬‬ ‫‪2‬‬
‫مستقرة‬ ‫‪-3.51‬‬ ‫‪-2.89‬‬ ‫‪-2.58‬‬ ‫‪-17.64‬‬ ‫‪1‬‬
‫مستقرة‬ ‫‪-4.07‬‬ ‫‪-3.46‬‬ ‫‪-3.15‬‬ ‫‪-17.54‬‬ ‫‪3‬‬
‫من خالؿ النتائج اليت تظهر يف اجلدوؿ (‪ )3‬فإف قيمة ‪ PPtab‬احلسابية لكل من النماذج الثالث‪ ،‬أصغر من القيم‬
‫احلرجة (‪ ،)‌ %‌ 1،‌ %20‌ ،‌ %5‬إذف عدـ قبوؿ فرضية وجود اجلذور الوحدية للسلسلة مبيعات اجلليكوز‪ ،‬أي أهنا‬
‫السلسلة الزمنية مستقرة من الدرجة األوذل‪.‬‬
‫‪72‬‬
‫‪ .2‬التعرف على النموذج ‪:‬‬
‫التمثيل البياين لدواؿ االرتباط الذايت البسيط و اجلزئي بالنسبة لسلسلة الفروؽ من الدرجة األوذل‬ ‫(‪)1‬‬‫يبُت الشكل‬
‫دلبيعات اجلليكوز‪.‬‬
‫الشكل‌(‪ :)2‬منحٌت دالة االرتباط الذايت لسلسلة الفروؽ من الدرجة األوذل‬
‫من الشكل البياين (‪ )1‬لدالة االرتباط الذايت نالحظ‪ ،‬أف احلد األوؿ لدالة االرتباط الذايت البسيط ؼلتلف عن الصفر‬
‫‪ ،q=1‬وأف احلدود دالة االرتباط الذايت اجلزئي تتناقص ىندسيا‪ ،‬وبالتارل فاف النموذج احملصل عليو مبدئيا ىو )‪.MA(1‬‬
‫‪ .3‬تقدي ـ ــر معلمات النموذج‪:‬‬
‫فإنو يأخد الصيغة اآلتية‪:‬‬ ‫)‪MA(1‬‬ ‫دبا أف النموذج من النوع‬
‫‪GLUCCVSt   t  1 t 1‬‬
‫أما نتائج عملية التقدير فهي موضحة يف الشكل (‪:)4‬‬
‫)‪MA(1‬‬ ‫اجلدوؿ (‪ :)4‬تقدير النموذج‬
‫‪ .4‬اختبار جودة النموذج‪:‬‬

‫وبنفس الطريقة السابقة سوؼ ظلر بادلراحل اآلتية‪:‬‬
‫‪73‬‬
‫الصفر( ‪t‬‬ ‫ؼلتلف جوىريا عن‬ ‫للنموذج)‪MA(1‬‬ ‫أ‪ .‬إختبار معنوية المعامالت‪ :‬نالحظ أف معامل ادلتوسط ادلتحرؾ بالنسبة‬
‫‪ ،( 1.96‌ <‌ 25.68‌ =‌ student‬وقد مت اختيار النموذج)‪ MA(1‬حسب معيار ‪ Akaike‬أو ‪ ، Schwarz‬إذ نالحظ أف‬
‫القيمة الدنيا ىي للنموذج)‪ MA(1‬وتساوي ‪ 17.49‬بالنسبة دلعيار ‪ Akaike‬و‪ 17.52‬بالنسبة دلعيار ‪.Schwarz‬‬
‫ب‪ .‬هل البواقي تتبع خطأ أبيض ؟‪ :‬من خالؿ الرسم البياين لدالة االرتباط الذايت البسيط واجلزئي ‪ -‬الشكل (‪- )3‬‬
‫لبواقي النموذج )‪ ARIMA(0.1.1‬يتضح أف كل احلدود تقع داخل رلاؿ الثقة وىذا مؤشر على غياب االرتباط‬
‫الذايت للبواقي‪ ،‬كما نالحظ أف إحتماالت إحصائية ‪‌‌ Ljung – Box‬أكرب من ‌‪ ،%5‬و كذا يشَت منحٌت دالة‬
‫اإلرتباط الذايت لسلسلة مربع البواقي (اختبار ‪ )ARCH‬أف كل احلدود تقع داخل رلاؿ الثقة وىذا دليل على‬
‫ثبات تباين حد اخلطأ‪ ،‬وبالتارل قبوؿ فرضية أف البواقي تتبع توزيع خطأ أبيض‪.‬‬
‫الشكل (‪ :)3‬منحٌت دالة اإلرتباط الذايت لسلسلة البواقي وسلسلة مربع البواقي‬
‫والشكل‬ ‫‪Jarque-Bera‬‬ ‫ت‪ .‬هل الخطأ األبيض يتبع توزيع طبيعي؟‪ :‬وبنفس الطريقة السابقة سوؼ نستخدـ إختبار‬
‫(‪ )4‬يوضح ذلك‪:‬‬
‫الشكل (‪ :)4‬ادلدرج التكراري لسلسلة البواقي‬
‫‪74‬‬
‫من الشكل البياين التارل (‪ )4‬تتضح النتائج اآلتية‪:‬‬
‫‪V1  0.45  1.96‬‬
‫‪V2  3.87  1.96‬‬
‫ودباأف ‪ 1.96>‌V1‬فإننا نقبل الفرضية العدمية اليت تنص على أف اخلطأ يتبع التوزيع الطبيعي‪.‬‬
‫ودبا أف ‪ 1.96<V2‬فإننا نقبل الفرضية البديلة اليت تنص على أف اخلطأ األبيض ال يتبع التوزيع الطبيعي‪،‬وباستعماؿ اختبار‬
‫‪ Jarque-Bera‬والذي غلمع بُت اإلختبارين كانت النتائج كاآليت‪:‬‬
‫‪JB  5.57   02.05 (2)  0.1‬‬
‫ودبا أف إحصائية ‪  02.05 (2) ‌<‌JB‬إذف اخلطأ األبيض ال يتبع التوزيع الطبيعي‪.‬‬
‫‪ .5‬التنب ــؤ‪:‬‬
‫بعد ما إتضح أف النموذج مقبوؿ إحصائيا ؽلكن إستخدامو يف التنبؤ كاأليت حيت‪:‬‬
‫‪ :‌‌GLU‬السلسلة الزمنية اخلاـ‪.‬‬
‫‪ :GLUCVS‬السلسلة اخلالية من التغَتات ادلومسية‪.‬‬
‫‪ :DGLUCVS‬سلسلة الفروؽ األوذل خالية من التغَتات ادلومسية‪.‬‬
‫وعليو فإف النموذج يكتب على الشكل اآليت‪:‬‬
‫‪GLUCCVSt   t  0.93 t 1‬‬
‫يتم احلصوؿ على التنبؤ انطالقا من العالقة التالية‪:‬‬

‫‪GLUCCVSt  GLUCCVSt  GLUCCVSt 1  GLUCCVSt  GLUCCVSt 1  GLUCCVSt‬‬
‫‪ ‬فعلى سبيل ادلثاؿ‪ ،‬فيما ؼلص التنبؤ بالفًتة األوذل يتم بالطريقة التالية‪:‬‬
‫‪GLUCCVS85   85  0.93 84  0  0.937 * (-2128.377)  1995,71‬‬
‫علما أف األخطاء العشوائية يف ادلستقبل تساوي ‪ ،0‬فاف قيمة الفًتة األوذل ؿ ‪( GLUCVS‬السلسلة اخلالية من التغَتات‬
‫ادلومسية) ىي كالتارل‪:‬‬
‫‪GLUCCVS85  GLUCCVS84  GLUCCVS85  3129.28  1995.71  5124.99‬‬
‫(السلسلة اخلالية من‬ ‫‪‌GLUCVS‬‬ ‫بعد إضافة ادلعامل ادلومسي اخلاص بالفًتة األوذل اذل القيمة ادلتنبئ هبا من سلسلة‬
‫التغَتات ادلومسية)‪ ،‬نتحصل على قيمة الفًتة األوذل ؿ ‪( GLU‬السلسلة الزمنية اخلاـ)‪:‬‬
‫‪GLU85  GLUCCVS85  CS  5124.99  (60.197)  5064.79‬‬
‫أما نتائج التنبؤ بالنسبة دلبيعات اجلليكوز خالؿ الستة أشهر القادمة من سنة ‪‌1028‬فهي موضحة يف اجلدوؿ (‪:)5‬‬
‫‪75‬‬
‫اجلدوؿ‌(‪ :)5‬نتائج التنبؤ دببيعات اجلليكوز‬
‫التنبؤ‬ ‫‪CS‬‬ ‫‪GLUCCVS‬‬ ‫األشهر‬
‫‪5064,79208‬‬ ‫‪-60,19792‬‬ ‫‪5214299‬‬ ‫جانفي‬
‫‪4854,7296‬‬ ‫‪-270,2604‬‬ ‫‪5214299‬‬ ‫فيفري‬
‫‪6040,3546‬‬ ‫‪915,3646‬‬ ‫‪5214299‬‬ ‫مارس‬
‫‪7374,445‬‬ ‫‪2249,455‬‬ ‫‪5214299‬‬ ‫أبريل‬
‫‪7233,653‬‬ ‫‪2108,663‬‬ ‫‪5214299‬‬ ‫ماي‬
‫‪4435,4032‬‬ ‫‪-689,5868‬‬ ‫‪5214299‬‬ ‫جوان‬
‫‪76‬‬
‫انفصم‌انخايس‬
‫االمتداد إلى نماذج الذاكرة الطويلة‬

‫‪ARCH‬‬ ‫والنماذج الغير الخطية‬ ‫‪ARFIMA‬‬
‫‪ًَ .I‬ارج‌انزاكشة‌انطىيهت ‌‪‌:ARFIMA‬‬

‫تتبلور فكرة ربليل السالسل الزمنية ببساطة يف تقدير ظلوذج رياضي ؽلكنو أف ػلاكي الواقع من خالؿ التدرج التارؼلي لتك‬
‫الظاىرة‪ ،‬حيث أف ىذا النموذج يقدر بدقة قيم السلسلة الزمنية ويستخدـ للتنبؤ بقيم مستقبلية للظاىرة موضوع الدراسة‪،‬‬
‫حيث أف النموذج القياسي غلب أف يتوافق مع أسس النظرية االقتصادية ويتناسب يف نفس الوقت مع طبيعة البيانات‬
‫حبيث غلعل البواقي (‪ )Résidus‬أقل ما ؽلكن‪ ،‬وليس هبا أي نوع من الًتابط الداخلي فيما بينها‪.‬‬
‫ويف ىذا ادلبحث سوؼ نقوـ بتسليط الضوء على ظلاذج االضلدار الذايت وادلتوسطات ادلتحركة التكاملية الكسرية‬
‫(‪ )ARFIMA‬واليت مت تعريفها من قبل كل من )‪ Granger and Joyeux (1980‬و )‪ ، Hosking (1981‬و ىذا بعد ما‬
‫أثبتت ىذه النماذج صلاعتها يف ظلذجة السالسل الزمنية ذات الذاكرة الطويلة اليت تتميز هبا الكثَت من البيانات‪ ،‬و تلقت‬
‫ىذه العملية استخداما كبَتا نظرا لقدرهتا يف توصيف البيانات يف العديد من اجملاالت كعلوـ االقتصاد والعلوـ ادلالية‪ ،‬كما‬
‫أهنا صاحلة أيضا لنمذجة السالسل الزمنية متعددة ادلتغَتات‪ .‬كما أنو يعد من بُت األساليب احلديثة اليت تساىم يف ربليل‬
‫السلسلة الزمنية والتعرؼ أيضا على نوع الذاكرة اخلاصة هبا ومن مث بناء ظلوذج احصائي دقيق يف تنبؤاتو ادلستقبلية‪ ،‬خاصة‬
‫يف حاؿ فشل األساليب التقليدية‪.‬‬
‫‪ .2‬يفهىو‌انزاكشة‌انطىيهت‪‌ :‬‬
‫يتلخص مفهوـ السالسل الزمنية ذات الذاكرة الطويلة يف النماذج اليت يكوف فيها أثر الصدمات أو التغَتات دلتغَت الظاىرة‬
‫االقتصادية دائم ويظهر أثره يف ادلستقبل عند عملية التنبؤ لذلك فانو غلب أخذىا بيعن االعتبار عند القياـ بعملية التنبؤ‬
‫بالظواىر االقتصادية‪ ،‬ويعترب الربيطاين ‪‌ Hurst‬أوؿ من الحظ ظاىرة الذاكرة الطويلة للسالسل الزمنية سنة ‪‌ 2952‬و كاف‬
‫ذلك يف ميداف الري‪ ،‬و مشل بعد ذلك ادليداف االقتصادي بعدما تبُت أف الكثَت من السالسل الزمنية للظواىر االقتصادية‬
‫ذلا ذاكرة طويلة‪ .‬فلقد أثبت )‪ Hurst (1951‬من خالؿ دراساتو أف العديد من السالسل الزمنية ذات طبيعة ارتباط خاصة‬
‫قريبة من عدـ االستقرار ولقد بلور كل من )‪ Mandelbrot and Wallis (1968‬و ‪Mandelbrot and Wallis‬‬
‫‪77‬‬
‫فكرة ‪‌ Hurst‬ببناء حركة ‪‌ Brown‬الكسرية مث بعد ذلك التشوش ذات التوزيع الطبيعي الكسري اليت تسمح‬ ‫)‪(1969‬‬
‫بإحداث مركبات طويلة ادلدى لسلسلة زمنية‪.‬‬

