‫جـــــــــامعــــــــــــة األزهـــــــــــــــر‪ -‬غـــــــــــــزة‬

‫عمــــــــــــــــادة الدراســـــــــــــات العليـــــــــــــــــا‬

‫كــــــــلية االقتـصـــــــاد والعــلــــــــــوم اإلداريــــــة‬

‫برنامـــــج ماجستيــــــــــــــــر اإلحصــــــــــــــــــاء‬

‫استخدام نموذجي ماركوف و ‪ARIMA‬‬

‫في التنبؤ بأسعار صرف الدوالر مقابل الشيكل‬

‫‪Using Markov and ARIMA Models‬‬

‫‪to Forecast USD / ILS Exchange Rates‬‬

‫إعداد الباحث‬

‫إياد يونس عبد الحميد أبو لبده‬

‫إشراف‬

‫الدكتور‪ /‬شادي إسماعيل التلباني‬

‫أستاذ اإلحصاء املشارك‬

‫قُدمت هذه الرسالة استكماالً ملتطلبات احلصول على درجة املاجستري يف اإلحصاء‬

‫من كلية االقتصاد والعلوم اإلدارية – جامعة األزهر‪ -‬غزة‪.‬‬

‫‪1439‬هـ ‪ 2018 -‬م‬

 ‫بسم اهلل الرمحن الرحيم‬

‫{ ويَسْأَلُونَكَ عَنِ الرُُّوحِ قُلِ الرُُّوحُ مِنْ أَمْرِ رَبُِّي وَمَا أُوتِيتُم‬

‫مُِّن الْعِلْمِ إِلَُّ قَلِيالً}‬

‫صدق اهلل العظيم‬

‫سورة اإلسراء‬

‫اآلية(‪)85‬‬

‫‪I‬‬
 ‫إهداء‬
‫‪ ‬إىل معلم البشرية األول‪ ,‬حممد " صلى اهلل عليه وسلم "‪.‬‬

‫‪ ‬إىل روح والدي ووالدتي‪ ,‬طيب اهلل ثرامها‪ ,‬وأسكنهما فسيح جناته ‪.‬‬

‫‪ ‬إىل هبة اهلل ورفيقة دربي ‪ ...‬زوجيت الغالية‪.‬‬

‫‪ ‬إىل من أشد هبم أزري بعد اهلل ‪ ....‬إىل إخواني وأخواتي‪.‬‬

‫‪ ‬إىل أخيت الغالية املربية الفاضلة ‪ ...‬سناء‪.‬‬

‫‪ ‬إىل أبنائي أمحد و حممد و عبداهلل‪ ...‬سندي يف هذه الدنيا‪.‬‬

‫‪ ‬إىل النجوم اليت أضاءت حياتي نورهان و بيسان و رنا ‪.‬‬

‫‪ ‬إىل من عشت معهم حلظات مجيلة ‪ ...‬إىل أصدقائي األعزاء‪.‬‬

‫‪ ‬إىل من هانت من أجله األرواح ‪ ,‬وطين احلبيب فلسطني‪.‬‬

‫‪ ‬إىل من خضُّبت دماؤهم تراب الوطن‪ ,‬شهدائنا األبرار‪.‬‬

‫‪ ‬إىل من ضحوا بزهرة شباهبم‪ ,‬وسنوات أعمارهم‪ ,‬أسرى احلرية‪.‬‬

‫‪ ‬إىل كل من حيمل رسالة العلم والفكر ‪...‬‬

‫‪ ‬لكل هـــؤلء هندي حبثنا هذا‪ ،‬داعياً اهلل سبحانه وتعاىل أن يتقبله خالصاً لوجهه الكريم‪,‬‬

‫وأن جيعل منه علماً نافعاً‪.‬‬

‫‪II‬‬
 ‫شكر وتقدير‬
‫احلمد هلل رب املشارق واملغارب‪ ،‬خلق اإلنسان من طني لزب‪ ،‬ثم جعله نطفة بني الصلب والرتائب‪ ,‬ثم‬

‫جعل منه األبناء واألقارب‪ ,‬سبحانه وتعاىل تلطف حبال العباد فجعلهم يف الرب على الدواب ويف البحر على‬

‫القوارب‪ ,‬والصالة والسالم على خامت النبياء سيدنا حممد عليه أفضل الصالة و التسليم ‪ ،‬أما بعد ‪...‬‬

‫﴿ رَبِّ أَوْزِعْنِي أَنْ أَشْكُرَ نِعْمَتَكَ الَّتِي أَنْعَمْتَ عَلَيَّ وَعَلَىٰ وَالِدَيَّ وَأَنْ أَعْمَلَ صَالِحًا تَرْضَاهُ وَأَصْلِحْ لِي فِي ذُرِّيَّتِي إِنِّي‬

‫(األحقاف‪ :‬آية ‪)15‬‬ ‫تُبْتُ إِلَيْكَ وَإِنِّي مِنَ الْمُسْلِمِنيَ ﴾‬

‫امتثالً لقول املصطفى صلى اهلل عليه وسلم " ل يشكر اهلل من ل يشكر الناس " وإمياناً مببدأ التقدير‬

‫والعرتاف باجلميل أتقدم بأمسى آيات الشكر والعرفان وأخص بالشكر الدكتور‪ /‬شادي التلباني على تفضله بقبول‬

‫اإلشراف على هذه الرسالة‪ ،‬وملا كرسه يل من جهد ووقت‪ ،‬وما قدمه من دعم وتوجيه‪ ,‬فجزاه اهلل عين خري‬

‫اجلزاء‪.‬‬

‫وكذلك أشكر عضوي جلنة املناقشة‪ :‬األستاذ الـدكتور‪ /‬عبـداهلل اببيـل ‪ ،‬والـدكتور‪ /‬حـازم الشـي أمحـد ‪,‬‬

‫علــى مــا قــدماه مــن اصـاتو وتوجيهــات إلذــراع هــذا العمــة يف أ ضــة ــورة‪ ,‬ول يســعين إل أن أشــكر أســاتذت‬

‫الكرام يف قسم اإلحصاء‪ :‬األستاذ الدكتور‪ /‬حممود عكاشة‪ ،‬والدكتور‪ /‬مؤمن احلنجوري‪ ,‬علـى مـا‬

‫بذال ه من جهدٍ وتفانٍ لإلبقاء على شعلة العلم واملعر ة‪ ،‬واقلها من جية إىل جية‪.‬‬

‫والشكر موصولٌ لألصدقاء وزمالء الدراسة الذين جسدوا روح التعاون‪ ،‬ومل يبخلوا علىّ بالنصيحة‪.‬‬

‫كما أسجل شكري لألخ األستاذ ‪ /‬مسري أبو دحروج ملا قدمه يل من مساعدة إلجناز هذا العمل‪.‬‬

‫وأذرياً أشكر كة من قدم يل العون والنصيحة والتشجيع‬

‫وكذلك من متنى يل التوفيق‪.‬‬

‫الباحث‬

‫‪III‬‬
 ‫املخلص‬
‫تهدف هذه الدراسة إلي اجراء مقارنة بين نموذج ماركوف ونموذج ‪ ARIMA‬للتنبؤ بالقيم‬

‫المستقبلية‪ ,‬وذلك باالعتماد على بيانات شهرية ألسعار صرف الدوالر مقابل الشيكل في األراضي‬

‫الفلسطينية للفترة من يناير ‪ 2008‬حتى ديسمبر ‪.2017‬‬

‫ومن خالل المقارنة بين النموذجين باستخدام مقاييس دقة التنبؤ ‪MAD, RMSE,MAPE‬‬

‫إليجاد أنسب نموذج لتحليل البيانات محل االهتمام‪ ,‬توصلت الدراسة إلى أن نموذج ‪ARIMA‬‬

‫)‪ (0,2,1‬الحاصل على أقل القيم لمقاييس دقة التنبؤ هو النموذج األنسب والمالئم لتحليل بيانات‬

‫الدراسة‪ ,‬وذلك للتنبؤ المستقبلي بأسعار صرف الدوالر مقابل الشيكل مقارنة بنموذج ماركوف‪.‬‬

‫وباالعتماد على هذا النموذج تم التنبؤ بأسعار صرف الدوالر مقابل الشيكل حتى نهاية شهر‬

‫يونيو‪ ,2018‬وقد كانت القيم التنبؤية متناسقة مع القيم األصلية للسلسلة مما يدل على كفاءة‬

‫النموذج‪.‬‬

‫‪IV‬‬
 Abstract
The study aims at comparing Markov model and ARIMA model to

forecast future values, This model is based on monthly data of U.S Dollar

exchange rate to shekel (NIS) in the Palestinian territory form January 2008

to December 2017 .

It is through the compared the two models using for accuracy

predication (RMSE,MAPE, MAD) to find out the best model for analyzing

the concerned data, The study conducts that model ARIMA(0,2,1) which

scored the lowest values of predication accuracy is the most appropriate

model to analyze the data of the study due to its ability to forecast the

exchange rate of dollar to Israeli shekel in comparison with Markov model.

Based on this model. The exchange rate of dollar to Israeli shekel

were predicted until the end of June 2018. As a result, the predicted value

were consistent with the real values of the series showing the efficiency of

the model.

V
 ‫قائمة المختصرات‬
USD / ILS The Exchange Rate of US Dollar Against the Israeli Shekel

‫سعر صرف الدوالر األمريكي مقابل الشيكل اإلسرائيلي‬

RMSE Root of Mean Squared Error
‫جذر متوسط مربعات األخطاء‬
MAPE Mean Absolute Percentage Error
‫متوسط الخطأ المطلق النسبي‬
MAE Mean Absolute Error
‫متوسط الخطأ المطلق‬
DF Dickey-Fuller
‫ فوالر‬-‫ديكي‬
ADF Augmented Dickey-Fuller
‫ فوالر الموسع‬-‫ديكي‬
PP Phillips and Perron
‫فيليب وبيرون‬
ACF Auto Correlation Function
‫دالة اإلرتباط الذاتي‬
PACF Partial Auto Correlation Function
‫دالة اإلرتباط الذاتي الجزئي‬
AR Auto Regressive
‫اإلنحدار الذاتي‬
MA Moving Average
‫المتوسطات المتحركة‬
ARMA Autoregressive Moving Average
‫اإلنحدار الذاتي و المتوسطات المتحركة‬
ARIMA Autoregressive Integrated Moving Average
‫اإلنحدار الذاتي و المتوسطات المتجركة التكاملية‬
AIC Akaike Information Criterion
‫معيار معلومة أكايكي‬
BIC Bayesian Information Criterion
‫معيار معلومة بيز‬
K-S Kolmogorov-Smirnov
‫كلموجروف – سيمرنوف‬
CDF cumulative distribution function
‫دالة التوزيع التراكمية‬

VI
 ‫قائمة المحتويات‬

‫قرآن كريم‪I.................................................................................‬‬
‫إهداء‪II......................................................................................‬‬

‫شكر وتقدير‪III .............................................................................‬‬

‫الملخص ‪IV.................................................................................‬‬
‫‪V ................................................................................Abstract‬‬
‫المختصرات ‪V ...............................................................................‬‬

‫الفصل األول ‪ :‬مدخل الدراسة ‪1 .............................................................‬‬

‫(‪ )1.1‬مقدمة‪2 ..............................................................................‬‬

‫(‪ )1.2‬مشكلة الدراسة ‪4 ....................................................................‬‬

‫(‪ )1.3‬أهداف الدراسة ‪4 .....................................................................‬‬

‫)‪ (1.4‬أهمية الدراسة ‪4 .....................................................................‬‬

‫(‪ )1.5‬مصدر البيانات ‪5 ....................................................................‬‬

‫)‪ (1.6‬حدود الدراسة ‪5 ......................................................................‬‬

‫(‪ )1.7‬الدراسات السابقة ‪5....................................................................‬‬

‫(‪ )1.8‬منهجية الدراسة ‪8 ....................................................................‬‬

‫(‪ )1.9‬تقسيم الدراسة‪8 .......................................................................‬‬

‫الفصل الثاني ‪ :‬نموذج ماركوف ‪9 .......................................................‬‬

‫(‪ )2.1‬مقدمة‪10.............................................................................‬‬

‫(‪ )2.2‬العملية العشوائية‪11...................................................................‬‬

‫)‪ (2.3‬فضاء الحالة وفضاء المعلمة ‪12......................................................‬‬

‫‪VII‬‬
‫(‪ )2.4‬سالسل ماركوف ‪12..................................................................‬‬

‫(‪ )2.5‬أنواع عمليات ماركوف ‪13............................................................‬‬

‫(‪ )2.6‬فرضيات تحليل ماركوف ‪14..........................................................‬‬

‫(‪ )2.7‬استخدامات تحليل ماركوف ‪14........................................................‬‬

‫(‪ )2.8‬استخدام نموذج ماركوف في التنبؤ ‪14.................................................‬‬

‫(‪ )I‬تحديد المقاييس االحصائية الوصفية ومعالم نموذج ماركوف ‪14...............‬‬

‫(‪ )II‬التعرف على توزيع البيانات ‪15............................................‬‬

‫(‪ )III‬توليد أرقام عشوائية ‪16....................................................‬‬

‫(‪ )IV‬بناء نموذج ماركوف للتنبؤ‪16............................................‬‬

‫(‪ )2.9‬مقاييس دقة التنبؤ ‪17.................................................................‬‬

‫(‪ )2.9.1‬جذر متوسط مربعات األخطاء ‪17................................. RMSE‬‬

‫(‪ )2.9.2‬متوسط الخطأ المطلق النسبي ‪18........................... MAPE‬‬

‫(‪ )2.9.3‬متوسطالخطأ المطلق ‪18..................................... MAE‬‬

‫الخالصة‪19................................................................................‬‬

‫‪20.................................. ARIMA Models‬‬ ‫الفصل الثالث ‪ :‬نماذج أريما‬

‫(‪ )3.1‬مقدمة ‪21...........................................................................‬‬

‫(‪ )3.2‬السلسلة الزمنية ‪22..................................................................‬‬

‫(‪ )3.3‬أنواع السالسل الزمنية ‪22...........................................................‬‬

‫(‪ )3.4‬أهداف تحليل السالسل الزمنية ‪23...................................................‬‬

‫(‪ )3.5‬مركبات السلسلة الزمنية ‪23....................................................... .‬‬

‫(‪ )3.5.1‬االتجاه العام ‪23...........................................................‬‬

‫(‪ )3.5.2‬التغيرات الموسمية ‪24.....................................................‬‬

‫‪VIII‬‬
‫(‪ )3.5.3‬التغيرات الدورية ‪24........................................................‬‬

‫(‪ )3.5.4‬التغيرات العشوائية‪24.......................................................‬‬

‫(‪ )3.6‬النماذج المختلفة للسالسل الزمنية ‪24.................................................‬‬

‫(‪ )3.7‬الكشف عن مركبات السلسلة الزمنية ‪25.............................................‬‬

‫(‪ )3.8‬اعتبارات تطبيق نماذج أريما ‪25......................................................‬‬

‫(‪ )3.8.1‬السكون ‪25...............................................................‬‬

‫(‪ )3.8.2‬دالة االرتباط الذاتي ‪30.....................................................‬‬

‫(‪ )3.8.3‬دالة االرتباط الذاتي الجزئي ‪31.............................................‬‬

‫(‪ )3.9‬صياغة نماذج أريما ‪32..............................................................‬‬

‫(‪ )3.9.1‬نموذج االنحدار الذاتي ‪32..................................................‬‬

‫(‪ )3.9.2‬نموذج المتوسطات المتحركة ‪33...........................................‬‬

‫(‪ )3.9.3‬نماذج االنحدار الذاتي والمتوسطات المتحركة ‪34...........................‬‬

‫(‪ )3.9.4‬نماذج االنحدار الذاتي والمتوسطات المتحركة التكاملية ‪34..................‬‬

‫(‪ )3.10‬مراحل تطبيق نماذج أريما في التنبؤ ‪36............................................‬‬

‫(‪ )3.10.1‬مرحلة تهيئة البيانات ‪37...............................................‬‬

‫(‪ )3.10.2‬مرحلة التعرف ‪37........................................................‬‬

‫(‪ )3.10.3‬مرحلة التقدير‪38.........................................................‬‬

‫(‪ )3.10.4‬مرحلة التشخيص ‪39.....................................................‬‬

‫(‪ )3.10.4.1‬تحليل السكون ‪39.........................................‬‬

‫(‪ )3.10.4.2‬تحليل االنعكاس ‪39.......................................‬‬

‫(‪ )3.10.4.3‬تحليل البواقي ‪40 .........................................‬‬

‫(‪ )3.10.5‬مرحلة التنبؤ ‪43........................................................‬‬

‫‪IX‬‬
‫(‪ )3.11‬معايير اختيار رتبة النموذج ‪43...................................................‬‬

‫(‪ )3.11.1‬معيار معلومة أكيكي ‪44...........................................AIC‬‬

‫معيار معلومة بيز ‪45............................................BIC‬‬ ‫(‪)3.11.2‬‬

‫الخالصة‪46................................................................................‬‬

‫الفصل الرابع‪ :‬تحليل البيانات ومناقشة النتائج ‪47...........................................‬‬

‫(‪ )4.1‬مقدمة‪48.............................................................................‬‬

‫(‪ )4.2‬مراحل تطبيق نموذج ماركوف في التنبؤ ‪49...........................................‬‬

‫(‪ )I‬تحديد المقاييس االحصائية الوصفية ومعالم نموذج ماركوف ‪49..................‬‬

‫(‪ )II‬التعرف على توزيع البيانات ‪51................................................‬‬

‫(‪ )III‬مرحلة توليد أرقام عشوائية ‪52................................................‬‬

‫(‪ )IV‬مرحلة بناء نموذج ماركوف للتنبؤ ‪54.........................................‬‬

‫(‪ )4.3‬مراحل تطبيق نماذج ‪ ARIMA‬في التنبؤ ‪56.........................................‬‬

‫(‪ )4.3.1‬مرحلة تهيئة البيانات‪56..................................................‬‬

‫(‪ )4.3.2‬مرحلة التعرف والتقدير‪59................................................‬‬

‫(‪ )4.3.3‬مرحلة التشخيص ‪62.....................................................‬‬

‫(‪ )4.3.4‬مرحلة التنبؤ‪64..........................................................‬‬

‫(‪ )4.4‬المقارنة بين نموذج ماركوف ونموذج )‪65........................... ARIMA(0,2,1‬‬

‫الفصل الخامس‪ :‬النتائج والتوصيات ‪66 ......................................................‬‬

‫النتائج والتوصيات‪67-68 ..................................................................‬‬

‫المراجع ‪69 .................................................................................‬‬

‫أوالً‪ :‬المراجع العربية ‪70 .....................................................................‬‬

‫ثانياً‪ :‬المراجع األجنبية ‪74 .................................................................. :‬‬

‫‪X‬‬
 ‫قائمة الجداول‬
‫رقم‬ ‫رقم‬
‫عنوان الجدول‬
‫الصفحة‬ ‫الجدول‬
‫‪49‬‬ ‫المقاييس االحصائية الوصفية لمؤشر أسعار صرف الدوالر‪.‬‬ ‫‪4.1‬‬
‫‪50‬‬ ‫معالم نموذج ماركوف للبيانات الشهرية‪.‬‬ ‫‪4.2‬‬
‫‪51‬‬ ‫نتائج اختبار ‪.Kolmogorov-Smirnov‬‬ ‫‪4.3‬‬
‫‪53‬‬ ‫توليد أرقام عشوائية لعام ‪.2017‬‬ ‫‪4.4‬‬
‫‪54‬‬ ‫بناء نموذج ماركوف للتنبؤ بسعر الصرف لعام ‪.2017‬‬ ‫‪4.5‬‬
‫‪55‬‬ ‫بناء نموذج ماركوف للتنبؤ بسعر الصرف لعام ‪.2018‬‬ ‫‪4.6‬‬
‫‪56‬‬ ‫القيم التنبؤية لنموذج ماركوف‬ ‫‪4.7‬‬
‫‪56‬‬ ‫مقاييس دقة التنبؤ لنموذج )‪.ARIMA(0,2,1‬‬ ‫‪4.8‬‬
‫‪58‬‬ ‫نتائج اختبار ‪ PP ,ADF‬لسلسة البيانات بعد أخذ الفرق الثاني‪.‬‬ ‫‪4.9‬‬
‫‪60‬‬ ‫مقارنة بين النموذج المرشح والنماذج األعلى واألدنى منه مباشرة‪.‬‬ ‫‪4.10‬‬
‫‪61‬‬ ‫تقديرات معلمات النموذج )‪.ARIMA(0,2,1‬‬ ‫‪4.11‬‬
‫‪64‬‬ ‫نتائج اختبار ‪.Ljung-Box‬‬ ‫‪4.12‬‬
‫‪65‬‬ ‫القيم التنبؤية لنموذج )‪.ARIMA(0,2,1‬‬ ‫‪4.13‬‬
‫‪65‬‬ ‫المقارنة بين نموذج ‪ Markov‬ونموذج )‪.ARIMA(0,2,1‬‬ ‫‪4.14‬‬

‫قائمة األشكال‬
‫رقم‬ ‫رقم‬
‫عنوان الشكل‬
‫الصفحة‬ ‫الشكل‬
‫‪51‬‬ ‫رسم ‪ Normal Probability Plot‬لبيانات السلسلة‪.‬‬ ‫‪4.1‬‬
‫‪57‬‬ ‫رسم السلسلة الزمنية لسعر صرف الدوالر مقابل الشيكل ‪.USD / ILS‬‬ ‫‪4.2‬‬
‫‪57‬‬ ‫رسم السلسلة الزمنية لسعر الصرف بعد أخذ الفرق األول‪.‬‬ ‫‪4.3‬‬
‫‪58‬‬ ‫رسم السلسلة الزمنية لسعر الصرف بعد أخذ الفرق الثاني‪.‬‬ ‫‪4.4‬‬
‫‪59‬‬ ‫دالتي االرتباط الذاتي والذاتي الجزئي بعد أخذ الفرق الثاني للسلسلة الزمنية‪.‬‬ ‫‪4.5‬‬
‫‪63‬‬ ‫نتائج تشخيص بواقي النموذج )‪.ARIMA (0,2,1‬‬ ‫‪4.6‬‬
‫‪63‬‬ ‫رسم دالة االرتباط الذاتي المقدرة للفروق األولى للبواقي‪.‬‬ ‫‪4.7‬‬

‫‪XI‬‬
‫الفصل األول‬

‫مدخل الدراسة‬

‫‪1‬‬
 ‫مقدمة‬ ‫‪1.1‬‬

‫إن اتساع المبادالت التجارية بين مختلف الدول الناتج عن تطور العالقات االقتصادية الدولية‬

‫التي كان لها أثر كبير على اقتصاديات الدول وبسبب االنفتاح الكبير فيما بين الدول أو ما ُيعرف‬

‫بالعولمة االقتصادية التي أصبحت موضع اهتمام كل الدول وتطور هذه العالقات يضع هذه البلدان‬

‫تحت مشاكل عدة من بينها مشكلة بين العملة الوطنية والعملة األجنبية‪ ,‬ومن هنا جاء االهتمام بتغير‬

‫سعر الصرف في الدراسات االقتصادية والفكر االقتصادي‪ ,‬وتأتي أهمية ذلك من خالل اآلثار‬

‫االقتصادية الكلية بشكل عام فالدول النامية ومنها فلسطين معظم اقتصاداتها مفتوحة وبشكل كبير‪,‬‬

‫وتعاني من عجز في موازين مدفوعاتها وذلك بسبب كبر حجم الواردات فيها بالنسبة للصادرات‪,‬‬

‫وكذلك بسبب تذبذبات أسعار الصرف األجنبية‪ ,‬حيث يؤثر تغيرات سعر الصرف األجنبي علي‬

‫الميزان التجاري للدولة‪ ,‬بحيث أن ارتفاع سعر صرف العملة المحلية للدولة يؤدي إلي ارتفاع‬

‫األسعار النسبية لسلعها المحلية األمر الذي يؤدي الرتفاع أسعار صادراتها قياساً بأسعار وارداتها من‬

‫السلع األجنبية‪ ,‬كذلك فإن ارتفاع سعر الصرف األجنبي مقابل العملة المحلية يؤدي إلي ارتفاع‬

‫أسعار الواردات مقابل أسعار الصادرات وهذا يؤدي الختالل شروط التبادل التجاري وذلك بسبب‬

‫اعتماد واردات تلك الدول على السلع االستهالكية والمواد الخام التي ال يتوفر بديل محلي لها‪ ,‬األمر‬

‫الذي يؤدي على تباطؤ النمو في تلك الدول ( اليامنة‪.)2016 ,‬‬

‫وتعد مناطق السلطة الفلسطينية من المناطق التي تعاني نتيجة تقلبات سعر الصرف‪ ,‬حيث‬

‫أنه ال توجد عملة فلسطينية مما يجعلها تتأثر بشكل كبير ألنها ال تتحكم في أسعار صرف العمالت‬

‫التي تتداول في مناطقها‪ ,‬فهي تعتمد على ثالث عمالت رئيسية للتداول وهي الشيكل االسرائيلي‪,‬‬

‫والدينار األردني‪ ,‬والدوالر االمريكي باإلضافة إلي اليورو‪ ,‬لذا فإنها تتأثر أكثر من غيرها نتيجة‬

‫تقلبات سعر الصرف ألنها تعتمد على ثالث عمالت وليس على عملة وطنية‪ ,‬وكذلك تعتمد على‬

‫‪2‬‬
‫المنح والمساعدات والقروض في تمويل ميزانيتها‪ ,‬وتستورد أكثر مما تصدر في تجارتها الخارجية‪,‬‬

‫فارتفاع سعر صرف الدوالر مقابل الشيكل الذي ُيعد العملة األكثر تداوالً في مناطق السلطة سوف‬

‫يؤدي الرتفاع أسعار السلع المستوردة واختالل الميزان التجاري الفلسطيني‪ ,‬ويؤدي أيضاً لعزوف‬

‫الدول من استيراد المنتجات الفلسطينية‪ ,‬مما يؤدي لهبوط االنتاج المحلي من السلع والخدمات‬

‫المصدرة‪ ,‬كذلك فإن الدوالر الضعيف يؤدي إلي تآكل القوة الشرائية للمدخرات ولرواتب شريحة واسعة‬

‫من الموظفين وهذا كله يؤدي بآثار مباشرة وغير مباشرة على االقتصاد الفلسطيني (خضر‪,)2012 ,‬‬

‫ومن هنا تأتي أهمية معرفة ما سيكون عليه وضعه في المستقبل‪ ,‬وهذا بدوره يتطلب القدرة في التنبؤ‬

‫المستقبلي‪.‬‬

‫ومن أ جل الحصول على تنبؤات دقيقة فإن ذلك يتطلب دراسة تحليلية وافية للنماذج‬

‫االحصائية‪ ,‬فقد ُوضعت أساليب كثيرة لهذا الغرض ومنها أسلوب بوكس‪ -‬جينكنز عامي ‪,1970‬‬

‫‪1976‬م حيث اقترحا نماذج يمكن من خاللها التعامل مع السالسل الزمنية وأسهما بشكل واسع في‬

‫جعل نماذج االنحدار الذاتي والمتوسطات المتحركة التكاملية والتي تكتب اختصا اًر ‪.ARIMA‬‬

‫ويمثل تحليل ماركوف أهم األساليب العملية المتبعة في دراسة الظواهر العشوائية‪ ,‬وهذا يفرض‬

‫بالضرورة التعرف على تلك الظواهر‪ ,‬لذلك أولى الباحثون اهتماماً خاصاً بدراسة نموذج ماركوف‬

‫باعتباره احدى النماذج االحتمالية التي وجد له العديد من التطبيقات في مجاالت شتى‪ ,‬وأهميته تنشأ‬

‫من مجاالت تطبيقه الواسعة حيث طبق بنجاح في عمليات التنبؤ‪ ,‬حيث كان نموذج ماركوف خير‬

‫معبر عن ذلك إذ يعد من النماذج التي يعتمد عليها في التنبؤ‪ ,‬وتأتي هذه الدراسة لتتناول مسألة‬

‫التغيرات التي تحدث على أسعار الصرف باستخدام األساليب االحصائية‪.‬‬

‫‪3‬‬
 ‫‪ 1.2‬مشكلة الدراسة‬

‫يؤدي تقلب أسعار صرف العمالت باستمرار إلي خلق فجوة بين القيمة الحقيقية والقيمة‬

‫السوقية ألسعار صرف هذه العمالت‪ ,‬ونظ اًر لوجود ثالث ُعمالت متداولة في االقتصاد الفلسطيني‬

‫العملة الفلسطينية‬
‫وكل عملة تتبع دولة تختلف ظروفها االقتصادية عن األخرى‪ ,‬وفي ظل غياب ُ‬

‫وبشكل واضح إال أن االقتصاد الفلسطيني تابع ويتأثر بالتغيرات الحادثة في أسعار العمالت المتداولة‬

‫فيه‪ ,‬مما يستوجب وضع تصورات حول ما ستؤول إليه األسعار مستقبالً‪ ,‬وذلك من خالل التنبؤ‬

‫بسلوكها في المستقبل‪ ,‬وعليه ارتأينا بأن مشكلة الدراسة تكمن في التساؤل الرئيس التالي‪:‬‬

‫ما هو النموذج االحصائي األمثل من بين نماذج ‪ ARIMA‬ونموذج ماركوف للتنبؤ بأسعار‬

‫صرف الدوالر مقابل الشيكل مستقبلا ؟‬

‫أهداف الدراسة‬ ‫‪1.3‬‬

‫في ضوء مشكلة الدراسة‪ ,‬تسعى هذه الدراسة إلي تحقيق األهداف التالية‪:‬‬

‫‪ -1‬المقارنة بين أسلوب ماركوف وأسلوب ‪ ARIMA‬لمعرفة كفاءة األسلوبين في التنبؤ‪ ,‬وأيهما‬

‫أفضل من الناحية العملية‪.‬‬

‫‪ -2‬التنبؤ بسعر صرف الدوالر مقابل الشيكل باستخدام النموذج االحصائي األمثل‪.‬‬

‫أهمية الدراسة‬ ‫‪1.4‬‬

‫تنقسم اهمية الدراسة إلي قسمين ‪:‬‬

‫األهمية التطبيقية ‪:‬‬ ‫‪1.4.1‬‬

‫تتركز األهمية التطبيقية لهذه الدراسة في أنها تقيس مدى التقلبات الحاصلة فيي سيعر صيرف‬

‫الدوالر مقابل الشيكل خالل الفترة الزمنية للظاهرة محل الدراسة‪.‬‬

‫‪4‬‬
 ‫األهمية اإلحصائية ‪:‬‬ ‫‪1.4.2‬‬

‫تتمثل األهمية اإلحصائية للدراسة في إيجاد النموذج األمثل من بين نماذج ‪ARIMA‬‬

‫ونموذج ماركوف للتنبؤ بسعر الصرف للدوالر مقابل الشيكل في األشهر القادمة‪ ,‬وذلك ألهمية‬

‫األسلوبين في التنبؤ‪.‬‬

‫مصدر البيانات‬ ‫‪1.5‬‬

‫تم الحصول على بيانات الدراسة للسلسلة الزمنية المتاحة الخاصة بأسعار صرف الدوالر مقابل‬

‫الشيكل في الفترة من يناير ‪ 2008‬حتى ديسمبر ‪ 2017‬من خالل الرابط التالي‪:‬‬

‫‪http://sa.investing.com/currencies/usd-ils-historical-data‬‬

‫حدود الدراسة ‪:‬‬ ‫‪1.6‬‬

‫تم تقسيم حدود الدراسة إلى حدود مكانية وزمانية‪.‬‬

‫الحدود المكانية ‪ :‬األراضي الفلسطينية‪.‬‬

‫الحدود الزمانية ‪:‬أسعار العمالت من يناير عام ‪ 2008‬حتى ديسمبر عام ‪.2017‬‬

‫الدراسات السابقة‬ ‫‪1.7‬‬

‫لقد ندرت الدراسات السابقة التي تناولت المقارنة بين نموذج ‪ ARIMA‬ونموذج ‪Thomas-‬‬

‫‪ Fiering‬الذي يمثل أحد صور نماذج ماركوف وهي كالتالي‪:‬‬

‫‪ ‬دراسة )‪(Suryanto, 2016‬‬

‫تناولت هذه الدراسة استخدام نموذج ‪ ARIMA‬ونموذج ‪ ,Thomas-Fiering‬للتنبؤ‬

‫و‬ ‫بالخصم الشهري‪ ,‬ولغرض المقارنة بين النموذجين تم استخدام معياري دقة التنبؤ ‪RMSE‬‬

‫‪ ,MAPE‬وأظهرت الدراسة أن نموذج ‪ ARIMA‬الموسمي هو النموذج األمثل لتحليل بيانات‬

‫‪5‬‬
‫الدراسة مقارنة بنموذج ‪ ,Thomas-Fiering‬وذلك المتالكه أقل قيمة لمعياري دقة التنبؤ‪ ,‬وبذلك‬

‫يكون هو النموذج األكفأ في التنبؤ المستقبلي‪ ,‬حيت تم استخدامه في التنبؤ للفترة ‪.2015-2014‬‬

‫‪ ‬دراسة )‪(Yousif et al., 2016‬‬

‫تناولت هذه الدراسة المقارنة بين نموذج ‪ ARIMA‬ونموذج ‪ Thomas-Fiering‬وأسلوب‬

‫الشبكات العصبية االصطناعية ‪ ,ANN‬وذلك للتنبؤ بتوقعات هطول األمطار الشهرية‪ ,‬ولتحديد‬

‫النموذج ‪ ARIMA‬الموسمي تم مالءمة مجموعة من النماذج والمقارنة بينهما‪ ,‬تبين أن النموذج‬

‫المالئم هو ‪ ARIMA(2,0,2)(2,0,1)8‬الموسمي وتم مقارنته بنموذج ‪,Thomas-Fiering‬‬

‫وأظهرت نتائج الدراسة تفوق نموذج ‪ ,Thomas-Fiering‬وذلك المتالكه أقل قيمة لمعياري دقة‬

‫التنبؤ ‪ RMSE‬و ‪ , MAE‬حيت تم استخدامه في التنبؤ المستقبلي‪.‬‬

‫‪ ‬دراسة (آوجي و حسن ‪:)2014 ,‬‬

‫تناولت هذه الدراسة تحليل التصاريف اليومية الواطئة (‪ )Low flows‬لكل شهر لفترة ‪ 52‬سنة‬

‫لمحطتي قياس اسكي ودوكان الواقعة على نهري الزاب األعلى والزاب األسفل على التوالي للتنبؤ‬

‫بتصاريفها الواطئة‪ ,‬باستخدام نموذجين من النماذج التصادفية هما نموذج ‪ ARIMA‬ونموذج‬

‫‪ ,Thomas-Fiering‬ومن ثم مقارنة النتائج المحسوبة بالطريقتين‪ ,‬واختبارهما عن طريق معياري‬

‫دقة التنبؤ ‪ MAE‬و ‪ ,RMSE‬فقد تبين من نتائج الدراسة أن نموذج ‪ ARIMA‬أعطى تنبؤات أكثر‬

‫مالءمة وتناسقاً مع مثيالتها في السلسلة األصلية من تلك التي قدمها نموذج ‪.Thomas-Fiering‬‬

‫‪ ‬دراسة )‪(Dashora et al., 2014‬‬

‫تناولت هذه الدراسة إلى اجراء مقارنة بين نموذج ‪ ARIMA‬ونموذج ‪Thomas-Fiering‬‬

‫وأسلوب الشبكات العصبية االصطناعية ‪ ,ANN‬للتنبؤ بتدفق المجاري المائية من مجرى النهر‪ ,‬تم‬

‫‪6‬‬
‫استخدام البيانات الشهرية الخاصة بذلك‪ ,‬واُجري تقيماً ألداء نموذجين من النماذج التصادفية نموذج‬

‫‪ ARIMA‬ونموذج ‪ Thomas-Fiering‬ومن ثم مقارنته بأسلوب ‪ ,ANN‬وأظهرت الدراسة تفوق‬

‫نموذج )‪ ,ARIMA (2,1,2‬وذلك المتالكه أقل قيمة لمعيار دقة التنبؤ ‪ RMSE‬حيت تم استخدامه‬

‫في التنبؤ المستقبلي‪.‬‬

‫‪ ‬دراسة )‪(Bin Muhammad, 2012‬‬

‫تناولت هذه الدراسة استخدام نموذجي ماركوف ونموذج ‪ ,ARIMA‬للتنبؤ بتدفق السيل لنهر‬

‫بيرنام في ماليزيا من الفترة ‪ ,2010 -1960‬ولغرض المقارنة بين النموذجين تم استخدام معياري‬

‫دقة التنبؤ ‪ RMSE‬و ‪ ,MAPE‬وتوصلت الدراسة أن نموذج ‪ARIMA ( 1,1,1), ( 0,1,1 )12‬‬

‫الموسمي هو النموذج األمثل لتحليل بيانات الدراسة مقارنة بنموذج ماركوف‪ ,‬وذلك المتالكه أقل‬

‫قيمة لمعياري دقة التنبؤ‪ ,‬وبذلك يكون هو النموذج األكفأ في التنبؤ المستقبلي‪.‬‬

‫أهم ما يميز هذه الدراسة‪:‬‬

‫تُعد هذه الدراسة األولى محلياً التي تناولت المقارنة بين نموذج ماركوف ونموذج ‪ARIMA‬‬

‫في موضوع التنبؤ بأسعار صرف اليدوالر مقابيل الشييكل‪ ,‬وذليك مين أجيل معرفية أي الطيرق أكثير دقية‬

‫في عملية التنبؤ بأسعار صرف الدوالر مقابل الشيكل‪.‬‬

‫لذا فإن قلة البحوث والدراسات التي عالجت المقارنة بين األسلوبين تعطى للد ارسية أهميتهيا إذ‬

‫تجعلها مدخالً للمزيد من الدراسات في هذا االتجاه‪.‬‬

‫‪7‬‬
 ‫منهجية الدراسة‬ ‫‪1.8‬‬

‫تتركز الفكرة األساسية في هذه الدراسة حول المقارنة بين نماذج احصائية للتنبؤ بأسعار‬

‫الصرف مستقبالً‪ ,‬وتم اختيار األساليب االحصائية المتمثلة في نموذجي ماركوف ونموذج‬

‫‪ ARIMA‬كونهما يمكن تطبيقهما على مثل هذه الدراسات واعتماد األسلوب األمثل في تحليل‬

‫الظاهرة قيد الدراسة‪ ,‬ومن أكثر النماذج شيوعاً نماذج ‪ ARIMA‬فقد استخدمت بنجاح في التنبؤ‬

‫لتحليل السالسل الزمنية الخطية‪ ,‬وهي طريقة توصل إليها العالمان ‪ ,Box and Jenkins‬أما نموذج‬

‫ماركوف ُيعد من النماذج الرياضية التي تدخل تطبيقاته في شتى المجاالت المختلفة‪ ,‬وهو أحد‬

‫التطبيقات العملية التصادفية التي تساعدنا في الوصف والمراقبة والتنبؤ‪ ,‬والذي يعتمد في بنائه علي‬

‫األسلوب االحتمالي‪ ,‬مما يزيد من دقة وصفه للظاهرة المدروسة‪ ,‬وذلك من خالل االعتماد في تحليل‬

‫بيانات الدراسة على البرامج اإلحصائية ‪.SPSS, Minitab & Microsoft Excel‬‬

‫تقسيم الدراسة‬ ‫‪1.9‬‬

‫في خضم ما تم ذكره في مقدمة الدراسة‪ ,‬سيتم تقسيم الرسالة إلى خمسة فصول‪ ,‬حيث يحتوي‬

‫الفصل األول على المقدمة‪ ,‬ومشكلة الدراسة‪ ,‬وأهداف الدراسة‪ ,‬وأهمية الدراسة‪ ,‬وحدود الدراسة‪ ,‬ومن‬

‫ثم مصدر البيانات والدراسات السابقة المتعلقة بموضوع الدراسة محل االهتمام ومنهجية الدراسة‪ ,‬ثم‬

‫في الفصل الثاني سنتناول نموذج ماركوف‪ ,‬أما الفصل الثالث سيتم تناول النماذج الخطية‬

‫(‪ )ARIMA‬من الجانب النظري‪ ,‬أما الجانب التطبيقي من الدراسة فسيتم عرضه في الفصل الرابع‪,‬‬

‫وأخي اًر في الفصل الخامس سوف نستعرض النتائج التي توصلت إليها الدراسة والتوصيات المقترحة‪.‬‬

‫‪8‬‬
‫الفصل الثاني‬

‫نموذج‬

‫ماركوف‬

‫‪9‬‬
 ‫‪ 2.1‬مقدمة‬

‫إن العمليات التصادفية (الظواهر العشوائية) هي العمليات التي تتغير مع الزمن بشكل‬

‫عشوائي‪ ,‬وتتضمن مجموعة كبيرة من النماذج ومن أكثر النماذج استخداماً هي نماذج ماركوف‬

‫االعتيادية التي تنتمي إلي النماذج االحصائية‪ ,‬وتحتل عمليات ماركوف أهمية كبرى في تحليل‬

‫العمليات التصادفية‪ ,‬تعزز هذه المكانة تعدد التطبيقات العملية في حياتنا اليومية‪ ,‬باإلضافة إلى‬

‫تطبيقاتها المتعددة في الكثير من النماذج االحصائية والهندسية وفي نظرية الموثوقية‪ ,‬فقد أصبحت‬

‫عناوين لكتب بارزة في االحصاء والرياضيات‪ ,‬مما يشير إلي اهتمام العديد من المؤسسات والباحثين‬

‫بهذا الموضوع‪ ,‬ويرجع الفضل األكبر الكتشاف وتطوير نظرية هذا النوع من العمليات التصادفية إلي‬

‫العالم السوفيتي ماركوف (تاج و سرحان‪.)2007 ,‬‬

‫حيث يهدف هذا الفصل إلي عرض مقدمة قصيرة عن العمليات العشوائية‪ ,‬لتقديم فكرة عامة‬

‫حول ما تعنيه العمليات العشوائية‪ ,‬والصفتين المميزتين والضروريتين للعملية العشوائية هما فضاء‬

‫الحالة وفضاء المعلمة‪ ,‬كما سنعرض في هذا الفصل ماهية سالسل ماركوف‪ ,‬باإلضافة إلي أنواع‬

‫عمليات ماركوف والفرضيات التي يعتمد عليها تحليل سالسل ماركوف‪ ,‬وكذلك التعرف على‬

‫استخدامات تحليل سالسل ماركوف‪.‬‬

‫ويتضمن هذا الفصل شرحاً مفصالً لخطوات استخدام نموذج ماركوف في التنبؤ‪ ,‬وأخي اًر التعرف‬

‫على أداء معايير دقة التنبؤ‪.‬‬

‫‪10‬‬
 ‫العملية العشوائية‬ ‫‪2.2‬‬

‫غالباً ما تسبب الحوادث العشوائية في وضع شروط على األنظمة حتى تتغير مع الزمن‪,‬‬

‫فالعمليات التي تتأرجح مع الزمن كنتيجة لحوادث عشوائية مؤثرة على نظام ما تسمى بالعمليات‬

‫العشوائية (تاج و سرحان‪.)2007 ,‬‬

‫وتسيمى عائلية المتغييرات العشيوائية ‪ X (t ) :t  0‬بالعمليية العشيوائية ‪stochastic process‬‬

‫ذات المعلمة ‪. t parameter‬‬

‫وتعرف أيضاً بأنها مجموعية القييم الممكنية للمتغيير العشيوائي ) ‪ X (t‬بحياالت ‪ states‬العمليية‬

‫العشوائية‪ ,‬كما يمكن أن تسمى بمواقع ‪ positions‬العملية العشوائية‪ .‬فإذا كان ‪ X (t )  i‬فإنه يقال‬

‫بأن العملية تكون في الحالة ‪ i‬عند اللحظة ‪. t‬‬

‫فئي يية جميي ييع القي يييم الممكني يية للمتغيي يير العش ي يوائي ) ‪ X (t‬تسي ييمى بفضي يياء حالي يية العمليي يية العش ي يوائية‬

‫‪ state space X (t ) :t  0‬ويرمز له بالرمز ‪. S‬‬

‫تسيمى مجموعية جمييع القييم الممكنية لمعلمية العمليية العشيوائية ‪ X (t ) :t  0‬بفضياء المعلمية‬

‫)‪ , (parameter space‬ويرمز له بالرمز ‪. T‬‬

‫إذا كانيت المجموعية ‪ T‬منفصيلة فيإن العمليية العشيوائية ‪ X (t ) :t  0‬تسيمى بعمليية عشيوائية‬

‫منفصيلة اليزمن ‪ discrete time stochastic process‬وفيي هيذه الحالية يمكين اسيتخدام الرميز ‪n‬‬

‫بدال من الرمز ‪ , t‬ويكتب )‪ X (n‬أو ‪ X n‬بدال من ) ‪ X (t‬أو ‪. X t‬‬

‫إذا كاني ييت المجموعي يية ‪ T‬متصي ييلة‪ ,‬بمعني ييى ‪ , T  t :t  0  0, ‬في ييإن العمليي يية العش ي يوائية‬

‫‪ X (t ) :t  0‬تسيمى بعمليية عشيوائية متصيلة اليزمن ‪continuous time stochastic process‬‬

‫وفي هذه الحالة يمكن كتابة ) ‪ X (t‬على الصورة ‪. X t‬‬

‫‪11‬‬
 ‫فضاء الحالة وفضاء المعلمة‬ ‫‪2.3‬‬

‫هنالك صفتان تشترك بهما أي عملية تصادفية هما فضاء الحالة ‪ State Space‬وفضاء المعلمة‬

‫‪( Parameter Space‬أحمد‪.)2008 ,‬‬

‫‪ ‬الحالة ‪ State‬للعملية التصادفية } ) ‪ :{ X (t‬هي أقل مجموعة من المعلومات عن الظاهرة في‬

‫الحاضر أو الماضي بحيث يمكن من خاللها وصف السلوك المستقبلي للنظام‪.‬‬

‫‪ ‬فضاء الحالة ‪ :State Space‬هي المجموعة التي تضم جميع الحاالت الممكنة للعملية‬

‫التصادفية‪ ,‬ويقسم فضاء الحالة إلى نوعين‪ ,‬فضاء الحالة المتقطع ‪ Discrete‬الذي يحتوى‬

‫على عدد محدد أو عدد معدود من الحاالت‪ ,‬وفضاء الحالة المستمر ‪ Continuous‬الذي‬

‫يحتوى على عدد غير محدد من الحاالت )‪.(Cox & Miller, 1965‬‬

‫‪ ‬فضاء المعلمة ‪ :Parameter Space‬إن العملية التصادفية } ) ‪ { X (t‬تتكون من مشاهدات‬

‫تتغير بتغير دليل معين كالزمن أو أي دليل آخر‪ ,‬وهذا الدليل يسمى عادة بالمعلمة التي‬

‫نرمز لها بالرمز ‪ t‬والذي تقع قيمته في مجموعة معينة يطلق عليها فضاء المعلمة والتي‬

‫نرمز لها بالرمز ‪ ,T‬ويقسم فضاء المعلمة كما هي الحال بالنسبة لفضاء الحالة على نوعين‬

‫فضاء معلمة متقطع أو مستمر‪.‬‬

‫سلسل ماركوف‬ ‫‪2.4‬‬

‫إن العمليات العشوائية التي تتمتع بأن حالتها في المستقبل ال تعتمد على حالتها في الماضي‬

‫وإن معرفة حالتها في المستقبل تعتمد معرفة حالتها في الحاضر‪ ,‬يسمى هذا النوع من العمليات‬

‫العشوائية بعمليات ماركوف (‪ ,)Bermant, et al., 1987; Rykov, 2010‬فقد شاع استخدام‬

‫سالسل ماركوف في دراسة حركة السكان وتخطيط اإلنتاج والمخزون ونماذج صفوف االنتظار‬

‫وصيانة اآلالت‪ ...‬إلخ‪.‬‬

‫‪12‬‬
‫تسمى العملية العشوائية }𝑇 ∈ 𝑛 ; 𝑛𝑋{ سلسلة ماركوف إذا تحققت الشروط الثالث التالية‬

‫(بارزن‪:)1983 ,‬‬

‫‪ -‬فضاء الحالة لهذه العملية يكون منفصل (منفصل الحالة)‪.‬‬

‫‪ -‬فضاء المعلمة لهذه العملية يكون منفصل (منفصل الزمن)‪.‬‬

‫‪ -‬تحقق هذه العملية خاصية ماركوف‪:‬‬

‫‪P X n1  j | X n  i, X n1  in1 ,..., X 1  i1 , X 0  i0   P X n1  j | X n  i  ........ 2.1‬‬

‫ومن ثم فإن سلسلة ماركوف }𝑇 ∈ 𝑛 ; 𝑛𝑋{ تكون عبارة عن عملية ماركوف‪ ,‬بمعنى أن‬

‫سلسلة ماركوف هي حالة خاصة من العملية التصادفية عندما يعتمد المستقبل على الحاضر فقط وال‬

‫يعتمد على الماضي‪ ,‬وعندما يكون فضاء الحالة متقطعاً فيطلق على عمليات ماركوف سالسل‬

‫ماركوف‪ ,‬نسبة إلى عالم الرياضيات (اندريه ماركوف) عندما استخدم هذا األسلوب لدراسة حركة‬

‫جزئيات الغاز في إناء مغلق ثم التنبؤ بحركة هذه الجزئيات في المستقبل (الزيادي‪.)2003 ,‬‬

‫أنواع عمليات ماركوف‬ ‫‪2.5‬‬

‫إن عملية ماركوف تصنف حسب نوع فضاء الحالة وفضاء المعلمة إلى األنواع التالية‬

‫(الحنجوري و التلباني‪:)2015 ,‬‬

‫‪ -1‬سالسل ماركوف ذات فضاء معلمة متقطع وفضاء حالة متقطع‪.‬‬

‫‪ -2‬سالسل ماركوف ذات فضاء معلمة متقطع وفضاء حالة مستمر‪.‬‬

‫‪ -3‬عمليات ماركوف ذات فضاء معلمة مستمر وفضاء حالة متقطع‪.‬‬

‫وعليه عندما يكون فضاء الحالة متقطعاً فيطلق على عمليات ماركوف سالسل ماركوف‪.‬‬

‫‪13‬‬
 ‫فرضيات تحليل ماركوف‬ ‫‪2.6‬‬

‫يستند تحليل ماركوف إلى عدة افتراضات أساسية هي (سلمان‪:)2014 ,‬‬

‫‪ -‬أن هناك عدد محدود ونهائي من الحاالت (تحت الدراسة) الممكنة الحدوث‪.‬‬

‫‪ -‬ان احتمال تغير الحاالت من وقت آلخر تظل كما هي ثابتة دون تغيير‪.‬‬

‫‪ -‬يمكن التنبؤ بأي حالة في المستقبل من خالل مصفوفة التغير ومعرفة الحالة اآلنية‪.‬‬