‫و قد أصبح ذلذا ادلفهوـ أعلية بالغة خاصة بعد بروز عدة تطبيقات يف رلاالت جديدة مثل شبكات االتصاؿ‪ ،‬التمويل‬
‫واالقتصاد‪ ،‬وغَتىا‪ ...‬حيث أف مفهوـ الذاكرة الطويلة ؼلتلف من رلاؿ اذل أخر )‪.Samorodnitsky (2004‬‬
‫أدى كل ذلك اذل ظهور ظلاذج االضلدار الذايت ادلتوسط ادلتحرؾ ذات التكامل الكسري ‪‌ARFIMA‬اليت اقًتحها كال من‬
‫)‪‌ Granger and Joyeux (1980‬و )‪ ،Hosking (1981‬اليت تسمح بنمذجة الذاكرة الطويلة‪ .‬تعترب ىذه النماذج ترمجة‬
‫يف الزمن ادلتقطع حلركة ‪ Brown‬الكسرية ودرجة تكامل ليست من األعداد الصحيحة بل احلقيقية‪.‬‬
‫سيتم التطرؽ اذل عدة مفاىيم سلتلفة دلفهوـ الذاكرة الطويلة يف السالسل الزمنية احلقيقية وحيدة ادلتغَت‪ ،‬بفرض أف ‪ yt‬ىي‬
‫عملية زمنية متقطعة دبعامل ارتباط ‪ ρ‬على فجوات ‪ j‬ويرمز لو ‪ ،ρj‬لذلك ؽلكن القوؿ أف العملية ربتوي على ذاكرة طويلة‬
‫إذا كاف‪:‬‬
‫| |∑‬
‫حيث القيم ادلطلقة لالرتباطات الذاتية تكوف غَت ذبميعية‪ .‬عموما وجود عمليات ذات الذاكرة الطويلة يعٍت ضمنا أف‬
‫العملية مكونة من الكثَت من االرتباطات الزمنية‪.‬‬
‫وبشكل مغاير عندىا يكوف‪:‬‬
‫| |∑‬
‫ثابت= ‪k‬‬
‫يف ىذا احلاؿ نستطيع القوؿ أف العملية تتميز خباصية الذاكرة القصَتة‪.‬‬
‫وقد تبُت أف مفهوـ الذاكرة الطويلة ينبغي تطبيقو يف العمليات الساكنة فقط يف سياؽ الظواىر "يف حالة مستقرة"‪ .‬لذلك‬
‫فمن ادلنظور الفلسفي ؽلكن زبمُت الصعوبات ادلمكن مواجهتها يف اختبار الذاكرة الطويلة‪ ،‬من منظور اخر انو اذا قدر‬
‫النموذج بشكل جيد حىت ادلشاىدات ادلتباعدة يف الزمن قد تكوف مفيدة يف التنبؤ بالسلسلة ونتوقع درجة عالية من دقة‬
‫التنبؤ نتيجة ذلذا االعتماد للفجوات ادلتباعدة (‪.)Lildhold, 2000‬‬
‫فكيف ؽلكن للذاكرة الطويلة أف تنسجم مع االفًتاضات اإلحصائية‪ ،‬يرى البعض أنو اذا كاف حجم العينة ‪ n‬كبَت‪ ،‬فإف‬
‫تباين متوسط العينة ؽلكن أف يعرب عنو من خالؿ العالقة‪:‬‬
‫̅‬ ‫ثابت ‪; c :‬‬
‫وللعينات الكبَتة يكوف التناقص لتباين متوسط العينة يعتمد على ذاكرة العملية‪ ،‬فقد أثبت (‪‌)Beran, 1994‬أنو إذا كانت‬
‫‪ yt‬ثابتة وتتميز بالذاكرة الطويلة فعندىا ‪ n‬تؤوؿ إذل ما الهناية‪.‬‬
‫‪78‬‬
‫̅‬
‫ثبات و انعكاس عمليات ‪‌ ARMA‬سبثل عمليات الذاكرة القصَتة عندما ‪ ،d=0‬إذا يف ىذا الصدد ال تتناسب خاصية‬
‫ىو‬ ‫الذاكرة الطويلة مع االفًتاضات الكالسيكية القياسية‪ ،‬ألف التمييز بُت ادلعدالت ادلختلفة الضمحالؿ ̅‬
‫التمييز نفسو بُت الذاكرة الطويلة والذاكرة القصَتة‪ ،‬ولو بالتأكيد تأثَت عند حساب االختبارات وفًتات الثقة للمتوسط‪،‬‬
‫إذا مت ذباىل ىذا التمييز‪ ،‬بالطبع يًتتب على ذلك آثار كارثية‪ ،‬ذلك كما أشار (‪.)Beran, 1989‬‬
‫‪ .1‬انخحقك‌يٍ‌خاصيت‌انزاكشة‌انطىيهت‪‌ :‬‬
‫ىناؾ العديد من االختبارات االحصائية اليت تسمح بالتحقق من خاصية الذاكرة الطويلة‪ ،‬كما يوجد أيضا لبعض ىذه‬
‫االختبارات أشكاؿ بيانية للتحقق من الذاكرة سوؼ نعرض بعضا من ىذه االختبارات واألشكاؿ البيانية‪.‬‬
‫‪‌.2.1‬انخحقك‌يٍ‌خاصيت‌انزاكشة‌انطىيهت‌باسخخذاو‌االخخباساث‌االحصائيت‪‌ :‬‬
‫يعترب معامل ىورست (‪ )Hurst Exponent‬والذي يرمز لو عادة بالرمز عادة بالرمز ‪ H‬مقياسا للذاكرة طويلة األمد‬
‫للسالسل الزمنية‪ ،‬وذلك من خالؿ ما يتعلق باالرتباطات الذاتية للسلسلة الزمنية‪ ،‬ولقد مت اقًتاح العديد من ادلقدرات‬
‫دلعامل ىورست لتحليل الذاكرة الطويلة يف السالسل الزمنية من خالؿ عدة طرؽ نذكر بعضها‪:‬‬
‫أ‪ .‬طريقة ‪:(Re-scaled Range Methd) R/S‬‬
‫قدمت ىذه الطريقة ألوؿ مرة من طرؼ الباحث (‪ )Hurst 1951‬وىي إحصائية تسمح باكتشاؼ وجود ظاىرة الذاكرة‬
‫الطويلة‪.‬‬
‫الفكرة األساسية إلحصائية ‪ R/S‬ىي مقارنة القيم الدنيا والقصوى للمجاميع اجلزئية لالضلرافات بُت السلسلة ومتوسطها‬
‫احلسايب مقسوما على اضلرافها ادلعياري (‪.)Lillo and Farmer, 2004‬‬
‫*‬ ‫(∑‬ ‫)̅‬ ‫(∑‬ ‫‪̅ )+‬‬
‫حيث‪:‬‬
‫̅ ‪ :‬متوسط السلسلة و ‪ n‬حجم العينة‪.‬‬ ‫‪ :‬االضلراؼ ادلعياري للسلسلة‪/ .‬‬
‫ال ترتبط ىذه اإلحصائية بشكل التوزيع اذلامشي للسلسلة‪ ،‬حيث تسمح ىذه اإلحصائية بالكشف عن وجود بنية ارتباط‬
‫طويل ادلدى يف سلسلة زمنية معينة‪ ،‬إال أف اإلحصائية ‪ R/S‬ال سبثل اختبارا إحصائيا دبعٌت الكلمة باعتبار أف التوزيع‬
‫االحتمارل غَت معروؼ‪.‬‬
‫‪‌ Hurst‬والذي يسمح بتصنيف السالسل الزمنية تبعا لنوع‬ ‫إف ادليزة األساسية ذلذه اإلحصائية أهنا تعطي معامال يسمى‬
‫االرتباط‪ .‬يف ىذه احلالة ؽلكن سبثيل ادلعطيات بالعالقة التالية‪:‬‬
‫‪79‬‬
‫(‬ ‫)‬
‫اذف‪:‬‬
‫ؽلكن ربديد مقياس االرتباط طويل ادلدى ‪‌ch‬ادلرتبط بأس ‪‌Ch .Hurst‬يقيس االرتباط بُت متوسط ادلشاىدات ادلستقبلية‬
‫الكبَتة‪ .‬االرتباط طويل ادلدى يعرؼ بالصيغة اآلتية‪:‬‬
‫الكسري ‌‪d‬‬ ‫سبكن فيما بعد الباحثُت )‪‌ Mandelbort and Van Ness (1968‬من ربديد عالقة قوية بُت معامل التفاضل‬
‫لنماذج ‪‌ARFIMA‬ومعامل ىورست حيث ‪.d=(H-1/2) :‬‬
‫وىذا ما يسمح بتصنيف السالسل الزمنية بداللة قيم ادلعامل ‪ d‬وىذا حسب تغَت قيم ادلعامل ‪ H‬كما يلي‪:‬‬
‫‪ -‬إذا كاف ½ =‪ H‬يكوف ‪ d=0‬ال يوجد ارتباط بُت األحداث ادلاضية واحلاضر‪ ،‬فالسلسلة الزمنية ال تتميز بذاكرة طويلة‬
‫ادلدى ويصبح النموذج ‪‌ARFIMA‬ظلوذج ‪‌ARMA‬عادي‪.‬‬
‫‪‌H‬‬‫‪ -‬إذا كاف ‪ 1/2<H<1‬يكوف ‪ 0<d<1/2‬فإف السلسلة تتميز بذاكرة طويلة‪ ،‬حيث يكوف االرتباطات قوية كلما اقًتب‬
‫من الواحد‪ .‬ويصبح ظلوذج ‪‌ARFIMA‬ظلوذج مستقر بذاكرة طويلة‪.‬‬
‫‪ -‬إذا كاف ‪ 0<H<1/2‬يكوف ‪‌ -1/2<d<0‬يف ىذه احلالة ال تكوف سلسلة ذات ذاكرة طويلة ويف نفس الوقت ال تسلك‬
‫سلوؾ ظلاذج ‪‌ARMA‬ويف ىذه احلالة تكوف االرتباطات الذاتية يف حاؿ تبادؿ اشارات‪ ،‬مراحل متبوعة دبراحل اطلفاض‪.‬‬
‫تطبيق اإلحصائية باستخداـ الرسم البياين كما يلي‪:‬‬
‫رسم ))‪‌ln(Q(t.k‬مقابل )‪.ln(k‬‬
‫‪ R‬تعرب عن ادلدى‪ S ،‬تعرب عن االضلراؼ ادلعياري‪ k‌،‬نعرب عن الفجوات عرب الزمن‪.‬‬
‫تستخدـ طريقة ادلربعات الصغرى لتقدير اخلط ادلستقيم ذو ادلقطع الصادي الذي بدوره ػلدد العالقة بُت ))‪ ln(Q(t.k‬و‬
‫)‪.(Brean, 1994) .ln(k‬‬
‫وؽلكن إعتبار ميل ىذا اخلط ادلستقيم كمقياس للتفريق بُت عمليات الذاكرة القصَتة والطويلة‪ ،‬حيث أف معظم عمليات‬
‫الذاكرة القصَتة يتجو فيها ىذا ادليل ضلو ½ بينما إذا كانت ىذه ادلعطيات ربتوي على ذاكرة طويلة فإف ادليل ذلذا اخلط‬
‫ادلستقيم يتجو ليكوف الثابت ‪‌α=(d+1/2)>1/2‬والسبب يف ذلك أف )‪ Q(t.k‬تتميز دبعادالت سلتلفة من التقارب للذاكرة‬
‫القصَتة‪ /‬الطويلة‪ ،‬ودبا أف ىذا األسلوب يستند على اختالؼ معدالت التقارب فمن الواضح أنو ػلتاج إذل الكثَت من‬
‫ادلشاىدات ودلزيد من التوضيح سوؼ نستعرض االشكالية البيانية التالية الحصائية ‪‌ R/S‬من خالؿ الشكل رقم (‪.)1‬‬
‫أنظر (‪.)Lidholdt, 2000‬‬
‫‪80‬‬
‫ونموذج )‪.)ARFIMA(0,0.3,0‬‬ ‫)‪AR(1‬‬ ‫لبيانات مولدة ل‬ ‫‪R/S‬‬ ‫شكل‪ 7‬رسم‬
‫أف ادليل ادلقدر يف كال احلالتُت أعلى من ‪ 0.5‬حيث يعترب ذلك مؤشر على ذاكرة طويلة‬ ‫(‪)2‬‬ ‫نالحظ من خالؿ الشكل‬
‫على الرغم من أهنا ال توجد يف احلالة الثانية‪ ،‬وبالرجوع إذل ما ذكرناه سابقا عن ما جاء بو الباحث (‪ )Lo 1991‬ألنو قد‬
‫أثبت بأف ربليل ‪ R/S‬ؽلكن أف يكوف متحيزا ويعطي نتائج مضللة أو متحيزة حوؿ وجود ذاكرة طويلة‪ ،‬وىذا يف احلالة‬
‫اليت يكوف ىناؾ ارتباط ذايت يف ادلدى القصَت بالنسبة للسلسلة الزمنية قيد الدراسة لذلك اقًتح ‪ Lo 1991‬احصائية‬
‫أخرى وقد مسيت اإلحصائية ‪ R/S‬ادلصححة أو ادلغَتة )‪ (R/S Modidier‬ويبدو ىذا واضحا يف الشكل )‪ .(1‬حيث أننا‬
‫صلد صعوبة يف التفرقة بُت الشكل األوؿ والثاين من خالؿ ادليل‪.‬‬
‫ب‪ .‬احصائية ‪:Lo‬‬
‫كما أف الباحث (‪‌)Andrews Lo 1991‬قد أثبت بأف ربليل ‪ R/S‬ؽلكن يكوف متحيزا ويعطي نتائج مضللة أو متحيزة‬
‫حوؿ وجود ذاكرة طويلة‪ ،‬ويف ىذه احلالة اليت يكوف ىناؾ ارتباط ذايت يف ادلدى القصَت بالنسبة للسلسلة الزمنية قيد‬
‫الدراسة لذلك اقًتح (‪‌)Lo‬احصائية أخرى وقد مسيت احصائية ‪ R/S‬ادلصححة أو ادلعَتة ونرمز ذلا ’‪ R/S‬وؽلكن تعريفها‬
‫وفق العالقة اآلتية‪:‬‬
‫*‬ ‫∑‬ ‫̅‬ ‫∑‬ ‫‪̅ +‬‬
‫‪⁄‬‬
‫∑ *‬ ‫̅‬ ‫∑‬ ‫∑‬ ‫̅‬ ‫̅‬ ‫‪+‬‬
‫‪81‬‬
‫ألهنا ال تأخذ بعُت االعتبار التباينات لقيم ادلفردات فقط‪ ،‬وإظلا تأخذ‬ ‫̃ زبتلف عن اإلحصائية‬ ‫إف اإلحصائية‬
‫أيضا التباينات ادلشًتكة ادلرجحة كدالة تابعة دلعامل التأخَت ‪ q‬حيث اقًتح (‪‌)Lo 1991‬القاعدة اآلتية الختيار ادلعلم‌‪:q‬‬
‫‪⁄‬‬ ‫‪⁄‬‬
‫̂‬
‫([‬ ‫)‬ ‫(‬ ‫)‬ ‫]‬
‫حيث‪:‬‬
‫̂ ‪ :‬ىو عبارة عن ادلعلمة ادلقدرة لنموذج االضلدار الذايت من الدرجة األوذل أي )‪.AR(1‬‬
‫ليتم فيما بعد ربديد قيمة االحصائية ‪ Vcal‬احلسابية وفق العالقة التالية‪:‬‬
‫̂‬
‫√‬
‫على عكس ربليل ‪ R/S‬التقليدي فإف احصائية ’‪ R/S‬زبضع لتوزيع معروؼ حيث يتم حسابو ‪ V‬كما يف ادلعادلة‪.‬‬
‫حيث أف حساب اإلحصائية ‪ H‬يتم بنفس العالقة ؿ‪ R/S‬ادلعادلة (‪ )6.5‬حيث أثبت الباحث )‪ Lo (1991‬ما يلي‪:‬‬
‫̂‬ ‫[‬ ‫]‬
‫{‬
‫√‬ ‫[‬ ‫]‬
‫وعليو من أجل اختبار وجود ذاكرة طويلة فإنو غلب اختبار الفرضيتُت اآلتيتُت‪:‬‬
‫ويتم قبوذلا عند مستوى معنوية ‪ ،%5‬اذا كانت‬ ‫‪H=0.5‬‬ ‫‪ :H0‬يوجد ذاكرة قصَتة يف السلسلة الزمنية وىذا يعٍت اف‬
‫[‬ ‫]‬
‫‪ :H1‬يوجد ذاكرة طويلة يف السلسلة الزمنية إذا مت رفض الفرضية العدمية‪.‬‬
‫ت‪ .‬طريقة التباين المجمعة )‪:(Aggregated Variance Method‬‬
‫طوذلا ‪ N‬مقسمة إذل سلسلة فرعية طوذلا ‪ .m‬لكل سلسلة فرعية ‪ ،d=N/m‬السلسلة التجميعية اليت‬ ‫‪yi‬‬ ‫ألي سلسلة زمنية‬
‫شكلت بواسطة الوسط )‪‌(Taqqu, et al 1995‬مت تعريف السلسلة اجملمعة ادلناظرة من قبل )‪‌(Brean 1994‬كالتارل‪:‬‬
‫∑‬
‫يتم احتساب كذلك تباين العينة‪:‬‬
‫(∑‬ ‫)̅‬
‫عندما ∞→‪ m‬حيث ‪ σ‬ىي معلمة القياس للقيم ادلتعاقبة ‪ ،m‬يتم رسم‬ ‫(‬ ‫)‬ ‫مع العلم أف‬
‫تباين العينة ضد ‪m‬على شكل ‪‌log-log‬ويتم توفيق خط ادلربعات لنقاط الشكل‪ ،‬ليتم حساب معامل ىَتست‪ ،‬مع العلم‬
‫أف اخلط ادلستقيم ميلو )‪.(Taqqu, et al, 1995)‌.(2H-2‬‬
‫بسبب كرب ‪m‬و‪ ،d‬والنقاط الناذبة غلب أف تشكل‬ ‫وأف التباين للعينة غلب أف يكوف تقاريب ومتناسب مع‬
‫خط مستقيم ميلو‌‪ β‬حيث أف ‪.-1<β<0‬‬
‫‪82‬‬
‫‪Β= 2H-2‬‬
‫وحبساب ادليل ‪ β‬تقدر قيمة معامل ىورست ‪ ،H‬حيث تكوف‪:‬‬
‫‪‌ H= (β+2)/2‬‬
‫مث يتم مقارنة قيمة ‪ H‬مع احلاالت السابق ذكرىا يف طريقة ربليل ‪ R/S‬لالستدالؿ على وجود ذاكرو طويلة‪.‬‬
‫كما أنو يوجد أيضا رسم بياين ذلذه اإلحصائية نستطيع من خالذلا ربديد الذاكرة الطويلة‪ ،‬ففي اختبار طريقة التباين‬
‫اجملمعة حيث يتم توفيق خط ادلربعات لنقاط الشكل‪ ،‬ليتم حساب معامل ىيورست‪ ،‬مع العلم أف اخلط ادلستقيم ميلو‬
‫(‪ )2H-2‬كما ىو موضح يف الشكل (‪.)1‬‬
‫شكل‪ 8‬رسم التباين المجمعة (‪ )Aggregated Variance Method‬لسمسمة زمنية ذات ذاكرة طويمة‪.‬‬
‫يبدو أف النقاط متوافق على اخلط وىذا يدؿ على أف السلسلة تتمتع خباصية الذاكرة‬ ‫‪1‬‬ ‫كما ىو موضح من الشكل‬
‫‪.H=0.9166‬‬ ‫الطويلة وىذا ما أكده قيمة االختبار‬
‫(‪:)Absolute Moment Method‬‬ ‫ث‪ .‬طريقة القيمة المطلقة‬
‫ىذه الطريقة متشاهبة لطريقة التباين التجميعي حيث يتم تقسيم البيانات بنفس الطريقة ادلعادلة رقم ‪ 10.5‬لتشكيل‬
‫سلسلة رلمعة‪ ،‬حيث تقوـ ىذه الطريقة حبساب القيم ادلطلقة للسلسلة اجملمعة كالتارل‪:‬‬
‫|∑‬ ‫|̅‬
‫للقيم ادلتعاقية ‪ ،m‬ويتم رسم تباين العينة ضد ‪ m‬على شكل ‪ ،log-log‬ويتم توفيق خط ادلربعات لنقاط الشكل‪ ،‬ليتم‬
‫حساب معامل ىورست ‪ ،H‬مع العلم أف اخلط ادلستقيم ميلو )‪.)Taqqu, et , al 1995( n(H-1‬‬
‫وأخَتا يتم مقارنة قيمة ‪ H‬مع احلاالت السابق ذكرىا يف طريقة ربليل ‪ R/S‬لالستدالؿ على وجود ذاكرة طويلة‪.‬‬
‫‪:Higuchi or Fractal Dimension Method‬‬ ‫ج‪ .‬طريقة هيجوتشي‬
‫تقدر طريقة ‪ Higuchi‬معلمة ‪ H‬للسلسلة الزمنية ذات ‌(‪ Long Range Dependence )LRD‬على أساس نظرية النمط‬
‫اذلندسي ادلتكرر كما جاء من خالؿ (‪ )Higuchi,1988,1990,1998‬حيث تنطوي ادلهمة على حساب طوؿ ادلسار‬
‫‪83‬‬
‫ومن مث إغلاد بعد النمط اذلندسي ادلتكرر‪ ،‬حيث يتم حساب ادليل عن طريق أقل ادلربع تباين مناسب للوغاريتم أطواؿ‬
‫ادلنحٌت ادلتوقع )‪ log(L‬على زلور الصادي مقابل لوغاريتم كتلة األحجاـ )‪ log(m‬على احملور السيٍت‪.‬‬
‫وذلك من خالؿ أخذ السلسلة الزمنية )‪ y(1), y(2),…,y(N‬ليتم ربليلها أوال ويتم بناء سلسلة زمنية جديدة‬
‫معرفة كالتارل‪:‬‬
‫[‬ ‫]‬
‫يدؿ على دالة عدد صحيح والطوؿ‬ ‫الوقت)‪(N-m)/K‬‬ ‫يشَت إذل فًتة زمنية منفصل و‪ m‬تشَت إذل قيمة‬ ‫‪K‬‬ ‫حيث أف‬
‫يكوف بادلعادلة التالية‪:‬‬ ‫الطبيعي دلنحٌت‬
‫[‬ ‫]‬
‫∑‬ ‫|‬ ‫|‬