‫استخدامات تحليل ماركوف‬ ‫‪2.7‬‬

‫يمكن أن تطبق سالسل ماركوف في العديد من المجاالت منها (سلمان‪:)2014 ,‬‬

‫‪ -‬المقارنة بين الماركات المستعملة في األسواق‪.‬‬

‫‪ -‬دراسة تحول المستهلكين من منشأ إلى منشأ آخر لسلعة معينة‪.‬‬

‫‪ -‬التنبؤ بالزيادة أو النقصان أو االستقرار لسعر سلعة معينة‪.‬‬

‫‪ -‬تقدير مصادر التمويل الحالية والتنبؤ به للفترة المقبلة‪.‬‬

‫استخدام نموذج ماركوف في التنبؤ‬ ‫‪2.8‬‬

‫تستند صيغة نموذج ماركوف على االجراءات التالية (‪.)Gupta, 1989‬‬

‫تحديد المقاييس االحصائية الوصفية ومعالم نموذج ماركوف‬ ‫‪-I‬‬

‫هناك أربعة معالم هامة تم استخدامها خالل تحليل الظاهرة محل الدراسة وهي الوسط‬

‫الحسابي واالنحراف المعياري ومعامل االلتواء ومعامل االرتباط‪ ,‬والتي يمكن ايجادها من خالل‬

‫الصيغ التالية على الترتيب (‪:)Gupta, 1989‬‬

‫لحساب الوسط الحسابي‪:‬‬

‫𝑛‬
‫‪1‬‬
‫𝑖𝑥 ∑ = ̅𝑋‬ ‫…………………………‬ ‫‪2.2‬‬
‫𝑛‬
‫‪𝑖=1‬‬

‫‪14‬‬
 ‫وحساب االنحراف المعياري‪:‬‬

‫𝑛‬
‫‪1‬‬
‫√=𝑆‬ ‫‪∑(𝑥𝑖 − 𝑋̅)2‬‬ ‫…………………‬ ‫‪2.3‬‬
‫‪𝑛−1‬‬
‫‪𝑖=1‬‬

‫ولحساب معامل االلتواء‪:‬‬

‫‪𝑛 ∑𝑛𝑖=1(𝑥𝑖 − 𝑋̅)3‬‬

‫=𝑔‬ ‫‪…………………..‬‬ ‫‪2.4‬‬
‫𝑠)‪(𝑛 − 1)(𝑛 − 2‬‬
‫وحساب معامل االرتباط‪:‬‬

‫𝑘‪𝑛 ∑𝑛−‬‬ ‫̅‬ ‫̅‬

‫) 𝑋 ‪𝑖=1 (𝑥𝑖 − 𝑋 )(𝑥𝑖+𝑘 −‬‬
‫= 𝑘𝑟‬ ‫‪;𝑘 = 1‬‬ ‫‪……………….‬‬ ‫‪2.5‬‬
‫‪(𝑛 − 𝑘)𝑠 2‬‬
‫التعرف على توزيع البيانات‬ ‫‪-II‬‬

‫قبل البدء بخطوات بناء نموذج توليد األرقام العشوائية يجب التحقق من أن السلسلة الزمنية‬

‫المستخدمة في النموذج تخضع للتوزيع الطبيعي‪ ,‬وإذا لم يتحقق ذلك فيتم اللجوء إلى طريقة‬

‫‪𝑋 𝜆 𝑖 −1‬‬
‫= 𝑖𝑞) إحدى الطرق المعتمدة‬ ‫التحويالت‪ ,‬وتعد طريقة (‪ )Box-Cox‬المبينة في المعادلة (‬
‫𝜆‬

‫لتحويل السلسلة الزمنية إلى التوزيع الطبيعي وذلك عن طريق فرض عدة قيم ل ي ي ‪ λ‬تقع بين (‪)1,1-‬‬

‫ولكل شهر على حده‪ ,‬للحصول على قيم جديدة يكون معامل االلتواء (‪ )Skewness‬لها قريباً من‬

‫الصفر (آوجي و حسن‪.)2014 ,‬‬

‫بشكل عام‪ ,‬التوزيع المستخدم للبيانات قيد الدراسة هو التوزيع الطبيعي علماً بأن هذا التوزيع‬

‫هو األكثر استخداماً في التطبيقات االحصائية‪ ,‬ولمعرفة طبيعة البيانات وكشف كونها تتبع التوزيع‬

‫الطبيعي أم ال يجب أن تقع على الخط المستقيم أو قريباً منه (‪.)Bin Muhammad, 2012‬‬

‫‪15‬‬
 ‫‪ -III‬توليد أرقام عشوائية‬

‫يتم توليد أرقام عشوائية من البرنامج االحصائي ‪ Microsoft Excel‬أو عن طريق جدول‬

‫األرقام العشوائية‪ ,‬وتحويلها بحيث تتبع التوزيع الطبيعي المعياري(‪.)Bin Muhammad, 2012‬‬

‫‪ -IV‬بناء نموذج ماركوف للتنبؤ‬

‫الصيغة العامة لنموذج ماركوف وفق الشكل التالي (‪:)Bin Muhammad, 2012‬‬
‫‪̅ + ri (xi−1 − X‬‬
‫‪xi = X‬‬ ‫) ‪̅) + St i √(1 − ri 2‬‬ ‫………………‬ ‫‪2.6‬‬

‫حيث أن‪:‬‬

‫𝑖𝑥 ‪ :‬القيمة في الزمن ‪.ith‬‬

‫‪ :X‬الوسط الحسابي للبيانات‪.‬‬

‫̅‬

‫‪ :ri‬معامل االرتباط الخطي‪.‬‬

‫‪ :S‬االنحراف المعياري للبيانات‬

‫‪ :t i‬الرقم العشوائي الناتج من توليد البيانات ويتبع التوزيع الطبيعي المعياري‪.‬‬

‫أما عن نموذج ماركوف الشهري المطور من طرف ‪ Thomas and Fiering‬يأخذ الصيغة اآلتية‬

‫(‪:)Maass et al., 1962‬‬

‫‪1‬‬
‫‪2‬‬
‫𝑗𝑟 ‪qij = q̅j + bj (qi−1,j−1 − q̅j−1 ) + t ij sj (1 −‬‬ ‫‪)2‬‬ ‫………………‬ ‫‪2.7‬‬

‫‪ :i‬رمز الشهر للسلسلة المولدة وتأخذ القيم من ‪ 1‬الى طول السلسلة‪.‬‬

‫‪:j‬رمز الشهر في السلسلة (من يناير‪ -‬ديسمبر)‪.‬‬

‫‪ :q̅j‬الوسط الحسابي للقيم في الشهر ‪( j th‬من يناير‪ -‬ديسمبر)‪.‬‬

‫‪rj sj‬‬
‫= ‪bj‬‬ ‫ويحسب كاآلتي ‪:‬‬
‫ُ‬ ‫‪ :bj‬معامل االنحدار للقيم في الشهرين ‪ jth‬و‪(j-1)th‬‬
‫‪sj−1‬‬

‫‪ :qi−1,j−1‬القيمة عند الشهر السابق له مباشرة‪.‬‬

‫‪16‬‬
 ‫‪ :q̅j−1‬الوسط الحسابي للقيم الشهر الذي يسبق ‪.j th‬‬

‫‪ :sj‬االنحراف المعياري للقيم للشهر ‪( j th‬من يناير‪ -‬ديسمبر)‪.‬‬

‫‪ :t ij‬الرقم العشوائي المشتق ويتبع التوزيع الطبيعي المعياري‪.‬‬

‫‪ : rj‬معامل االرتباط الخطي للشهرين ‪ jth‬و‪.(j-1)th‬‬

‫مقاييس دقة التنبؤ‬ ‫‪2.9‬‬

‫إن عملية تقييم النماذج يقصد من ورائها تقيييم ميدى مناسيبة النميوذج للينمط اليذي تسيير علييه‬

‫بيانييات السلسييلة أو مييدى دقيية النمييوذج فييي التنبييؤ بقيييم السلسييلة الحالييية والمسييتقبلية‪ ,‬وثميية عييدد ميين‬

‫مقاييس مدى مناسبة النموذج تعتمد جميعها على درجة الخطأ‪ ,‬وهي الفرق بين القيمة الفعليية للسلسيلة‬

‫عنييد زميين معييين وقيميية السلسييلة التييي يتوقعهييا النمييوذج فييي ذلييك الييزمن ( ‪Yaffee and McGee,‬‬

‫‪ ,)2000‬سنعتمد في هذه الدراسة على هذه االختبارات مين اجيل المقارنية بيين النميوذجين المسيتخدمين‬

‫في البحث أيهما أكثر دقة في التنبؤ وهذه االختبارات هي‪:‬‬

‫جذر متوسط مربعات األخطاء (‪)RMSE‬‬ ‫‪2.9.1‬‬

‫ويعرف كالتالي ‪:‬‬

‫‪1‬‬ ‫‪1‬‬
‫‪RMSE = √ ∑𝑛𝑡=1 𝑒𝑡2 = √ ∑𝑛𝑡=1(𝑦𝑡 − 𝑦̂𝑡 )2‬‬ ‫……………‬ ‫‪2.8‬‬
‫𝑛‬ ‫𝑛‬

‫حيث يعتبر هذا المعيار من أهم مقاييس دقة التنبؤ للنماذج‪ ,‬وبصفة عامة يمتاز هذا المقياس‬

‫عن غيره بسهولة خصائصه اإلحصائية‪.‬‬

‫‪17‬‬
 ‫متوسط الخطأ المطلق النسبي )‪(MAPE‬‬ ‫‪2.9.2‬‬

‫المقياس الذي يتالشى مشكلة كون القيم السالبة للخطأ تلغي القيم الموجبة‪ ,‬وال يضخم الخطأ‬

‫من خالل التربيع كما يحدث في مجموع مربعات الخطأ‪ ,‬وكذلك يمكن من مقارنة النماذج عبر‬

‫السالسل المختلفة‪ ,‬يطلق عليه اسم "متوسط القيم المطلقة لنسب الخطأ ‪Mean Absolute‬‬

‫)‪ ,"Percentage Error (MAPE‬كما توضحه الصيغة التالية‪:‬‬

‫𝑛‬
‫‪1‬‬ ‫| 𝑡̂𝑦 ‪|𝑦𝑡 −‬‬
‫∑ = 𝐸𝑃𝐴𝑀‬ ‫‪× 100‬‬ ‫…………‪……….‬‬ ‫‪2.9‬‬
‫𝑛‬ ‫𝑡𝑦‬
‫‪𝑡=1‬‬

‫أي أن حساب متوسط القيم المطلقة لنسب الخطأ يتم من خالل قسمة القيم المطلقة للخطأ‬

‫في األزمنة المختلفة على قراءات السلسلة المقابلة لها‪.‬‬

‫متوسط الخطأ المطلق ‪MAE‬‬ ‫‪2.9.3‬‬

‫ويمكن التعبير عن هذا المقياس بالصيغة اآلتية ‪:‬‬

‫‪1 n‬‬ ‫‪1 n‬‬

‫‪MAE =  t‬‬ ‫|‬ ‫‪y‬‬ ‫‪‬‬ ‫ˆ‬
‫‪y‬‬ ‫‪t‬‬ ‫|‬ ‫‪‬‬ ‫| ‪ | et‬‬ ‫‪………………….‬‬ ‫‪2.10‬‬
‫‪n t 1‬‬ ‫‪n t 1‬‬

‫حيث ‪ e t‬تمثل البواقي ‪ y t ,‬القيم الحقيقية للسلسلة ‪ yˆ t ,‬تمثل القيم المقدرة‪ n ,‬تمثل عدد‬
‫المشاهدات‪.‬‬

‫فكلما كانت قيمة هذه المقاييس قليلة دل ذلك على اقتراب القيم المتنبأ بها من القيم الحقيقية‬

‫لبيانات سلسلة الظاهرة‪.‬‬

‫‪18‬‬
 ‫‪ 2.10‬الخلصة‬

‫استعرض مقدمة عن العمليات العشوائية‪ ,‬والصفتين اللتين تشتركا‬

‫ا‬ ‫تناولنا في هذا الفصل‬

‫بهما أي عملية عشوائية هما فضاء الحالة ‪ State Space‬وفضاء المعلمة ‪,Parameter Space‬‬

‫كما استعرضنا في هذا الفصل ماهية سالسل ماركوف‪ ,‬باإلضافة إلي أنواع عمليات ماركوف‬

‫األربعة‪ ,‬والفرضيات التي يعتمد عليها تحليل سالسل ماركوف‪ ,‬والتعرف على استخدامات تحليل‬

‫سالسل ماركوف لمجاالتها المختلقة‪.‬‬

‫وأيضاً تم عرض نموذج ماركوف الشهري الذي يتم من خالله التنبؤ بالقيم المستقبلية‪ ,‬مرو اًر‬

‫بمراحله األربعة متمثلة بتحديد المقاييس والمعالم االحصائية ومن ثم التعرف على توزيع البيانات‬

‫وتوليد أرقام عشوائية وأخي اَر بناء نموذج ماركوف‪ ,‬وكذلك تطرقنا لعرض معايير التقييم المستخدمة‬

‫لدقة التنبؤ وهي ‪.MAPE ,RMSE, MAE‬‬

‫وسنتناول في الفصل التالي النموذج الثاني المستخدم في تحليل بيانات الدراسة‪ ,‬وهو نموذج‬

‫‪ ARIMA‬والذي سوف تستخدم نتائجه في المقارنة مع نتائج نموذج ماركوف‪.‬‬

‫‪19‬‬
‫الفصل الثالث‬

‫نماذج‬
‫‪ARIMA‬‬

‫‪20‬‬
 ‫‪ 3.1‬مقدمة‬

‫يعد علم االحصاء أحد العلوم المهمة والحيوية في البحث العلمي والتي نمت وتطورت في‬

‫القرن الحالي‪ ,‬إذ أصبح لهذا العلم أهمية بالغة في هذا العصر‪ ,‬لذا يتركز جزء كبير من هذا العلم‬

‫لدراسة وتحليل السالسل الزمنية التي تستخدم في وصف الظاهرة لمعرفة طبيعة التغيرات التي تط أر‬

‫على الفترات الزمنية‪ ,‬ومما ال شك فيه أن احدى المهام األساسية للعلوم االحصائية هي قراءة‬

‫المستقبل‪ ,‬فإن االهتمام بدراسة المستقبل تعد من األمور بالغة األهمية في مختلف ميادين الحياة‪.‬‬

‫إن موضوع السالسل الزمنية من المواضيع األساسية التي أخذت تستخدم في مختلف العلوم‬

‫استخداماً واسعاً جداً‪ ,‬حيث أن االجراءات االحصائية الرياضية في تحليل السالسل الزمنية‪ ,‬أصبحت‬

‫تعطى دواالً مهمة للتقدير فضالً عن نقاط أخرى مهمة جداً في اتخاذ الق اررات في مواضيع كثيرة‬

‫مهمة‪ ,‬وأنه يساعد على مالءمة بعض النماذج الرياضية واالحصائية للمشكلة المراد دراستها‪.‬‬

‫يهدف هذا الفصل إلى عرض التعريف العام للسلسلة الزمنية بنوعيها والمتقطعة والمستمرة‪,‬‬

‫وأهداف تحليل السالسل الزمنية‪ ,‬والتعرف على مركبات السلسلة الزمنية وتصنيفاتها المختلقة وطرق‬

‫الكشف عنها من خالل عرض أشهر النماذج الرياضية التي تربط هذه المركبات معاً‪.‬‬

‫ويتضمن هذا الفصل تقديم اعتبارات تطبيق نماذج ‪ ARIMA‬من خالل استعراض صياغة‬

‫نماذجها بشيء من االسهاب متمثلة في نماذج االنحدار الذاتي‪ ,‬ونماذج المتوسطات المتحركة‪,‬‬

‫والنماذج المختلطة‪ ,‬ونماذج االنحدار الذاتي والمتوسطات المتحركة التكاملية‪ ,‬باإلضافة إلي مراحل‬

‫تطبيقها في التنبؤ وذلك من خالل تهيئة البيانات والتعرف على النموذج وتقدير معالمه وتشخيصه‬

‫ومن ثم مرحلة التنبؤ‪ ,‬وأخي اًر التعرف على معايير التقييم المستخدمة للمفاضلة بين نماذج‬

‫‪.ARIMA‬‬

‫‪21‬‬
 ‫‪ 3.2‬السلسلة الزمنية‬

‫في أغلب فروع العلم‪ ,‬الهندسة والتجارة‪ ,‬هناك متغيرات مقاسة بالتعاقب في الزمن وأن مثل‬

‫هذه المتغيرات تسمى بالسلسلة الزمنية ( ‪.)Comwpertwait & Metcalf, 2009‬‬

‫تُعرف السلسلة الزمنية بأنها متتابعة من القيم المشاهدة لظاهرة معينة مرتبة مع الزمن‪ ,‬وعادة‬

‫ما تكون هذه القيم غير مستقلة أي تعتمد على بعضها البعض ويستغل عدم االستقالل في التوصل‬

‫إلى تنبؤات موثوق بها (‪ )Miljanovic, 2012‬و (‪.)Bisgaard & Kulahci ,2011‬‬

‫أنواع السلسل الزمنية‬ ‫‪3.3‬‬

‫تُصنف بيانات السالسل الزمنية طبقاً ألسلوب رصد قيم السلسلة خالل الزمن‪ ,‬وتقسم السالسل‬

‫الزمنية إلى نوعين هما (إسماعيل‪:)1998 ,‬‬

‫‪ ‬سالسل زمنية متقطعة ‪Discrete time series‬‬

‫‪ ‬سالسل زمنية مستمرة ‪Continous time series‬‬

‫فإذا كانت قيم الظاهرة مقاسة بفترات زمنية متقطعة مثل ساعة أو يوم أو شهر أو فصل أو‬

‫سنة تسمى عندئذ بالسلسلة الزمنية المتقطعة‪ ,‬وإذا كانت مقاسة بفترات زمنية متصلة مثل درجة‬

‫الح اررة أو الرطوبة تسمى عندئذ بالسلسلة الزمنية المستمرة‪ ,‬وتعد السالسل الزمنية األكثر شيوعاً في‬

‫المجال التطبيقي هي السالسل الزمنية المتقطعة التي تكون الفترة الزمنية بين مشاهدة وأخرى متساوية‬

‫وهذه يمكن الحصول عليها إما عن طريق تسجيل قيم الظاهرة في أزمنة ثابتة أو عن طريق تجميع‬

‫قيم الظاهرة لفترة زمنية ثابتة (المعماري‪ :2004 ,‬سليمان‪.)2008 ,‬‬

‫‪22‬‬
 ‫‪ 3.4‬أهداف تحليل السلسل الزمنية‬

‫ُيعد موضوع تحليل السالسل الزمنية من المواضيع االحصائية المهمة التي تتناول سلوك‬

‫الظواهر وتفسرها عبر حقب محددة‪ ,‬ويمكن إجمال أهداف تحليل السالسل الزمنية بالنقاط اآلتية‬

‫(فاندل‪:)1992 ,‬‬

‫‪ -1‬الحصول على وصف دقيق لمالمح الظاهرة التي تتولد منها السلسلة الزمنية‪.‬‬

‫‪ -2‬بناء نموذج لتفسير سلوك السلسلة الزمنية واستخدام النتائج للتنبؤ بسلوك السلسلة في‬

‫المستقبل‪.‬‬

‫‪ -3‬التحكم في العملية التي تتولد منها السلسلة الزمنية بفحص ما يمكن حدوثه عند تغيير بعض‬

‫معلمات النموذج‪.‬‬

‫‪ 3.5‬مركبات السلسلة الزمنية‬

‫نقصد بها العناصر المكونة للسلسلة الزمنية‪ ,‬وهذا بهدف معرفة سلوك السلسلة وتحديد مقدار‬

‫تغيراتها وإدراك طبيعتها واتجاهها حتى يصبح باإلمكان القيام بالتقديرات الالزمة والتنبؤات الضرورية‪,‬‬

‫وهذه العناصر هي (هتهات‪.)2006 ,‬‬

‫االتجاه العام ( 𝒕𝑻)‬ ‫‪3.5.1‬‬

‫هو النمو الطبيعي للظاهرة‪ ,‬حيث يعبر عن تطور متغير ما عبر الزمن‪ ,‬سواء كان هذا‬

‫التطور بميل موجب أو سالب‪ ,‬إال أن هذا التطور ال ُيالحظ في الفترات القصيرة‪ ,‬بينما يكون واضحاً‬

‫في الفترات الطويلة‪.‬‬

‫‪23‬‬
 ‫‪ 3.5.2‬التغيرات الموسمية "الفصلية" ( 𝒕𝑺)‬

‫هي التغيرات التي تحدث بانتظام في وحدات زمنية متعاقبة والتي تنجم من تأثير العوامل‬

‫العطل واالجازات‪,‬‬
‫الخارجية‪ ,‬أو هي تقلبات تتكرر على نفس الوتيرة كل سنة‪ ,‬وكمثال لهذه التغيرات ُ‬

‫واالقبال على نوع من األلبسة في فصل ما‪ ,‬واستهالك الكهرباء في فصل الصيف‪...‬إلخ‪.‬‬

‫‪ 3.5.3‬التغيرات الدورية ( 𝒕𝑪)‬

‫تنعكس هذه المركبة في السالسل الزمنية طويلة األجل‪ ,‬والتي تبرز انتقال أثر األحوال‬

‫االقتصادية مثالً‪ ,‬وهي تغيرات تشبه التغيرات الموسمية إال أنها تتم في فترات أطول نسبياً من‬

‫الفترات الموسمية‪ ,‬وبالمقارنة بالمتغيرات الموسمية فإن طول الفترة الزمنية غير معلوم وإنما يتراوح‬

‫بين ثالث سنوات إلى عشر سنوات‪ ,‬وبالتالي يصعب التعرف على التقلبات الدورية ومقاديرها‪ ,‬ألنها‬

‫تختلف اختالفاً كبي اًر من دورة ألخرى سو ً‬

‫اء من حيث طول الفترة الزمنية للدورة أو اتساع تقلباتها‬

‫ومداها‪.‬‬

‫‪ 3.5.4‬التغيرات العشوائية ( 𝒕𝑰)‬

‫وهي تعبر عن تلك التذبذبات غير المنتظمة‪ ,‬وبمعنى آخر هي تلك التغيرات الشاذة التي‬

‫تنجم عن ظروف طارئة ال يمكن التنبؤ بوقوعها أو تحديد نطاق تأثيرها‪ ,‬حيث تنشأ عن أسباب‬

‫عارضة لم تكن بالحسبان مثل الزالزل‪ ,‬وإضراب العمال ‪ ...‬إلخ‪.‬‬

‫‪ 3.6‬النماذج المختلفة للسلسل الزمنية‪:‬‬

‫يتطلب تحليل السلسلة الزمنية صياغة نموذج رياضي يمثل السلسلة المعطاة‪ ,‬وقد طور‬

‫االخصائيون عدة نماذج رياضية تربط بين قيم المشاهدات‪ ,‬وقيم المركبات المختلفة للسلسلة الزمنية‪,‬‬

‫ومن أبرز النماذج الرياضية التي تصف السلسلة الزمنية هي النموذج الجمعي والضربي والمختلط‪.‬‬

‫‪24‬‬
 ‫𝑡𝐼 ‪𝑌𝑡 = 𝑇𝑡 + 𝑆𝑡 + 𝐶𝑡 +‬‬ ‫‪ ‬النموذج الجمعي‬
‫‪ ‬النموذج الضربي 𝑡𝐼 × 𝑡𝐶 × 𝑡𝑆 × 𝑡𝑇 = 𝑡𝑌‬

‫‪ ‬النموذج المختلط 𝑡𝐼 × 𝑡𝐶 × 𝑡𝑆 ‪𝑌𝑡 = 𝑇𝑡 +‬‬

‫ويتم تحليل السالسل الزمنية لعزل المؤثرات المنتظمة وغير المنتظمة‪ ,‬ومعرفة مدى تأثير‬

‫كل منها على قيمة الظاهرة المشاهدة‪ ,‬وبذلك يكون القصد من التحليل رد القيمة الكلية للظاهرة إلى‬

‫عناصرها المكونة لها (عوض وعزام‪.)2002 ,‬‬

‫الكشف عن مركبات السلسل الزمنية‬ ‫‪3.7‬‬

‫يمكن كشف وجود مركبات السالسل الزمنية عن طريق تحليل المعلومات بيانياً‪ ,‬فيتمثل‬

‫االتجاه العام في تلك المركبة التي تدفع بمنحنى تطور السلسلة عبر الزمن إلى األعلى أو األسفل‪,‬‬

‫بينما تنعكس المركبة الدورية في الشكل البياني على هيئة قمم أو انخفاضات بشكل منتظم يسمح لنا‬

‫بتحديد فترة حدوث هذه الظاهرة‪ ,‬وأما المتغيرة العشوائية تتمثل في التذبذب الحاصل على مستوى‬

‫السلسلة‪ ,‬أما المتغيرة الفصلية تتضح من خالل االنتظام الموجود في تسجيل قيمة على الفصل‬

‫األخير لكل سنة‪ ,‬أو انخفاض في كل بداية سنة جديدة‪ ,‬وإلى جانب التحليل البياني يوجد عدة‬

‫اختبارات إحصائية للكشف عن هذه المركبات نذكر منها اختبار دانيال ‪ Daniel’s Test‬لكشف‬

‫مركبة االتجاه العام واختبار ‪ Kruskall-Wallis‬لكشف المركبة الفصلية (زرمان‪.)2015 ,‬‬

‫اعتبارات تطبيق نماذج ‪ARIMA‬‬ ‫‪3.8‬‬

‫‪ 3.8.1‬السكون‬

‫يعتمد نموذج ‪ ARIMA‬على شرط أساسي يجب التأكد من توافره في البيانات الخاصة‬

‫بالسلسلة الزمنية محل الدراسة وهو شرط السكون‪ ,‬بمعنى أن تكون السلسلة الزمنية متوازنة وال تتغير‬

‫خصائصها عبر الزمن‪ ,‬وهو يعني ضمناً أن العوامل التي أثرت على السلسلة الزمنية في الماضي‬

‫‪25‬‬
‫هي نفسها لعوامل التي تؤثر عليها في الحاضر‪ ,‬وستؤثر عليها في المستقبل (بن أحمد‪: 1982 ,‬‬

‫ركابي والخادم‪.)2014 ,‬‬

‫ولكي يمكن وصف السلسلة الزمنية محل الدراسة بالسكون ال بد أن يتسم كل من المتوسط‬

‫والتباين بالثبات‪ ,‬ويقصد بثبات المتوسط أال تعبر السلسلة الزمنية عن اتجاه عام مع الزمن‪ ,‬وتعد‬

‫طريقة الفروق هي أشهر الطرق المستخدمة في التخلص من أثر االتجاه العام‪ ,‬أما ثبات التباين‬

‫فيقصد به أال يكون التباين متزايداً أو متناقصاً مع الزمن بمعنى ال تظهر تذبذبات متباينة في شكل‬

‫السلسلة الزمنية‪ ,‬فيتم معالجته بأخذ الجذر التربيعي لبيانات السلسلة أو بأخذ تحويلة مقلوب البيانات‬

‫لها أو التحويلة اللوغاريتمية وهي أكثر التحويالت استخداماً لتثبيت التباين )‪.(Nuno, 1996‬‬

‫وفي الواقع‪ ,‬ال توجد قاعدة عامة ثابتة يمكن أن تحدد لنا ما هي التحويلة المناسبة للبيانات‬

‫محل االهتمام‪ ,‬وغالباً ما يتم األمر من خالل استطالع شكل االنتشار‪ ,‬وتعتبر التحويلة اللوغاريتمية‬

‫هي أكثر التحويالت شيوعاً في هذا الصدد‪ ,‬يليها تحويلة الجذر التربيعي‪ ,‬إال أنه ظهر مؤخ اًر عائلة‬

‫مرنة من التحويالت يطلق عليها تحويالت القوى ‪ Power Transformations‬وتأخذ الشكل التالي‬

‫)‪:)Box & Cox, 1964‬‬

‫𝑖 )‪𝑦 (λ−1‬‬
‫𝑖‪𝑦λ‬‬ ‫‪= { λ‬‬ ‫‪, 𝑖𝑓 λ ≠ 0‬‬ ‫‪3.1‬‬
‫‪log(𝑦𝑖 ) , 𝑖𝑓 λ = 0‬‬
‫حيث 𝜆 تمثل معلمة التحويل ‪ Transformation Parameter‬وتعد كل من التحويلة اللوغاريتمية‬

‫‪ ,λ = 0‬وتحويلة الجذر التربيعي ‪ ,λ = 0.5‬حالتان خاصتان من تلك العائلة (ركابي والخادم‪,‬‬

‫‪.)2014‬‬

‫يمثل السكون مفهوماً أساسياً وهاماً لتحليل السالسل الزمنية ذلك أنه يعتبر من الفروض‬

‫التبسيطية الالزمة لتسهيل تحليل السلسلة وبدونه يتعذر تحليل السلسلة الزمنية‪ ,‬وتجدر االشارة إلى‬

‫‪26‬‬
‫أن أدبيات السالسل الزمنية تشمل عدة تعريفات أو مفاهيم مختلفة للسكون وسوف نناقش نوعين من‬

‫السكون هما السكون الكامل والسكون الضعيف (إسماعيل‪.)1998 ,‬‬

‫‪ ‬السكون الكامل‬

‫يقال أن السلسلة الزمنية سلسلة ساكنة بالمعنى الكامل إذا كانت دالة التوزيع االحتمالي ألي‬

‫جزء من السلسلة في أي عدد من النقط الزمنية 𝑚𝑡 ‪ 𝑡1 , 𝑡2 , … ,‬ال يتأثر باإلزاحة لألمام أو الخلف‬

‫أي عدد من الوحدات الزمنية ‪ ,k‬فإن مفهوم السكون الكامل يكون التوزيع االحتمالي المشترك‬

‫للمتغيرات 𝑚𝑌 ‪ 𝑌1 , 𝑌2 , … ,‬هو نفسه التوزيع االحتمالي المشترك للمتغيرات 𝑘‪𝑌1+𝑘 , 𝑌2+𝑘 , … , 𝑌𝑚+‬‬

‫لجميع قيم ‪.k‬‬

‫‪ ‬السكون الضعيف‬

‫يقال أن السلسلة الزمنية ساكنة بالمعنى الضعيف إذا تحققت الشروط التالية اآلتية ‪:‬‬

‫‪ -‬أن يكون الوسط الحسابي كمية ثابتة ال تعتمد على الزمن‪.𝐸(𝑌𝑡 ) = 𝜇 .‬‬

‫‪ -‬أن يكون التباين كمية ثابتة ال تعتمد على الزمن‪.𝑣𝑎𝑟(𝑌𝑡 ) = 𝜎 2 .‬‬

‫‪ -‬أن يكون التباين المشترك ال يعتمد على الزمن‪ ,‬وإنما يعتمد على الفرق ( فترة اإلبطاء) بين‬

‫)𝜇 ‪𝑐𝑜𝑣 (𝑌𝑡 , 𝑌𝑡−𝑠 ) = 𝐸 (𝑌𝑡 − 𝜇)(𝑌𝑡−𝑠 −‬‬ ‫الزمنين ‪.Lag Time‬‬

‫ونظ اًر لصعوبة تحقق شروط السكون التام‪ ,‬فإننا في مجال االحصاء ال نشترط عادة أن تكون‬

‫السلسلة الزمنية مؤكدة السكون‪ ,‬ولكن نكتفى فقط بالسكون الضعيف (‪.)Matroushi, 2011‬‬

‫وجود اتجاهات عشوائية ‪ Stochastic Trends‬في معظم السالسل الزمنية تجعلها غير‬

‫مستقرة‪ ,‬ولغرض الحكم على استق اررية السلسلة نستخدم اختبارات جذور الوحدة‪ ,‬سنقوم بعرض اثنين‬

‫فقط من االختبارات التي تم استخدامهما في الجانب التطبيقي وهما اختبار ديكي فوالر واختبار فيليب‬

‫بيرون‪.‬‬

‫‪27‬‬
 ‫‪ ‬اختبار دكي فولر (‪Fuller–Dickey )D.F‬‬

‫يعتمد اختبار (‪ )D.F‬البسيط على ثالث معادالت بسيطة تفترض وجود عملية عشوائية 𝑡𝑋‬

‫(‪ )Stochastic Process‬من نمط انحدار ذاتي من المرتبة األولى (‪ AR)1‬هذه المعادالت هي‬

‫‪:‬‬ ‫)‪ (Dickey and Fuller, 1979‬و (نقار والعواد‪)2011,‬‬

‫𝑡𝑒 ‪𝐼) ∆𝑋𝑡 = α1 𝑋𝑡−1 +‬‬ ‫…………………‬ ‫‪3.2‬‬

‫𝑡𝑒 ‪𝐼𝐼) ∆𝑋𝑡 = 𝛼0 + 𝛼1 𝑋𝑡−1 +‬‬ ‫……………………‬ ‫‪3.3‬‬

‫𝑡𝑒 ‪𝐼𝐼𝐼) ∆𝑋𝑡 = 𝛼0 + α1 𝑋𝑡−1 + 𝐵𝑡 +‬‬ ‫‪…………………..‬‬ ‫‪3.4‬‬

‫حيث أن‪:‬‬

‫∆‪ :‬معامل الفروق األولى‪ ,‬أي‪∆𝑋𝑡 = 𝑋𝑡 − 𝑋𝑡−1 :‬‬

‫𝑡𝑒‪ :‬عملية الضجة البيضاء ‪.White Noise Process‬‬

‫‪ :𝛼0‬تمثل الحد الثابت‪ 𝐵𝑡 ,‬تمثل االتجاه الزمني‪.‬‬

‫الفرضية التي نختبرها ‪( 𝐻0 : α1 = 0‬وجود جذر وحدة أي عدم استقرار) تُقارن إحصائية‬

‫= 𝑡 مع القيم النظرية التي وضعها ديكي – فوالر في جداول‪.‬‬ ‫االختبار‬

‫‪α1‬‬
‫) ‪𝑆𝐸(α1‬‬

‫‪ ‬اختبار ديكي – فوالر الموسع (‪Augmented Dickey-Fuller Test )ADF‬‬

‫إن اختبار ديكي – فوالر البسيط يقتصر على نماذج انحدار ذاتي من المرتبة األولى‬

‫(‪ ،AR)1‬وقد قام ديكي – فوالر بتوسيع االختبار إلى عمليات االنحدار الذاتي من مرتبة أكبر من‬

‫(‪ ,)1‬يعتبر اختبار جذور الوحدة لديكي – فوالر الموسع (‪ )ADF‬من االختبارات القوية للكشف عن‬

‫استقرار السلسلة الزمنية‪ ,‬وتوزيع اختبار ديكي فوالر الموسع مبني على المعادالت الثالثة التالية‬

‫(‪:)Dickey and Fuller,1981‬‬

‫‪28‬‬
 ‫𝑝‬

‫𝑡𝑒 ‪𝐼) ∆𝑋𝑡 = 𝛼1 𝑋𝑡−1 + ∑ 𝐵𝑗 ∆𝑋𝑡−𝑗 +‬‬ ‫‪……………….‬‬ ‫‪3.5‬‬

‫‪𝑗=1‬‬

‫𝑝‬

‫𝑡𝑒 ‪𝐼𝐼) ∆𝑋𝑡 = 𝛼0 + 𝛼1 𝑋𝑡−1 + ∑ 𝐵𝑗 ∆𝑋𝑡−𝑗 +‬‬ ‫………………‬ ‫‪3.6‬‬

‫‪𝑗=1‬‬

‫𝑝‬

‫𝑡𝑒 ‪𝐼𝐼𝐼) ∆𝑋𝑡 = 𝛼0 + 𝛼1 𝑋𝑡−1 + ∑ 𝐵𝑗 ∆𝑋𝑡−𝑗 + 𝛿𝑡 +‬‬ ‫‪…………….‬‬ ‫‪3.7‬‬

‫‪𝑗=1‬‬

‫حيث ‪ :𝑒𝑡 :‬عملية الضجة البيضاء ‪.White Noise Process‬‬

‫يقوم اختبار ‪ ADF‬على الفرضيتين التاليتين‪:‬‬

‫‪𝐻0 : 𝐵 − 1 = 0‬‬ ‫(وجود جذر وحدة أي عدم استقرار)‬

‫‪𝐻1 : 𝐵 − 1 < 0‬‬ ‫(عدم وجود جذر وحدة أي استقرار)‬

‫عندما تكون (‪ )𝐵 = 1‬مقبولة إحصائيا فان ذلك يدل على عدم االستقرار وأن البيانات‬

‫تعاني من الجذر األحادي‪.‬‬

‫‪ ‬اختبار فيليب وبيرون (‪)Phillips and Perron Test‬‬

‫يسمح اختبار (‪ )Phillips and Perron,1988‬بتجاوز مشكلتي االرتباط الذاتي للبواقي‬

‫وعدم ثبات التباين للخطأ العشوائي التي يعاني منها اختبار ديكي فوالر العادي‪ ,‬ويجرى هذا االختبار‬

‫في أربعة مراحل‪:‬‬

‫‪ .1‬التقدير بواسطة طريقة المربعات الصغرى للنماذج الثالثة القاعدية الختبار ديكي فوالر‬

‫وحساب اإلحصائيات المرافقة‪.‬‬

‫‪ .2‬تقدير التباين المسمى بالقصير األجل ‪ ,𝜎 2 = ∑𝑛𝑡=1 𝑒𝑡2‬حيث يمثل 𝑡𝑒 الباقي المقدر‪.‬‬
‫‪1‬‬
‫𝑛‬

‫‪29‬‬
‫‪ .3‬تقدير المعامل المصحح ‪ 𝑠𝑡2‬المسمى بالتباين طويل األجل‪ ,‬والمستخرج من هيكلة التباينات‬

‫المشتركة لبواقي النماذج السابقة‪ ,‬حيث‪:‬‬

‫‪ 𝑠𝑡2 = ∑𝑛𝑡=1 𝑒𝑡2 + 2 ∑𝑙𝑖=1 (1 −‬من أجل تقدير هذا التباين‬

‫‪1‬‬ ‫𝑖‬ ‫‪1‬‬
‫𝑛‬
‫𝑛∑ )‬ ‫𝑒𝑒‬
‫‪𝑙+1 𝑛 𝑡=𝑖+1 𝑡 𝑡−1‬‬

‫الطويل األجل‪ ,‬من الضروري تعريف عدد التأخي ارت 𝑙 المقدرة بداللة عدد المشاهدات الكلية ‪.n‬‬
‫)‪̂ 1 −1‬‬ ‫̂∅ ̂‬
‫𝜎)‪𝑛(𝑘−1‬‬
‫‪ .4‬حساب احصائية فيليب وبيرون (𝑝𝑝)‪:‬‬
‫∅(‬
‫× 𝑘√ = ‪𝑡∅∗1‬‬ ‫̂∅ ̂‬
‫‪+‬‬ ‫‪1‬‬
‫𝜎‬ ‫𝑘√‬
‫‪1‬‬

‫‪̂2‬‬
‫= 𝑘 ( الذي يساوي الواحد – في حال التقاربية‪ -‬إذا كان 𝑡𝑒 يمثل تشويشاً أبيضاً‪.‬‬ ‫مع‪:‬‬
‫𝜎‬
‫‪𝑠𝑡2‬‬

‫ثم يتم مقارنة هذه االحصائية مع القيم الحرجة لجدول )‪.(MacKinnon, 1991‬‬

‫‪ 3.8.2‬دالة االرتباط الذاتي )‪(ACF‬‬

‫توضح دالة االرتباط الذاتي االرتباطات الموجودة بين المشاهدات لفترات مختلفة‪ ,‬وهي مقياس‬

‫يقيس قوة االرتباط الداخلية للسلسلة الزمنية‪ ,‬حيث يمكن تمييز السالسل الزمنية الساكنة عن غير‬

‫الساكنة من خالل قيم معامالت االرتباط الذاتي (أحمد ويونس‪.)2013 ,‬‬

‫وتعد دالة االرتباط الذاتي ‪ ACF‬وسيلة مهمة لمعرفة استق اررية السلسلة الزمنية‪ ,‬حيث إنها‬

‫تميل لالنحدار بسرعة نحو الصفر مع ازدياد فترات االزاحة (‪ )k‬أو تنقطع بعد عدد من فترات‬

‫االزاحة (‪ )k=q‬أي أن‪:‬‬

‫; ‪𝜌𝑘 = 0‬‬ ‫𝑞 > 𝑘∀‬

‫وبما أن دالة االرتباط الذاتي للعينة هي فقط تقديرات لالرتباطات الذاتية فإن قيمها من‬

‫المحتمل أن تكون صغيرة وليس صفر أي أن‪:‬‬

‫𝑞 > 𝑘∀ ; ‪𝑟𝑘 ≠ 0‬‬

‫‪30‬‬
‫أما إذا كانت السلسة الزمنية غير مستقرة بسبب وجود اتجاه صاعد أو نازل في المعدل‪,‬‬

‫فإن دالة ‪ ACF‬للعينة ال تنقطع وال تنحدر ببطء تجاه الصفر‪ ,‬وذلك لكون المشاهدات تميل ألن‬

‫تكون على نفس اتجاه الوسط الحسابي للسلسلة الزمنية لفترات زمنية عديدة‪ ,‬وكنتيجة لذلك نحصل‬

‫على ارتباطات كبيرة عند فترات ازاحة طويلة (المتولي‪.)1989 ,‬‬

‫‪ 3.8.3‬دالة االرتباط الذاتي الجزئي )‪(PACF‬‬

‫تمثل دالة االرتباط الذاتي الجزئي العالقة بين قيم متتالية لمتغير ما خالل فترتين زمنيتين‬

‫مختلفتين‪ ,‬مع افتراض ثبات الفترات األخرى‪ ,‬ويرمز لها بالرمز ‪ ,𝑃𝐾1‬فمعامل االرتباط الجزئي بين‬

‫𝑡𝑌 و 𝑘‪ 𝑌𝑡−‬يشير إلي االرتباط بينهما مع استبعاد قيم 𝑡𝑌 األخرى التي تقع بين الفترتين 𝑘 ‪𝑡 , 𝑡 −‬‬

‫(محمد‪.)2013 ,‬‬

‫تُستخدم ‪ PACF‬كأداة أساسية في تحليل نماذج ‪ ARIMA‬إلى جانب دالة االرتباط الذاتي‬

‫‪ ,ACF‬حيث تستخدم هاتان األداتان معاً للتمييز بين نماذج ‪ ARIMA‬المختلفة (فاندل‪.)1992 ,‬‬

‫إن دالة االرتباط الذاتي الجزئي ‪ PACF‬للسلسلة الزمنية المستقرة تميل لالنحدار بسرعة‬

‫نحو الصفر مع ازدياد فترات االزاحة أو تنقطع بعد عدد معين من فترات االزاحة ‪Anderson, ( k‬‬

‫‪.)1942‬‬

‫‪31‬‬
 ‫‪ 3.9‬صياغة نماذج ‪ARIMA‬‬

‫سنقوم باستعراض الجوانب النظرية لهذه النماذج‬

‫‪ 3.9.1‬نموذج االنحدار الذاتي )‪(AR‬‬

‫ُيمثل نموذج االنحدار الذاتي العالقة بين القيم الحالية والقيم السابقة للسلسلة الزمنية‪,‬‬

‫ويستخدم في مختلف المجاالت منها وصف ظاهرة معينة سواء تلك الظاهرة طبيعية أو اقتصادية‪.‬‬

‫إن الهدف من تحليل السالسل الزمنية هو الوصول إلي النموذج الرياضي الذي يمثل‬

‫البيانات‪ ,‬وإن نموذج االنحدار الذاتي هو أحد النماذج المهمة لتحقيق الهدف‪ ,‬ومن العلماء األوائل‬

‫الذين قاموا بدراسة االنحدار الذاتي العالم ‪ Yule‬عام ‪ 1927‬وأكمل طريقه إلى النموذج العام هو‬

‫العالم ‪ Walker‬في عام ‪( 1931‬الصفاوي و الطائي‪.)2003 ,‬‬

‫عندما تكون القيمة الحالية للسلسلة دالة في قيمتها في الفترة السابقة إضافة إلى بعض‬

‫األخطاء‪ ,‬فإن النماذج المتكونة من هذه العملية تسمى بنماذج االنحدار الذاتي‪.‬‬

‫فإذا كانت 𝑡𝑦 تمثل القيمة الحالية للسلسلة الزمنية و 𝑛‪ 𝑦𝑡−1 , 𝑦𝑡−2 , … , 𝑦𝑡−‬قيم نفس‬

‫السلسلة في الفترات السابقة‪ ,‬ووجد أن 𝑡𝑦 تعتمد أو تتأثر بقيمها السابقة فإننا يمكن أن نعبر عن هذه‬

‫العالقة بنموذج انحدار ذاتي من الرتبة ‪ p‬كاآلتي (‪:)Shumway, 1998‬‬

‫𝑡𝜀 ‪𝑦𝑡 = 𝜇 + ∅1 𝑦𝑡−1 + ∅2 𝑦𝑡−2 + ⋯ + ∅𝑝 𝑦𝑡−𝑝 +‬‬ ‫………‬ ‫‪3.8‬‬

‫أو بصيغة االنحرافات‪:‬‬

‫𝑡𝜀 ‪𝑧𝑡 = ∅1 𝑧𝑡−1 + ∅2 𝑧𝑡−2 + ⋯ + ∅𝑝 𝑧𝑡−𝑝 +‬‬ ‫………‬ ‫‪3.9‬‬

‫‪32‬‬
‫حيث أن‪ : ∅1 , ∅2 , … , ∅𝑝 :‬معالم نموذج االنحدار الذاتي التي يجب تقديرها و 𝑡𝜀 ‪ :‬تغيرات‬

‫عشوائية مستقلة عن قيم 𝑡𝑧 السابقة‪ ,‬وتتبع توزيع معتدل متوسطه صفر وتباينه ثابت ‪.𝛿𝑎 2‬‬

‫‪ 3.9.2‬نموذج المتوسطات المتحركة )‪(MA‬‬

‫السلسلة الزمنية التي يمكن أن نحصل على قيمتها في الزمن ‪ t‬من خالل األخطاء العشوائية‬

‫في الفترة الحالية 𝑡𝜀 والفترات السابقة ) … ‪ ,(𝜀𝑡−1 , 𝜀𝑡−2 ,‬وأن النموذج الناتج من هذه العملية يسمى‬

‫نموذج المتوسطات المتحركة‪ ,‬حيث قام الباحث ‪ Stutzky‬عام ‪ 1937‬بدراسة نماذج المتوسطات‬

‫المتحركة ووضع الصيغة العامة لهذا النموذج من الرتبة ‪ q‬والذي يرمز له بالرمز )‪ MA(q‬هي‬

‫(الطائي و ألشرابي‪ :2010,‬أحمد و يونس‪:)2013 ,‬‬

‫𝑞‪𝑦𝑡 = 𝜇 + 𝜀𝑡 − 𝜃1 𝜀𝑡−1 − 𝜃2 𝜀𝑡−2 − ⋯ − 𝜃𝑞 𝜀𝑡−‬‬ ‫…‪…….‬‬ ‫‪3.10‬‬

‫حيث أن‪:‬‬

‫𝑡𝑦 ‪ :‬متغير تابع‪ ,‬يعبر عن قيمة ‪ y‬عند الزمن ‪.t‬‬

‫𝜇 ‪ :‬متوسط المتغير التابع ‪( y‬الحد الثابت)‪.‬‬

‫𝑞𝜃 ‪ : 𝜃1 , 𝜃2 , … ,‬معالم النموذج المقدرة‪.‬‬

‫𝑞‪ : 𝜀𝑡−1 , 𝜀𝑡−2 , … , 𝜀𝑡−‬األخطاء في الفترات الزمنية السابقة للزمن ‪.t‬‬

‫𝑡𝜀 ‪ :‬الخطأ العشوائي عند الزمن ‪ t‬والذي لم تفسره متغيرات النموذج‪.‬‬

‫أو بصيغة االنحرافات‪:‬‬

‫𝑞‪𝑧𝑡 = 𝜀𝑡 − 𝜃1 𝜀𝑡−1 − 𝜃2 𝜀𝑡−2 − ⋯ − 𝜃𝑞 𝜀𝑡−‬‬ ‫…………‬ ‫‪3.11‬‬

‫ويتم تحديد رتبة النموذج ‪ q‬من دالة االرتباط الذاتي له حيث تنقطع بعد فترة ‪ ,q‬في حين دالة‬

‫االرتباط الذاتي الجزئي تتناقص تدريجياً بشكل منحنى تنازلي (الطائي‪.)2010 ,‬‬

‫‪33‬‬
 ‫‪ 3.9.3‬نموذج االنحدار الذاتي والمتوسطات المتحركة )‪(ARMA‬‬

‫قام الباحث ‪ Wold‬عام ‪ 1938‬بتطوير هذين النموذجين بسلسلة من العمليات إلى ثالثة‬

‫اتجاهات في اجراء التقدير وسماها بعمليات نماذج االنحدار الذاتي والمتوسطات المتحركة المختلطة‪,‬‬

‫وهو نموذج مركب يحتوي على خصائص االنحدار الذاتي وخصائص المتوسطات المتحركة‪,‬‬

‫ويستخدم في حالة كون البيانات مستقرة‪ ,‬وفي هذا النموذج يعبر عن القيمة الحالية للسلسلة 𝑡𝑦‬

‫بداللة القيمة السابقة للسلسلة الزمنية 𝑞‪ 𝑦𝑡−1 , 𝑦𝑡−2 , … , 𝑦𝑡−‬والقيمة الحالية لألخطاء 𝑡𝜀 والقيمة‬

‫السابقة لألخطاء 𝑞‪ 𝜀𝑡−1 , 𝜀𝑡−2 , … , 𝜀𝑡−‬ومعلمات النموذج ويرمز له )‪ ARMA(p,q‬ويعبر‬

‫عنها بالصيغة اآلتية (مؤمن‪:)2005 ,‬‬

‫‪𝑦𝑡 = µ + ∅1 𝑦𝑡−1 + ⋯ + ∅𝑝 𝑦𝑡−𝑝 + 𝜀𝑡 − 𝜃1 𝜀𝑡−1 − … − 𝜃𝑞 𝜀𝑡−𝑞 … … 3.12‬‬

‫𝑡𝜀)𝐵( 𝑞𝜃 ‪∅𝑝 (𝐵)𝑦𝑡 = μ +‬‬ ‫‪… … 3.13‬‬

‫أو بصيغة االنحرافات‪:‬‬

‫𝑞‪𝑦𝑡 = ∅1 𝑧𝑡−1 + ⋯ + ∅𝑝 𝑧𝑡−𝑝 + 𝜀𝑡 − 𝜃1 𝜀𝑡−1 − … − 𝜃𝑞 𝜀𝑡−‬‬ ‫‪… … 3.14‬‬

‫ويستفاد من النماذج المختلطة تخفيض عدد المعلمات الالزمة لبناء نموذج لسلسلة ما‪ ,‬مما يؤدى‬

‫إلى سهولة التقدير لهذه المعلمات‪ ,‬وكذلك استخدام كل البيانات المتاحة بصورة أمثل وكفاءة أكبر‪.‬‬