‫[‬ ‫]‬
‫‪‌K‬‬ ‫ىي الطوؿ الكلي لبيانات السلسلة‪ ،‬ويتم احتساب متوسط طوؿ كل سلسلة زمنية ذلا نفس نطاؽ‬ ‫‪N‬‬ ‫حيث أف‬
‫‪Kmax‬‬ ‫إذل‬ ‫حيث متوسط درجات ‪ k‬أطوؿ من )‪‌ Lm(k‬نكم ‌‪ ،m=1,2,..,k‬ويتكرر ىذا اإلجراء لكل ‪‌ k‬تًتاوح من‬
‫‪2‬‬
‫وحصوذلا على متوسط طوؿ لكل ‪(Hasegawaa , et al.,2013) .k‬‬
‫‪ ،‬عندىا السلسلة الزمنية للبيانات تكوف ذات ظلط ىندسي متكرر مع البعد ‪،D‬‬ ‫𝛼‬ ‫وإذا كاف‬
‫و ‪ D=2-H‬وحبساب ادليل ‪ D‬فإف ذلك يوفر تقديرا دلعامل ىورست ‪ .)Sheng, et al, 2011( H‬وأخَتا يتم مقارنة قيمة‬
‫‪‌H‬مع احلاالت السابق ذكرىا يف طريقة ربليل ‪ R/S‬لالستدالؿ على وجود ذاكرة طويلة‪ .‬فباإلضافة إذل طريقة ىيجوتشي‬
‫لتحديد معامل ىورست ىناؾ أيضا رسم بياين لنظرية ىيجوتشي كما يف الشكل ‪.3‬‬
‫شكل‪ 9‬رسم هيجوتشي(‪ )Higuchi‬لسمسمة زمنية ذات ذاكرة طويمة‪.‬‬
‫يف الشكل ‪ 3‬ادلوضح حيث أف ادليل يساوي ‌(‪ )D=1.5075‬ومنو نستطيع ربديد معلمة ىورست ومنها نستطيع معرفة ما‬
‫إذا كانت البيانات ذات ذاكرة طويلة أـ ال من القانوف ‪.D=2-H‬‬
‫‪84‬‬
‫)‪:(Periodogram Method‬‬ ‫ح‪ .‬طريقة الباريودجرام‬
‫قاـ العادلاف ‪ Geweke and Prter-Hudak, 1983‬بإقًتاح هنج إلختبار الذاكرة الطويلة وىي ذاكرة من عملية كسرية‬
‫متكاملة‪ .‬معلمة الفروؽ الكسرية ‪ d‬ؽلكن تقديرىا بواسطة معادالت االضلدار‪.‬‬
‫تكوف سلسلة زمنية و‪:‬‬ ‫نضع ̅̅̅̅̅‬
‫∑|‬ ‫|‬
‫( ‪Long‬‬ ‫حيث ‪ λ‬سبثل الًتددات )‪ I(λ‬يكوف ىو تقدير الكثافة الطيفية ذلذه السلسلة‪ ،‬فقد تبُت أف العملية اليت تتميز‬
‫‪‌)Range Dependence‬وىو اعتماد طويل األمد أو ذاكرة طويلة (‪ )LRD‬ربتوي عل اؿ‪‌ Periodogram‬والذي يتناسب‬
‫‪1-‬‬ ‫مع ‪ ......‬ويقًتب من نقطة األصل‪ ،‬لذلك فإف رسم ‪ log-log‬ؿ‪ ،Periodogram‬ضد الًتدد غلب أف تعطي ميل‬
‫‪ .2H‬واؿ‪ Periodogram‬ادلعدلة أو ادلصححة تعطي تقديرا أفضل من اؿ‪ Periodogram‬العادية‪ .‬وبادلقارنة مع أسلوب‬
‫‪ ،Periodogram‬ؽلكننا القوؿ أف طريقة ‪ Periodogram‬ادلعدلة تعمل على تقليل تباين التقديرات وكذلك التحيز عند‬
‫(‪.)Sheng, et al, 2011‬‬ ‫تقدير معلمة ىورست‬
‫واؿ‪‌ Periodogram‬ادلعدلة ىي تعديل على ‪ Periodogram‬العادية للحصوؿ على نتائج أفضل يف التقدير‪ ،‬حيث يتم‬
‫فيها تقسيم زلور الًتدد إذل صناديق تفضل بينها مسافة لوغاريتم متساوية ويتم تقدير قيم ‪‌Periodogram‬ادلوجودة داخل‬
‫الصندوؽ ومتوسطاهتا ادلتاظرة للًتددات‪.‬‬
‫حيث تتمركز‬ ‫لنظرية‪Periodogram‬‬ ‫فباإلضافة إلختبار ‪‌ Periodogram‬لتحديد معلمة ىورست ىناؾ أيضا رسم بياين‬
‫أغلب البيانات حوؿ نقطة األصل الصفر كما ىو موضح يف الشكل (‪.)4‬‬
‫لسمسمة زمنية ذات ذاكرة طويمة‬ ‫‪Periodogram‬‬ ‫شكل‪ 10‬رسم دالة‬
‫‪‌.1.1‬انخحقك‌يٍ‌خاصيت‌انزاكشة‌انطىيهت‌باسخخذاو‌االشكال‌انبياَيت‪‌ :‬‬
‫الذاتي (‪:)ACF Plot‬‬ ‫أ‪ .‬رسم دالة االرتباط‬
‫‪85‬‬
‫لقد قمنا بتعريف دالة االرتباط الذايت يف الفصل السابق وقمنا بتوضيح ماىيتها وسوؼ نقوـ اآلف بالتعرؼ على اشكاذلا‬
‫اليت من خالذلا شلكن التعرؼ على الذاكرة الطويلة‪.‬‬
‫كثَتا ما يستخدـ رسم ‪‌ ACF‬كأداة شخصية أولية يف العمل التطبيقي‪ ،‬للتعرؼ على وجود ذاكرة طويلة للسالسل‬
‫الزمنية‪ ،‬كما نعلم أف ىناؾ عدة أشكاؿ مشهورة ذلذه الدالة ؽلكن عرضها يف الشكل التوضيحي رقم (‪ )5‬حيث نالحظ‬
‫من الشكل (‪ )5a‬أف دالة ‪ ACF‬تتناقص بشكل بطيء ضلو الصفر ‪,‬اهنا ربتاج لوقت طويل للوصوؿ إذل الصفر وذلذا‬
‫العالقة بالشكل العاـ لدالة االرتباط الذايت اخلاصة بطبيعة ىذه النماذج‪ ،‬بينما الشكل )‪‌(5b‬نال حظ أهنا تتناقص بسرعة‬
‫بشكل أسي حيث من ىذه النماذج ظلاذج عمليات )‪ AR(1‬وىذا يعٍت أف السلسلة تتذكر كل شيء يف ادلاضي أي أف‬
‫ذلا ذاكرة ال هنائية ولكن ىذه الذاكرة تتناقص يف شكل أسي بزيادة عمر ادلشاىدات بينما الشكل (‪ )5c‬نالحظ التناقص‬
‫يأخذ شكل موجب ربتكي الدالة اجليب وذلك بسبب قيمة السالبة اليت تعتمد عليها ىذا التناقص من حيث البطء أو‬
‫السرعة للوصوؿ إذل الصفر‪ ،‬وأخَتا الشكل (‪ )5d‬تنقطع فجأة بعد الفجوة الزمنية الثانية وذلك بناء على دالة االرتباط‬
‫ذلذه العملية‪.‬‬
‫شكل‪ 11‬أشكال دوال االرتباط الذاتي‪.‬‬
‫إف ما ؽليز السالسل الزمنية ذات الذاكرة الطويلة عن غَتىا فيما ؼلتص برسم دالة ‪ ACF‬ذلا أهنا تتناقص بشكل بطيء‬
‫شديد ضلو الصفر وأهنا ربتاج لوقت طويل للوصوؿ إذل الصف كما يف الشكل (‪ )5‬على عكس ما ؼلص سالسل الذاكرة‬
‫القصَتة ظلاذج ‪ ARMA‬حيث أف دالة ‪ AFC‬اخلاصة هبا تتناقص بشكل أسي أو (ىندسي) بسرعة إذل قيم قريبة من‬
‫الصفر أنظر الشكل (‪ )5b‬كل ىذه توضيحية ألشهر دواؿ االرتباط الذايت‪ ،‬حيث تركز ىذه الدراسة على احلالة األوذل يف‬
‫الشكل رقم )‪ (5a‬والذي ؼلتص بطبيعة السالسل الزمنية اليت خباصية الذاكرة الطويلة ادلدى‪.‬‬
‫‪86‬‬
‫ب‪ .‬رسم ‪:Variogram‬‬
‫عرؼ كال من ‪ Journel and Hujibergts, 1978‬ال‪ Variogram‬كالتارل‪:‬‬
‫[‬ ‫]‬
‫على افًتاض سكوف التغاير‪ ،‬فإنو ؽلكن إثبات أف‪.‬‬
‫حيث‪:‬‬
‫اآلف من الواضح أف ادلعلومات لرسم )‪ V(K‬مقابل ‪ K‬ىي قريبة من ادلعلومات اخلاصة باإلضلدار الذايت ‪ ACF‬ويف الواقع‬
‫أف ىذه ادلعلومات ستكوف نفسها إذا مت تقديرىا (‪ V(K‬بواسطة )‪ ρ(K‬ولكن اؿ‪ Variogram‬تقدر بشكل مباشر من‬
‫خالؿ تربيع الفروؽ‌‪ )yt-yt-k(2‬سلوؾ ‪ Variogram‬ؽلكن االستدالؿ عليو من خالؿ ‪ ACF‬عرب ادلعادلة (‪ .)15.5‬حيث‬
‫ؽلكن ترمجة التناقص اذلندسي لدالة االضلدار الذايت ‪ ACF‬بأنو يؤدي لتعرج ىندسي ؿ‪ Variogram‬وكذلك تناقص‬
‫(‪‌ .)Lidholdt,2000(‌.)Hyperbolic ascent‬‬ ‫اذلايرببوليك‪ )Hyperbolic decay(.‬لدالة ‪ ACF‬يؤدي لتعرج‬
‫شكل‪ 12‬رسم ممهد ل ‪ Variogram‬لسالسل زمنية مولد‬
‫الشكل‌(‪ )6‬يوضح اؿ‪ Variogram‬لبيانات سالسل زمنية مولدة‪ ،‬نالحظ التعرج السريع لسلسلة الذاكرة القصَتة ادلتمثلة‬
‫يف اجلزء العلوي للشكل عرب النموذج )‪ ،AR(1‬والبطيء جدا لسلسلة الذاكرة الطويلة ادلمثلة من خالؿ النموذج الثاين‬
‫)‪ ARFIMA (0,0.3,0‬يف اجلزء السفلي للشكل‪ .‬أف تعرج سلسلة الذاكرة القصَتة أو التعرج البطيء لسلسلة الذاكرة‬
‫الطويلة تتطلب الكثَت من ادلشاىدات لتظهر الفروقات بُت الذاكرة القصَتة أو الطويلة اليت تتميز هبا السالسل الزمنية‪.‬‬
‫ت‪ .‬رسم التباين‪:‬‬
‫فكرة ىذه الرمسة ىو استغالؿ السلوؾ التقاريب لتباف دلتوسط العينة وكما أهنا تستغل ىذا السلوؾ فإهنا تتطلب العديد من‬
‫ادلشاىدات وتصاغ كالتارل‪:‬‬
‫‪87‬‬
‫بأخذ ‪ Ln‬للطرفُت‪.‬‬
‫[‬ ‫]‬ ‫] [‬ ‫] [‬
‫بإقًتاح رسم ‪ ln(Ӯn).‬مقابل )‪.ln(n‬ادليل ‪ α‬ذلذا اخلط ادلستقيم يف الرمسة غلب أف يساوي ‪ -2‬عندما ‪ d=0‬وتكوف ‪α>-1‬‬
‫ل‪ d>0‬ادليل ادلقدر بطريقة ادلربعات الصغرى‪.‬‬
‫شكل (‪ :)7‬رسم التباين لسالسل زمنية مولدة‪.‬‬
‫كما ىو مالحظ من الشكل (‪ )7‬أف الرمسة األورل تتميز بسلسلة ذاكرة قصَتة متمثلة يف النموذج )‪‌AR(1‬حيث أف ادليل‬
‫يساوي (‪ )-2.02‬وىي قريبة للقيمة النظرية ؿ(‪ )-2‬لذلك ؽلكن اعتبارىا سلسلة ذات ذاكرة قصَتة إما سلسلة الذاكرة‬
‫الطويلة ادلمثل من خالؿ النموذج الثاين )‪ ARFIMA (0,0.3,0‬يف اجلزء السفلي للشكل فإف يساوي (‪ )-0.27‬وىو أكرب‬
‫من (‪ ،)-2‬وألهنا أكرب من القيمة النظرية نقوؿ أف السلسلة ذات ذاكرة طويلة ‪.Lildholdt, 2000‬‬
‫‪ًَ .3‬ارج‌ ‪:ARFIMA‬‬

‫تقليديا تعتمد الدراسة اإلحصائية للسالسل الزمنية على معرفة مدى وجود جور الوحدة من عدمها حيث أف‬
‫وجود جذور الوحدة يعٍت أف السلسة الزمنية غي مستقرة بينما يدؿ عدـ وجود جذور الوحدة على أهنا مستقرة‪ ،‬وفقا‬
‫دلنهجية ‪ Box and Jenkins‬فإف ىاتُت احلالتُت ؽلكن ظلذجتهما باالعتماد على ظلاذج ‪‌ ARIMA‬و ‪‌ ARMA‬و يدؿ‬
‫وجود جذور الوحدة ( ‪ d=1‬يف ظلاذج ‪ )‌ ARIMA‬على امكانية ظلذجة السلسلة باالعتماد على ظلاذج ذات ذاكرة غَت‬
‫منتهية‪ ،‬بينما يف حالة غياب جذر الوحدة (‪ )d=0‬ؽلكن ظلذجة السلسة باالعتماد على ظلوذج ذات ذاكرة قصَتة‪ ،‬غَت أف‬
‫ىذه النمذجة ال تأخذ بعُت االعتبار احلاالت اليت يكوف فيها معامل التفاضل ‪ d‬كسريا و الذي بواسطتو ؽلكن سبييز‬
‫النماذج ذات الذاكرة الطويلة ‪(Lardic and Mignon, 2002)‌.ARFIMA‬‬
‫و ظلاذج ‪ ARFIMA‬ىي ظلاذج مت تطويرىا من طرؼ كل من )‪‌(Granger and Joyeux (1980‬و )‪ Hosking (1981‬و‬
‫تعترب لنماذج ‪ ARIMA‬ؿ ‪‌ Box and Jenkins‬عندما يأخذ معمل التفاضل ‪ d‬قيمة حقيقية تنحصر بُت ‪‌ -0.5‬و‬
‫‪88‬‬
‫‪ ‌0.5‬و تتمثل أعليتها يف أهنا تسمح بنمذجة التصرفات قصَتة األجل للسلسلة الزمنية من خالؿ معلمات االضلدار الذايت‬
‫‪(Lardic and Mignon,‬‬ ‫و ادلتوسطات ادلتحركة و التصرفات طويلة األجل من خالؿ معلمات التكامل الكسري‪.‬‬
‫)‪1999‬‬
‫تعريف ‪:ARFIMA‬‬
‫تعترب ىذه النماذج ترمجة يف الزمن ادلتقطع حلركة ‪ Brown‬الكسرية‪.‬نقوؿ أف السلسة ‌‪ Yt‬زبضع لنموذج ‪ ARFIMA‬إذا‬
‫كاف‪:‬‬
‫‪ : d‬عبارة عن عدد حقيقي‬

‫عبارة عن كثَتات حدود ادلميزة من الدرجة ‪ q ،p‬على الًتتيب ‪:‬‬ ‫حيث ‪ B‬معامل التأخَت‪،‬‬
‫𝜙‬ ‫𝜙∑‬
‫∑‬
‫و تشويش أبيض ذو توقع رياضي معدوـ و تباين ثابت ‪.‬‬

‫و ‪ (1-B)d‬ؽلسى دبعامل التكامل الكسري و ؽلكن نشره وفق النشر احملدود لثنائي احلدين وفق الصيغة الرياضية اآلتية‪:‬‬
‫∑‬
‫وتتضمن ىذه السلسلة جزء ‪ARMA‬اليت تدرس بنية االرتباط قصَت ادلدى و معامل التكامل الكسري الذي يشرح احلركة‬
‫طويلة األمد‪ .‬و ترتبط اخلصائص األصلية لسلسلة )‪ ARFIMA(p,d,q‬بشكل ادلركبة طويلة األمد‪ ،‬و ؽلكن دراسة ىذه‬
‫اخلصائص بافًتاض حالة السلسلة من النوع )‪ .ARFIMA(0,d,0‬حيث تعرؼ دالة االرتباط الذايت‬
‫ذلذه السلسلة كما يلي ‪:‬‬
‫واليت تكتب بالصيغة التقاربية التالية‪:‬‬
‫ونذكر ىنا خصائص السلسلة وفقا لقيم ‪ d‬ادلختلفة‪.‬‬

‫‪ -‬إذا كاف ‪ 0<d< ⁄‬فإف السلسلة عبارة عن سلسة ذات ذاكرة طويلة‪.‬‬
‫‪ -‬إذا كاف ‪ d=0‬فإف السلسلة تكوف ذات ذاكرة قصَتة‪.‬‬
‫‪89‬‬
‫فإف السلسلة ليست ذاكرة طويلة و لكن يف نفس الوقت ال تسلك سلوؾ ظلاذج ‪ ARMA‬وتكوف‬ ‫‪⁄ <d<0‬‬ ‫‪ -‬إذا كاف‬
‫السلسلة ىنا ذات ذاكرة متوسطة‪.‬‬
‫‪ .4‬طشق‌حقذيش‌ًَارج‌‪‌:ARFIMA‬‬
‫ؽلكن التمييز بُت نوعُت من الطريق لتقدير ظلاذج ‪ :ARFIMA‬الطرؽ دبرحلتُت و الطرؽ دبرجلة واحدة (طريقة اإلمكاف‬
‫األكرب)‪.‬‬
‫‪ .2.4‬طشق‌انخقذيش‌بًشحهخيٍ‪:‬‬
‫يف ىذه الطرؽ يتم يف ادلرحلة األوذل تقدير معلمة التفاضل الكسري‪ ،d‬و يف ادلرحلة الثانية يتم التقدير باالعتماد‬
‫على الطرؽ التقليدية للسالسل الزمنية‪ ،‬معلمات االضلدار الذايت وادلتوسطات ادلتحركة للتمثيل )‪ ARMA(p,q‬للسلسلة‬
‫احملولة اليت تتمي بتفاضل كسري‪.‬‬
‫فيما يلي نعرض عدة مقدرات لتقدير ادلعلمة‪ ،‬باإلضافة إذل الطريقة السابق ذكرىا يف ربديد الذاكرة الطويلة و ىي طريقة‬
‫ربليل ‪ ‌ R/S‬سوؼ نشرح أربعة طرؽ أخرى وىذه الطرؽ اليت سوؼ نقوـ بشرحها جزء من طرؽ كثَتة للتقدير و ىنا‬
‫سوؼ نقوـ بعرض الطرؽ األكثر أعلية يف تقدير معلمة التفاضل الكسري ‪.d‬‬
‫‪“Geweke and Porter – Hudak (1983)” GPH‬‬ ‫أ‪ .‬مقدر‬
‫‪(Geweke and Porter‬‬ ‫إف الطريقة األكثر استخداما يف تقدر معلمة ظلاذج ‪ ،ARFIMA‬ىي طريقة ادلرحلتُت لػ‬
‫– ‌‪‌،)Hudak,1983‬حيث يتم يف ادلرحلة األوذل تقدير معامل التكامل الكسري ‪ d‬باستخداـ طريقة ادلربعات الصغرى‪ ،‬و‬
‫يف ادلرحلة الثانية يتم التقدير باالعتماد على الطرؽ التقليدية للسالسل الزمنية‪.‬‬
‫اقًتح ‪ GPH‬طريقة تقدير شبو معلمية ترتكز على اضلدار طيفي ”‪‌.“Spectral Regression‬و بُت الباحثاف‬
‫أف معلم ادلعاينة الضلدار لوغاريتم الدالة الدورية ‪‌ periodogram‬ربتوي على متغَت مستقل ربديدي من أجل الذبذبات‬
‫األوذل لػ ‪‌ Fourier‬بطريقة ادلربعات الصغرى العادية يعترب مقدرا متقاربا للمعامل ‪ ،d‬ترتكز طريقة ‪‌ GPH‬على دالة الكثافة‬
‫الطيفية‪.‬‬
‫مقدر معامل اتكامل الكسري بطريقة ادلربعات الصغرى معطى ̂ بالصيغة التالية‪:‬‬
‫∑‬ ‫̅‬ ‫̅‬
‫̂‬
‫∑‬ ‫̅‬
‫‪ ،‬يكوف توزيع ادلقدر ̂ يتجو ضلو‬ ‫‪⁄ <d< ⁄‬‬ ‫أنو عندما يكوف‬ ‫‪Geweke and Porter – Hudak‬‬ ‫و قد بُت‬
‫‪.‬‬ ‫التوزيع الطبيعي عندما‬
‫̂ من أجل‬ ‫(‬ ‫)‬

‫∑‬ ‫̅‬
‫‪Reisen‬‬ ‫ب‪ .‬مقدر‬
‫‪90‬‬
‫تعترب مقدر غَت متسق لدالة‬ ‫‪periodogream‬‬ ‫أف دالة‬ ‫)‪Brockwell and Davis (1991‬‬ ‫كما أثبت كال من‬
‫استخداـ مقدر متنسق و ىو النسخة ادلمهدة من الدالة الدورية‬ ‫)‪Reisen (1994‬‬ ‫الكثافة الطيفية‪ ،‬لذلك اقًتح‬
‫)‪.(smoothed periodogram‬‬
‫‪Robinson‬‬ ‫ت‪ .‬مقدر‬