‫‪ 3.9.4‬نموذج االنحدار الذاتي والمتوسطات المتحركة التكاملية (‪)ARIMA‬‬

‫ظهرت مساهمات ‪ Box & Jenkins‬عام ‪ 1976‬الواسعة في مجال السالسل الزمنية حيث‬

‫استنبطا النموذج أسلوباً ذا مزايا عديدة في تحليل السالسل الزمنية بوصف النماذج على نحو شامل‬

‫ووضعا معاً أسلوب أو نهج المعلومات المرتبطة بفهم االستق اررية ومعالجتها في البيانات وتوصال إلى‬

‫المسمى بنماذج االنحدار الذاتي والمتوسطات المتحركة )‪Makradkis et ( ARIMA(p,d,q‬‬

‫‪ ,)al.,1983‬وتعتبر نماذج ‪ ARIMA‬نماذج متولدة من نماذج االنحدار الذاتي ونماذج المتوسطات‬

‫‪34‬‬
‫المتحركة‪ ,‬بعد أخذ الفروق المناسبة لجعل السلسلة الزمنية مستقرة‪ ,‬ويرمز لهذه النماذج بي ي ي ي‬

‫)‪ ,ARIMA(p,d,q‬حيث أن (الليلة‪:)2006 ,‬‬

‫‪ : p‬تشير إلى درجة االنحدار الذاتي‪.‬‬

‫‪ : d‬تشير إلى عدد الفروق الالزمة عند جعل السلسلة الزمنية مستقرة‪.‬‬

‫‪ : q‬تشير إلى درجة المتوسطات المتحركة‪.‬‬

‫ويعد نموذج ‪ ARIMA‬من أكثر النماذج شيوعاً في التنبؤ بقيم المتغيرات االقتصادية مثل‬
‫ُ‬

‫أسعار بعض السلع والتضخم والمنتجات وغيرها ‪(Meyler et al.,1998 ; Ansari & Ahmed,‬‬

‫)‪ 2001‬كما أنه يستخدم في تحليل المتغيرات غير االقتصادية مثل تطور بعض األمراض عبر‬

‫الزمن (‪.)Purohit et al.,1998‬‬

‫وعندما تكون السلسلة الزمنية غير مستقرة يجب أوالً تحويلها إلى سلسلة زمنية مستقرة قبل بناء‬

‫النموذج الرياضي‪ ,‬وذلك بأخذ الفروق ‪ d‬أو استخدام أحد التحويالت وعدد الفروق المطلوب لتحويل‬

‫السلسلة إلى سلسلة مستقرة تُسمى بدرجة التكامل ‪ Integrated‬حيث يتحول نموذج )‪ARMA(p,q‬‬

‫إلى نموذج )‪ ARIMA(p,d,q‬على الشكل التالي (الطائي‪ : 2010 ,‬أحمد ويونس‪:)2013 ,‬‬

‫𝑡𝜀)𝐵( 𝑞𝜃 ‪∅𝑝 (𝐵)𝑦𝑡 = μ +‬‬ ‫……………‬ ‫‪3.15‬‬

‫أو بداللة االنحرافات‬

‫𝑡𝜀)𝐵( 𝑞𝜃 = 𝑡𝑤)𝐵( 𝑝∅‬ ‫‪…………….‬‬ ‫‪3.16‬‬

‫𝑡𝑧 𝑑)𝐵 ‪𝑦𝑡 = (1 −‬‬ ‫حيث أن‪:‬‬

‫𝑃𝐵 𝑝∅ ‪∅𝑝 (𝐵) = 1 − ∅1 B − ∅2 𝐵2 − ⋯ −‬‬

‫‪35‬‬
 ‫𝑞𝐵 𝑞𝜃 ‪𝜃𝑞 (𝐵) = 1 − 𝜃1 B − 𝜃2 𝐵2 − ⋯ −‬‬

‫𝑡𝑦 𝑑)𝐵 ‪∇𝑑 𝑌𝑡 = (1 −‬‬ ‫‪, 𝑑>0‬‬

‫{ = 𝑡𝑤‬
‫𝑡𝑌‬ ‫‪,‬‬ ‫‪𝑑=0‬‬

‫وعليه يمكن اعتبار نماذج ‪ ARIMA‬هي نماذج ‪ ARMA‬مستقرة مع اختالف الرتبة‬

‫(‪.)Kaiser & Maravall, 2001‬‬

‫‪ 3.10‬مراحل تطبيق نماذج ‪ ARIMA‬في التنبؤ‬

‫هنالك عدة شروط يجب توفرها لتطبيق نماذج ‪ ARIMA‬وهي ( الجضعي‪:) 2006 ,‬‬

‫‪ .1‬يجب أال تقل مشاهدات السلسلة الزمنية المدروسة عن ‪ 40‬مشاهدة‪.‬‬

‫‪ .2‬تناسب هذه النماذج السالسل الزمنية ذات المشاهدات غير المتوقعة‪ ,‬بمعنى أنها ال تناسب‬

‫السالسل ذات المشاهدات الحتمية أو البديهية التي تتصف بأن حاضرها ومستقبلها مجرد‬

‫امتداد لماضيها‪.‬‬

‫‪ .3‬تفترض نماذج ‪ ARIMA‬أن السلسلة غير ساكنة أو ضعيفة السكون‪ ,‬لذا ال بد من العمل‬

‫على تحويلها إلى سلسلة ساكنة عن طريق تحقيق استقرار المتوسط وثبات التباين عبر‬

‫الزمن‪.‬‬

‫‪ .4‬تفترض هذه النماذج وجود فترات زمنية متساوية‪ ,‬وهذه تشير إلى أن نماذج ‪ ARIMA‬ال‬

‫تتناسب مع السالسل ذات البيانات المفقودة‪.‬‬

‫يتم بناء نماذج ‪ ARIMA‬للسالسل الزمنية عبر مجموعة من المراحل التالية‪:‬‬

‫‪36‬‬
 ‫‪ 3.10.1‬مرحلة تهيئة البيانات‬

‫مرحلة تهيئة البيانات أول مرحلة لبناء نماذج ‪ ARIMA‬للسالسل الزمنية‪ ,‬فإذا كانت‬

‫البيانات مستقرة من خالل رسم البيانات واالرتباطات الذاتية والجزئية لها فإن البيانات مهيأة للتعرف‪,‬‬

‫أما إذا كانت السلسلة غير مستقرة في الوسط والتباين‪ ,‬فإنه يتم معالجة عدم االستق اررية في الوسط‬

‫بأخذ الفرق األول )‪ (d=1‬فإذا لم تستقر نأخذ الفرق الثاني )‪ ,(d=2‬وغالباً ما تستقر بعد الفرق األول‬

‫أو الثاني (‪ ,)Bruce & Richard, 1987‬أما عدم االستق اررية في التباين‪ ,‬فيتم معالجتها من خالل‬

‫إجراء التحويل المناسب للبيانات‪ ,‬وتعتبر التحويلة اللوغاريتمية وتحويلة الجذر التربيعي من أكثر‬

‫التحويالت استخداماً للتباين‪.‬‬

‫‪ 3.10.2‬مرحلة التعرف‬

‫بعد تحقيق استق اررية السلسلة الزمنية تبدأ عملية تحديد النموذج (التعرف)‪ ,‬ونقصد بذلك‬

‫استخدام البيانات أو أية معلومات عن الكيفية التي تتولد بها السلسلة الزمنية‪ ,‬فالهدف هنا هو‬

‫الحصول على فكرة عن قيمة ‪ q , d , p‬التي نحتاجها في النموذج الخطي العام ‪ ARIMA‬ومن ثم‬

‫الحصول على تقديرات أولية لمعلمات النموذج (‪.) Box & Jenkins, 1976‬‬

‫إن األداتين المستخدمتين لتحديد النموذج ودرجته هما دالتي االرتباط الذاتي ‪ ACF‬واالرتباط‬

‫الذاتي الجزئي ‪ ,PACF‬ومن ثم يتم مطابقة معامالت االرتباط الذاتي والذاتي الجزئي مع السلوك‬

‫النظري لدالتي االرتباط الذاتي واالرتباط الذاتي الجزئي فإذا كان (طعمه‪:)2012 ,‬‬

‫‪ -‬بيان دالة االرتباط الذاتي ينقطع بعد االزاحة 𝑞‪ ,‬وبيان دالة االرتباط الذاتي الجزئي تتناقص‬

‫تدريجياً وبشكل أسي أو سلوك دالة الجيب المتضائلة‪ ,‬فإن النموذج المالئم للبيانات هو‬

‫)‪.MA(q‬‬

‫‪37‬‬
‫‪ -‬بيان دالة االرتباط الذاتي تتناقص تدريجياً وبشكل أسي أو سلوك دالة الجيب المتضائلة‪,‬‬

‫وبيان دالة االرتباط الذاتي الجزئي ينقطع بعد االزاحة 𝑝‪ ,‬فإن النموذج المالئم للبيانات هو‬

‫)‪.AR(p‬‬

‫‪ -‬بيان دالتي االرتباط الذاتي واالرتباط الذاتي الجزئي تتناقصان تدريجياً وتبقيان مستمرتين في‬

‫التناقص وبشكل أسي أو سلوك دالة الجيب المتضائلة‪ ,‬فإن النموذج المالئم للبيانات من نوع‬

‫)‪.ARMA(p,q‬‬

‫‪ -‬أما إذا كانت االرتباطات الذاتية الجزئية تهبط كالهما إلى الصفر بصورة أسية فإن النموذج‬

‫هو نموذج ‪( ARIMA‬الوردي‪.)1990 ,‬‬

‫‪ 3.10.3‬مرحلة التقدير‬

‫إن نماذج السالسل الزمنية الخطية غير خطية في المعالم‪ ,‬وبالنتيجة فإن مرحلة التقدير‬

‫مرحلة صعبة‪ ,‬ويقصد بتقدير النموذج تحديد معالمه‪ ,‬أي الحصول على قيم رقمية لمعلمات النموذج‬

‫الذي تم اختياره في مرحلة تجديد النموذج بناء على قيم السلسلة المشاهدة باستخدام احدى طرق‬

‫التقدير اآلتية ( طعمه‪.)Pirece, 1971 :2012 ,‬‬

‫‪ -1‬طريقة ‪ Yule-Walker‬والتي تعتمد على االرتباط الذاتي للنموذج‪ ,‬وتدعى بطريقة العزوم‬

‫‪.M.M‬‬

‫‪ -2‬طريقة دالة اإلمكان األكبر (‪ ,Maximum Likelihood Method )M.L‬وتعتمد على‬

‫تعظيم الدالة لجعل مربعات األخطاء )‪ S(,M,‬أقل ما يمكن‪ ,‬وهي الطريقة األكثر شيوعاً‬

‫في التطبيق‪.‬‬

‫‪ -3‬طريقة المربعات الصغرى غير الخطية تقوم هذه الطريقة على مبدأ تقليص مجموع مربعات‬

‫خطأ التقدير‪.‬‬

‫‪38‬‬
‫عادة يتم تقدير عدة نماذج متقاربة يتم المقارنة بينها‪ ,‬وعادة تكون معالم‬
‫ً‬ ‫وفي هذه المرحلة‬

‫النموذج الجيد المقدرة معنوية‪ ,‬وكذلك يمكن المقارنة من خالل مجموع مربعات البواقي كمقياس‬

‫لجودة النموذج ( ‪.)Enders,1995 ; Wei, 1990‬‬

‫‪ 3.10.4‬مرحلة التشخيص‬

‫تُعد هذه المرحلة من المراحل األساسية‪ ,‬حيث أنها على أساسها يتم تحديد مدى قبول النموذج‬

‫الذي تم توصيفه ومعلماته المقدرة‪ ,‬ووفقاً لهذه المرحلة يتحدد إما االستمرار في عملية التحليل وتحقيق‬

‫ما هو مستهدف من نموذج التحليل أو العودة إلى نقطة البداية من تحديد وتقدير ثم اختبار‪ ,‬ولقد‬

‫اقترح )‪ (Box-Jenkins, 1976‬عدة مجموعات لفحص واختبار مدى مالءمة النموذج يتم ايجازها‬

‫في األجزاء التالية‪:‬‬

‫‪ 3.10.4.1‬تحليل السكون‬

‫من المعروف في أبجديات وأدبيات التحليل الحديث للسالسل الزمنية أهمية السكون‪ ,‬ويأتي‬

‫ذلك من خالل فحص تقديرات معالم االنحدار الذاتي التي يتم اعتمادها للنموذج المختار ‪ -‬التي تم‬

‫الحصول عليها في مرحلة التقدير‪ -‬للتأكد من تحقيقها الشروط النظرية للسكون‪ ,‬وهي أن جذور‬

‫المعادلة المميزة ‪ ∅𝑝 (𝐵) = 0‬تقع كلها خارج دائرة الوحدة‪ ,‬بحيث إذا كانت القيمة المطلقة لكل‬

‫جذر من هذه الجذور أكبر من الواحد الصحيح فهذا يدل على سكون العملية العشوائية التي ولدت‬

‫السلسلة المرصودة‪ ,‬وفي حال كانت القيمة المطلقة ألحد الجذور قريبة من الواحد الصحيح فقد يدل‬

‫هذا على ضرورة أخذ فروق أخرى (شعراوي‪.) 2005 ,‬‬

‫‪ 3.10.4.2‬تحليل االنعكاس‬

‫يعتبر مفهوم االنعكاس من المفاهيم األساسية والضرورية للتحليل الحديث للسالسل‬

‫الزمنية‪ ,‬ويعتبر االنعكاس خاصية للنموذج الممثل للسلسلة الزمنية على عكس السكون والذي يعتبر‬

‫‪39‬‬
‫خاصية للسلسلة الزمنية ذاتها‪ ,‬وتنقسم نماذج السالسل الزمنية إلى نماذج منعكسة دائماً ونماذج‬

‫منعكسة تحت شروط معينة تُعرف بشروط االنعكاس (إسماعيل‪.)1998 ,‬‬

‫فإن نماذج االنحدار الذاتي منعكسة دائماً ألنه يمكن دائماً التعبير عن األخطاء بداللة‬

‫المشاهدات دون الحاجة لتحقيق شروط معينة‪ ,‬وعلى الجانب اآلخر هناك نوع من نماذج السالسل‬

‫الزمنية ُيعرف بنماذج المتوسطات المتحركة ليس منعكس دائماً وإنما تحتاج لتحقق شروط معينة حتى‬

‫تصبح منعكسة‪ ,‬وتتمثل شروط االنعكاس لنموذج المتوسطات المتحركة من الرتبة ‪ q‬في أن تكون‬

‫الجذور المطلقة للمعادلة ‪ 𝜃𝑞 (𝐵) = 0‬أكبر من الواحد الصحيح فهذا يدل على انعكاس النموذج‬

‫األصلي‪ ,‬يجب أن تقع كلها خارج دائرة الوحدة‪ ,‬وفي حال كانت القيمة المطلقة ألحد الجذور قريبة‬

‫من الواحد الصحيح فقد يدل هذا على استخدام فروق غير ضرورية (شعراوي‪.)2005 ,‬‬

‫‪ 3.10.4.3‬تحليل البواقي‬

‫بصفة عامة‪ ,‬يمكن تعريف األخطاء المقدرة أو البواقي 𝑡̂𝜀 هي الفرق بين القيم المشاهدة‬

‫للسلسلة التي تم تحليلها 𝑡𝑋 والقيم المقدرة لهذه المشاهدات 𝑡̂𝑋‪ ,‬فإذا كان النموذج الذي تم اختياره‬

‫بالفعل لعملية التنبؤ يمثل خصائص العملية العشوائية‪ ,‬فيجب أن تكون البواقي الناتجة من عملية‬

‫التقدير أن تحقق الفروض النظرية الخاصة بالمتغيرات العشوائية 𝑡𝜀 أو على األقل يجب أال تظهر‬

‫أي خلل واضح في هذه الفروض وأهمها عدم وجود ارتباط ذاتي بين األخطاء الحقيقية 𝑡𝜀‪ ,‬ويجب‬

‫أن تعكس الخصائص الرئيسية للمتغيرات العشوائية 𝑡𝜀 وهي أن متوسطها يجب أن يكون صف اًر‬

‫وتشتتها يجب أن يكون ثابتاً باإلضافة إلي عدم وجود ارتباط ذاتي بينها‪.‬‬

‫للتحقق من عدم اإلخالل بهذه الخصائص يتم ذلك من خالل العديد من الوسائل والفحوص‬

‫االختبارية التي تندرج تحت تحليل البواقي‪ ,‬كما سنعرض ذلك من خالل ما يلي‪:‬‬

‫‪40‬‬
 ‫رسم البواقي‬ ‫‪.I‬‬

‫يعد أول أسلوب لفحص وتشخيص البواقي هو رسمها عبر الزمن‪ ,‬وهذا الرسم خطوة‬

‫ضرورية للبواقي ألنه يظهر المالمح األساسية للبواقي – مثل االتجاه العام‪ ,‬التشتت‪ ,‬والبيانات‬

‫الشاذة‪ -‬بشكل قد ال تسطيع االختبارات اإلحصائية إظهارها واكتشافها وفي حال كان النموذج الذي‬

‫تم اختياره جيداً فهذا يعني أنه قد استطاع استيعاب كل األنماط والتحركات المنتظمة في البيانات‬

‫تاركاً البواقي خالية من مثل هذه األنماط والتحركات‪ ,‬وبذلك تكون البواقي تشكل من خالل الرسم‬

‫البياني تأرجحاً بتشتت ثابت حول الصفر كخط وسط يوازي محور الوسط‪ ,‬كما أن الشكل يجب أن‬

‫يبدو عشوائياً خالياً من أي معلومات يمكن االستفادة منها في التنبؤ )شعراوي‪. (2005 ,‬‬

‫فحص دالة االرتباط الذاتي للبواقي‬ ‫‪.II‬‬

‫عند بناء النموذج الذي تم اعتماده لعملية التنبؤ والتوصل إلي أن األخطاء 𝑡𝜀 الخاصة به‬

‫تعبر عن متغيرات عشوائية بحتة فإن البواقي 𝑡̂𝜀 يجب أن تعكس هذه الحقيقة ومن ثم يجب على‬

‫دالة االرتباط الذاتي أن تكون خالية تماماً من أي نتوءات‪ ,‬وذلك ألن النتوءات الموجودة في دالة‬

‫االرتباط الذاتي للبواقي قد تستخدم في تعديل النموذج وتحسينه‪ ,‬لهذا من الضروري فحص مالئمة‬

‫في البند التالي‬ ‫اختبار)‪(Ljung-Box‬‬ ‫النموذج بطريقة مختلفة كما سنوضح ذلك من خالل‬

‫(شعراوي‪.)2005 ,‬‬

‫إحصاء بوكس‪ -‬بيرس المعدل )‪Modified Box-Pierce(Ljung-Box‬‬ ‫‪.III‬‬

‫هي الطريقة التي تعتمد على االختبار التسلسلي (‪ )Ljung and Box, 1978‬وذلك‬

‫الختبار فيما إذا كانت قيمة األخطاء الناتجة عن تطبيق نماذج ‪ ARIMA‬تتبع التوزيع الطبيعي وإن‬

‫تكون قيمها عشوائية‪ ,‬ويتم ذلك باالعتماد على اختبار ‪ Ljung-Box Q statistic‬من خالل‬

‫فرضية العدم اآلتية (نقار والعواد (‪ ; )2011‬الجراح والحكاك (‪:))2013‬‬

‫‪41‬‬
 ‫‪𝐻0 : 𝑟1 (𝑒𝑡 ) = 𝑟2 (𝑒𝑡 ) = ⋯ = 𝑟𝑘 (𝑒𝑡 ) = 0‬‬
‫‪𝐻1 : 𝑟𝑘 (𝑒𝑡 ) ≠ 0‬‬
‫وتحسب احصائية االختبار كما يلى‪:‬‬
‫𝑚‬
‫)𝑒( 𝑘 ‪𝑟 2‬‬
‫∑ )‪𝑄𝑚 = n(n + 2‬‬ ‫‪~ 2‬‬ ‫………‬ ‫‪3.17‬‬
‫𝑘‪𝑛−‬‬ ‫𝑟‪𝑚−‬‬
‫‪𝑘=1‬‬

‫حيث‪:‬‬

‫𝑛 ‪ :‬يمثل حجم العينة (عدد األخطاء)‪.‬‬

‫𝑚 ‪ :‬عدد فترات االزاحة المشمولة باالختبار‪.‬‬

‫𝑟 ‪ :‬عدد المعلمات المقدرة في النموذج‪.‬‬

‫𝑡𝑒 𝑘𝑟‪ :‬معامل االرتباط الذاتي للبواقي بمدة تباطؤ ‪.k‬‬

‫‪  2‬الجدولية فهذا مؤشر على أن‬ ‫نقبل ‪ 𝐻0‬إذا كانت )𝑚(𝑄 أقل من قيمة‬
‫𝑟‪𝑚−‬‬

‫معامالت االرتباط الذاتي غير معنوية أي أن األخطاء لها سلوك عشوائي وغير منظم‪ ,‬وعليه يعتبر‬

‫النموذج المشخص مالئم‪ ,‬أما إذا كان النموذج غير مالئم وفي هذه الحالة ال بد أن يختار نموذج‬

‫آخر أو يقوم بتعديل النموذج الذي تم اختياره ويستمر بالتحليل إلى أن يصل إلى النموذج المالئم‪.‬‬

‫فحص نموذج الفروق األولى للبواقي‪.‬‬ ‫‪.IV‬‬

‫تعد دالة االرتباط الذاتي للبواقي )‪ Residual Autocorrelation Function (PACF‬وسيلة‬

‫مهمة لفحص مالءمة النموذج عن طريق اختبار عشوائية أخطاء البواقي حيث تكون (طعمه‪,‬‬

‫‪:)2012‬‬

‫‪1 , 𝑘=0‬‬
‫{=𝜌‬
‫‪0 , 𝑘≠0‬‬
‫وتستخدم دالة االرتباط الذاتي الجزئي لتشخيص النموذج المناسب من مجموعة نماذج العمليات‬

‫العشوائية المستقرة وتحديد درجته وفحص مالءمته لبيانات العينة من خالل اختبار عشوائية البواقي‪.‬‬

‫‪42‬‬
‫فإذا كانت المتغيرات العشوائية 𝑡𝜀 تتبع تغيرات عشوائية بحتة‪ ,‬فتكون الفروق األولى للبواقي‬

‫كالتالي‪:‬‬

‫‪∆𝑒𝑡 = 𝜀𝑡 − 𝜀𝑡−1‬‬ ‫………‬ ‫‪3.18‬‬

‫وتكون الفروق األولى للبواقي 𝑡𝑒∆ تتبع نموذج متوسطات متحركة من الرتبة األولى‬

‫)‪ MA(1‬بمعلمة ال تختلف معنوياً عن الواحد الصحيح‪ ,‬أي أن ‪ ,θ = 1‬يمكن القول بأن المتغيرات‬

‫𝑡𝜀 تتبع متغيرات عشوائية بحتة‪( .‬شعراوي‪.)2005 ,‬‬

‫‪ 3.10.5‬مرحلة التنبؤ‬

‫التنبؤ هو الخطوة األخيرة من مراحل تطبيق نماذج ‪ ,ARIMA‬وهو الهدف األساس من‬

‫الدراسة‪ ,‬وفي هذه المرحلة يتم ايجاد القيم المستقبلية للسلسلة الزمنية من خالل استخدام النموذج‬

‫المالئم الذي تم الحصول عليه بموجب المراحل السابقة‪ ,‬والتنبؤ األمثل هو ذلك التقدير الذي يكون‬

‫الخطأ الناتج عنه صغير جداً‪ ,‬وتباينه أقل ما يمكن‪ ,‬وقد أشا ار )‪ (Box & Jenkins, 1976‬إلي‬

‫فكرة تحديث التنبؤات‪.‬‬

‫بمعنى أنه كلما أمكن الحصول على بيانات جديدة‪ ,‬أو كلما دخلنا بشكل عملي في سنوات‬

‫التوقع (التحرك لألمام)‪ ,‬فإنه يمكن استخدام النتائج الفعلية لسنة التوقع في تحديد التنبؤ للسنة التي‬

‫تليها‪ ,‬وذلك بنفس األسلوب الذي تم به الوصول إلى القيم المقدرة للمشاهدات الفعلية وفي تحديد‬

‫توقعات المشاهدات المستقبلية‪.‬‬

‫‪ 3.11‬معايير اختيار رتبة النموذج‬

‫هناك نماذج مختلفة الدقة يمكن أن توفق في تحليل السالسل الزمنية‪ ,‬وإن اختيار النموذج‬

‫األفضل ليس بالمهمة البسيطة‪ ,‬لذا فقد وضعت عدة معايير لمقارنة النماذج واختيار رتبها‪ ,‬وتأتي‬

‫أهمية اختيار رتبة النموذج في كون أن اختيار رتبة أدنى من الرتبة الفعلية يؤدي إلي عدم االتساق‬

‫‪43‬‬
‫(‪ )Inconsistent‬لمعلمات النموذج بينما يؤدي اختيار رتبة أعلى من الرتبة الفعلية إلي زيادة تباين‬

‫النموذج‪ ,‬وهذا يؤدي إلي فقدان الدقة بسبب الزيادة في عدد معلمات النموذج (‪.)Akiake,1970‬‬

‫للتأكي ييد مي يين ص ي ييحة رتبي يية النم ي ييوذج )‪ ARIMA(p,d,q‬تي ييم اعتمي يياد مجموع ي يية مي يين المع ي ييايير‬

‫االحصائية التي تساعد في المفاضلة بين النماذج المرشيحة‪ ,‬حييث ييتم اختييار النميوذج األفضيل اليذي‬

‫يملك أقل قيمة لهذه المعايير (‪ )Matroushi,2011‬ومن هذه المعايير‪:‬‬

‫‪ 3.11.1‬معيار معلومة أكيكي ‪Akaike Information Criterion‬‬

‫هذه الطريقة اقترحها العالم ‪ Akaike‬في عام ‪ 1973‬إذ اقترح معيا اًر اسمياً اختصر بي ‪AIC‬‬