‫وىذا ادلقدر عبارة عن مقدر الػ ‪ GPH‬بعد تعديالت طفيفة أدخلت عليو من خالؿ ‪.Robinson‬‬
‫قاـ ‪ Robinson‬باشتقاؽ بعض من نتائج التقارب عندما )‪ ،d=(-0.5,0.5‬و أظهر أيضا أف ىذا ادلقدر أقل تقارب من‬
‫مقدر األرجحية العظمى اجلاوسي‪ ،‬و يستند اختيارنا دلدى النطاؽ الًتددي )‪ (bandwidth‬وىي )‪ g(n‬على الصيغة‬
‫ادلشتقة يف )‪ Robinson (1994b‬و ىو األمثل دبفهوـ التقارب ألنو يقلل من متوسط مربعات األخطاء )‪ (MSE‬ؿ‬
‫‪ unlogged periodogram‬كما جاء يف )‪.Lobato and Robinson (1996‬‬
‫و تعطى دالة )‪ g(n‬من خالؿ‪:‬‬
‫{‬
‫‪ A(d,‬غلب أف زبتار بعناية‪ ،‬و ىذا الػ ‪bandwidth‬ال ؽلكن حساهبا من الناحية العملية‪ ،‬ألهنا ربتاج إذل‬ ‫حيث‬
‫معرفة القيمة احلقيقية لػ ‪ ،d‬ومع ذلك نتجاوز ىذه ادلشكلة عن طريق استبداؿ ىذه ادلعلمة ‪d‬اجملهولة يف الدالة )‪g(n‬‬
‫و‬ ‫بواسطة إما التقدير ‪ ̂ p‬أو ‪ ، ̂ sp‬ومن مث نستخدـ )‪ g(n‬اليت ربقق الشروط‬
‫)‪.(Hurvich et al., 1998‬‬ ‫‪ ،‬حيث جاء الشرط األوؿ من خالؿ‬ ‫و‬ ‫تكوف ‪ 0‬عندما‬
‫)‪Fractionally-Differenced ( Fracdiff‬‬ ‫ث‪ .‬مقدر‬
‫وىي إحدى الطرؽ ادلستخدمة يف تقدير معلمة التفاضل الكسري ‪ .d‬و تقوـ ىذه الطريقة على استخداـ مقدر‬
‫)‪ Maximum-Likelihood(MLH‬لتقدير معلمات ‪ Fractionally-Differenced‬لنموذج )‪ARFIMA (p,d,q‬‬
‫باإلضافة لتقدير التغاير و مصفوفة االرتباط و اخلطأ ادلعياري‪ ،‬فضال عن قيمة ‪ likelihood‬األرجحية العظمى‪ ،‬ويعترب‬
‫‪ likelihood‬طريقة سريعة و دقيقة للتقدير‪.(Haslettand and Raftery, 1989) .‬‬
‫يتم عرض القيمة ادلتوقعة من ‪ loglikelihood‬لتقدير ادلعلمة ‪( d‬واليت تتطابق و تتعادؿ يف الزمن ادلستمر مع معلمة‬
‫كسور احلركة الرباونية ادلتعلقة ببعد النمط اذلندسي ادلتكرر) واليت تبُت أف ذلا حد أقصى والذي ػلدث يف صحيح قيمة‬
‫‪ .d‬وبُت ‪ Cramer-Rao‬أف التباين غَت متحيز لتقدير ‪ .d‬و تبُت التجربة أف تقدير ‪ MLH‬لػ ‪ d‬غَت متحيز وفعاؿ‬
‫عندما تستخدـ رلموعة بيانات زلدودة احلجم يف إجراء التقدير )‪.(Deriche and Twefik, 1993‬‬
‫و يكوف تقدير ‪ d‬يف الشكل التارل ‪:‬‬
‫𝛼(‬ ‫)‬ ‫̂‬ ‫| |‬

‫معلمات النموذج‪ ،‬و ‪ ̂ 2‬ىو مقدر ‪ ، ̂ 2‬و ‪ R‬مصفوفة االرتباط ادلتجو‪.‬‬ ‫حيث أف‬
‫أفادت التجارب أنو عندما يكوف حجم العينة ‪ 200‬فإنو يعطي تقدير جيد لػ ‪.(Haslett and Raftery, 1989) d‬‬
‫‪91‬‬
‫و ‪‌Fracdiff‬اختصار ذلذه الطريقة عرب برنامج الػ ‪.R‬‬
‫‪ .2.4‬انطشق‌بًشحهت‌واحذة‌(طشق‌اإليكاٌ‌األكبش)‪‌ :‬‬
‫تعترب طرؽ اإلمكاف األكرب من بُت أكثر الطرؽ فعالية لتقدير معلمة الذاكرة الطويلة ‪ ،d‬و سبثل طرؽ االمكاف‬
‫األكرب الطرؽ دبرجلة واحدة‪ ،‬و اليت يتم فيها تقدير معامل التفاضل الكسري ‪ d‬بادلوازاة مع معلمات ‪‌ ARMA‬للنموذج‬
‫‪‌ARFIMA‬و تتطل ىذه الطريقة أف تكوف السلسلة الزمنية مستقرة أو أف يتم ربويلها إذل سلسلة مستقرة‪.‬‬
‫يوجد عدة طرؽ دبرحلة واحدة سوؼ نقوـ بذكر بعض ىذه الطرؽ و شرحها بشكل موجز وىي‪:‬‬
‫)‪Exact Maximum Likelihood (EML‬‬ ‫أ‪ .‬مقدر‬
‫ىذه الطريقة مقًتحة من طرؼ )‪ ،(Sowell, 1992a‬واليت تسمح باستخداـ كل ادلعلومات طويلة و قصَتة‬
‫األجل ادلرتبطة بتصرؼ السلسلة الزمنية‪ ،‬ويعترب ادلقدر ادلتحصل من طرؼ )‪(Sowell‬ىو األفضل و األقوى من بُت‬
‫ادلقدرات ادلقًتحة يف حاؿ وجود مركبة قصَتة ادلدى‪ .‬ػلتاج حسابو‪ ،‬عند كل تكرار خوارزمية التعظيم‪ ،‬إذل مصفوفة‬
‫التباينات ادلشًتكة وعكسها‪.‬‬
‫أعطى )‪ (Sowell, 1992a‬دالة االمكاف األكرب لسلسلة زمنية مستقرة و طبيعية ذات تكامل كسري‪ .‬لتكن ‪ YT‬أي‬
‫سلسلة زمنية و ‪ yT‬عينة مكونة من ‪ T‬مشاىدة‪ ،‬حيث ‪:‬‬
‫]‪ YT‌ .YT =[y1,y2,….,y3‬زبضع القانوف الطبيعي دبتوسط معدوـ و مصفوفة تباين – تبياف مشًتؾ ∑‪ .‬تعرؼ دالة‬
‫الكثافة كما يلي ‪:‬‬
‫‪⁄‬‬
‫| |‬ ‫‪⁄‬‬
‫(‬ ‫̇‬ ‫)‬
‫‪YT‬‬ ‫حيث |∑| ؽلثل مصفوفة التباين – التباين ادلشًتؾ لػ‬
‫يعطى لوغاريتم دالة اإلمكاف بالصيغة‪:‬‬
‫|‬ ‫|‬ ‫̇‬

‫حيث ‪ ϴ‬ىو شعاع ادلعادل احلقيقية غَت ادلعروفة الذي يتضمن تباين األخطاء‪ ،‬معلم التكامل الكسري و معادل االضلدار‬
‫الذايت و ادلتوسط ادلتحرؾ‪.‬‬
‫يتم احلصوؿ على ادلقدر ̂ لػ وذلك باشتقاؽ لوغاريتم دالة اإلمكاف على شعاع ادلعادل أي‪:‬‬
‫|‬ ‫|‬ ‫̇‬
‫حال ادلعادلة‪:‬‬ ‫يعترب ادلقدر ̂ لػ‬
‫‪92‬‬
‫‪ n.s‬بصفة تقريبية ) و‬ ‫(‌‬ ‫‪T‬‬ ‫→ ̂ دلا ∞‬ ‫التوزيع التقاريب دبقدر طريقة االمكاف االكرب التامة يعطى بالصيغة‬
‫(‪ D-1‬مع ‪:‬‬ ‫̂ ( √ يؤوؿ بتوزيع احتمارل إذل القانوف الطبيعي دبتوسط معدوـ و تباين مشًتؾ‬
‫∫(‬ ‫()‬ ‫)‬

‫‪4‬‬
‫اقًتح )‪ (Fox and Taqqu, 1986‬استعماؿ تقريب طيفي لدالة االمكاف االكرب اليت تعطي مقدرات صحيحة و مضبوطة‬
‫انطالقا من عدد مشاىد ات كاؼ‪ .‬تعترب ىذه الطريقة أكثر فعالية ولكن نواجو صعوبة كبَتة يف ادليداف التطبيقي بسبب‬
‫حساسيتها للشروط االبتدائية ادلعطاة للخوارزمية‪.‬‬
‫)‪Modified Profile Likelihood (MPL‬‬ ‫ب‪ .‬مقدر‬
‫ربيز تقديرات )‪ (EML‬ينشأ أساسا بسبب وجود معلمات اإلزعاج و ىي تلك ادلعلمات اليت ليس ذلا فائدة‬
‫مباشرة ولكن غليب أف سبثل لتحليل تلك ادلعلمات اليت هتم (يف ظلوذج ‪‌ARFIMA‬و االرتداد البديل و ىي معلمات‬
‫‪(Cheung and‬‬ ‫اإلزعاج)‪ ،‬و ؽلكن أف يعزى إذل عدـ قطرية مصفوفة ادلعلومات لفشر‪ .‬وىذا التأثَت واضح يف زلاكاة‬
‫)‪‌:Diebold, 1994‬حيث يوجد اضلياز يف ‪ d‬يزداد بشكل كبَت عندما يتم استبداؿ الوسط احلسايب للمتوسط احلقيقي‬
‫لدالة االمكاف‪ .‬اذلدؼ من )‪ (MPL‬تصحيح التحيز لتقديرات )‪(EML‬للمزيد ؽلكن مراجعة ‪(Barndorff – Nielsen,‬‬
‫)‪.1983‬‬
‫قاـ )‪‌(Ooms and Doornik, 1999‬بإعادة كتابة )‪(MPL‬بالصيغة التالية‪:‬‬
‫𝜙‬ ‫(‬ ‫| | )‬ ‫|‬ ‫|‬ ‫̂ [‬ ‫]̂‬
‫ويف ذبارب زلاكاة لػ )‪ (Hauster, 1999‬تشَت إذل أف احلد من التحيز يعمل يف عينة مكونة من ‪‌ 200‬مشاىدة‪ .‬و كما‬
‫يوجد لتقدير )‪ (EML‬و )‪ (MPL‬اجراءات تتطلب حساب مصفوفة ‪ R‬يف ادلتجو و يف ادلتغَتات ‪.y‬‬
‫‪ R‬دل يتم تعريفها عندما ‪ ، d>0.5‬لذلك تقتصر االجراءات على متغَتات ثابتة‪ .‬ويف حاؿ ظهرت بيانات غَت ثابتة عندىا‬
‫)‪‌(EML‬و‌)‪.(Lildholdt, 2000)‌(MPL‬‬ ‫غلب اخذ الفرؽ للبيانات لتحقيق السكوف قبل تقدير‬
‫)‪Conditional Sum of Squares (CSS‬‬ ‫ت‪ .‬مقدر‬
‫)‪ (Beran, 1995‬طور مقدر االمكاف التقرييب على أساس التقليل إذل احلد األدىن‪:‬‬
‫𝜙‬ ‫𝜇‬ ‫̂∑‬
‫𝜇‬ ‫∑‬ ‫𝜙‬ ‫𝜇‬ ‫̂‬
‫ال‬ ‫ثبت كفاءة وطبيعة ىذا ادلقدر‪ ،‬ونتائج احملاكاة على ىذا االجراء سلتلطة جدا‬
‫)‪(Beveridge and Oickle,1993‬‬
‫توصي بإجراء ‪ CSS‬ألحجاـ عينة من ‪ .200‬يف حُت أف زلاكاة )‪ (Chung and Baillie, 1993‬توصي باستخداـ ‪CSS‬‬
‫‪93‬‬
‫لعينة حجم أكرب من ‪ .250‬و يف ظل وجود ديناميكية ادلدى القصَت فإف التحيز يزداد بسرعة و بشكل عاـ ال يتم وصف‬
‫خصائص االجراء بالكامل‪.‬‬
‫الػ ‪ CSS‬لديها العديد من ادلميزات اجليدة‪ :‬مثل أهنا بسيطة نسبيا‪ ،‬وؽلكن أف سبتد إذل ظلاذج أكثر تعقيدا مع عدـ طبيعية‬
‫الكثافة الشرطية )‪.(Lildholdt, 2000‬‬
‫‪ .5‬يشاحم‌بُاء‌ًَىرج‌‪‌ :ARFIMA‬‬
‫حىت نستطيع أف نصل إذل النموذج األفضل لتمثيل السلسلة الزمنية البد النا أف ظلر بعدة مراحل لذلك سوؼ نقوـ‬
‫بعرض ىذه ادلراحل واليت سوؼ نقوـ بتطبيقها يف اجلانب العملي‪.‬‬
‫‪‌.2.5‬يشحهت‌انخعشف‪‌ :‬‬
‫أوؿ مرحلة من مراحل التحليل للسالسل الزمنية ىي التعرؼ على النموذج ادلبدئي ادلالئم لبيانات السلسلة‬
‫الزمنية‪ ،‬و يقصد بالتعرؼ على النموذج اختيار رتب النموذج الثالث )‪ (p,d,q‬وتعد مرحلة التعرؼ من أصعب مراحل‬
‫التحليل و أعلها ليس يف رلاؿ السالسل الزمنية فحسب بل يف رلاؿ اإلحصاء بصفة عامة‪.‬‬
‫ففي ىذه ادلرحلة نتعرؼ على السلسة الزمنية و علة سيماهتا و مالزلها الرئيسية مث اختبار السلسلة الزمنية‬
‫دلعرفة مدى حاجتها إذل التحويل لعدـ استقراريتها حوؿ الوسط و التباين فإذا كانت ساكنة نقوـ بالتحليل عل بالقيم‬
‫األصلية للمتغَت دوف إجراء أي ربويل أو أخذ أي فروؽ ولكن وجود سلسلة مستقرة مسبقا يعد أمرا نادرا و أما إذا كانت‬
‫غَت ساكنة يف التباين نأخذىا ذلا ربويلة و إذا كانت غَت ساكنة يف ادلتوسط ففي ىذه احلالة نقوـ بأخذ الفروؽ و ىنا‬
‫ؼلتلف أخذ إما بأعداد صحيحة و ىي ظلاذج ‪ ARIMA‬وىذا ليس دبوضوعنا أو أخذىا بأعداد كسرية أو الفروؽ‬
‫الكسرية وىي ظلاذج ‪ ARFIMA‬و ىو موضوعنا الذي نبحث من خاللو و سبق شرح عدة طرؽ لتحديد الفروؽ‬
‫الكسرية‪.‬‬
‫وأما تعريف ‪ p,q‬فيتم من خالؿ النظر إذل شكل االنتشار لدالة االرتباط الذايت و دالة االرتباط الذايت اجلزئي‪،‬‬
‫ظلوذج االضلدار الذايت ‪ AR‬تتحدد رتبتو من خالؿ عدد االرتباطات الذاتية اجلزئية اليت زبتلف معنويا عن الصفر‪ ،‬أما‬
‫النموذج ‪ MA‬فإف رتبتو تتحدد من عدد االرتباطات الذاتية ذات الداللة اإلحصائية‪ ،‬إما إذا كانت االرتباطات الذاتية و‬
‫الذاتية اجلزئية هتبط إذل الصفر بصورة أسية فإف ىذا النموذج ىو ظلوذج ‪.ARMA‬‬
‫‪‌.1.5‬يشحهت‌انخقذيش ‌‬
‫إف عملية تقدير النموذج ىي ادلرحلة الثانية‪ ،‬وتأيت بعد عملية التعرؼ على النموذج ادلالئم للسلسلة الزمنية‪ ،‬و‬
‫لكي ػلقق النموذج اذلدؼ األساس من بنائو‪ ،‬و ىو التنبؤ فيجب علينا أف نضمن جودة تقديره و مالئمتو للسلسلة‬
‫الزمنية‪ ،‬و بعد التعرؼ وربديد رتبة النموذج يتم تقديره و أىم طرؽ التقدير ىي طريقة ادلربعات الصغرى و طريقة اإلمكاف‬
‫االكرب‪.‬‬
‫‪94‬‬
‫لتحديد وتقدير ظلوذج )‪ ARFIMA(p,d,q‬والستخداـ تقنيات االضلدار يوجد عدة خطوات ضرورية للحصوؿ على ظلوذج‬
‫‪‌ARFIMA‬جملموعة من بيانات السالسل الزمنية )‪‌(Hosking, 1981‬و )‪(Brockwell and Davis, 1991‬وىي كالتارل‪:‬‬
‫بفرض أف العملية ‪ ،Xt‬كما يلي‪:‬‬
‫𝜙‬
‫)‪ARFIMA(0,d,0‬‬ ‫= ‪‌Yt‬عملية‬ ‫‪ ،Ut= (1 – B)dXt‬حبيث تكوف ‪ Ut‬تعرب عن عملية )‪ ، ARMA(p,q‬وكذلك‬
‫كما جاء يف )‪‌(Reisen et al., 2001‬عن آلية التعرؼ والتقدير عند بناء ظلوذج ‪‌ARFIMA‬كالتارل ‪:‬‬
‫‪ .1‬تقدير ‪ d‬يف ظلوذج )‪ ARIMA(p,d,q‬و يرمز ذلذا التقدير بالرمز ̂ ‪.‬‬
‫̂‬
‫̂‪.‬‬ ‫‪ .2‬حساب‬
‫)‪.ARMA(p,q‬‬ ‫𝜙 من خالؿ عملية‬ ‫‪ .3‬استخداـ منهجية بوكس – جينكنز لتعريف ز تقدير ادلعادل‪،‬‬
‫̂‬
‫‪Yt‬‬ ‫=‬ ‫̂‬ ‫‪ .4‬حساب‬
‫‪ .5‬تقدير ‪ d‬لنموذج )‪ .‌ARFIMA(0,d,0‬قيمة ̂ اليت مت احلصوؿ عليها يف ىاتو اخلطوة تكوف ىي التقدير اجلديد لػ ‪.d‬‬
‫𝜙‪.‬‬ ‫‪ .6‬تكرار اخلطوات من ‪ 2‬إذل ‪ 5‬حىت تتقارب تقديرات ادلعادل‬
‫ذبدر اإلشارة عادة إذل أف تكرار واحد فقط مع اخلطوات ‪ 2‬حىت ‪ 3‬تستخدـ للحصوؿ على النموذج‪.‬‬
‫معايير المقارنة بين النماذج المرشحة‪:‬‬
‫إف اختيار النموذج األفضل تعترب مهمة صعبة يواجها الباحث ذلذا السبب مت وضع بعض ادلعايَت اليت تساعد يف‬
‫اختيار النموذج األفضل من بُت النماذج ادلرشحة حيث يتم ربديد النموذج صاحب أقل قيمة ذلذه ادلعايَت ومن ىذه‬
‫ادلعايَت االحصائية‪:‬‬
‫)‪:Akaike Information Criterion (AIC‬‬ ‫أ‪ .‬معيار معلومات اكايك‬
‫)‪:(Akaike, 1973‬‬ ‫قاـ الباحث ‪ Akaike‬يف عاـ ‪‌2973‬بإغلاد ادلعيار ‪‌AIC‬معيار أكايك ويعرؼ كالتارل‬
‫‪‌ AIC(M)=-2(Conditional maximum likelihood)+2M‬‬
‫فإذا كاف النموذج دبعلمات ‪ M‬وفق البيانات‪ ،‬تكوف صيغة ادلعيار ‪ AIC‬بداللة مقدار تباين اخلطأ كما يلي‪:‬‬
‫̂‬
‫‪ M‬وىي رتبة النموذج‪ n ،‬عدد ادلشاىدات‪ ̂ ،‬مقدار تباين اخلطأ‪.‬‬
‫ويكوف االختيار على أساس أصغر قيمة للمعيار‪.‬‬
‫)‪:Bayesian Information Criterion (BIC‬‬ ‫ب‪ .‬معيار معلومات بيز‬
‫أو معيار ‪Schawrz‬‬ ‫)‪(BIC‬‬ ‫إذل ادلعيار اجلديد الذي مسي دبعيار بيز‬ ‫‪AIC‬‬ ‫قاـ )‪ (Schawrz,1978‬بتطوير ادلعيار‬
‫(‪ )SIC‬وصيغتو كالتارل‪:‬‬
‫̂‬
‫‪95‬‬
‫حيث أف‪ N :‬عدد مشاىدات السلسلة‪ ،‬و ‪ : M‬العدد الكلي دلعلمات النموذج‪.‬‬
‫و يكوف االختيار على أساس أصغر قيمة للمعيار‪.‬‬
‫)‪:Mean Square Error (MSE‬‬ ‫ت‪ .‬متوسط مربعات األخطاء‬
‫و ؽلكن التعبَت عن ىذا ادلقياس بالصيغة اآلتية ‪:‬‬
‫∑‬ ‫̂‬ ‫∑‬
‫القيمة احلقيقية للسلسة‪ ̂ ،‬سبثل القيمة ادلقدرة‪ n ،‬سبثل عدد ادلشاىدات‪.‬‬ ‫سبثل البواقي‪،‬‬ ‫حيث‬
‫)‪:Mean Absolute Error (MAE‬‬ ‫ث‪ .‬متوسط الخطأ المطلق‬
‫و ؽلكن التعبَت عن ىذا ادلقياس بالصيغة اآلتية‪:‬‬
‫|∑‬ ‫|̂‬ ‫|∑‬ ‫|‬
‫القيمة احلقيقية للسلسلة‪ ̂ ،‬سبثل القيمة ادلقدرة‪ n ،‬سبثل عدد ادلشاىدات‪.‬‬ ‫سبثل البواقي‪،‬‬ ‫حيث‬
‫)‪:Mean Absolute Percentage Error (MAPE‬‬ ‫ج‪ .‬متوسط األخطاء النسبية المطلقة‬
‫و ؽلكن التعبَت عنو بالصيغة اآلتية ‪:‬‬
‫̂‬
‫|∑‬ ‫|‬ ‫|∑‬ ‫|‬
‫القيمة احلقيقية للسلسلة‪ ̂ ،‬سبثل القيمة ادلقدرة‪ n ،‬سبثل عدد ادلشاىدات‪.‬‬ ‫سبثل البواقي‪،‬‬ ‫حيث‬
‫‪‌.3.5‬يشحهت‌انخشخيص‪‌ :‬‬
‫يعتمد ظلوذج السالسل الزمنية الذي يتم التعرؼ عليو يف ادلرحلة األوذل على رلموعة من الفروض النظرية‬
‫اخلاصة بالعملية العشوائية اليت ولدت البيانات والشكل العاـ للنموذج ادلختار والتغيَتات العشوائية‪ .‬و يعٍت أف مقدرات‬
‫ىذه ادلعادل وخصائصها واالستدالالت االحصائية ادلختلفة ليس ذلا معٌت إال إذا كانت ىذه الفروض صحيحة أو على‬
‫األقل ال ؽلكن رفض مالئمتها للبيانات ادلتاحة‪ .‬ومن مث فإف دراسة مالئمة ىذه الفروض للسلسلة الزمنية ادلتاحة تعد من‬
‫األمور الضرورية و جزء ال يتجزأ من دراسة ربليل السالسل الزمنية ألي رلموعة من البيانات واليت غلب أف يوليها‬
‫مستخدـ السالسل الزمنية اىتماما خاصا‪ .‬و تعرؼ ىذه النوعية من الدراسات بتشخيص النموذج ادلبدئي و الذي ؽلكن‬
‫النظر إليو كنوع من التوازف بُت الفروض النظرية اليت يعتمد عليها النموذج و سلرجات العملية التطبيقية دلرجلة التقدير‪.‬‬
‫ويوجد العديد من الفحوصات اليت تستخدـ يف التشخيص نذكر منها‪:‬‬
‫أ‪ .‬تحليل السكون‪:‬‬
‫‪96‬‬
‫لقد أوضحنا يف الفصل السابق ماىية السكوف‪ ،‬ومن مث غلب فحص تقديرات معادل االضلدار الذايت اليت مت‬
‫𝜙‬ ‫احلصوؿ عليها يف مرحلة التقدير للتأكد من أهنا ربقق شروط السكوف وىي أف جذور ادلعادلة ادلميزة‬
‫تقع كلها خارج دائرة الوحدة‪ .‬فإذا كانت القيمة ادلطلقة لكل جذر من ىذه اجلذور أكرب من الواحد الصحيح فهذا يدؿ‬
‫على سكوف العملية العشوائية اليت لدت السلسلة ادلرصودة‪ .‬أما إذا كانت القيمة ادلطلقة ألحد اجلذور قريبة من الواحد‬
‫الصحيح فقد يدؿ ىذ على ضرورة أخذ فروؽ إضافية‪.‬‬
‫ب‪ .‬تحليل االنعكاس‪:‬‬
‫االنعكاس ال يقل أعلية عن السكوف لنماذج السالسل الزمنية موضع الدراسة‪ ،‬ولذلك غلب فحص التقديرات‬
‫تقع‬ ‫اخلاصة دبعادل ادلتوسطات ادلتحركة للتأكد من أهنا ربقق شروط االنعكاس وىي أف جذور ادلعادلة‬
‫كلها خارج دائرة الوحدة‪ ،‬فإذا كانت القيمة ادلطلقة لكل جذر من ىذه اجلذور أكرب من الواحد الصحيح فهذا يدؿ على‬
‫انعكاس النموذج األصلي‪ .‬أما إذا كانت القيمة ادلطلقة ألحد اجلذور قريبة من الواحد الصحيح فقد يدؿ ىذا على‬
‫استخداـ فروؽ غَت ضرورية‪.‬‬
‫ت‪ .‬تحليل البواقي‪:‬‬
‫بعد التعرؼ على ظلوذج مبدئي و تقدير معلماتو يتم تطبيق بعض اختبارات الفحص على البواقي أو مقدرات‬
‫األخطاء دلعرفة مدى مطابقة النموذج لبيانات السلسلة ادلشاىدة ويفًتض يف مقدرات البواقي ̂ أهنا مقدرات‬
‫‪ ،‬و يتم يف ىذه ادلرحلة فحص البواقي و ذلك‬ ‫واليت يفًتض أهنا مستقلة موزعة توزيعا طبيعيا دبتوسط صفر وتباين‬
‫بإجراء رلموعة من االختبارات لنرى فيما إذا كانت ربقق شروط االضطرابات اذلادئة فإذا حققت الشروط يعترب النموذج‬
‫ادلطبق مقبوال وإال فيجب اقًتاح ظلوذج آخر‪ .‬نذكر بعض االختبارات اليت تستخدـ ربليل البواقي يف تشخيصها وىي‬
‫كالتارل‪:‬‬
‫‪ ‬رسم البواقي‪:‬‬
‫اخلطوة األوذل واذلامة يف ربليل البواقي ىي التوقيع البياين ذلذه القيم كسلسلة زمنية‪ ،‬فرسم البواقي واالختبارات‬
‫االحصائية يظهر ادلالمح األساسية للبواقي – مثل االذباه العاـ والتشتت والبيانات الشاذة – بشكل قد ال تستطيع‬
‫االختبارات االحصائية اظهاره ة اكتشافو‪ .‬فإذا كاف النم وذج ادلبدئي جيدا فهذا يعٍت أنو قد استطاع استيعاب كل األظلاط‬
‫والتحركات ادلنتظمة يف البيانات تاركا البواقي خالية من مثل ىذه االظلاط والتحركات‪ ،‬ومن مث فإف البواقي على ورقة‬
‫التوقيع البياين غلب أف تتأرجح بتشتت حوؿ الصفر كخط وسط موازي حملور الزمن كما أف الشكل غلب أف يبدو‬
‫عشوائيا خاليا من أي معلومة ؽلكن استخدامها يف التنبؤ بالسلسلة الزمنية موضوع الدراسة‪ .‬الدراسات احلديثة يف رلاؿ‬
‫االحصاء تعطى أعلية لرسم البواقي ال تقل أعلية عن االختبارات اإلحصائية‪.‬‬
‫‪ ‬اختبار دالة االرتباط الذاتي للبواقي‪:‬‬
‫‪97‬‬
‫غلب أف زبلو دالة االرتباط الذايت من أي نتوءات أي غلب أف تكوف كل معامالت االرتباط الذايت صغَتة‬
‫بشكل ؽلكن معو قبوؿ عدـ اختالؼ كل معامل ارتباط ذايت نظري مناظر معنويا عن الصفر‪ ،‬ويتم ىنا فحص كل معامل‬
‫ارتباط ذايت للعينة على حدة‪ ،‬وشلن مث غلب فحص توزيعات ادلعاينة ذلذه ادلعامالت‪.‬‬
‫)‪:(Ljung Box‬‬ ‫‪ ‬إحصاء بوكس بيرس المعدل‬
‫يستخدـ ىذا االختبار يف اختبار عشوائية أخطاء السلسلة الزمنية وذلك من خالؿ حساب معامالت االرتباط‬
‫الذايت للبواقي جملموعة من االزاحات‪.‬‬
‫فقد قدـ بوكس وبَتس يف عاـ ‪‌2970‬االحصائية ‪‌Q‬إلجراء ىذا االختبار‪:‬‬
‫∑‬
‫بدرجات حرية ‪ m‬حيث يتم اختبار الفرضيات‪.‬‬ ‫و اليت تتبع توزيع‬

‫البواقي مستقلة‪.‬‬ ‫‪‌:H0‬‬
‫البواقي غَت مستقلة‪.‬‬ ‫‪:H1‬‬
‫نرفض الفرضية الصفرية اليت‬ ‫>‬ ‫اجلدولية أي‬ ‫احملسوبة أكرب من‬ ‫أي عندما تكوف‬
‫تنص على أف مجيع معامالت االرتباط الذايت للبواقي تساوي صفر دبعٌت آخر نرفض الفرض القائل بأف البواقي مستقلة‬
‫)‪.‌(Montgomery et al,2008‬‬
‫االختبار ‪ ‌Box&Price‬يعمل بشكل أفضل عندما يكوف حجم العينة كبَتا أو معقوال أما إذا كاف حجم العينة صغَت فإف‬
‫ىذا االختبار غَت جيد لذلك قد قاـ )‪ (Ljung and Box, 1978‬تعديال بسيطا ذلذا االحصائية على الصورة‪:‬‬
‫∑‬
‫‪.m‬‬ ‫بدرجات حرية‬ ‫واليت تتبع أيضا توزيع‬

‫‪Ljung and‬‬ ‫وكما يالحظ فإف اختبار ‪ Ljung and Box‬يشبو كثَتا اختبار ‪ Box and Price‬و االختالؼ بينهما ىو أف‬
‫لدالة االرتباط الذايت عند الفجوة الزمنية ‪ k‬وعندما تزيد قيمة ‪ ( n‬حجم العينة ) سيقًتب‬ ‫‪ Box‬أعطى وزف قيمة‬
‫تقريبا متساوية أي ال يصبح أفضلية ألي من االختبارين‬ ‫‪،‬‬ ‫ىذا الوزف من الواحد و بالتارل تصبح قيمة‬
‫)‪.(Montgomery et al, 2008‬‬
‫‪‌.4.5‬انخُبؤ‪‌ :‬‬
‫و ىي تعد آخر مرحلة يف بناء النموذج وىي أىم مرحلة وىي أساس ربليل السالسل الزمنية‪ ،‬و ال ؽلكن الوصوؿ‬
‫إذل ىذه ادلرحلة دوف ادلرور بباقي ادلراحل و النجاح يف كل اخلوارزميات‪.‬‬
‫وبعد احلصوؿ على ظلوذج مالئم لتمثيل البيانات فإف ىذا النموذج يستخدـ للتنبؤ بالقيم ادلستقبلية للسلسلة‬
‫الزمنية و يعد التنبؤ اخلطوة األخَتة من خطوات دراسة وربليل ظلاذج السالسل الزمنية ويعد اذلدؼ األساسي من الدراسة‪.‬‬
‫‪98‬‬
‫‪ .II‬انًُارج‌انغيش‌انخطيت‌‪:ARCH‬‬
‫لقد تطرقنا يف الفصل السابق إذل النماذج اخلطية للسالسل الزمنية ‪، ARMA‬اليت كاف ذلا أثر كبَت ومهم يف ظلذجة‬
‫العديد من الظواىر االقتصادية و ساعدت على التنبؤ هبا ‪ ،‬إال أف الفرضية اخلطية اليت تتصف هبا ىذه النماذج تستلزـ أف‬
‫تتميز السالسل الزمنية بثبات التباين )‪ ،‌ (Homoscedasticité‬إضافة إذل ثبات السَتورة ‪52 ARMA‬وىذا ما أدى إذل‬
‫ظهور ظلاذج غَت خطية تساعد على ظلذجة ىذا النوع من السالسل الزمنية‪ .‬يقدـ النموذج القياسي تنبؤات مستقبلية‬
‫للمتغَت موضوع الدراسة‪ ،‬ففي أغلب األحياف النموذج الذي يقدر بشكل جيد خطأ التنبؤ يكوف فيو منعدـ‪ .‬إال أنو فيما‬
‫ؼلص األصوؿ ادلالية‪ ،‬ثبات األخط اء ذلذه النماذج ؽلكن أف يتغَت من حُت آلخر عرب الزمن بسبب سرعة التقلبات ( ‪la‬‬
‫‪ )volatilité‬يف ادلداخيل على سبيل ادلثاؿ الدخل اليومي دلؤشر ‪ cac40‬بباريس يكوف يف بعض األحياف يتميز‬
‫بتقلبات تكوف اغلابية مرتفعة و كذلك منخفضة أو سلبية بفًتات مستقرة و ىذا ما يوضحو الشكل التارل‪:‬‬
‫‪‌ Source : Stephen BAZEN- Marava Sabatier‬‬
‫ىذه التقلبات زبلق قيم قصوى يف منحٌت كثافة ادلداخيل كما يوضح الشكل التارل‪:‬‬
‫‌‬
‫‌‬
‫‪‌ Source : Stephen BAZEN- Marava Sabatier‬‬
‫بنمذجة التقلبات ذلذه الفًتات ؽلكننا احلصوؿ على أحسن التنبؤات للخطر‪ .‬ىذا يعٍت أنو يوجد عدـ ثبات تباين حد‬
‫األخطاء (‪ )hétéroscidasticité‬خلطأ النموذج‪ ،‬و دبا أف فًتات التقلبات ال تستمر كثَتا فهذا يدؿ على أف عدـ ثبات‬
‫تباين حد اخلطأ ىو شرطي‪ ،‬أي ارتفاع يتبعو ارتفاعات أكثر أعلية و ىذا ما يدؿ على أف حالة عدـ ثبات تباين حد‬
‫اخلطأ ىي حالة اضلدارية‪.‬‬
‫‪ - 52‬سعيد ىتهات " دراسة اقتصادية و قياسية لظاىرة التضخم يف اجلزائر مرجع سابق ص‪. 278‬‬
‫‪99‬‬
‫‪Autoregressive ( ARCH‬‬ ‫اقًتح ‪ Engel‬سنة ‪ 1992‬ظلوذجا ؽلكن أف يدرس ىذا النوع من الظواىر و ىو ظلوذج‬
‫‪ ،)Conditionel hétéroscidasticité‬ىذا النموذج ىو أصل النموذج القياسي ادلارل ‪. L'économétrie Financière‬‬
‫‪ .1‬انحاالث‌انششطيت‌و‌انغيش‌انششطيت‌نًُىرج‌ ‪‌ :‌ARCH‬‬
‫يف ظلوذج ‪ ARCH‬خصائص السلسلة ( التوقع‪ ،‬التباين‪ ،‬التباين ادلشًتؾ ) الشرطية يتم اقتباسهم من حاالت غَت شرطية‬
‫‪ ،‬األوذل تعتمد على فًتات سابقة على عكس احلاالت الغَت الشرطية اليت قيمها تعمد على فًتات طويلة ‪.‬‬
‫‪y t  xt    t‬‬ ‫نأخذ كمثاؿ النموذج اإلحصائي التارل ‪:‬‬
‫‪ t  ut ht‬‬ ‫و نفرض أف حد اخلطأ معطي بػ‪:‬‬
‫‪ ut  N 0,1‬و ‪ht   0  1 t21‬‬ ‫حيث ‪:‬‬
‫‪0  1  1‬‬ ‫‪ 0  0‬و‬ ‫مع‬
‫كما نضع أيضا ‪ u t‬ىو مستقل عن ‪ t21‬‬
‫‪-‬التوقع الرياضي الشرطي ؿ ‪  t 1 ،  t‬معطي بػ ‪:‬‬
‫‪E ‬‬
‫‪‬‬
‫‪t‬‬ ‫‪‬‬
‫‪ t 1   E ut E‬‬ ‫‪‬‬ ‫‪ht 0 /E‬‬‫‪‬‬ ‫‪‬‬ ‫‪‬‬
‫‪ht  0‬‬
‫التحويل شلكن بفضل فرضية االستقاللية بُت ‪ u t‬و ‪ .  t21‬التباين الشرطي ؿ ‪،  t‬ػ ‪  t 1‬معطي كالتارل ‪:‬‬
‫‪‬‬ ‫‪  ‬‬ ‫‪‬‬
‫) ‪E  t2 /  t 1  E ut2 Eht   1E  0  1 t21   0  1( t21‬‬‫‪‬‬
‫احلد ‪  t21‬يعترب كمعطيات ( من تسمية " الشرطي") التباين ادلشًتؾ بُت ‪  t‬و ‪  t 1‬معطي بػ ‪:‬‬
‫‪E  t   s /  t 1   E u t u s E ht   0‬‬
‫‪‬‬
‫‪E  0   1 t21  0‬‬ ‫‪‬‬
‫‪var u t   1 et cov u t , u s   0‬‬ ‫من أجل‪t  s :‬‬
‫‪   ‬‬
‫‪E t   E  t  p  et  t2  E  t21‬‬ ‫‪-‬احلاالت الغَت الشرطية‬
‫ما ػلدث ‪  t21‬ال تعد معطيات و نتحصل ‪:‬‬
‫‪ ‬‬
‫‪E  t   E u t E ht  0‬‬
‫‪0‬‬
‫‪‬‬ ‫‪‬‬
‫‪var  t   E  t2 E u t2  0   1 E  t21    0   1 E  t2  ‬‬
‫‪1  1‬‬
‫‪‬‬
‫‪COV  t ,  s   E  t ,  s   E u t u s   0   1  t21  0   1 t21  0‬‬ ‫‪‬‬
‫إذف يوجد ىناؾ اختالؼ بُت التباين الشرطي و الغَت الشرطي ‪ .‬عمليات ‪ ARCH‬سبكن من خلق صدمة باضلراؼ قيمة‬
‫كبَتة ؿ ‪  t‬و اليت تؤدي إذل تأثَتات على القيم يف الفًتات ‪ ....., t , t‬و لكن ىذه التأثَتات عرب الزمن تقل‪ ،‬بسبب أف‬
‫‪2‬‬ ‫‪1‬‬
‫ىذه احلاالت أو األوقات سوؼ تتبع من جديد القيم الغَت الشرطية‪ .‬تأثَت الصدمة اليت كانت يف األوؿ ىي غَت مستمرة(‬
‫تبياف أعلية الفرضية‪ 0    1‬يف ىذا ادلفهوـ)‪ ،‬ؽلكننا أيضا إف نبُت أف الرمز الذي يعطي إذل حد اخلطأ يف كل مرحلة‬ ‫‪1‬‬
‫يعتمد على القيمة ‪ ، u t‬ىذا الرمز ؽلكنو أف يكوف موجب أو سالب باحتماؿ ‪ 0.3‬يف كل حالة ‪.‬ظلوذج ‪ ARCH‬يدرس‬
‫السالسل اليت زبضع لفًتات تقلبات قصَتة ‪ ،‬مثال‪ :‬مداخيل مؤشرات البورصة ‪ .‬خالؿ ىذه ادلراحل الشكل الشرطي‬
‫‪100‬‬
‫للنموذج ؽلكن من احلصوؿ على أحسن التنبؤات لنموذج يكوف فيو حد اخلطأ ػلقق الفرضيات الكالسيكية دبعٌت‬
‫‪53‬‬
‫‪.‬‬ ‫) ‪ t  iid (0,  2‬‬
‫‪ .2‬انخصائص‌األساسيت‌نًُارج‌ ‪‌ :ARCH‬‬
‫يف ظلوذج ‪ ARCH‬الذي ضلن بصدد تقدؽلو نالحظ أف األخطاء تتميز باخلصائص التالية‪:‬‬
‫*األوساط الشرطية و الغَت الشرطية ‪  t ‬معدومة ‪.‬‬
‫*السلسلة ‪  t ‬غَت مًتابطة ‪.‬‬
‫*ادلالحظات ‪  t ‬ىي غَت مستقلة دبا أهنا مًتابطة بفًتهتا ادلوالية ( نالحظ بأف االرتباط الذايت ىي عالقة خطية‪ .‬التباين‬
‫الشرطي بػ ‪  t ‬ىو عبارة عن عمليات االضلدار الذايت ينتج عنو أخطاء مشروطة باضلداره على القيمة السابقة ‪.‬‬
‫‪-‬ما ىو تأثَت ىيكلة األخطاء على السلسلة ‪.  yt ‬‬
‫من الواجب الذكر اف ظلوذج ‪ ARCH‬لألخطاء و معلمات االرتباط الذايت بػ ‪  yt ‬تكوف مًتابطة ‪ .‬التفسَت ىنا بديهي‬
‫‪ :‬كل صدمة مهمة يف ‪ u t‬تكوف مصحوبة بتغيَت كبَت ثابت على مستوى ‪.  t‬يتميز ىذا الثبات بأعلية أكرب من ‪ ‬أما‬
‫‪1‬‬
‫بالنسبة إذل القيم الكبَت دلعامل االضلدار الذايت ‪ ، a‬التغيَت يف ‪ yt‬يكوف أكثر ثبات و مواظبة ‪ ،‬من جهة أخرى احلالة‬
‫‪1‬‬
‫اليت تكوف فيها ‪ yt‬سبيل إذل بقائها بعيدة عن وسطها ادلعتاد تنتج تباين كبَت‪.‬‬
‫ؽلكن توضيح ىذه اخلصائص النظامية‪ ،‬و ذلذا الغرض قمنا باختيار النموذج البسيط(‪.ARCH)1‬‬
‫‪ y t  a0  a1 y t 1   t ‬‬
‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪‬‬
‫‪‬‬‫‪‬‬
‫‪ t‬‬ ‫‪‬‬ ‫‪u‬‬ ‫‪t‬‬ ‫‪‬‬ ‫‪0‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪2‬‬
‫‪‬‬
‫‪1 t 1 ‬‬
‫حساب خصائص السلسلة الشرطية ‪:‬‬