‫ويعرف‪:‬‬

‫𝑀‪𝐴𝐼𝐶(𝑀) = −2(𝐶𝑜𝑛𝑑𝑖𝑡𝑜𝑛𝑎𝑙 𝑀𝑎𝑥𝑖𝑚𝑢𝑚 𝐿𝑖𝑘𝑒𝑙𝑖ℎ𝑜𝑜𝑑) + 2‬‬ ‫‪… … … 3.19‬‬

‫فاذا كان النموذج بمعلمات ‪ M‬وفق البيانات‪ ,‬تكون صيغة المعيار ‪ AIC‬بداللة مقدار تباين‬

‫الخطأ كما يلي‪:‬‬

‫𝑀‪𝐴𝐼𝐶(𝑀) = 𝑛𝐿𝑛 (𝜎̂𝑎2 ) + 2‬‬ ‫…………‬ ‫‪3.20‬‬

‫إذ أن‪:‬‬

‫𝑀 ‪ :‬تمثل العدد الكلي لمعلمات النموذج‪.‬‬

‫‪ : n‬عدد المشاهدات‪.‬‬

‫‪ : σ‬مقدر تباين الخطأ‪.‬‬

‫𝑎‪̂2‬‬

‫‪44‬‬
 ‫‪ 3.11.2‬معيار معلومة بيز )‪Bayesian Information Criterion (BIC‬‬

‫اقترح من قبل كل من (‪ )Schwarz, 1978‬و )‪ (Akaike, 1979‬وقام الباحثان بتطوير المعيار‬

‫‪ AIC‬إلي المعيار الجديد الذي سمي بمعيار معلومة بيز )‪ (BIC‬وصيغته هي ‪:‬‬

‫‪2‬‬
‫)‪(𝜎𝜎̂̂ 2𝑥 − 1‬‬
‫‪2‬‬ ‫𝑀‬
‫𝑎 [ 𝑛𝑙𝑀 ‪𝐵𝐼𝐶(𝑀) = 𝑛𝑙𝑛𝜎̂𝑎 − (𝑛 − 𝑀) ln (1 − ) + 𝑀𝑙𝑛 (𝑛) +‬‬ ‫] ‪⁄‬‬
‫𝑛‬ ‫𝑀‬

‫حيث إن‪:‬‬

‫𝑀 ‪ :‬تمثل العدد الكلي لمعلمات النموذج‪.‬‬

‫‪ : n‬عدد المشاهدات‪.‬‬

‫‪ : 𝜎̂𝑥2‬مقدر تباين السلسلة‪.‬‬

‫‪(𝑥𝑡 −𝑥̂𝑡 )2‬‬

‫‪𝜎̂𝑎2 = ∑𝑛𝑡=1‬‬ ‫)𝑝‪(𝑛−‬‬
‫‪ : σ‬مقدر تباين الخطأ‪ .‬ويحسب كالتالي‪:‬‬
‫𝑎‪̂2‬‬

‫وبعد اهمال بعض الحدود يمكن كتابته بالصيغة التالية‪:‬‬

‫)𝑁( 𝑛𝐿 𝑀 ‪𝐵𝐼𝐶(𝑀) = 𝑛𝐿𝑛(𝜎̂𝑎2 ) +‬‬ ‫………‬ ‫‪3.21‬‬

‫حيث أن‪ N :‬و ‪ : M‬عدد مشاهدات السلسلة والعدد الكلي لمعلمات النموذج على التوالي‪.‬‬

‫وسنعتمد في دراستنا الحالية على هذا المعيار للمقارنة بين نماذج ‪ ARIMA‬المقترحة‪.‬‬

‫‪45‬‬
 ‫‪ 3.12‬الخلصة‬

‫تناولنا في هذا الفصل تعريف السلسلة الزمنية من خالل استعراض بعض التعريفات‬

‫للسالسل الزمنية بنوعيها المتقطعة والمستمرة‪ ,‬والهدف من تحليل السالسل الزمنية‪ ,‬وتم عرض‬

‫مركبات السلسلة الزمنية األربعة‪ ,‬وطرق الكشف عنها بيانياً واحصائياً من خالل ذكر االختبارات‬

‫الالزمة لذلك‪ ,‬إضافة إلي معالجة نماذج السالسل الزمنية مع توضيح كاف لتركيب قيم السلسلة‬

‫الزمنية من خالل معرفة قيم مركباتها‪.‬‬

‫وأيضاً تم عرض الخلفية التاريخية لنماذج ‪ ARIMA‬من خالل تبسيط وتوضيح وإعطاء فكرة‬

‫مبسطة العتبارات تطبيق نماذج ‪ ,ARIMA‬ومنها االستقرارية ودالتي االرتباط الذاتي واالرتباط‬

‫الذاتي الجزئي‪ ,‬وتم عرض نماذج ‪ ARIMA‬متمثلة في نماذج االنحدار الذاتي ونماذج المتوسطات‬

‫المتحركة والنماذج المختلطة ونماذج االنحدار الذاتي والمتوسطات المتحركة التكاملية‪ ,‬وتطرقنا إلي‬

‫عرض مراحل تطبيقها في التنبؤ من خالل مراحلها الخمسة وهي على التوالي‪ :‬مرحلة تهيئة البيانات‬

‫ومرحلة التعرف على النموذج‪ ,‬تتبعها مرحلة تقدير النموذج‪ ,‬ثم مرحلة تشخيص اختبار النموذج‪,‬‬

‫وأخي اًر مرحلة التنبؤ‪ ,‬وأيضاً عرضنا اختبار االستق اررية (اختبار جذر الوحدة) مثل‪ :‬اختبار ديكي –‬

‫فوالر الموسع ‪ ,ADF‬واختبار فيليب وبيرون ‪ , PP‬وأخي اًر تطرقنا لعرض معيارين من معايير التقييم‬

‫‪ ,BIC ,AIC‬حيث تمت المفاضلة بين النماذج المقترحة على أساس أصغر قيمة ل ي ي ي ‪ BIC‬والتي‬

‫تسمح باختيار النموذج األكثر مالئمة للسلسلة الزمنية قيد الدراسة‪.‬‬

‫في الفصل التالي سنتناول الجانب التطبيقي للرسالة وهو استخدام النموذجين نموذج ماركوف‬

‫ونموذج ‪ ARIMA‬والتوصل إلى نتائج المقارنة بينهما للوصول للنموذج األمثل في التنبؤ بأسعار‬

‫صرف الدوالر مقابل الشيكل‪.‬‬

‫‪46‬‬
‫الفصل الرابع‬

‫تحليل البيانات‬
‫ومناقشة النتائج‬

‫‪47‬‬
 ‫‪ 4.1‬مقدمة‬

‫بعد التعرض للجانب النظري في الفصلين الثاني والثالث لهذه الدراسة‪ ,‬سوف يحتوى هذا‬

‫الفصل على كافة المجريات العملية لتحليل السلسلة الزمنية اليومية خالل الفترة من يناير لعام ‪2008‬‬

‫حتى ديسمبر ‪ 2017‬الخاصة باألسعار الشهرية لصرف الدوالر مقابل الشيكل لتطبيق نموذج‬

‫‪ ARIMA‬ونموذج ماركوف وذلك للمقارنة بين هذين النموذجين من خالل استخدام المعايير‬

‫االحصائية ‪ RMSE, MAPE, MAE‬لمعرفة كفاءة الطريقتين في التنبؤ‪.‬‬

‫سيتم في هذا الفصل بناء نموذج ماركوف تبعاً لمراحله مبتدئاً من تحديد المقاييس‬

‫االحصائية وايجاد معالم النموذج‪ ,‬ومن ثم التعرف على توزيع البيانات لغرض توليد األرقام‬

‫العشوائية‪ ,‬ومن ثم بناء معادلة النموذج للتنبؤ‪ ,‬وسيتم أيضاً بناء أفضل نموذج ممكن من نماذج‬

‫االنحدار الذاتي والمتوسطات المتحركة التكاملية )‪ ARIMA (p,d,q‬مرو اًر بجميع مراحل بناءه‬

‫متمثلة في مرحلة تهيئة البيانات ومرحلة التعرف والتقدير‪ ,‬ومرحلة التشخيص‪ ,‬ومرحلة التنبؤ على‬

‫الترتيب‪ ,‬وأخي اًر تأتي مرحلة المقارنة بين النموذجين المقترحين من بين جميع النماذج التي تم بناؤها‬

‫للوصول إلى أفضل نموذج لغرض التنبؤ بالقيم المستقبلية‪ ,‬وذلك باالعتماد في تحليل بيانات الدراسة‬

‫محل االهتمام على البرامج االحصائية ‪.SPSS, Minitab& Microsoft Excel‬‬

‫سيتم في هذا الفصل تحليل السلسلة الزمنية الخاصة باألسعار الشهرية لصرف الدوالر مقابل‬

‫الشيكل‪ ,‬حيث تم الحصول على بيانات الدراسة من خالل الموقع الرسمي الخاص باالستثمار وأسعار‬

‫البورصات والعمالت العالمية والتي تتعلق بأسعار الصرف‪ ,‬حيث تعتبر هذه السلسلة الزمنية الشهرية‬

‫المتوفرة منذ شهر يناير ‪ 2008‬حتى يونيو ‪ 2018‬والمحددة ب ي ي ‪ 126‬مشاهدة مؤش اًر ألسعار الصرف‬

‫يمكن االعتماد عليه في شتى المجاالت العلمية‪ ,‬إذ تم استخدام أول ‪ 120‬مشاهدة في التحليل من‬

‫يناير ‪ 2008‬حتى ديسمبر ‪ ,2017‬وأبقيت ست مشاهدات لعام ‪ 2018‬للمقارنة مع التنبؤات‪.‬‬

‫‪48‬‬
 ‫‪ 4.2‬مراحل تطبيق نموذج ماركوف في التنبؤ‬

‫تستند صيغة نموذج ماركوف حسب الخطوات التالية‪:‬‬

‫تحديد المقاييس االحصائية الوصفية ومعالم نموذج ماركوف‬ ‫‪-I‬‬

‫جدول (‪ :)4.1‬المقاييس االحصائية الوصفية لمؤشر أسعار صرف الدوالر‬

‫القيمة‬ ‫اإلحصاءات‬

‫‪120‬‬ ‫عدد القيم‬

‫‪3.22‬‬ ‫اقل قيمة‬

‫‪3.71‬‬ ‫الوسط‬

‫‪3.73‬‬ ‫الوسيط‬

‫‪4.22‬‬ ‫اكبر قيمة‬

‫‪0.19‬‬ ‫االنحراف المعياري‬

‫‪0.07‬‬ ‫معامل االلتواء‬

‫نالحظ من الجدول (‪ )4.1‬أعاله أن أقل قيمة لسعر الصرف تعادل ‪ ,3.22‬كذلك نالحظ أن‬

‫أعلى قيمة سجلت ‪ ,4.22‬كما نالحظ أن قيمة الوسط الحسابي تعادل ‪ 3.71‬قريبة جداً من قيمة‬

‫الوسيط ‪ ,3.73‬وهذا مؤشر على اعتدالية توزيع البيانات‪.‬‬

‫واستناداً للجانب النظري الذي تناول نموذج ماركوف المطور ل ي ي ‪ Thomas-Fiering‬والذي‬

‫اعتمد على الصيغة التالية‪:‬‬

‫‪1‬‬
‫‪2 2‬‬
‫‪qij = q̅j + bj (qi−1,j−1 − q̅j−1 ) + t ij sj (1 −‬‬ ‫) 𝑗𝑟‬

‫‪ :i‬رمز الشهر للسلسلة المولدة وتأخذ القيم من ‪ 1‬الى طول السلسلة‬

‫‪:j‬رمز الشهر في السلسلة (من يناير‪ -‬ديسمبر)‪.‬‬

‫‪ :q̅j‬الوسط الحسابي للقيم في الشهر ‪( j th‬من يناير‪ -‬ديسمبر)‪.‬‬

‫‪49‬‬
 ‫‪rj sj‬‬
‫= ‪bj‬‬ ‫ويحسب كاآلتي ‪:‬‬
‫ُ‬ ‫‪ :bj‬معامل االنحدار للقيم في الشهرين ‪ jth‬و‪(j-1)th‬‬
‫‪sj−1‬‬

‫‪ :qi−1,j−1‬قيمة الشهر السابق له مباشرة‪.‬‬

‫‪ :q̅j−1‬الوسط الحسابي للقيم الشهر الذي يسبق ‪j th‬‬

‫‪ :sj‬االنحراف المعياري للقيم للشهر ‪( j th‬من يناير‪ -‬ديسمبر)‪.‬‬

‫‪ :t ij‬الرقم العشوائي المشتق ويتبع التوزيع الطبيعي المعياري‪.‬‬

‫‪ : rj‬معامل االرتباط الخطي للشهرين ‪ jth‬و‪(j-1)th‬‬

‫وإليجاد معالم نموذج ماركوف للبيانات الشهرية من يناير ‪ 2008‬حتى ديسمبر ‪2017‬‬

‫والمحددة بي ي ي ‪ 120‬مشاهدة‪ ,‬ويتضح ذلك من خالل الجدول (‪ )4.2‬التالي‪:‬‬

‫جدول (‪ :)4.2‬معالم نموذج ماركوف للبيانات الشهرية‬

‫‪I‬‬ ‫𝑗̅𝑞‬ ‫‪𝑠𝑗 2‬‬ ‫𝑗𝑠‬ ‫𝑗𝑟‬ ‫𝑗𝑏‬ ‫‪𝑞̅𝑗−1‬‬

‫‪Jan‬‬ ‫‪3.7744‬‬ ‫‪0.0277‬‬ ‫‪0.1663‬‬ ‫‪-0.188‬‬ ‫‪-0.0760‬‬ ‫‪3.7232‬‬

‫‪Feb‬‬ ‫‪3.7749‬‬ ‫‪0.0393‬‬ ‫‪0.1982‬‬ ‫‪0.938‬‬ ‫‪1.118‬‬ ‫‪3.7744‬‬

‫‪Mar‬‬ ‫‪3.7122‬‬ ‫‪0.0536‬‬ ‫‪0.2315‬‬ ‫‪0.960‬‬ ‫‪1.121‬‬ ‫‪3.7749‬‬

‫‪Apr‬‬ ‫‪3.6742‬‬ ‫‪0.0553‬‬ ‫‪0.2351‬‬ ‫‪0.9716‬‬ ‫‪0.9861‬‬ ‫‪3.7122‬‬

‫‪May‬‬ ‫‪3.6761‬‬ ‫‪0.0602‬‬ ‫‪0.2453‬‬ ‫‪0.818‬‬ ‫‪0.8534‬‬ ‫‪3.6742‬‬

‫‪Jun‬‬ ‫‪3.6707‬‬ ‫‪0.0526‬‬ ‫‪0.2294‬‬ ‫‪0.972‬‬ ‫‪0.9088‬‬ ‫‪3.6761‬‬

‫‪Jul‬‬ ‫‪3.6558‬‬ ‫‪0.0377‬‬ ‫‪0.1942‬‬ ‫‪0.921‬‬ ‫‪0.7802‬‬ ‫‪3.6707‬‬

‫‪Aug‬‬ ‫‪3.7243‬‬ ‫‪0.0277‬‬ ‫‪0.1663‬‬ ‫‪0.952‬‬ ‫‪0.8163‬‬ ‫‪3.6558‬‬

‫‪Sep‬‬ ‫‪3.6997‬‬ ‫‪0.0227‬‬ ‫‪0.1507‬‬ ‫‪0.807‬‬ ‫‪0.7304‬‬ ‫‪3.7242‬‬

‫‪Oct‬‬ ‫‪3.7139‬‬ ‫‪0.0180‬‬ ‫‪0.1341‬‬ ‫‪0.752‬‬ ‫‪0.6688‬‬ ‫‪3.6997‬‬

‫‪Nov‬‬ ‫‪3.7591‬‬ ‫‪0.0224‬‬ ‫‪0.1497‬‬ ‫‪0.814‬‬ ‫‪0.9089‬‬ ‫‪3.7139‬‬

‫‪Dec‬‬ ‫‪3.7232‬‬ ‫‪0.0282‬‬ ‫‪0.1681‬‬ ‫‪0.899‬‬ ‫‪1.010‬‬ ‫‪3.7591‬‬

‫‪50‬‬
 ‫‪ -II‬التعرف على توزيع البيانات‬

‫ولمعرفة أن البيانات تتبع التوزيع الطبيعي أم ال‪ ,‬لذلك نستخدم اختبار كلموجروف ‪ -‬سيمرنوف‬

‫‪ Kolmogorov-Smirnov (K-S) test‬حيث أن‪:‬‬

‫الفرض العدمي‪ :‬بيانات العينة تتبع التوزيع الطبيعي‪.‬‬

‫الفرض البديل‪ :‬بيانات العينة ال تتبع التوزيع الطبيعي‪.‬‬

‫جدول (‪ :)4.3‬نتائج اختبار ‪Kolmogorov-Smirnov‬‬

‫‪K-S‬‬ ‫‪N‬‬ ‫‪Sig.‬‬

‫‪0.065‬‬ ‫‪120‬‬ ‫‪> 0.15‬‬

‫يتضح من جدول (‪ )4.3‬لنتائج الختبار كلومجروف – سيمنروف ‪ ,‬أن قيمة ‪ P-value‬أكبر‬

‫من ‪ 0.15‬وهي أكبر من مستوى المعنوية ‪ , 0.05‬حيث تشير النتائج لعدم معنوية االختبار األمر‬

‫الذي يدعم صحة افتراض أن البيانات تتبع التوزيع الطبيعي‪.‬‬

‫وأيضاً يتضح من الشكل (‪ )4.1‬التالي أن معظم البيانات تقع على الخط المستقيم وقريبة‬

‫جداً منه‪ ,‬وهذا بدوره يتفق مع نتائج االختبار السابق‪ ,‬مما يؤكد طبيعية البيانات‪.‬‬

‫شكل (‪ :)4.1‬رسم ‪ Normal Probability Plot‬لبيانات السلسلة‪.‬‬

‫‪51‬‬
 ‫‪ -III‬مرحلة توليد أرقام عشوائية‪:‬‬

‫في هذه المرحلة سيتم توليد أرقام عشوائية باستخدام برنامج ‪ Microsoft Excel‬وذلك من‬

‫خالل األمر ) ( ‪ RAND‬للحصول على المتغير العشوائي ‪ t‬بوسط حسابي صفر وانحراف معياري‬

‫واحد‪ ,‬نستخدم دالة معكوس الخطأ ‪ 𝑒𝑟𝑓 −1 (z) inverse error function‬حسب الصيغة التالية‪:‬‬

‫)‪−1 (z‬‬
‫‪1‬‬ ‫‪𝜋 3 7𝜋 2 5 127𝜋 3 7‬‬ ‫‪4369𝜋 4 9‬‬
‫𝑓𝑟𝑒‬ ‫‪= √𝜋 (𝑧 + 𝑧 +‬‬ ‫‪𝑧 +‬‬ ‫‪𝑧 +‬‬ ‫)⋯ ‪𝑧 +‬‬
‫‪2‬‬ ‫‪12‬‬ ‫‪480‬‬ ‫‪40320‬‬ ‫‪5806080‬‬

‫أما بالنسبة إليجاد قيمة ‪ z‬ويمكن أيجادها من خالل دالة التوزيع التراكمية ‪cumulative‬‬

‫)‪ distribution function (CDF‬لتوزيع اللوغاريتم الطبيعي كما يلى‪:‬‬

‫‪1 1‬‬ ‫𝜇 ‪ln 𝑥 −‬‬

‫= 𝐹𝐷𝐶‬ ‫[ 𝑓𝑟𝑒 ‪+‬‬ ‫) ( 𝐷𝑁𝐴𝑅 = ]‬
‫‪2 2‬‬ ‫‪√2𝜎 2‬‬

‫𝜇 ‪ln 𝑥 −‬‬
‫[ 𝑓𝑟𝑒 = )𝑧(‪erf‬‬ ‫)‪] = [𝑅𝐴𝑁𝐷 ( ) − 0.5](2‬‬
‫‪√2𝜎 2‬‬

‫)‪𝑧 = [𝑅𝐴𝑁𝐷 ( ) − 0.5](2‬‬

‫وألن اللوغاريتم الطبيعي لألعداد العشوائية له خاصية أن وسطه يساوي انحرافه يساوي واحد‬

‫صحيح‪ ,‬بمعنى أن ‪σ = 1 , 𝜇 = 1 :‬‬

‫‪ln 𝑥 − 1‬‬
‫[ 𝑓𝑟𝑒‬ ‫𝑧= ]‬
‫‪√2‬‬

‫‪ln 𝑥 − 1‬‬
‫= )‪𝑒𝑟𝑓 −1 (z‬‬
‫‪√2‬‬

‫‪52‬‬
 ‫)‪ln 𝑥 − 1 = √2 𝑒𝑟𝑓 −1 (z‬‬

‫‪𝑡 = ln 𝑥 = √2 𝑒𝑟𝑓 −1 (z) + 1‬‬

‫ومثال على ذلك فإن االجراءات المتبعة لتوليد أرقام عشوائية لعام ‪ 2017‬على سبيل المثال‬

‫موضحة في الجدول (‪ )4.4‬التالي‪:‬‬

‫جدول (‪ :)4.4‬توليد أرقام عشوائية لعام ‪2017‬‬

‫‪I‬‬ ‫) ( ‪RAND‬‬ ‫‪Z‬‬ ‫‪𝑒𝑟𝑓 −1‬‬ ‫𝑗𝑖𝑡‬

‫‪Jan‬‬ ‫‪0.699645‬‬ ‫‪0.399289 0.370085‬‬ ‫‪1.523379‬‬

‫‪Feb‬‬ ‫‪0.45481‬‬ ‫‪-0.090379‬‬ ‫‪-0.08027‬‬ ‫‪0.886483‬‬

‫‪Mar‬‬ ‫‪0.063732‬‬ ‫‪-0.872536‬‬ ‫‪-1.0558‬‬ ‫‪-0.49313‬‬

‫‪Apr‬‬ ‫‪0.224711‬‬ ‫‪-0.550577‬‬ ‫‪-0.53482‬‬ ‫‪0.243657‬‬

‫‪May‬‬ ‫‪0.236038‬‬ ‫‪-0.527923‬‬ ‫‪-0.50847‬‬ ‫‪0.280915‬‬

‫‪Jun‬‬ ‫‪0.471912‬‬ ‫‪-0.56176‬‬ ‫‪-0.04983‬‬ ‫‪0.929536‬‬

‫‪Jul‬‬ ‫‪0.999341‬‬ ‫‪0.998683‬‬ ‫‪1.443813‬‬ ‫‪3.041859‬‬

‫‪Aug‬‬ ‫‪0.533139‬‬ ‫‪0.066278‬‬ ‫‪0.58805‬‬ ‫‪1.083163‬‬

‫‪Sep‬‬ ‫‪0.095672‬‬ ‫‪-0.808656‬‬ ‫‪-0.91763‬‬ ‫‪-0.29772‬‬

‫‪Oct‬‬ ‫‪0.044674‬‬ ‫‪-0.910651‬‬ ‫‪-1.15355‬‬ ‫‪-0.63136‬‬

‫‪Nov‬‬ ‫‪0.997494‬‬ ‫‪0.994989‬‬ ‫‪1.429319‬‬ ‫‪3.021363‬‬

‫‪Dec‬‬ ‫‪0.407816‬‬ ‫‪-0.184368‬‬ ‫‪-0.16487‬‬ ‫‪0.766834‬‬

‫‪53‬‬
 ‫‪ -IV‬مرحلة بناء نموذج ماركوف للتنبؤ‬

‫يتكون نموذج ماركوف من جزأين األول ‪ deterministic part‬والذي يأخذ بعين االعتبار تأثير‬

‫القيمة السابقة في النموذج والجزء الثاني ‪ random part‬والذي يمثل الجزء العشوائي للنموذج‪ ,‬ومن‬

‫خالل دمج وجمع هذين الجزأين يتم بناء النموذج الشهري لماركوف للتنبؤ حسب الصيغة التالية‪:‬‬
‫‪1‬‬
‫‪2 2‬‬
‫‪𝑞𝑖𝑗 = 𝑞̅𝑗 + 𝑏𝑗 (𝑞𝑖−1,𝑗−1 − 𝑞̅𝑗−1 ) + 𝑡𝑖𝑗 𝑠𝑗 (1 −‬‬ ‫) 𝑗𝑟‬

‫وبناء عليه يمكن التنبؤ بأي‬

‫ً‬ ‫ويبين الجدول (‪ )4.5‬التالي التنبؤ بسعر الصرف لعام ‪,2017‬‬

‫عام من السنة بشرط معرفة القيم السابقة لها‪.‬‬

‫جدول (‪ :)4.5‬بناء نموذج ماركوف للتنبؤ بسعر الصرف لعام ‪2017‬‬

‫‪Model‬‬
‫‪Deterministic Component‬‬ ‫‪Random Component‬‬
‫‪flow‬‬
‫‪I‬‬
‫‪1‬‬ ‫𝑗𝑖𝑞‬
‫‪𝑞𝑖−1,𝑗−1‬‬ ‫) ‪𝑞̅𝑗 + 𝑏𝑗 (𝑞𝑖−1,𝑗−1 − 𝑞̅𝑗−1‬‬ ‫𝑗𝑖𝑡‬ ‫‪𝑡𝑖𝑗 𝑠𝑗 (1 −‬‬ ‫‪2 2‬‬
‫) 𝑗𝑟‬
‫‪Jan‬‬ ‫‪3.8555‬‬ ‫‪3.7643‬‬ ‫‪1.523379‬‬ ‫‪0.248818‬‬ ‫‪4.0132‬‬