‫‪E yt   a0  a1 yt 1‬‬
‫‪var y t / yt 1 , yt 2....    yt  a0  a1 yt 1 ‬‬
‫‪t 1‬‬
‫‪2‬‬
‫‪ ‬‬
‫‪ E  t2   0  1 t21‬‬
‫‪t 1‬‬
‫‪.‬الوسط و التباين الغَت الشرطي بػ ‪  yt ‬ؽلكن أف ربسب‬ ‫‪1‬‬ ‫نالحظ أف التباين الشرطي بػ ‪  yt ‬ىو مرتبط اغلابيا مع‬
‫‪0‬‬ ‫‪‬‬
‫‪yt ‬‬ ‫‪  a1i  yt i‬‬ ‫كالتارل ‪:‬‬
‫‪1   1 i 1‬‬
‫‪ E  t   0‬‬
‫‪‬‬
‫‪‬‬
‫‪E‬‬ ‫‪‬‬ ‫‪y‬‬ ‫‪‬‬ ‫‪‬‬
‫‪a0 .‬‬ ‫و دبا أف ‪:‬‬
‫‪‬‬ ‫‪t‬‬
‫‪1  a1‬‬
‫‪‬‬
‫نتحصل على ‪:‬‬
‫‪‬‬
‫‪var y t    a1 var  t -i ‬‬
‫‪2i‬‬
‫‪i 0‬‬
‫‪0‬‬
‫‪var  t   var  t 1   ......  var  1  ‬‬ ‫ونعلم أنو‪:‬‬
‫‪1  1‬‬
‫‪53‬‬ ‫‪- Stephen BAZEN Marava Sabatier" Économétrie Des Fondements A La Modelisation" Edition Vuidert P 164 . 165.‬‬
‫‪101‬‬
‫‪0‬‬ ‫‪ 1 ‬‬
‫‪var  y t  ‬‬ ‫‪‬‬ ‫‪2 ‬‬
‫الذي يتبع‪:‬‬
‫‪1  1‬‬ ‫‪1  a1 ‬‬
‫و القيمة ادلطلقة ‪. a1‬‬ ‫‪1‬‬ ‫و نالحظ بأف تباين ‪ yt‬ىو دالة تعظيمية ؿ‬
‫و شلا سبق يتبُت بوضوح اآلف أف عمليات األخطاء ( ‪ )ARCH‬ىي نافعة جدا لنمذجو الفًتات ادلتميزة بتقلب متغَتاهتا‬
‫‪.54‬‬
‫‪q‬‬
‫‪ t  vt  0    i  t2i‬‬
‫‪i 1‬‬
‫ؽلكن استخالص أنو من ادلمكن تعميم النتائج ادلتوصل إليها سابقا إذل ظلاذج ‪ ARCH‬ذات درجة أكرب ‪.‬‬
‫يف ىذه احلالة نتكلم عن ظلوذج ( ‪: ARCH ) q‬‬
‫‪q‬‬
‫‪ t  ut  0   i  t21‬‬
‫‪i 1‬‬
‫‪ .3‬حقذيش‌يعهًاث‌انًُىرج‌‪‌ :‬‬
‫ظلوذج ‪ ARCH‬متكوف من معادلتُت‪ :‬األوذل زبص ادلتغَت ادلستقل و األخرى زبص حدا اخلطأ و مع بعضهما يكوناف‬
‫ظلوذج غَت خطي بالنسبة دلعلمات النموذج ‪ .‬دبا أف الفرضيات سبت ادلوافقة عليها يف النموذج ادلقدـ‪ ،‬طريقة‬
‫‪ Maximum De Vraisemblance‬ىي اليت يتم استعماذلا‪.‬‬
‫*غالبا و ربت الفرضيات الكالسيكية حلد اخلطأ يكوف ) ‪،  t  in(0, 2‬لوغاريتم معادلة ادلعقولية تكتب على النحو‬
‫التارل ‪:‬‬
‫‪1 t  t2‬‬
‫‪LnL  Ln 2 -  L n var  t   ‬‬
‫‪t‬‬ ‫‪1 t‬‬
‫‪2‬‬ ‫‪2 t 2‬‬ ‫‪2 t 1 var  t ‬‬
‫يف ظلوذج ‪ var  t  ARCH‬تعوض بالتباين الشرطي ‪  0  1 t21‬و حد اخلطأ بػ ‪ t  yt  xt B :‬‬
‫و بتعويض يف معادلة ادلعقولية صلد‪:‬‬
‫‪‬‬ ‫‪‬‬
‫‪t 1‬‬ ‫‪‬‬ ‫‪ y t  x t B 2‬‬ ‫‪‬‬
‫‪Ln 2   Ln  0   1  y t 1  xt 1 B    tt  2‬‬
‫‪1 t‬‬ ‫‪1‬‬
‫‪Ln L  ‬‬ ‫‪‬‬
‫‪2‬‬
‫‪2‬‬ ‫‪2 t 2 ‬‬ ‫‪2‬‬ ‫‪ 0   1  y t 1  xt 1 B 2‬‬ ‫‪‬‬

‫‪‬‬ ‫‪‬‬
‫‪55‬‬
‫غلب استعماؿ طريقة تكرارية لتعظيم ادلعادلة بالنسبة إذل معلمات النموذج ‪ 0 , 1 , B‬‬
‫‪ .4‬اخخباس‌‪‌ARCH‬نهسالسم‌انضيُيت‌‪‌ :‬‬
‫قبل تقدير ظلوذج ‪ ARCH‬ال بد من إجراء اختبار للتأكد من أف تباين البواقي غَت ثابت عرب الزمن و من بُت ىذه‬
‫االختيارات صلد اختيار ‪ ARCH‬و الذي يتم عن طريق اختيار الفرضيتُت التاليتُت ‪:‬‬
‫‪H 0  1   2  ...........   p  0‬‬
‫‪H1‬‬ ‫يوجد معامل واحد على األقل ؼلتلف عن الصفر‪:‬‬
‫‪54‌-‌samI‬‬ ‫‪khiddine « conrs de économétrie mélodes et application «édition gennes sciences la vaaisier p 189. 190. 191.‬‬
‫‪55‬‬ ‫‪-‬‬ ‫‪Stephen bazen-mareva sabatier "économétrie des fondements‌a la modélisation référence précédent p 166.‬‬
‫‪102‬‬
‫الفرضية‪H 1 .‬‬ ‫ففي حالة قبوؿ الفرضية ‪ H 0‬فهذا يعٍت بأف تباين اخلطأ ثابت عرب الزمن و العكس يف حالة قبوؿ‬
‫و يتم ذلك عن طريق حساب اإلحصائية ‪LMcal‬كما يلي ‪:‬‬
‫‪LM cal  n * R 2‬‬ ‫حيث‬
‫‪ n‬عدد ادلشاىدات ‪.‬‬
‫‪ R 2‬معامل التحديد للنموذج اآليت ‪:‬‬
‫‪p‬‬
‫‪ t2   0    i  t2i‬‬
‫‪i 1‬‬
‫‪  t‬بواقي النموذج ‪. ARMA‬‬

‫اجلدولية فإذا‬ ‫‪LMtab‬‬ ‫إف اإلحصائية ‪ LMcal‬تتبع توزيع كاي تربيع بدرجة حرية ‪ p‬أي ‪  2  p ‬لدا يتم ربديد قيمة‬
‫كاف ‪:‬‬
‫أي أف تباين األخطاء ثابت عرب الزمن‪.‬‬ ‫* ‪ LMtab  LMcal‬فهذا يعٍت قبوؿ الفرضية العدمية‬
‫أي عدـ تبات تباين حد اخلطأ عرب‬ ‫وقبوؿ الفرضية البديلة‬ ‫*‪ LMtab  LMcal‬فهذا يعٍت رفض الفرضية العدمية‬
‫الزمن ‪.‬‬
‫‪ .5‬انخُبؤ‌باسخخذاو‌ًَىرج‌)‪‌:‌ARCH (p‬‬
‫ؽلكن استخداـ العالقة اآلتية للتنبؤ بتباين ا خلطأ العشوائي و استخدامو لتحسُت اجملاالت التنبؤية باستخداـ العالقة‬
‫التالية‪:‬‬
‫‪h2 t  m   0    i h2 t  m  1‬‬
‫‪m‬‬
‫‪i 1‬‬
‫حًشيٍ‌حطبيقي‪:‬‬
‫اجلدوؿ التارل يضم البيانات ادلسجلة واخلاصة بالسلسلة الزمنية ‪.yt‬‬
‫انشهش‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪7‬‬ ‫‪8‬‬ ‫‪9‬‬ ‫‪10‬‬ ‫‪11‬‬ ‫‪12‬‬
‫انسُت‬
‫‪1‬‬ ‫‪15,00‬‬ ‫‪15,00‬‬ ‫‪15,45‬‬ ‫‪13,91‬‬ ‫‪11,12‬‬ ‫‪15,33‬‬ ‫‪18,71‬‬ ‫‪16,41‬‬ ‫‪13,97‬‬ ‫‪12,36‬‬ ‫‪12,36‬‬ ‫‪15,61‬‬
‫‪2‬‬ ‫‪17,43‬‬ ‫‪16,75‬‬ ‫‪13,75‬‬ ‫‪14,61‬‬ ‫‪15,01‬‬ ‫‪14,68‬‬ ‫‪15,31‬‬ ‫‪14,83‬‬ ‫‪12,50‬‬ ‫‪12,88‬‬ ‫‪13,79‬‬ ‫‪14,65‬‬
‫‪3‬‬ ‫‪14,23‬‬ ‫‪13,57‬‬ ‫‪12,47‬‬ ‫‪14,04‬‬ ‫‪15,28‬‬ ‫‪15,43‬‬ ‫‪15,66‬‬ ‫‪16,78‬‬ ‫‪18,31‬‬ ‫‪17,93‬‬ ‫‪14,44‬‬ ‫‪13,50‬‬
‫‪4‬‬ ‫‪13,47‬‬ ‫‪15,52‬‬ ‫‪15,53‬‬ ‫‪14,48‬‬ ‫‪14,71‬‬ ‫‪14,20‬‬ ‫‪14,25‬‬ ‫‪14,04‬‬ ‫‪13,11‬‬ ‫‪14,36‬‬ ‫‪16,10‬‬ ‫‪13,46‬‬
‫‪5‬‬ ‫‪12,94‬‬ ‫‪14,35‬‬ ‫‪15,44‬‬ ‫‪14,27‬‬ ‫‪14,03‬‬ ‫‪15,56‬‬ ‫‪15,84‬‬ ‫‪11,35‬‬ ‫‪4,17‬‬ ‫‪7,19‬‬ ‫‪14,38‬‬ ‫‪17,19‬‬
‫‪6‬‬ ‫‪15,84‬‬ ‫‪13,39‬‬ ‫‪11,82‬‬ ‫‪11,44‬‬ ‫‪14,23‬‬ ‫‪13,95‬‬ ‫‪12,35‬‬ ‫‪12,94‬‬ ‫‪11,79‬‬ ‫‪15,13‬‬ ‫‪16,68‬‬ ‫‪16,54‬‬
‫‪7‬‬ ‫‪15,12‬‬ ‫‪13,62‬‬ ‫‪14,08‬‬ ‫‪14,49‬‬ ‫‪15,32‬‬ ‫‪13,71‬‬ ‫‪14,84‬‬ ‫‪17,11‬‬ ‫‪17,02‬‬ ‫‪15,79‬‬ ‫‪15,16‬‬ ‫‪14,32‬‬
‫‪8‬‬ ‫‪13,14‬‬ ‫‪14,53‬‬ ‫‪14,19‬‬ ‫‪12,25‬‬ ‫‪14,02‬‬ ‫‪13,28‬‬ ‫‪13,58‬‬ ‫‪13,57‬‬ ‫‪14,64‬‬ ‫‪15,44‬‬ ‫‪15,51‬‬ ‫‪14,79‬‬
‫‪9‬‬ ‫‪14,01‬‬ ‫‪15,00‬‬ ‫‪13,32‬‬ ‫‪10,45‬‬ ‫‪13,96‬‬ ‫‪15,77‬‬ ‫‪15,22‬‬ ‫‪13,72‬‬ ‫‪13,13‬‬ ‫‪14,61‬‬ ‫‪14,59‬‬ ‫‪17,36‬‬
‫‪10‬‬ ‫‪13,73‬‬ ‫‪11,89‬‬ ‫‪11,72‬‬ ‫‪14,73‬‬ ‫‪15,55‬‬ ‫‪14,67‬‬ ‫‪14,21‬‬ ‫‪14,06‬‬ ‫‪13,20‬‬ ‫‪16,30‬‬ ‫‪19,67‬‬ ‫‪15,57‬‬
‫‪11‬‬ ‫‪12,53‬‬ ‫‪13,68‬‬ ‫‪14,40‬‬ ‫‪14,42‬‬ ‫‪13,96‬‬ ‫‪14,56‬‬ ‫‪13,30‬‬ ‫‪12,06‬‬ ‫‪10,09‬‬ ‫‪13,78‬‬ ‫‪15,55‬‬ ‫‪14,71‬‬
‫‪12‬‬ ‫‪14,13‬‬ ‫‪15,39‬‬ ‫‪15,65‬‬ ‫‪14,69‬‬ ‫‪13,66‬‬ ‫‪13,49‬‬ ‫‪13,71‬‬ ‫‪13,77‬‬ ‫‪13,63‬‬ ‫‪15,22‬‬ ‫‪18,73‬‬ ‫‪23,18‬‬
‫‪13‬‬ ‫‪19,66‬‬ ‫‪12,87‬‬ ‫‪9,81‬‬ ‫‪10,52‬‬ ‫‪13,35‬‬ ‫‪15,73‬‬ ‫‪17,17‬‬ ‫‪16,04‬‬ ‫‪13,54‬‬ ‫‪10,70‬‬ ‫‪12,48‬‬ ‫‪14,65‬‬
‫‪14‬‬ ‫‪15,86‬‬ ‫‪14,82‬‬ ‫‪13,15‬‬ ‫‪14,26‬‬ ‫‪14,80‬‬ ‫‪13,60‬‬ ‫‪14,03‬‬ ‫‪15,69‬‬ ‫‪15,94‬‬ ‫‪14,10‬‬ ‫‪14,46‬‬ ‫‪14,52‬‬
‫‪15‬‬ ‫‪15,49‬‬ ‫‪14,84‬‬ ‫‪13,87‬‬ ‫‪13,49‬‬ ‫‪14,96‬‬ ‫‪12,48‬‬ ‫‪13,09‬‬ ‫‪13,07‬‬ ‫‪14,53‬‬ ‫‪14,85‬‬ ‫‪13,61‬‬ ‫‪13,31‬‬
‫‪103‬‬
‫‪16‬‬ ‫‪15,80‬‬ ‫‪15,95‬‬ ‫‪14,30‬‬ ‫‪13,02‬‬ ‫‪12,86‬‬ ‫‪13,62‬‬ ‫‪14,15‬‬ ‫‪14,26‬‬ ‫‪13,37‬‬ ‫‪12,34‬‬ ‫‪12,36‬‬ ‫‪12,89‬‬
‫‪17‬‬ ‫‪15,24‬‬ ‫‪15,07‬‬ ‫‪14,02‬‬ ‫‪13,30‬‬ ‫‪12,52‬‬ ‫‪12,66‬‬ ‫‪14,16‬‬ ‫‪13,73‬‬
‫ادلطلوب‪ :‬القياـ بدراسة خصائص و كذا تقدير معلمات النموذج بالطريقة ادلالئمة‪.‬‬
‫الحل‪:‬‬
‫مت حل ىذا التمرين باستخداـ برنامج ‪.Eviews‬‬
‫‪.yt‬‬ ‫الشكل ‪ -2-‬التمثيل البياين للسلسلة الزمنية‬

‫‪24‬‬
‫‪20‬‬
‫‪16‬‬
‫‪12‬‬
‫‪8‬‬
‫‪4‬‬
‫‪25‬‬ ‫‪50‬‬ ‫‪75‬‬ ‫‪100‬‬ ‫‪125‬‬ ‫‪150‬‬ ‫‪175‬‬ ‫‪200‬‬
‫‪Y‬‬
‫‪.yt‬‬ ‫الشكل (‪ :)2‬منحٌت دالة االرتباط الذايت للسلسلة‬
‫‪104‬‬
‫لدالة االرتباط الذايت يتضح أف احلدين األولُت لدالة االرتباط الذايت اجلزئي ؼلتلفاف عن الصفر‬ ‫(‪)1‬‬ ‫من الشكل البياين‬
‫‪ ،p=2‬وأف حدود دالة االرتباط الذايت البسيط تتناقص بشكل أسي‪ ،‬وبالتارل فاف النموذج احملصل عليو مبدئيا ىو‬
‫)‪.AR(2‬‬
‫عملية التقدير أعطت النتائج التالية‪:‬‬
‫منحٌت دالة االرتباط الذايت لسلسلة مربع البواقي كاف كالتارل‪:‬‬
‫الشكل (‪ :)3‬منحٌت دالة االرتباط الذايت لسلسلة مربع البواقي‬
‫احلدود األوذل دلنحٌت دالة االرتباط الذايت زبتلف اختالفا معنويا عن ‪ ،0‬يوثق ىذا التحليل باالستعانة باختبار مضاعف‬
‫الجرانج‪ .‬اختبار اخلاصية من النوع )‪ ARCH(1‬يفضي اذل النتائج التالية‪:‬‬
‫‪105‬‬
‫عند قراءة النتائج‪ ،‬إحصائية فيشر احملسوبة ‪ ‌ Fcal‬و كذا إحصائية ‪ LM‬دلضاعف الجرانج تسمح بافًتاض خاصية النوع‬
‫)‪‌.ARCH(1‬يف ىذه احلالة االحتمالُت أصغر من ‪ ،%5‬وبالتارل سيتم رفض الفرضية العدمية ‪‌‌H0‬القائلة بانعداـ ادلعامالت‬
‫‪ .α‬غلب يف ىذه احلالة اختبار خاصية من النوع )‪:ARCH(2‬‬
‫ادلعامل من الدرجة الثانية للمتغَت )‪‌ RESID^2(-2‬ال ؼلتلف معنويا عن ‌‪ ،0‬اخلاصية ادلقبولة ىنا ىي من الشكل‬
‫)‪‌.ARCH(1‬عًهيت‌تقدير ادلعلمات تتم بواسطة طريقة اإلمكاف األكرب‪ ،‬النتائج ادلتحصل عليها كانت كالتارل‪:‬‬
‫‪106‬‬
‫احلد الثابت للعملية يساوي‪:‬‬
‫̂‬ ‫̂‬ ‫(‬ ‫̂‬ ‫) ̂‬ ‫‪4 4‬‬ ‫‪4‬‬
‫‪ ،‬و بالتارل فاف العملية‬ ‫√‬
‫‪4‬‬ ‫الوحدة النمطية جلذر عامل التأخَت كثَت احلدود تساوي‬
‫مستقرة‪.‬‬
‫‪ ،‬حيث أف األخطاء‬ ‫‪4‬‬ ‫النموذج ادلقدر يكتب على الشكل التارل‪:‬‬
‫𝛼‬ ‫و‬ ‫مع‬ ‫العشوائية تتبع الشكل‪:‬‬
‫̂‪.‬‬ ‫𝛼 ادلقدر بالعالقة‪:‬‬
‫‪ًَ .6‬ىرج‌ )‪‌ :GARCH (p .q‬‬