‫‪Feb‬‬ ‫‪3.9609‬‬ ‫‪3.9834‬‬ ‫‪0.886483‬‬ ‫‪0.060903‬‬ ‫‪4.0443‬‬

‫‪Mar‬‬ ‫‪3.9053‬‬ ‫‪3.8582‬‬ ‫‪-0.49313‬‬ ‫‪-0.030580‬‬ ‫‪3.8277‬‬

‫‪Apr‬‬ ‫‪3.7509‬‬ ‫‪3.7124‬‬ ‫‪0.243657‬‬ ‫‪0.013554‬‬ ‫‪3.7259‬‬

‫‪May‬‬ ‫‪3.7353‬‬ ‫‪3.7282‬‬ ‫‪0.280915‬‬ ‫‪0.039638‬‬ ‫‪3.7679‬‬

‫‪Jun‬‬ ‫‪3.8512‬‬ ‫‪3.8298‬‬ ‫‪0.929536‬‬ ‫‪0.050106‬‬ ‫‪3.9044‬‬

‫‪Jul‬‬ ‫‪3.8558‬‬ ‫‪3.8002‬‬ ‫‪3.041859‬‬ ‫‪0.230124‬‬ ‫‪4.0303‬‬

‫‪Aug‬‬ ‫‪3.8135‬‬ ‫‪3.8530‬‬ ‫‪1.083163‬‬ ‫‪0.055202‬‬ ‫‪3.9082‬‬

‫‪Sep‬‬ ‫‪3.7755‬‬ ‫‪3.7372‬‬ ‫‪-0.29772‬‬ ‫‪-0.02650‬‬ ‫‪3.7107‬‬

‫‪Oct‬‬ ‫‪3.7473‬‬ ‫‪3.7457‬‬ ‫‪-0.63136‬‬ ‫‪-0.05581‬‬ ‫‪3.6899‬‬

‫‪Nov‬‬ ‫‪3.8348‬‬ ‫‪3.8689‬‬ ‫‪3.021362‬‬ ‫‪0.175531‬‬ ‫‪4.0412‬‬

‫‪Dec‬‬ ‫‪3.8321‬‬ ‫‪3.7969‬‬ ‫‪0.766834‬‬ ‫‪0.056453‬‬ ‫‪3.8534‬‬

‫‪54‬‬
 ‫وبنفس السياق نستطيع التنبؤ بسعر صرف الدوالر مقابل الشيكل لعام ‪ ,2018‬ويتضح ذلك من‬

‫الجدول التالي (‪:)4.6‬‬

‫جدول (‪ :)4.6‬بناء نموذج ماركوف للتنبؤ بسعر الصرف لعام ‪2018‬‬

‫‪Model‬‬
‫‪Deterministic Component‬‬ ‫‪Random Component‬‬
‫‪flow‬‬
‫‪I‬‬
‫‪1‬‬ ‫𝑗𝑖𝑞‬
‫) ‪𝑞𝑖−1,𝑗−1 𝑞̅𝑗 + 𝑏𝑗 (𝑞𝑖−1,𝑗−1 − 𝑞̅𝑗−1‬‬ ‫𝑗𝑖𝑡‬ ‫‪𝑡𝑖𝑗 𝑠𝑗 (1 −‬‬ ‫‪2 2‬‬
‫) 𝑗𝑟‬
‫‪Jan‬‬ ‫‪3.48‬‬ ‫‪3.7929‬‬ ‫‪1.523379‬‬ ‫‪0.248818‬‬ ‫‪4.0417‬‬

‫‪Feb‬‬ ‫‪3.769‬‬ ‫‪3.7689‬‬ ‫‪0.886483‬‬ ‫‪0.060903‬‬ ‫‪3.8298‬‬

‫‪Mar‬‬ ‫‪3.645‬‬ ‫‪3.5667‬‬ ‫‪-0.49313‬‬ ‫‪-0.030580‬‬ ‫‪3.5361‬‬

‫‪Apr‬‬ ‫‪3.6308‬‬ ‫‪3.5939‬‬ ‫‪0.243657‬‬ ‫‪0.013554‬‬ ‫‪3.6075‬‬

‫‪May‬‬ ‫‪3.623‬‬ ‫‪3.6324‬‬ ‫‪0.280915‬‬ ‫‪0.039638‬‬ ‫‪3.6720‬‬

‫‪Jun‬‬ ‫‪3.5392‬‬ ‫‪3.5463‬‬ ‫‪0.929536‬‬ ‫‪0.050106‬‬ ‫‪3.5964‬‬

‫‪Jul‬‬ ‫‪3.5392‬‬ ‫‪3.5532‬‬ ‫‪3.041859‬‬ ‫‪0.230124‬‬ ‫‪3.7833‬‬

‫‪Aug‬‬ ‫‪3.4884‬‬ ‫‪3.5877‬‬ ‫‪1.083163‬‬ ‫‪0.055202‬‬ ‫‪3.6429‬‬

‫‪Sep‬‬ ‫‪3.5612‬‬ ‫‪3.5806‬‬ ‫‪-0.29772‬‬ ‫‪-0.02650‬‬ ‫‪3.5541‬‬

‫‪Oct‬‬ ‫‪3.585‬‬ ‫‪3.6372‬‬ ‫‪-0.63136‬‬ ‫‪-0.05581‬‬ ‫‪3.5814‬‬

‫‪Nov‬‬ ‫‪3.5211‬‬ ‫‪3.5839‬‬ ‫‪3.021362‬‬ ‫‪0.175531‬‬ ‫‪3.7561‬‬

‫‪Dec‬‬ ‫‪3.4956‬‬ ‫‪3.4571‬‬ ‫‪0.766834‬‬ ‫‪0.056453‬‬ ‫‪3.5135‬‬

‫‪55‬‬
 ‫جدول (‪ :)4.7‬القيم التنبؤية لنموذج ماركوف‬

‫أشهر السنة‬ ‫𝒕𝒚‬ ‫𝒕̂‬

‫𝒚‬ ‫𝒕𝒆‬

‫‪Jan/2018‬‬ ‫‪3.4196‬‬ ‫‪4.0417‬‬ ‫‪-0.6221‬‬

‫‪Feb/2018‬‬ ‫‪3.4769‬‬ ‫‪3.8298‬‬ ‫‪-0.3529‬‬
‫‪Mar/2018‬‬ ‫‪3.4905‬‬ ‫‪3.5361‬‬ ‫‪-0.0456‬‬
‫‪Apr/2018‬‬ ‫‪3.5964‬‬ ‫‪3.6075‬‬ ‫‪-0.0111‬‬
‫‪May/2018 3.5605‬‬ ‫‪3.6720‬‬ ‫‪-0.1115‬‬
‫‪Jun/2018‬‬ ‫‪3.5863‬‬ ‫‪3.5964‬‬ ‫‪-0.0101‬‬

‫وتعتبر مقاييس دقة التنبؤ ‪ RMSE, MAPE, MAE‬مؤش اًر لتحديد مدى نجاعة النموذج في التنبؤ‬

‫ويتضح ذلك من الجدول (‪ )4.8‬التالي‪:‬‬

‫جدول(‪ :)4.8‬مقاييس دقة التنبؤ لنموذج ماركوف‬

‫المعيار‬ ‫‪RMSE‬‬ ‫‪MAPE‬‬ ‫‪MAE‬‬

‫نموذج ماركوف‬ ‫‪0.2858‬‬ ‫‪6.7875‬‬ ‫‪0.2533‬‬

‫‪ 4.3‬مراحل تطبيق نماذج ‪ ARIMA‬في التنبؤ‬

‫سنتناول في هذا الجزء مراحل تطبيق نماذج ‪ ARIMA‬وكانت كالتالي‪:‬‬

‫مرحلة تهيئة البيانات‬ ‫‪4.3.1‬‬

‫مرحلة تهيئة البيانات أول مرحلة لبناء نماذج ‪ ARIMA‬للسالسل الزمنية‪ ,‬حيث تتم في هذه‬

‫المرحلة تحضير البيانات من خالل رسم شكل االنتشار للتعرف على الخصائص األولية لها‪ ,‬وتتمثل‬

‫في فحص استقرار السلسلة الزمنية‪ ,‬وتطبيق التحويالت الالزمة لجعلها مستقرة وإن لم تكن كذلك‪,‬‬

‫ومن أجل وصف السلسلة الزمنية قيد الدراسة يتم رسم مشاهداتها للتعرف على السكون واالتجاه العام‬

‫‪56‬‬
‫لهيا‪ ,‬والشكيل رقم (‪ )4.2‬يمثل رسم السلسلة الزمنية لسعر صرف الدوالر مقابل الشيكل ‪USD /‬‬

‫‪.ILS‬‬

‫شكل رقم (‪ :)4.2‬رسم السلسلة الزمنية لسعر صرف الدوالر مقابل الشيكل ‪USD / ILS‬‬

‫والواضح من خالل التمثيل البياني للسلسلة الزمنية محل الدراسة بقيمها الفعلية الموضحة في‬

‫الشكل أعاله نالحظ أن التباين يميل إلى الثبات إال أننا نالحظ أيضاً وجود اتجاه عام متزايد وتارة‬

‫أُخرى متناقص مع الزمن مما يدل على عدم استق اررية بيانات السلسلة في المتوسط‪ ,‬وفي هذه الحالة‬

‫يفضل أخذ الفروق للتسكين‪.‬‬

‫حيث تم أخذ الفروق األولى للتسكين ومن ثم إعادة رسم السلسلة فيصبح الشكل البياني‬

‫للسلسلة بعد أخذ مرشح الفروق األولى للسلسلة كما يظهر في الشكل (‪.)4.3‬‬

‫شكل رقم (‪ :)4.3‬رسم السلسلة الزمنية لسعر الصرف بعد أخذ الفرق األول‬

‫‪57‬‬
‫نالحظ من الشكل أعاله أنه مازال هناك اتجاه عام طفيف‪ ,‬لذلك سوف يتم أخذ الفرق الثاني‬

‫ومن ثم إعادة رسم السلسلة فيصبح الشكل البياني للسلسلة بعد أخذ مرشح الفروق الثانية للسلسلة كما‬

‫يظهر في الشكل (‪.)4.4‬‬

‫شكل رقم (‪ :)4.4‬رسم السلسلة الزمنية لسعر الصرف بعد أخذ الفرق الثاني‬

‫وبفحص الشكل السابق يمكن القول بأن الخصائص للسلسلة الزمنية تبدو ساكنة‪ ,‬وللتأكد من‬

‫سكون السلسلة سنقوم بإجراء اختبار ‪ ADF‬و ‪ PP‬لبحث سكون سلسلة الفرق الثاني‪ ,‬وبإجراء‬

‫االختبارين السابقين على التوالي كانت قيمة ‪ p-value‬أقل من ‪ ,0.05‬ويتضح ذلك من خالل‬

‫الجدول (‪ )4.9‬التالي‪:‬‬

‫جدول رقم (‪ :)4.9‬نتائج اختبار ‪ PP ,ADF‬لسلسة البيانات بعد أخذ الفرق الثاني‬

‫الحالة‬ ‫المعنوية‬ ‫القيمة‬ ‫االختبار‬

‫مستقرة‬ ‫‪0.00‬‬ ‫‪-5.16‬‬ ‫اختبار ديكي – فوالر (‪)ADF‬‬

‫مستقرة‬ ‫‪0.00‬‬ ‫‪-6.22‬‬ ‫اختبار فيليب‪ -‬بيرون )‪(PP‬‬

‫‪58‬‬
 ‫‪ 4.3.2‬مرحلة التعرف والتقدير‬

‫إن الهدف األساسي في هذه المرحلة هو التعرف على النموذج المبدئي المالئم لوصف‬

‫السلسلة محل الدراسة‪ ,‬وذلك باالعتماد على دالتي االرتباط الذاتي والذاتي الجزئي لتحديد نماذج‬

‫)‪ ARIMA (p,2,q‬للتعرف على النموذج من خالل تحديد رتبة ‪ MA‬و ‪ ,AR‬ويتم ذلك من خالل‬

‫فحص دالة االرتباط الذاتي ‪ ACF‬لسلسلة الفروق األولى الذي يقود إلى اقتراح نموذج )‪MA(1‬‬

‫والمعروفة بالرمز (‪ ,)q‬أما فحص دالة االرتباط الذاتي الجزئي ‪ PACF‬فيقود إلى اقتراح نموذج‬

‫)‪ AR(1‬والمعروفة بالرمز (‪ ,)p‬والشكل (‪ )4.5‬يوضح سلوك دالتي االرتباط الذاتي والذاتي الجزئي‬

‫لنماذج )‪.ARIMA (p,2,q‬‬

‫شكل رقم (‪ :)4.5‬دالتي االرتباط الذاتي والذاتي الجزئي بعد أخذ الفرق الثاني للسلسلة الزمنية‬

‫‪Partial Autocorrelation Function for ytd2‬‬

‫)‪(with 5% significance limits for the partial autocorrelations‬‬

‫‪1.0‬‬

‫‪0.8‬‬

‫‪0.6‬‬
‫‪Partial Autocorrelation‬‬

‫‪0.4‬‬

‫‪0.2‬‬

‫‪0.0‬‬

‫‪-0.2‬‬

‫‪-0.4‬‬

‫‪-0.6‬‬

‫‪-0.8‬‬

‫‪-1.0‬‬

‫‪2‬‬ ‫‪4‬‬ ‫‪6‬‬ ‫‪8‬‬ ‫‪10‬‬ ‫‪12‬‬ ‫‪14‬‬ ‫‪16‬‬ ‫‪18‬‬ ‫‪20‬‬ ‫‪22‬‬ ‫‪24‬‬ ‫‪26‬‬
‫‪Lag‬‬

‫‪Autocorrelation Function for ytd2‬‬

‫)‪(with 5% significance limits for the autocorrelations‬‬

‫‪1.0‬‬

‫‪0.8‬‬

‫‪0.6‬‬

‫‪0.4‬‬
‫‪Autocorrelation‬‬

‫‪0.2‬‬

‫‪0.0‬‬

‫‪-0.2‬‬

‫‪-0.4‬‬

‫‪-0.6‬‬

‫‪-0.8‬‬

‫‪-1.0‬‬

‫‪2‬‬ ‫‪4‬‬ ‫‪6‬‬ ‫‪8‬‬ ‫‪10‬‬ ‫‪12‬‬ ‫‪14‬‬ ‫‪16‬‬ ‫‪18‬‬ ‫‪20‬‬ ‫‪22‬‬ ‫‪24‬‬ ‫‪26‬‬
‫‪Lag‬‬

‫‪59‬‬
‫وبعد الفحص الدقيق لدالة االرتباط الذاتي ‪ ACF‬ودالة االرتباط الذاتي الجزئي ‪PACF‬‬

‫نالحظ أن دالة االرتباط الذاتي تنقطع بعد الفجوة الزمنية األولى مما يوجه االنتباه إلى وجود معلمة‬

‫لنموذج المتوسطات المتحركة وبالتالي يمكن ترشيح النموذج المبدئي )‪ ,ARIMA (0,2,1‬وهذا‬

‫النموذج المرشح ُيؤخذ كنموذج أولي قابل للتعديل الحقاً‪.‬‬

‫ولتوفيق أفضل نموذج للسلسلة تم العمل على تحديد النموذج المالئم ورتبته من خالل قيم‬

‫المعيار االحصائي ‪ ,BIC‬تم مالءمة مجموعة من نماذج )‪ ARIMA(p,d,q‬الختيار النموذج‬

‫األفضل والذي يعطي أقل قيمة للمعيار أدناه يعد أفضل نموذج كما هو مبين في الجدول (‪:)4.10‬‬

‫جدول (‪ :)4.10‬مقارنة بين النموذج المرشح والنماذج األعلى واألدنى منه مباشرة‬

‫النماذج‬ ‫‪BIC‬‬
‫)‪ARIMA (1,2,0‬‬ ‫‪-4.141‬‬
‫)‪ARIMA (0,2,1‬‬ ‫‪-4.489‬‬
‫)‪ARIMA (0,2,2‬‬ ‫‪-4.433‬‬
‫)‪ARIMA (1,2,1‬‬ ‫‪-4.436‬‬
‫)‪ARIMA (1,2,2‬‬ ‫‪-4.409‬‬
‫)‪ARIMA (2,2,0‬‬ ‫‪-4.316‬‬
‫)‪ARIMA (2,2,1‬‬ ‫‪-4.383‬‬
‫)‪ARIMA (2,2,2‬‬ ‫‪-4.368‬‬

‫نالحظ من الجدول (‪ )4.10‬أعاله أن النموذج األفضل هو نموذج )‪,ARIMA(0,2,1‬‬

‫وذلك المتالكه أقل قيمة لمعيار التقييم ‪ ,BIC‬وبذلك فإن النموذج النهائي الذي يمكن استخدامه في‬

‫التنبؤ هو النموذج )‪.ARIMA(0,2,1‬‬

‫بعد أن تم تحديد النموذج المقترح )‪ ARIMA(0,2,1‬سيتم تقدير معلمات النموذج‪ ,‬وبتطبيق‬

‫طريقة المربعات الصغرى االعتيادية على بيانات السلسلة‪ ,‬تم الحصول على تقديرات معلمات‬

‫النموذج أعاله مبينة في الجدول (‪ )4.11‬اآلتي‪:‬‬

‫‪60‬‬
 ‫جدول (‪ :)4.11‬تقديرات معلمات النموذج )‪ARIMA(0,2,1‬‬

‫النماذج‬ ‫̂‬
‫𝜽‬ ‫الخطأ المعياري‬ ‫قيمة ‪t‬‬ ‫‪P – value‬‬

‫)‪MA(1‬‬ ‫‪0.9985‬‬ ‫‪0.0213‬‬ ‫‪46.98‬‬ ‫‪0.000‬‬

‫وعليه فإن النموذج سيكون وفق تحويلة الفرق الثاني بالصيغة اآلتية‪:‬‬

‫‪ ( B )d y t   ( B ) t‬‬

‫‪,  y t  (1  B ) y t‬‬ ‫حيث ‪, d  0 :‬‬

‫‪d‬‬ ‫‪d‬‬

‫‪ (B )  1  1B  2 B 2  ..............  p B p‬‬

‫‪ (B )  1  1B  2 B 2  ..............  q B q‬‬

‫بنا ًء عليه تكون معادلة النموذج )‪: ARIMA(0,2,1‬‬

‫‪ (B )2 y t   (B )t‬‬

‫‪(1  B ) 2 y t  (1  1B ) t‬‬ ‫‪ (1  2B  B 2 ) y t  (1  1B )t‬‬

‫‪‬‬ ‫‪y t  2By t  B 2 y t  t  1B t‬‬

‫‪‬‬ ‫‪y t  2 y t 1  y t  2  t  1t 1‬‬

‫‪‬‬ ‫‪y t  2 y t 1  y t 2  1t 1   t‬‬

‫𝑡𝜀 ‪𝑦𝑡 = 2 𝑦𝑡−1 − 𝑦𝑡−2 − 𝜃1 𝜀𝑡−1 +‬‬
‫𝑡𝜀 ‪𝑦𝑡 = 2 𝑦𝑡−1 − 𝑦𝑡−2 − 0.9985 𝜀𝑡−1 +‬‬
‫وهو النموذج المالئم لسعر صرف الدوالر مقابل الشيكل ‪.USD / ILS‬‬

‫‪61‬‬
 ‫‪ 4.3.3‬مرحلة التشخيص‬

‫تُعد هذه المرحلة من أهم مراحل التحليل حيث يتم فيها مالئمة النموذج‪ ,‬وذلك من أجل‬

‫تحسين النموذج وتطويره أو االبقاء عليه كما هو‪ ,‬حيث نقوم في هذه المرحلة بإخضاع النموذج محل‬

‫الدراسة لعدد من االختبارات لتقويم النموذج‪ ,‬فإذا اجتاز هذا النموذج االختبارات فإنه يكون صالح‬

‫لالستخدام‪ ,‬وذلك من خالل تحليل االستقرار والبواقي وذلك كما يلي‪-:‬‬

‫أ‪ -‬تحليل السكون واإلنعكاس‬

‫ُيعد تحقق شرطي االستقرار واالنعكاس في مقدرات النموذج دليل على كفاية النموذج‬

‫للبيانات‪ ,‬حيث أن معامالت المتوسطات المتحركة تحقق شرط االنعكاس‪ ,‬كما أن جميع سالسل‬

‫المتوسطات المتحركة دائماً ساكنة بدون وضع أي قيود أو شروط على المعلمة ‪ ,θ‬وهذا يعنى أن‬

‫النموذج يحقق شرطي االستقرار واالنعكاس‪ ,‬وشرط االنعكاس لهذا النموذج ‪:‬‬

‫‪|θ| < 1‬‬

‫وهذا متحقق بالنسبة لهذا النموذج ألنه ومن جدول (‪ )4.10‬نجد أن‬

‫= |‪|θ‬‬ ‫‪0.9985‬‬ ‫‪<1‬‬

‫ب‪ -‬تحليل البواقي‬

‫ُيعتبر تحليل البواقي جزء أساسي ومرحلة مهمة لمعرفة مدى صالحية النموذج‬

‫)‪ ARIMA(0,2,1‬المستخدم للتنبؤ‪ ,‬ومن خالل الشكل (‪ )4.6‬التالي الذي يوضح نتائج تشخيص‬

‫بواقي النموذج‪ُ ,‬يالحظ من خالل الشكل عشوائية البواقي وعدم ارتباطها ذاتياً‪ ,‬باإلضافة إلى أن‬

‫منحنى التوزيع الطبيعي يشير ألن البواقي تتبع التوزيع الطبيعي‪ ,‬وكذلك وجود حالة من ثبات التباين‬

‫في بواقي النموذج‪.‬‬

‫‪62‬‬
 ‫شكل (‪ :)4.6‬نتائج تشخيص بواقي النموذج )‪ARIMA (0,2,1‬‬

‫أما بخصوص الفروق األولى للبواقي 𝑡𝑒∆ فإنه بفحص شكل (‪ )4.7‬والذى يمثل دالة‬

‫االرتباط الذاتي للفروق األولى للبواقي‪ ,‬يمكن االستدالل بسهولة على أن النموذج المالئم لسلسلة‬

‫الفروق األولى هو بالفعل نموذج )‪ MA(1‬بمعلمة ال تختلف معنوياً عن الواحد الصحيح‪ ,‬حيث تبدو‬

‫دالة االرتباط الذاتي وكأنها تنقطع فجأة بعد الفجوة الزمنية األولى‪ ,‬وهذا مؤشر آخر على أن األخطاء‬

‫𝑡𝑒 تمثل تغيرات عشوائية بحتة‪.‬‬

‫شكل (‪ :)4.7‬رسم دالة االرتباط الذاتي المقدرة للفروق األولى للبواقي‬

‫‪Autocorrelation Function for dRESI1‬‬

‫)‪(with 5% significance limits for the autocorrelations‬‬

‫‪1.0‬‬

‫‪0.8‬‬

‫‪0.6‬‬

‫‪0.4‬‬
‫‪Autocorrelation‬‬

‫‪0.2‬‬

‫‪0.0‬‬

‫‪-0.2‬‬

‫‪-0.4‬‬

‫‪-0.6‬‬

‫‪-0.8‬‬

‫‪-1.0‬‬

‫‪2‬‬ ‫‪4‬‬ ‫‪6‬‬ ‫‪8‬‬ ‫‪10‬‬ ‫‪12‬‬ ‫‪14‬‬ ‫‪16‬‬ ‫‪18‬‬ ‫‪20‬‬ ‫‪22‬‬ ‫‪24‬‬ ‫‪26‬‬
‫‪Lag‬‬

‫أما فيما يتعلق بإجراء اختبار االرتباط التسلسلي ‪ Ljung-Box‬الختبار معنوية االرتباطات‬

‫الذاتية عند الفجوات الزمنية كما يظهر في الجدول)‪ (4.12‬يشير إلى أن البواقي مستقلة (األخطاء‬

‫‪63‬‬
‫عشوائية) أي أنه ال يوجد ارتباط ذاتي بين البواقي‪ ,‬حيث كانت قيم ‪ P-value‬عند الفجوات الزمنية‬

‫جميعها أكبر من ‪ ,0.05‬وعليه ال يمكن رفض الفرضية الصفرية القائلة بعدم معنوية دوال االرتباط‬

‫عند الفجوات الزمنية المختلفة‪ ,‬أي أن االختبار يعزز اختبار استقاللية البواقي‪.‬‬

‫جدول )‪ :)4.12‬نتائج اختبار ‪Ljung-Box‬‬

‫‪Modified Box-Pierce (Ljung-Box) Chi-Square statistic‬‬

‫‪Lag‬‬ ‫‪Chi-Square‬‬ ‫‪DF‬‬ ‫‪Sig.‬‬
‫‪12‬‬ ‫‪10.2‬‬ ‫‪10‬‬ ‫‪0.419‬‬
‫‪24‬‬ ‫‪22.9‬‬ ‫‪22‬‬ ‫‪0.405‬‬
‫‪36‬‬ ‫‪35.1‬‬ ‫‪34‬‬ ‫‪0.417‬‬
‫‪48‬‬ ‫‪42.4‬‬ ‫‪46‬‬ ‫‪0.631‬‬

‫وبناء على ما سبق‪ ,‬يمكننا التأكيد على أن نتائج االختبارات والفحوص التشخيصية التي‬
‫ً‬

‫أُجريت تحت مظلة تحليل البواقي من مخرجات توفيق النموذج )‪ ARIMA(0,2,1‬أدت إلى قبول‬

‫النموذج احصائياً وأعطت دليالً على أنه جيد ومالئم للسلسلة الزمنية قيد البحث‪ ,‬مما يزيد الثقة في‬