‫اقًتح ىذا النموذج ‪ )1996( Bollerslev‬حيث يكوف فيو تباين اخلطأ العشوائي سلسلة تابعة لسلسلة اخلطأ‬
‫العشوائي مؤخر بػ ‪ i‬خطوة زمنية و التباين نفسو مؤخر بػ ‪ j‬خطوة زمنية و تكوف الصياغة العامة لنموذج ( ‪)p .q‬‬
‫‪ GARCH‬كالتارل ‪:‬‬
‫‪p‬‬ ‫‪q‬‬ ‫‪56‬‬
‫‪GARCH  p; q  : ht2   0    i  t 1   b j ht2 j‬‬
‫‪2‬‬
‫‪i 1‬‬ ‫‪j 1‬‬
‫‪-‬اختبار ظلوذج ‪: GARCH‬‬

‫االختبار يقوـ على فرضية العدـ ‪ H0‬للخطأ (‪ ARCH)p‬مقابل الفرضية ‪ H1‬للخطأ )‪.GARCH(p,q‬‬
‫ىي معدومة ‪.‬‬ ‫اآلف نبدأ باختيار الفرضية ‪ H0‬أي أف القيم‬
‫‪q.......1  j، 0   j : H 0‬‬
‫غَت معدوـ‪.‬‬ ‫‪: H‬يوجد على األقل معامل واحد‬ ‫‪1‬‬
‫االختبار ادلناسب ىو مضاعف ال غرونج ‪:‬‬
‫‪ - 56‬مكيدش زلمد ‪ ،‬ساىد عبد القادر " دراسة قياسية السعار البًتوؿ باستخداـ ظلاذج ‪"garch‬‬
‫‪107‬‬
‫‪nR 2   2 q ‬‬
‫‪ :‬درجة احلرية ‪.‬‬
‫‪ : R 2‬معامل التحديد‬
‫‪ MCO‬يف ادلعادلة ‪:‬‬ ‫و باستعماؿ طريقتو ادلربعات الصغرى‬
‫̂‬ ‫∑‬ ‫̂‬ ‫∑‬ ‫̂‬
‫إذا كاف‪ x 2 q  R 2 * n :‬و ذلك عند درجة ‪ q‬و باحتماؿ ‪ 0.00‬فإننا نرفض الفرضية ‪ H0‬و ذلك يعٍت قبوؿ ‪. H1‬‬
‫‪57‬‬
‫و ىذا يعٍت أف األخطاء خاضعة لسَتورة من النوع (‪:GARCH)p.q‬‬
‫‪-‬التنبؤ باستخداـ ظلوذج (‪: GARCH)p.q‬‬
‫ؽلكن استخداـ الصيغة التالية ‪:‬‬
‫‪p‬‬ ‫‪q‬‬
‫‪ht2 t  m   0    i  t2   B j h t - j m‬‬
‫‪i 1‬‬ ‫‪j 1‬‬
‫حيث‬
‫‪ : m‬أفق التنبؤ‪.‬‬
‫و ؽلكن حساب رلاالت التنبؤ باستخداـ اجملاؿ اآليت و ىذا عندي مستوى معنوية ‪% 5‬‬
‫‪.58 yˆ t m  2.hˆt m ‬‬
‫حًشيٍ‌حطبيقي‪:‬‬
‫اجلدوؿ التارل ػلتوي على البيانات ادلسجلة و اخلاصة بالسلسلة الزمنية ‪.yt‬‬
‫انشهش‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬ ‫‪5‬‬ ‫‪6‬‬ ‫‪7‬‬ ‫‪8‬‬ ‫‪9‬‬ ‫‪10‬‬ ‫‪11‬‬ ‫‪12‬‬
‫انسُت‬
‫‪1‬‬ ‫‪50,00‬‬ ‫‪49,98‬‬ ‫‪47,59‬‬ ‫‪51,24‬‬ ‫‪49,88‬‬ ‫‪48,32‬‬ ‫‪49,22‬‬ ‫‪46,44‬‬ ‫‪47,16‬‬ ‫‪48,25‬‬ ‫‪50,56‬‬ ‫‪53,42‬‬
‫‪2‬‬ ‫‪47,55‬‬ ‫‪48,28‬‬ ‫‪50,45‬‬ ‫‪49,85‬‬ ‫‪51,12‬‬ ‫‪49,51‬‬ ‫‪50,33‬‬ ‫‪50,19‬‬ ‫‪49,02‬‬ ‫‪51,61‬‬ ‫‪49,54‬‬ ‫‪49,41‬‬
‫‪3‬‬ ‫‪50,56‬‬ ‫‪51,33‬‬ ‫‪49,80‬‬ ‫‪51,06‬‬ ‫‪53,27‬‬ ‫‪52,00‬‬ ‫‪52,96‬‬ ‫‪48,96‬‬ ‫‪49,90‬‬ ‫‪51,35‬‬ ‫‪50,51‬‬ ‫‪51,34‬‬
‫‪4‬‬ ‫‪48,11‬‬ ‫‪48,26‬‬ ‫‪47,84‬‬ ‫‪50,72‬‬ ‫‪49,65‬‬ ‫‪48,82‬‬ ‫‪51,06‬‬ ‫‪51,81‬‬ ‫‪47,25‬‬ ‫‪51,84‬‬ ‫‪52,07‬‬ ‫‪48,05‬‬
‫‪5‬‬ ‫‪50,57‬‬ ‫‪47,35‬‬ ‫‪46,91‬‬ ‫‪46,81‬‬ ‫‪46,63‬‬ ‫‪51,99‬‬ ‫‪47,34‬‬ ‫‪46,37‬‬ ‫‪50,17‬‬ ‫‪51,92‬‬ ‫‪48,54‬‬ ‫‪50,34‬‬
‫‪6‬‬ ‫‪49,57‬‬ ‫‪49,85‬‬ ‫‪49,63‬‬ ‫‪53,69‬‬ ‫‪50,16‬‬ ‫‪48,44‬‬ ‫‪48,23‬‬ ‫‪47,05‬‬ ‫‪49,09‬‬ ‫‪48,55‬‬ ‫‪48,34‬‬ ‫‪47,53‬‬
‫‪7‬‬ ‫‪50,34‬‬ ‫‪50,31‬‬ ‫‪49,17‬‬ ‫‪50,24‬‬ ‫‪50,71‬‬ ‫‪52,70‬‬ ‫‪47,73‬‬ ‫‪49,86‬‬ ‫‪48,87‬‬ ‫‪50,89‬‬ ‫‪53,65‬‬ ‫‪50,81‬‬
‫‪8‬‬ ‫‪48,55‬‬ ‫‪51,44‬‬ ‫‪53,65‬‬ ‫‪52,26‬‬ ‫‪47,93‬‬ ‫‪51,12‬‬ ‫‪51,30‬‬ ‫‪52,25‬‬ ‫‪53,04‬‬ ‫‪51,93‬‬ ‫‪51,27‬‬ ‫‪51,09‬‬
‫‪9‬‬ ‫‪49,35‬‬ ‫‪53,86‬‬ ‫‪49,22‬‬ ‫‪48,00‬‬ ‫‪48,91‬‬ ‫‪49,24‬‬ ‫‪47,56‬‬ ‫‪47,42‬‬ ‫‪48,77‬‬ ‫‪49,25‬‬ ‫‪49,72‬‬ ‫‪48,55‬‬
‫‪10‬‬ ‫‪51,80‬‬ ‫‪50,96‬‬ ‫‪46,82‬‬ ‫‪54,00‬‬ ‫‪46,38‬‬ ‫‪45,82‬‬ ‫‪47,73‬‬ ‫‪47,82‬‬ ‫‪48,31‬‬ ‫‪44,30‬‬ ‫‪45,15‬‬ ‫‪40,47‬‬
‫‪11‬‬ ‫‪51,60‬‬ ‫‪48,15‬‬ ‫‪52,07‬‬ ‫‪48,80‬‬ ‫‪50,37‬‬ ‫‪52,39‬‬ ‫‪49,31‬‬ ‫‪48,48‬‬ ‫‪49,50‬‬ ‫‪48,05‬‬ ‫‪49,29‬‬ ‫‪51,04‬‬
‫‪12‬‬ ‫‪48,33‬‬ ‫‪44,09‬‬ ‫‪43,88‬‬ ‫‪51,96‬‬ ‫‪53,43‬‬ ‫‪48,05‬‬ ‫‪50,32‬‬ ‫‪48,84‬‬ ‫‪48,95‬‬ ‫‪49,57‬‬ ‫‪47,68‬‬ ‫‪49,12‬‬
‫‪13‬‬ ‫‪46,10‬‬ ‫‪45,32‬‬ ‫‪54,33‬‬ ‫‪55,78‬‬ ‫‪46,08‬‬ ‫‪54,38‬‬ ‫‪48,79‬‬ ‫‪50,77‬‬ ‫‪53,96‬‬ ‫‪51,72‬‬ ‫‪49,34‬‬ ‫‪51,98‬‬
‫‪14‬‬ ‫‪52,48‬‬ ‫‪50,73‬‬ ‫‪54,21‬‬ ‫‪53,93‬‬ ‫‪47,77‬‬ ‫‪46,33‬‬ ‫‪47,27‬‬ ‫‪46,99‬‬ ‫‪46,04‬‬ ‫‪43,99‬‬ ‫‪48,23‬‬ ‫‪51,28‬‬
‫‪15‬‬ ‫‪50,68‬‬ ‫‪45,31‬‬ ‫‪50,10‬‬ ‫‪51,17‬‬ ‫‪48,92‬‬ ‫‪49,70‬‬ ‫‪53,55‬‬ ‫‪46,40‬‬ ‫‪53,31‬‬ ‫‪53,01‬‬ ‫‪46,81‬‬ ‫‪49,99‬‬
‫‪57‌-‌Reqis‬‬ ‫‪bourbounnais michel terraza analgse des séries temporelles 3 em édition dunid paris 2010 p 310 . 311.‬‬
‫مكيدش زلمد ‪ ،‬ساىد عبد القادر دراسة قياسية السعار البًتوؿ باستخداـ ظلاذج ‪ garch‬مرجع سابق‪.‬‬ ‫‪- 58‬‬
‫‪108‬‬
‫‪16‬‬ ‫‪45,59‬‬ ‫‪45,43‬‬ ‫‪53,16‬‬ ‫‪41,82‬‬ ‫‪43,16‬‬ ‫‪50,00‬‬ ‫‪43,74‬‬ ‫‪42,64‬‬ ‫‪40,93‬‬ ‫‪46,33‬‬ ‫‪45,48‬‬ ‫‪39,64‬‬
‫‪17‬‬ ‫‪50,43‬‬ ‫‪45,10‬‬ ‫‪49,80‬‬ ‫‪51,82‬‬ ‫‪49,62‬‬ ‫‪47,56‬‬ ‫‪47,24‬‬ ‫‪45,36‬‬
‫ادلطلوب‪ :‬دراسة خصائص و كذا تقدير معلمات النموذج بالطريقة ادلناسبة‪.‬‬

‫الحل‪:‬‬
‫مت حل ىذا التمرين باستخداـ برنامج ‪.Eviews‬‬
‫الشكل ‪ -2-‬التمثيل البياين للسلسلة الزمنية ‪.yt‬‬

‫‪56‬‬
‫‪52‬‬
‫‪48‬‬
‫‪44‬‬
‫‪40‬‬
‫‪36‬‬
‫‪25‬‬ ‫‪50‬‬ ‫‪75‬‬ ‫‪100‬‬ ‫‪125‬‬ ‫‪150‬‬ ‫‪175‬‬ ‫‪200‬‬
‫‪Y‬‬
‫‪Box‬‬ ‫الدراسة الكاملة (استخراج خصائص السلسلة الزمنية‪ ،‬التعرؼ على النموذج‪ )..،‬ذلذه السلسلة الزمنية وفقا دلنهجية‬
‫‪‌et Jenkins‬أفضت اذل تبٍت النموذج التارل‪ .ARMA(1,1) :‬تقدير ادلعلمات أعطى النتائج التالية‪:‬‬
‫منحٌت دالة االرتباط الذايت لسلسلة البواقي ىو كالتارل‪:‬‬
‫‪109‬‬
‫اإلحصائية ‪ Q‬لػ‪‌ Ljung-Box‬تشَت اذل أف معامالت دالة االرتباط الذايت ال زبتلف معنويا عن ‪ ،0‬وبالتارل فاف البواقي‬
‫غَت مرتبطة ببعضها البعض (مستقلة فيما بينها)‪.‬‬
‫أما منحٌت دالة االرتباط الذايت لسلسلة مربع البواقي يكتسي الشكل التارل‪:‬‬
‫عند القياـ بتحليل منحٌت دالة االرتباط الذايت لسلسلة مربع البواقي‪ ،‬يتضح من خالؿ إحصائية ‪ Q‬لػ‪‌ Ljung-Box‬أف‬
‫معامالت ىذا األخَت زبتلف اختالفا معنويا عن ‪ ،0‬وبالتارل فانو سيتم تبٍت اخلاصية من النوع ‪ .ARCH‬ىذه اخلاصية يتم‬
‫توثيقها باالستعانة باختبار مضاعف الجرانج (‪:)p=1‬‬
‫بعد اختبار رلموعة من اخلاصيات )‪ ARCH(2) ،ARCH(1‬و )‪ ،GARCH(1,1‬اتضح أف النموذج الذي كل معلماتو‬
‫تتسم بادلعنوية ىو )‪ . GARCH(1,1‬وىذه اخلاصية األخَتة ىي اليت مت تقديرىا‪ ،‬وكانت النتائج ادلتحصل عليها على‬
‫الشكل التارل‪:‬‬
‫‪110‬‬
‫كل معامالت ادلتغَتات تتسم بادلعنوية‪ ،‬النموذج ادلقدر يكتسي الشكل التارل‪:‬‬
‫‪4‬‬ ‫‪4‬‬
‫مع ‪:‬‬ ‫حيث أف األخطاء العشوائية زبضع للخاصية التالية‪:‬‬

‫ادلقدر بالعالقة‪:‬‬ ‫𝛼‬ ‫𝛼‬ ‫و‬
‫̂‬ ‫‪4‬‬
‫‪111‬‬
‫قائمة الجداول‬
‫جدوؿ ‪ 1‬ربليل التباين للكشف عن التغَتات ادلومسية و االذباه العاـ ‪17 ...........................................‬‬
‫جدوؿ ‪ 2‬اطلفاض قيمة ادلعلومات مع أقدميتها ‪30 ..............................................................‬‬
‫جدوؿ ‪ 3‬خصائص منحٌت االرتباط الذايت ‪48 ..................................................................‬‬
‫‪112‬‬
‫قائمة األشكال‬
‫شكل‪ 1‬مكونات السلسلة الزمنية ‪6 ............................................................................‬‬

‫شكل‪ 2‬ظلاذج السلسلة الزمنية ‪7 ...............................................................................‬‬
‫شكل‪ 3‬اطلفاض قيمة ادلعلومات مع أقدميتها ومقارنة ادلتوسط الكالسيكي مع ثالث قيم لػ𝛼 ‪30 ....................‬‬
‫شكل‪ 4‬رسم بػياين لدالة االرتباط الذايت ‪42 ....................................................................‬‬
‫شكل‪ 5‬سلطط لتوضيح اختبار ‪51 ........................................................................ DF‬‬
‫شكل‪ 6‬خطوات منهجية ‪61 ................................................................. Box-Jenkins‬‬
‫شكل‪ 7‬رسم ‪ R/S‬لبيانات مولدة ؿ )‪ AR(1‬وظلوذج )‪81 ............................. .)ARFIMA(0,0.3,0‬‬
‫شكل‪ 8‬رسم التباين اجملمعة (‪ )Aggregated Variance Method‬لسلسلة زمنية ذات ذاكرة طويلة‪83 ......... .‬‬
‫شكل‪ 9‬رسم ىيجوتشي(‪ )Higuchi‬لسلسلة زمنية ذات ذاكرة طويلة‪84 ....................................... .‬‬
‫شكل‪ 10‬رسم دالة ‪ Periodogram‬لسلسلة زمنية ذات ذاكرة طويلة ‪85 ........................................‬‬
‫شكل‪ 11‬أشكاؿ دواؿ االرتباط الذايت‪86 .................................................................... .‬‬
‫شكل‪ 12‬رسم شلهد ؿ ‪ Variogram‬لسالسل زمنية مولد ‪87 ..................................................‬‬
‫‪113‬‬
‫قائمة المراجع‬
‫جالطو اجليالرل‪ " ،‬االحصاء مع سبارين ومسائل زللولة "‪ ،‬ديواف ادلطبوعات اجلامعية‪ ،‬اجلزائر‪.1021 ،‬‬ ‫‪‬‬
‫صالح الدين اذلييت‪" ،‬األساليب اإلحصائية يف العلوـ اإلدارية –تطبيقات باستخداـ ‪ ،"-SPSS‬دار وائل للطباعة‬ ‫‪‬‬
‫والنشر‪ ،‬عماف‪ ،‬األردف‪ ،‬الطبعة الثانية‪.1006 ،‬‬

‫عبد القادر زلمد عبد القادر عطية‪" ،‬احلديث يف االقتصاد القياسي بُت النظرية والتطبيق"‪ ،‬الدار اجلامعية‬ ‫‪‬‬
‫اإلبراىيمية‪ ،‬اإلسكندرية‪ ،‬مصر‪.1005 ،‬‬

‫زلمد حسُت زلمد رشيد‪" ،‬اإلحصاء الوصفي و التطبيقي و احليوي"‪ ،‬دار صفاء للنشر و التوزيع‪ ،‬عماف‪،‬‬ ‫‪‬‬
‫األردف‪ ،‬الطبعة األوذل‪.1008 ،‬‬

‫مصطفى زايد‪" ،‬ادلرجع الكامل يف اإلحصاء"‪ ،‬مطابع الدار اذلندسية ‪،‬القاىرة‪ ،‬مصر‪ ،‬الطبعة الثانية‪.1007 ،‬‬ ‫‪‬‬
‫مولود حشماف‪" ،‬ظلاذج وتقنيات التنبؤ القصَت ادلدى"‪ ،‬ديواف ادلطبوعات اجلامعية‪ ،‬اجلزائر‪.2998 ،‬‬ ‫‪‬‬
‫مولود حشماف‪" ،‬السالسل الزمنية وتقنيات التنبؤات يف ادلدى القصَت"‪ ،‬ديواف ادلطبوعات اجلامعية اجلزائر‪،‬‬ ‫‪‬‬
‫الطبعة الثالثة‪.1020 ،‬‬

‫علي ىادي جربين‪" ،‬إدارة العمليات"‪ ،‬دار الثقافة للنشر والتوزيع‪ ،‬عماف‪ ،‬األردف‪.1006 ،‬‬ ‫‪‬‬
‫إبراىيم علي إبراىيم عبد ربو‪ :‬مبادئ علم اإلحصاء‪ ،‬الدار اجلامعية‪ ،‬االسكندربة‪ ،‬الطبعة الثانية‪.1008 ،‬‬ ‫‪‬‬
‫ناظم عبد اهلل عبد احملمدي‪ ،‬ـ‪.‬ـ‪ .‬سعدية عبد الكرًن طعمو‪ ،‬استخداـ ظلاذج السالسل الزمنية ادلومسية للتنبؤ‬ ‫‪‬‬
‫اجمللد‪ ،4‬العدد‪7‬‬ ‫باستهالؾ الطاقة الكهربائية يف مدينة الفلوجة‪ ،‬رللة جامعة األنبار للعلوـ االقتصادية واإلدارية‪،‬‬
‫‪.1022،‬‬
‫صليب رجب‪" ،‬إلحصاء التطبيقي‪ "،‬دار العلوـ للنشر"‪ ،‬عنابة‪ ،‬اجلرائر‪.1004 ،‬‬ ‫‪‬‬
‫‪‬‬ ‫‪Abraham, B. and Ledolter, J. (1983). Statistical Methods for Forecasting, Wiley, New York,‬‬
‫‪USA.‬‬
‫‪‬‬ ‫‪Andrew C. Harvey. (2014), « Forecasting, Structural Time Series Models and the Kalman‬‬
‫‪Filter», Cambridge University Press, Cambridge, England.‬‬
‫‪‬‬ ‫‪Nino Silverio, (1005) , « Séries chronologiques », Support de cours provisoire pour l’unité de‬‬
‫‪valeur “Mathématiques et statistiques” destiné aux classes du BTS Comptabilité-Gestion de‬‬
‫‪l’ECG,‬‬
‫‪114‬‬
 Arthur CHARPENTIER.( 2011), « Cours De Series Temporelles : Theorie Et Applications »,
Université Paris Dauphine.
 Avishek Pal, PKS Prakash. (2017), «Practical Time Series Analysis», Packt Publishing,
Birmingham, United Kingdom.
 Bernard GOLDFARB, Catherine PARDOUX. (2013), «Introduction A La Méthode Statistique :
Cours et Exercices Corrigés», 7ème Edition, Dunod, Paris, France.
 Box, G. E. P. and McGregor, J. F. (1974). "The Analysis of Closed-Loop Dynamic Stochastic
Systems", Technometrics, Vol. 16-3.
 Box, G. E. P., Jenkins, G. M., and Reinsel, G. C. (1994). Time Series Analysis, Forecasting and
Control, 3rd ed. Prentice Hall, Englewood Clifs, NJ.
 Brockwell, P. J., & Davis, R. A. (1991). Time Series: Theory and Methods (2nd ed.). New York:
Springer-Verlag.
 Brockwell, Peter J. and Davis, Richard A. (2002). Introduction to Time Series and Forecasting,
2nd. ed., Springer-Verlang.
 M.DAVID et J.C.MICHAUD, (1989), « La prévision, Approche empirique d’une méthode
statistique », édition Masson, Paris, France.
 Chatfield, C. (1996). The Analysis of Time Series, 5th ed., Chapman & Hall, New York, NY.
 Cromwell, J. B., Hannan, M. J., Labys, W. C., & Terraza, M. (1994). Multivariate tests for time
series models. Thousand Oaks, CA: Sage Publications.
 Crosbie, J., & Sharpley, C. F. (1989). DMITSA: A simplified interrupted time-series analysis
program. Behavior Research Methods, Instruments & Computers, 21(6), 639-642.
 Damodar N. Gujarati, Dawn C. Porter, Sangeetha Gunasekar. (2013), « Basic Econometrics »,
Fifth Edition, Tata McGraw-Hill Education Pvt. Ltd, London, United Kingdom.
 David Makowski, Hervé Monod. (2011), « Analyse statistique des risques agro-
environnementaux : Études de cas », 1ére Edition, Springer-Verlag Paris,.
 DeLurgio, S. A. (1998). Forecasting Principles and Applications, Irwin McGraw-Hill, Boston,
MA.
 Dominique M. Hanssens, Leonard J. Parsons, Randall L. Schultz.(2002), «MARKET
RESPONSE MODELS Econometric and Time Series Analysis», KLUWER ACADEMIC
PUBLISHERS, United States of America, 2nd Edition.
 DOUGLAS C. MONTGOMERY, CHERYL L. JENNINGS, MURAT KULAHCI. (2008),
«Introduction to Time Series Analysis and Forecasting», Wiley Publishing, New Jersey, United
States of America.
 Gallistel, C. R. (1992). Classical conditioning as a nonstationary, multivariate time series
analysis: A spreadsheet model. Behavior Research Methods, Instruments & Computers, 24(2),
340-351.
 Giovanni Petris. (2010), « An R Package for Dynamic Linear Models», JSS Journal of Statistical
Software, Volume 36, Issue 12.
 Granger, C. W. J.( 1989), « Forecasting in Business and Economics. », 2nd ed. Boston:
Academic Press.
 Guy Melard. (2008), « méthodes de prévision a courte terme », 2ème édition, Ellipses, Editions de
l'Université de Bruxelles, Belgique.
115
 Hamaker, E. L., Dolan, C. V., & Molenaar, P. C. M. (2005). Statistical modeling of the
individual: Rationale and application of multivariate stationary time series analysis. Multivariate
Behavioral Research, 40(2), 207-233.
 Harvey, Andrew. C.( 1993), « Time Series Models ». 2nd ed. Cambridge, MA: MIT Press.
 Hassen BENNACEUR. (2010), « Econometrie : Notes De Cours_ Exercices Corriges », Centre
De Publication Universitaire, Tunisie.
 Helmut Lütkepohl, (2005), « New Introduction to Multiple Time Series Analysis », Springer-Verlag Berlin
Heidelberg, Germany.
 J.C.Usunier, (1982), Pratique de prévision à court terme: Conception de système de prévision,
Éd Dunod, Paris, France.
 J.J. Daudin, C. Duby, S. Robin, and P. Trécourt. (1996), « Analyse de Séries Chronologiques »,
Cours : INA-PG, Mathématiques.
 James D. Hamilton. (1994), «Time Series Analysis», Princeton University Press, New Jersey,
United States of America.
 Jean-Marie DUFOUR. (2003), « Cours : Lissage Exponentiel », Universite De Montreal,
Canada.
 Jorgensen, Jeff C., Eric J. Ward, Mark D. Scheuerell, and Richard W. Zabel. 2016. “Assessing
Spatial Covariance Among Time Series of Abundance.” Journal Article. Ecology and Evolution
6: 2472–85.
 KHALDI KHALED. (2017), « Méthodes Statistiques : Rappels De Cours Exercices Corrigés»,
Office des Publications Universitaires, Alger.
 Lamon, E.C. III, S.R. Carpenter, and C.A. Stow. 1998. “Forecasting Pcb Concentrations in Lake
Michigan Salmonids: A Dynamic Linear Model Approach.” Ecological Applications 8: 659–68.
 Lisi, Peter J., Daniel E. Schindler, Timothy J. Cline, Mark D. Scheuerell, and Patrick B. Walsh.
2015. “Watershed Geomorphology and Snowmelt Control Stream Thermal Sensitivity to Air
Temperature.” Journal Article. Geophysical Research Letters 42 (9): 3380–8.
 Ljung, G. and Box, G. (1978). "On a Measure of Lack of Fit in Time Series Models",
Biometrika, 65, 297-303.
 Christian Marmuse. (1983), « Les aides à la décision –techniques quantitatives de gestion »,
2ème édition, Edition FERNAND NATHAN.
 Makradakis, S., Wheelwright, S. C. and McGhee, V. E. (1983). Forecasting: Methods and
Applications, 2nd ed., Wiley, New York, NY.
 McDowall, D., McCleary, R., Meidinger, E. E., & Hay, R. A., Jr. (1980). Interrupted time series
analysis. Thousand Oaks, CA: Sage Publications. View
 Nelson, C. R. (1973). Applied Time Series Analysis for Managerial Forecasting, Holden-Day,
Boca-Raton, FL.
 Ostrom, C. W., Jr. (1990). Time series analysis: Regression techniques (2nd ed.). Thousand
Oaks, CA: Sage Publications. View
 Peter J. Brockwell, Richard A. Davis. (2016), « Introduction to Time Series and Forecasting »,
3rd Edition Springer International Publishing, Switzerland.
 Petris, Giovanni, Sonia Petrone, and Patrizia Campagnoli. 2009. Dynamic Linear Models with R.
Use R! London: Springer.
 Pindyck, R. S., and D. L. Rubinfield.( 1997), « Econometric Models and Economic Forecasts ».
3rd ed, McGraw-Hill College Div, New York, United States of America.
116
 Pole, A., M. West, and J. Harrison. 1994. Applied Bayesian Forecasting and Time Series
Analysis. New York: Chapman; Hall, USA.
 Rainer Von SACHS, Sébastien VAN BELLEGEM. (2005), «STAT 2414 : Séries
Chronologiques», Institut de statistique, 4ème édition , Université catholique de Louvain,
Belgique.
 Régis BOURBONNAIS, Jean-Claude USUNIER. (2017), «Prévision Des Ventes», 6ème édition,
Economica, Paris.
 Régis Bourbonnais, Michel Terraza. (2016), « Analyse des séries temporelles : Cours et
exercices corrigés - Applications à l'économie et à la gestion», 4ème édition, Dunod, Paris, France.
 Régis Bourbonnais. (2018), « Économétrie : Cours et exercices corrigés », 10ème édition, Dunod,
Paris, France.
 Robert H. Shumway, David S. Stoffer « Time Series Analysis and Its Applications With R Examples »,
Fourth Edition, Springer publishing, 2016.
 Sayrs, L. W. (1989). Pooled time series analysis. Newbury Park, CA: Sage Publications.
 Scheuerell, Mark D., and John G. Williams. 2005. “Forecasting Climate Induced Changes in the
Survival of Snake River Spring/Summer Chinook Salmon (Oncorhynchus Tshawytscha).”
Fisheries Oceanography 14 (6): 448–57.
 Stachura, Megan M., Nathan J. Mantua, and Mark D. Scheuerell. 2014. “Oceanographic
influences on patterns in North Pacific salmon abundance.” Journal Article. Canadian Journal of
Fisheries and Aquatic Sciences 71 (2): 226–35.
 Stephen Bazen, Mareva Sabatier. (2006), « économétrie ; des fondements à la modélisation »,
édition Vuibert, Paris, France.
 Strahan, R. (1973). A generalized directional coefficient for multiple time-series analysis.
Multivariate Behavioral Research, 8(1), 109-116.
 Tata Subba Rao, Suhasini Subba Rao, C.R. Rao. (2012), « Time Series Analysis: Methods and
Applications », First edition, Elsevier, Amsterdam, Netherlands.
 Velicer, W. F., & Fava, J. L. (2003). Time series analysis. In J. A. Schinka & W. F. Velicer
(Eds.), Handbook of psychology: Research methods in psychology (pp. 581-606). Hoboken, NJ:
John Wiley & Sons.
 W.N. Venables, B.D. Ripley. (2002), « Modern Applied Statistics with S», 4th Edition, Springer-
Verlag New York.
 Yanovitzky, I., & VanLear, A. (2008). « Time series analysis: Traditional and contemporary
approaches ». In A. F. Hayes, M. D. Slater, & L. B. Snyder (Eds.), The SAGE Sourcebook of
Advanced Data Analysis Methods for Communications Research (pp. 89-124). Thousand Oaks,
CA: Sage Publications.
 Zuur, A. F., R. J. Fryer, I. T. Jolliffe, R. Dekker, and J. J. Beukema. 2003. “Estimating Common
Trends in Multivariate Time Series Using Dynamic Factor Analysis.” Environmetrics 14 (7):
665–685.
117
‫حم ا ض را ت يف حت ل ي ل ا ل س ال س ل ا ل زم ن ي ة‬
‫– م د ع م ة أب م ث ل ة حم ل و ل ة –‬
‫د‪.‬قليل محمد صغير‬
‫تهدف هذه المطبوعة إلى توفير لطلبة الليسانس و الماستر في ميدان العلوم‬
‫االقتصادية والتجارية وعلوم التسيير األساسيات التي تبنى عليها معارفهم‬
‫فيما يخص تحليل السالسل الزمنية من خالل محاولة دعمها بالتقنيات و‬
‫النماذج و اثرائها بأمثلة و تمارين محلولة‪ .‬تتعامل هذه المطبوعة بطريقة‬
‫بيداغوجية مع التقنيات ‪ -‬الكالسيكية والحديثة ‪ -‬لتحليل السالسل الزمنية‪.‬‬
‫كما أنها تجيب على األسئلةمنالتالية‪:‬اعداد‪ :‬د‪ .‬قليل حممد صغري‬
‫ما هي طرق التنبؤ بالمبيعات؟‬ ‫‪‬‬
‫ما هي تقنيات التلميس األسي و منهجية ‪ Box-Jenkins‬؟‬ ‫‪‬‬
‫استخدامها؟‬
‫‪2019‬‬‫كيفية‬ ‫الوحدية و‬
‫‪/2018‬‬ ‫الجذور‬
‫الجامعية‬ ‫ما هي اختبارات‬
‫السنة‬ ‫‪‬‬
‫لماذا اللجوء الى نماذج ‪ ARFIMA‬أو‪ ARCH‬؟‬ ‫‪‬‬
‫مع حضور كبير للرياضيات و اإلحصاء‪ ،‬يجد تحليل السالسل‬

‫الزمنية تطبيقات مختلفة في عدة مجاالت ك‪ :‬االقتصاد‪ ،‬التسويق‪،‬‬
‫علم االجتماع‪ ،‬الزراعة‪ ،‬الصحة‪ ،‬البيئة ‪...‬‬
‫‪View publication stats‬‬

Hand Out On Time Series Analysis

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Hand Out On Time Series Analysis

Uploaded by

Copyright:

Available Formats

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

Book · July 2019

Mohammed Seghir Guellil

Energy Modeling View project

The user has requested enhancement of the downloaded file.

‫قسم العلوم االقتصادية‬

‫مطبوعة بيداغوجية حتت عنوان‪:‬‬

‫حماضرات يف حتليل السالسل الزمنية‬

‫من اعداد‪ :‬د‪ .‬قليل حممد صغري‬

‫السنة الجامعية ‪2019/2018‬‬

‫الفصل األول‪ :‬عموميات في السالسل الزمنية‬

‫خصائص طرؽ التلميس‪28 .......................................................................... :‬‬ ‫‪.1‬‬

‫الفصل الثالث‪ :‬نماذج السالسل الزمنية العشوائية المستقرة والغير مستقرة‬

‫مقدمة‪55 .......................................................................... ………………..:‬‬

‫ظلاذج الذاكرة الطويلة ‪77 ............................................................... :ARFIMA‬‬ ‫‪.I‬‬

‫عموميات في السالسل الزمنية‬

‫ياهيت‌انسهسهت‌انضيُيت‪‌ :‬‬ ‫‪.2‬‬

‫يصذس‌بياَاث‌انسهسهت‌انضيُيت‪‌ :‬‬ ‫‪.1‬‬

‫‪ Y‬‬ ‫‪ Yt 1 ‬‬

‫‪ Y‬‬ ‫‪‬‬

‫يشكباث‌انسهسهت‌انضيُيت‌وأشكانها‪‌ :‬‬ ‫‪.3‬‬

‫* طرق الكشف عن نوع النموذج‪:‬‬

‫فهنا من خالؿ معامل االضلدار نعرؼ نوع السلسة فاذا كاف‪:‬‬

‫و ال ؽلكن حصر ىذه القمم يف خطي متوازيُت‪.‬‬

‫‪6‬مولود حشماف‪ ،‬مرجع سابق‪ ،‬ص‪.51‬‬

‫دبا أف عدد ادلشاىدات‪ T>10 :‬فانو ؽلكننا تطبيق ىذا االختبار‪.‬‬

‫عدد الفروقات غَت الصفرية ‪.n=22‬‬ ‫‪‬‬

‫√‬ ‫‪4‬‬ ‫𝜇 ‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌‌و‪:‬‬ ‫بينما‪:‬‬

‫|‬ ‫‪⁄‬‬ ‫|‬ ‫𝛼 ←‬ ‫لدينا‪:‬‬

‫و منو معاملة االرتباط النظري يعرؼ بػ‪:‬‬

‫)‪Var(Rt) = Var(t‬‬ ‫أين‪:‬‬

‫و لتبسيط ىذا ادلعامل يعطي على الشكل التارل‪:‬‬

‫‪-2-1-4‬االختبارات الغَت حرة ‪: Parametric test‬‬

‫بعد ترتيب ىذه ادلشاىدات ضلصل على اجلدوؿ التارل‪:‬‬

‫‪9‬جيالرل جالطو ‪،‬مرجع سابق ذكره‪،‬ص‪.051‬‬

‫ويكوف الًتتيب حسب الفصل كالتارل(ترتيب الرتب)‪:‬‬

‫‪‌:‬‬ ‫باستخداـ العالقة التجريبية التالية ؿ‬

‫‌‪‌‌‌‌‌‌‌‌T=20‬و‌ ‪‌ .n1 = n2 = n3 = n4 =5‬‬ ‫أيضا‪‌‌‌:‬‬ ‫‌ولدينا‬

‫‪10‬مولود حشماف ‪،‬مرجع سابق ذكره ص ‪.55‬‬

‫جدول ‪ 1‬تحميل التباين لمكشف عن التغيرات الموسمية و االتجاه العام‬

‫‪ST‬‬ ‫‪N .P  1‬‬ ‫‪vT ‬‬

‫أ‪ -‬اختبار تأثير االتجاه العام‪:‬‬

‫‪-‬أ‪ -‬التمثيل البياين للسلسلة الزمنية‪:‬‬

‫‪ -‬ب‪ -‬اختبار تأثَت التغَتات ادلومسية و االذباه العاـ‪:‬‬

‫‪Chiffre d'affaires et moyenne mobile‬‬

‫‪Données d'origine‬‬ ‫‪Moyenne mobile d'ordre 4‬‬ ‫‪Différences Saisonnières‬‬

‫‪17‬‬ ‫‪Régis Bourbonnais, Économétrie «Cours et exercices corrigés », idem, P 21.‬‬

:‫ ادلعامل ادلومسي للفصل األوؿ ػلسب بالشكل التارل‬،‫على سبيل ادلثاؿ‬

.‫بنفس الطريقة يتم حساب ادلعامالت ادلومسية األربعة‬

‫‪Données d'origine‬‬ ‫‪Données corrigés des variations saisonnières‬‬

‫‪Nouvelles immatriculations de voitures particulières commerçiales et‬‬

‫‪2014‬‬ ‫‪1.17‬‬ ‫‪0.58‬‬ ‫‪0.70‬‬ ‫‪0.88‬‬ ‫‪0.64‬‬ ‫‪0.62‬‬

‫ب‪ .‬طريقة النسب لالذباه العاـ (‪:)Méthode Des Rapports A La Tendance‬‬

Nouvelles immatriculations de voitures particulières commerçiales et

Série originale Série CVS régression Droite de régression

‫التنبؤ باستخدام نموذج التلميس‬

‫‪‌ 3.2‬دوس‌ثابج‌انخهًيس‌األسي‪‌ :‬‬

‫‪20‬‬ ‫‪(Chapitre 8 : Prévision des ventes et modélisation) www.bibliotheque.Refer.org/livre67// 6703.pdf. du 03/02/2007.‬‬

‫التعديل الدقيق المتناقص‬ ‫الوزن‬ ‫المتوسط الكالسيكي‬ ‫الزمن‬

‫‪Source : Régis BOURBONNAIS ET Jean-Claude USUNIER. Op.cit p 60.‬‬

‫‪t‬‬ ‫‪xt‬‬ ‫̂‬ ‫̂‬

‫̂‬ ‫نبدأ بوضع‪:‬‬

‫̂‬ ‫√‬ ‫أين‪:‬‬