‫كفاءة هذا النموذج في تحليل بيانات الظاهرة قيد الدراسة‪ ,‬وبالتالي يمكن استخدامه في التنبؤ‪.‬‬

‫‪ 4.3.4‬مرحلة التنبؤ‬

‫يعد التنبؤ من األهداف األساسية ألي دراسة تختص بتحليل السالسل الزمنية‪ ,‬وأنه ال يمكن‬

‫االنتقال إلي هذه المرحلة إال بعد االنتهاء والتأكد من إجراء جميع الفحوص واالختبارات اإلحصائية‬

‫الضرورية لتشخيص النموذج الذي اختير في المراحل السابقة‪ ,‬تم التوصل إلي أنه يمكن استخدام‬

‫النموذج المرشح للتنبؤ‪ ,‬وذلك الجتيازه معظم عمليات والفحص والتشخيص بدرجة جيدة إحصائياً عن‬

‫غيره من النماذج األُخرى‪ ,‬وباستخدام نموذج )‪ ARIMA(0,2,1‬تم التنبؤ بأسعار صرف الدوالر‬

‫مقابل الشيكل في األراضي الفلسطينية‪ ,‬خالل ستة شهور األولى لعام ‪ ,2018‬ويتضح ذلك من‬

‫خالل الجدول (‪ )4.13‬التالي‪:‬‬

‫‪64‬‬
 ‫جدول (‪ :)4.13‬القيم التنبؤية لنموذج )‪ARIMA(0,2,1‬‬

‫أشهر السنة‬ ‫𝒕𝒚‬ ‫𝒕̂‬

‫𝒚‬ ‫𝒕𝒆‬

‫‪Jan/2018‬‬ ‫‪3.4196‬‬ ‫‪3.4627‬‬ ‫‪-0.0431‬‬

‫‪Feb/2018‬‬ ‫‪3.4769‬‬ ‫‪3.4452‬‬ ‫‪0.0317‬‬
‫‪Mar/2018‬‬ ‫‪3.4905‬‬ ‫‪3.4274‬‬ ‫‪0.0631‬‬
‫‪Apr/2018‬‬ ‫‪3.5964‬‬ ‫‪3.4094‬‬ ‫‪0.1870‬‬
‫‪May/2018 3.5605‬‬ ‫‪3.3912‬‬ ‫‪0.1693‬‬
‫‪Jun/2018‬‬ ‫‪3.5863‬‬ ‫‪3.3727‬‬ ‫‪0.2136‬‬

‫ومن خالل الجدول أعاله سيتم المقارنة بين القيم األصلية مع القيم المتنبأ بها من شهر يناير‬

‫حتى شهر يونيو لعام ‪ ,2018‬وقد أظهرت هذه القيم توافقاً إلى حد ما مع القيم األصلية‪.‬‬

‫المقارنة بين نموذج ماركوف ونموذج )‪ARIMA(0,2,1‬‬ ‫‪4.4‬‬

‫للمقارنة بين النموذجين تم االعتماد علي مقاييس دقة التنبؤ ‪ RMSE, MAE‬و ‪ MAPE‬التي‬

‫تفيد في وضع رؤية حقيقية عن التقديرات المستقبلية للتنبؤ بسلوك الظاهرة التخاذ القرار المناسب‪.‬‬

‫جدول(‪ :)4.14‬المقارنة بين نموذج ماركوف ونموذج )‪ARIMA(0,2,1‬‬

‫النموذج‬ ‫‪RMSE‬‬ ‫‪MAPE‬‬ ‫‪MAE‬‬

‫‪Markov‬‬ ‫‪0.286‬‬ ‫‪6.788‬‬ ‫‪0.253‬‬
‫)‪ARIMA(0,2,1‬‬ ‫‪0.098‬‬ ‫‪1.982‬‬ ‫‪0.074‬‬

‫باالعتميياد علييي مقيياييس دقيية التنبييؤ كمييا هييو موضييح فييي الجييدول(‪ )4.14‬أعيياله‪ ,‬يبييدو تفييوق‬

‫نمييوذج (‪ ARIMA(0,2,1‬علييي نمييوذج ‪ Markov‬و`ذلييك المتالكييه أقييل قيميية لمعييايير دقيية التنبييؤ‪,‬‬

‫وعليه يعتبر نموذج (‪ ARIMA(0,2,1‬هو النموذج األفضل واألكثر دقة في التنبيؤ بيالقيم المسيتقبلية‬

‫للسلسلة قيد الدراسة‪ ,‬فقد اتفقت دراستنا الحالية في النموذج المستخدم للتنبؤ مع دراسة ‪(Suryanto,‬‬

‫)‪ 2016‬و د ارسية (آوجيي و حسين ‪ )2014 ,‬و د ارسية )‪ (Dashora et al., 2014‬و د ارسية ‪(Bin‬‬

‫)‪ ,Muhammad, 2012‬كذلك اختلفت مع دراسة )‪ (Yousif et al., 2016‬في نموذج التنبؤ‪.‬‬

‫‪65‬‬
‫الفصل الخامس‬

‫النتائج والتوصيات‬

‫‪66‬‬
 ‫‪ ‬النتائج‬

‫هدفت هذه الدراسة إلى بناء أفضل نموذج للتنبؤ بأسعار صرف الدوالر مقابل الشيكل‪ ,‬فقد‬

‫تم استخدام نموذجين إحصائيين هما نموذج ماركوف ونموذج االنحدار الذاتي والمتوسطات المتحركة‬

‫التكاملية ‪ ,ARIMA‬حيث تم استخدام وتطبيق النموذجين على البيانات قيد الدراسة بغرض المقارنة‬

‫بينهما بأسعار صرف الدوالر مقابل الشيكل‪ ,‬فقد توصلت الدراسة إلى مجموعة من النتائج هي ‪:‬‬

‫‪ -1‬توصلت الدراسة أن السلسلة الزمنية ألسعار صرف الدوالر مقابل الشيكل تمثل سلسلة زمنية‬

‫غير ساكنة بالنسبة للبيانات االصلية المتاحة‪.‬‬

‫‪ -2‬بعد معاينة عدة نماذج ومن خالل معايير التقييم للمقارنة بين نماذج ‪ ARIMA‬المقترحة‬

‫تبين أن نموذج )‪ ARIMA(0,2,1‬هو األفضل واألنسب للتطبيق على بيانات الدراسة‬

‫لسلسلة أسعار صرف الدوالر مقابل الشيكل‪.‬‬

‫‪ -3‬تبين أن نموذج )‪ ARIMA(0,2,1‬هو األفضل من بين نماذج ‪ ARIMA‬المقترحة‪,‬‬

‫وذلك المتالكه أقل قيم لمعيار التقييم ‪.BIC‬‬

‫‪ -4‬تفوق النموذج )‪ ARIMA(0,2,1‬عن غيره من النماذج المقترحة في اجتياز جميع الفحوص‬

‫واالختبارات التشخيصية بنجاح‪ ,‬وتُحقق خصائص البواقي في النموذج‪.‬‬

‫‪ -5‬تمت المقارنة وفق معايير دقة التنبؤ(‪ )RMSE, MAPE, MAE‬بين نموذج ماركوف‬

‫ونموذج )‪ ,ARIMA(0,2,1‬وأظهرت النتائج تفوق نموذج )‪ ARIMA(0,2,1‬على نموذج‬

‫ماركوف‪.‬‬
‫‪ -6‬اعتماد نموذج )‪ ARIMA(0,2,1‬للتنبؤ بالسلسلة الزمنية بأسعار صرف الدوالر مقابل‬

‫الشيكل‪.‬‬

‫‪67‬‬
 ‫‪ ‬التوصيات‬

‫وفق النتائج التي تم التوصل إليها من خالل الدراسة واستناداً إلى المعلومات التي تم جمعها‬

‫وبناء على االجتهاد الذهني الذي مرجعه‬

‫ً‬ ‫من مصادر مختلفة ومتعددة أثناء رحلة البحث والدراسة‪,‬‬

‫االطار النظري للدراسة‪ ,‬نرى في محاولة متواضعة تقديم جملة من التوصيات لجهات االختصاص‬

‫بهدف لفت انتباه صناع القرار التخاذ الق اررات التي تكفل عالج الظاهرة‪ ,‬وعلى ضوء ذلك يمكن‬

‫استخالص التوصيات التالية‪:‬‬

‫‪ -1‬نوصى الباحثين بزيادة االهتمام بدراسة السالسل الزمنية المتعلقة بسعر الصرف على‬

‫عمالت عربية وأجنبية أخرى ولفترات زمنية أطول‪.‬‬

‫‪ -2‬رصد أي تغيرات من شأنها زعزعة سعر الصرف‪.‬‬

‫‪ -3‬استخدام نماذج عشوائية أخرى في التنبؤ على المدى الطويل‪.‬‬

‫‪ -4‬اجراء مقارنة بين أحد النماذج العشوائية ونماذج التمهيد األسي بدالً من ‪ ARIMA‬الخطي‪.‬‬

‫‪ -5‬محاولة تطبيق نموذج هجين يجمع بين أحد النماذج العشوائية ونموذج ‪.ARIMA‬‬

‫‪ -6‬محاولة تطبيق نموذج هجين يجمع بين أحد النماذج العشوائية وأسلوب الشبكات العصبية‪.‬‬

‫‪68‬‬
‫المراجع‬

‫‪69‬‬
 ‫أوالا‪ :‬المراجع العربية‬

‫‪ .1‬أحمد ‪ ,‬أبو ذر و يونس ‪ ,‬عادل (‪ " .)2013‬استخدام السالسل الزمنية للتنبؤ بإنتاجية الصمغ‬

‫العربي في سوق محاصيل األبيض للفترة (‪ ,")2012-1960‬مجلة البحث العلمي للعلوم واآلداب‪,‬‬

‫العدد (‪ ,)15‬ص‪ ,238-211:‬السودان‪.‬‬

‫‪ .2‬أحمد ‪ ،‬ريكان (‪ " .)2008‬سالسل ماركوف بين النظرية والتطبيق في المجال االقتصادي أو‬

‫المالي أو االداري"‪ ,‬تنمية الرافدين‪ ,‬العدد (‪ ,)92‬مجلد (‪ ,)30‬جامعة الموصل‪ ,‬العراق‪.‬‬

‫‪ .3‬إسماعيل ‪ ,‬محمد (‪ " .)1998‬تحليل السالسل الزمنية"‪ ,‬جامعة القاهرة‪ ,‬مصر‪.‬‬

‫‪ .4‬آوجي ‪ ,‬تيمور و حسن ‪ ,‬إحسان (‪ " .)2014‬نمذجة الجريان الواطئ لنهري الزاب األعلى‬

‫والزاب األسفل في شمال العراق"‪ ,‬مجلة الرافدين‪ ,‬المجلد ‪ ,22‬العدد ‪ ,3‬ص‪,120-108 :‬‬

‫العراق‪.‬‬

‫‪ .5‬بارزن‪ ,‬عمانوئيل (‪ " .)1983‬العمليات التصادفية "‪ ,‬ترجمة عدنان محمود حيدر و عيد ذياب‬

‫العجيلي‪.‬‬

‫‪ .6‬بن أحمد ‪ ,‬مصطفي (‪ " .)1982‬تحليل احصائي للسالسل الزمنية واتخاذ القرار مع التطبيق على‬

‫صناعة السكر في الجمهورية العربية السورية"‪ ,‬رسالة ماجستير غير منشورة‪ ,‬سوريا‪.‬‬

‫‪ .7‬تاج ‪ ,‬لطفي و سرحان ‪ ,‬عمار (‪ " .)2007‬مقدمة في العمليات العشوائية"‪ ,‬الطبعة األولى‪,‬‬

‫جامعة الملك سعود‪ ,‬الرياض‪ ,‬السعودية‪.‬‬

‫‪ .8‬الجراح ‪ ,‬نوال والحكاك ‪ ,‬ندى (‪ " .)2013‬استخدام الطرق الهجينة في التنبؤ لسعر الصرف‬

‫للدوالر االمريكي مقابل الدينار العراقي"‪ ,‬مجلة كلية بغداد للعلوم االقتصادية الجامعة‪ ,‬العدد‬

‫(‪ ,)34‬ص‪ ,380-359 :‬الجامعة المستنصرية‪ ,‬بغداد‪.‬‬

‫‪70‬‬
‫‪ .9‬الجضعي ‪ ,‬خالد (‪ " .)2006‬تقنيات صنع القرار‪ :‬تطبيقات حاسوبية " ‪ ,‬مركز البحوث‬

‫والدراسات‪ ,‬كلية الملك فهد األمنية‪.‬‬

‫‪ .10‬الحنجوري ‪ ,‬مؤمن و التلباني ‪ ,‬شادي (‪ " .)2015‬استخدام سالسل ماركوف االمتصاصية‬

‫في تحليل حركة الطلبة خالل المراحل الدراسية – دراسة تطبيقية على طلبة كلية الهندسة‬

‫بالجامعة االسالمية بغزة"‪ ,‬مجلة جامعة القدس لألبحاث والدراسات ‪ ,‬العدد الخامس والثالثون‬

‫(‪ ,)1‬غزة‪ ,‬فلسطين‪.‬‬

‫‪ .11‬خضر ‪ ,‬زاهر (‪ " .)2012‬تأثير سعر الصرف على المؤشرات الكلية لالقتصاد الفلسطيني‬

‫(‪ ,")2010-1994‬جامعة األزهر‪ ,‬غزة‪ ,‬فلسطين‪.‬‬

‫‪ .12‬ركابي ‪ ,‬مخلص و الخادم ‪ ,‬محمد (‪ " .)2014‬استخدام منهجية بوكس جيكينز في التنبؤ‬

‫بأعداد المعتمرين من الخارج شهرياً"‪ ,‬جامعة أم القرى‪ ,‬السعودية‪.‬‬

‫‪ .13‬زرمان ‪ ,‬كريم (‪ " .)2015‬دراسة تحليلية وتنبئية لمعدالت الخسارة في شركات التأمينات‬

‫دراسة حالة الشركة الجزائرية للتامين الشامل ‪ CAAT‬بقسنطينة منذ ‪ ," 1995‬رسالة دكتوراه‪,‬‬

‫جامعة محمد خيضر – بسكرة‪ , -‬الجزائر‪.‬‬

‫‪ .14‬الزيادي ‪ ,‬صفاء (‪ " .)2003‬استخدام سالسل ماركوف وبرمجة األهداف في مخطط القوى‬

‫العاملة مع التطبيق"‪ ,‬رسالة ماجستير غير منشورة‪ ,‬العراق‪.‬‬

‫‪ .15‬سلمان‪ ,‬ماهر (‪ " .)2014‬التنبؤ باحتماالت تغير سعر صرف الدينار العراقي مقابل الدوالر‬

‫االمريكي باستعمال سالسل ماركوف للفترة ( ‪ ,")2014-2008‬المديرية العامة لإلحصاء‬

‫واألبحاث‪ ,‬بحوث األسواق المالية‪.‬‬

‫‪71‬‬
‫‪ .16‬سليمان ‪ ,‬انتصار (‪ " .)2008‬التكهن بواسطة نماذج السالسل الزمنية والشبكات العصبية‬

‫االصطناعية ذات التغذية األمامية مع التطبيق – دراسة مقارنة"‪ ,‬رسالة ماجستير‪ ,‬جامعة‬

‫الموصل‪ ,‬العراق‪.‬‬

‫‪ .17‬شعراوي‪ ،‬سمير (‪ " .)2005‬مقدمة في تحليل السالسل الزمنية"‪ ,‬جامعة الملك عبد العزيز‪,‬‬
‫ط‪ ,1:‬الرياض‪ ,‬السعودية‪.‬‬
‫‪ .18‬الصفاوي ‪ ,‬صفاء و الطائي ‪ ,‬فاضل (‪ " .)2003‬طرق معالجة عدم االستق اررية لبعض بيانات‬

‫السالسل الزمنية بالتطبيق على انتاج الذرة الصفراء في العراق للفترة من ‪ ,"1989 -1949‬مجلة‬

‫تنمية الرافدين‪ ,‬العدد (‪ ,)73‬العراق‪.‬‬

‫‪ .19‬الطائي ‪ ,‬فاضل (‪ " .)2010‬التنبؤ والتمهيد للسالسل الزمنية باستخدام التحويالت مع‬

‫التطبيق"‪ ,‬المجلة العراقية للعلوم االحصائية‪ ,‬العدد (‪ ,)17‬ص‪ ,308-293:‬العراق‪.‬‬

‫‪ .20‬الطائي ‪ ,‬فاضل و ألشرابي ‪ ,‬نجلء (‪ " .)2010‬المنطق المضبب لنموذج سلسلة زمنية غير‬

‫المراوحة مع التطبيق"‪ ,‬المجلة العراقية للعلوم االحصائية‪ ,‬العدد (‪ ,)18‬ص‪ ,116-91 :‬العراق‪.‬‬

‫‪ .21‬طعمه ‪ ,‬سعدية (‪ " .)2012‬استخدام تحليل السالسل الزمنية للتنبؤ بأعداد المصابين باألورام‬

‫الخبيثة في محافظة األنبار"‪ ,‬مجلة جامعة األنبار للعلوم االقتصادية واالدارية‪ ,‬المجلد (‪ ,)4‬العدد‬

‫(‪ ,)8‬ص‪ ,393 -371 :‬العراق‪.‬‬

‫‪ .22‬عوض ‪ ,‬عدنان و عزام ‪ ,‬مفيد (‪ " .)2002‬طرق اإلحصاء بالحاسوب"‪ ,‬منشورات جامعة‬

‫القدس‪ ,‬عمان‪ ,‬األردن‪.‬‬

‫‪ .23‬فاندل‪ ,‬والتر (‪ " .)1992‬السالسل الزمنية من الوجهة التطبيقية ونماذج بوكس جنكنز"‪ ,‬تعريب‬

‫عبد المرضي عزام‪ ,‬الرياض‪ ,‬المملكة العربية السعودية‪.‬‬

‫‪72‬‬
‫‪ .24‬الليلة ‪ ,‬ظافر (‪ " .)2006‬التكهن بالسالسل الزمنية المتعددة باستخدام المكونات الرئيسية"‪,‬‬

‫رسالة ماجستير غير منشورة‪ ,‬جامعة الموصل‪ ,‬العراق‪.‬‬

‫‪ .25‬المتولي ‪ ,‬أحمد (‪ " .)1989‬استخدام تحليل التدخل في السلسلة الزمنية وتطبيقاتها في البيانات‬

‫البيئية"‪ ,‬رسالة ماجستير‪ ,‬جامعة صالح الدين‪ ,‬العراق‪.‬‬

‫‪ .26‬محمد ‪ ,‬بدوي (‪ " .)2013‬تطبيقات نماذج بوكس جينكنز السنوية في التنبؤ‪ -‬دراسة حالة‪:‬‬

‫الجرائم المبلغة في السودان للفترة ‪ 2012 -1989‬م"‪ ,‬جامعة أم درمان اإلسالمية‪ ,‬السودان‪.‬‬

‫‪ .27‬المعماري ‪ ,‬نوال (‪ " .)2004‬التكهن بواسطة نماذج االنحدار الحركي مع التطبيق"‪ ,‬رسالة‬

‫ماجستير‪ ,‬جامعة الموصل‪ ,‬العراق‪.‬‬

‫‪ .28‬مؤمن ‪ ,‬فاتن (‪ " .)2005‬تقدير عدد االصابات بمرض السرطان في المملكة العربية السعودية‬

‫باستخدام تحليل السالسل الزمنية"‪ ,‬جامعة الملك عبد العزيز‪ ,‬جدة – السعودية‪.‬‬

‫‪ .29‬نقار‪ ,‬عثمان‪ ,‬والعواد‪ ,‬منذر‪ " .)2011( ,‬منهجية ‪ Box-Jenkins‬في تحليل السالسل‬

‫الزمنية والتنبؤ دراسة تطبيقية على أعداد تالميذ الصف األول من التعليم األساسي في سورية"‪,‬‬

‫مجلة جامعة دمشق للعلوم االقتصادية والقانونية – المجلد ‪ 27 -‬العدد الثالث‪.‬‬

‫‪ .30‬هتهات ‪ ,‬سعيد (‪ " .)2006‬دراسة اقتصادية وقياسية لظاهرة التضخم في الجزائر"‪ ,‬جامعة‬

‫قاصدي مرباح‪ ,‬ورقلة‪ ,‬الجزائر‪.‬‬

‫‪ .31‬الوردي‪ ,‬عدنان (‪ " .(1990‬أساليب التنبؤ اإلحصائي طرق وتطبيقات"‪ ,‬مطبعة دار الحكمة في‬

‫البصرة"‪ ,‬جامعة البصرة‪ ,‬العراق‪.‬‬

‫‪ .32‬اليامنة ‪ ,‬الداوي (‪ " .)2016‬أثر سعر الصرف على التجارة الخارجية دراسة حالة (الجزائر)‬

‫للفترة ‪ ,"2014-1990‬جامعة قاصدي مرباح – ورقلة‪ ,‬الجزائر‪.‬‬

‫‪73‬‬
 ‫ المراجع االنجليزية‬:‫ثانياا‬

33. Akaike, H. (1970). “ Statistical predictor identification”, Ann. Inst.

Statist. Math., Vol. 22, pp. 203–217.
34. Akaike, H. (1973).“Maximum Likelihood Identification of Gaussian
Autoregressive Moving Average Models”, Biometrika, Vol. 60(2), pp.
255-265.
35. Akaike, H. (1979). “A Bayesian extension of the minimum AIC
procedure of autoregressive model fitting”, Biometrika, Vol. 66(2), pp.
237–242 .
36. Anderson, R.l, (1942)."Distribution oftheseries Analysis Correlation
Coeffficient", Ann, Mat.Statistic, Vol 13, pp:113-129.
37. Ansari, M., and Ahmed, S. (2001). "Time Series Analysis of Tea Prices:
An Application of ARIMA Modeling and Co integration Analysis ", The
Indian Economic Journal, Vol 48, N 33, pp 49-54.
38. Bermant, M.A. Semeney, L.K. & Sylicki, V.N.,(1987)."Mathematical
Models for Educational playing", Central of Mathematical Economy
Institute.
39. Bin Muhammad, M.,(2012). “TIME SERIES MODELING USING
MARKOV AND ARIMA MODELS”, Master of Engineering (Civil –
Hydraulic & Hydrology), Faculty of Civil Engineering University
Teknologi Malaysia.
40. Bisgaard, S. and Kulahci, M., (2011). "Time Series Analysis and
Forecasting By Example ", Published by John Wiley & Sons, Inc.,
Hoboken, New Jersey.
41. Box, G. and Cox, R., (1964). "An analysis of transformations," Journal
of the Royal Statistical Society, Series B 26, pp.211-252.
42. Box, G. E. P. and Jenkins, G. M., (1976). “Time Series Analysis;
Forecasting and Control”, 2nd ed., Holden-Day: San Francisco.
74
43. Burce, L.B. and Richard, T.,(1987). "Forecasting and Time Series and
Application Approach ", Third Edition, Duxbury Press, California.
44. Comwpertwait, P.S.P. & Metcalf, A.V., (2009). " Introduction to Time
Series with R " , Spring, New York.
45. Cox, D.R. &Miller, H.D.(1965). " The Theory of stochastic processes".
John Wiley Srinvasan & Mehata & Sons,Inc.,New York, USA.
46. Dashora, I. Singal, S.K. and Srivastav, D.K., (2014). “ Comparative
study of ARIMA, Thomas Fiering and ANN models for streamflow
generation of intermittent river for Narmada River basin”, Hyderabad
International Convention Centre, India, Volume 5, Issue 4.
47. Dickey, D. A. and Fuller, Wayne A., (1981).“Likelihood Ratio
Statistics for Autoregressive Time Series with a Unit Root”, Journal of
the Econometric Society Vol 49, N (4), pp: 1057-1072.
48. Dickey, D. A. and Fuller, W. A., ( 1979).“Distribution of the estimators
for Autoregressive Time Series With a unit Root”, Journal of the
American Statistical Association, N 74, pp :427-431.
49. Enders, W. (1995). “Applied Econometric Time Series”, John Wiley and
Sons Inc. N. Y.
50. Grinstead C.M. and Snell, J.L., (2003). " Introduction to Probality " ,
2nd edition, published by the American Mathematical So-ciety.
51. Gupta, R. S. (1989). “Hydrology and Hydraulic Systems”, Prentice
Hall, pp 343-350.
52. Kaiser, R. and Maravall, A., (2001). “Notes on Time Series Analysis
ARIMA Models and Signal Extraction”, Benco de Esponaservicio
Estudios.
53. Ljung, G. M. and Box, G. E. P., (1978). “On a measure of lack of fit in
time series models” Biometrika, 66, pp.67-72.

75
54. Maass, A., Hufschmidt, M. M., Dorfman, R., Thomas, H. A., Marglin,
S. A., Fair and G. M. (1962). The Design of Water-Resource Systems.
Harvard University Press,Cambridge, Mass., pp 467.
55. MacKinnon, J. G. (1991). “Critical Values for Cointegration Tests,” in
R. F. Engle and C. W. J. Granger, eds., Long-Run Economic
Relationships, Oxford: Oxford University Press.
56. Makraidkis, S. Wheelright, S. and McGee, E.,(1983)." Forecasting:
Methods and Application", 2nd ed., John Wiley and sons,New Yourk,
USA.
57. Matroushi, S.(2011). " Hybrid computational intelligence systems based
on statistical and neural networks methods for time series forecasting:
the case of gold price" , Lincoln University, United Kingdom.
58. Meyler, A. Kenny, G. and Quinn, T., (1998). “Forecasting Irish
Inflation Using ARIMA Models”, Central Bank of Ireland, Techincal
Paper.
59. Miljanovic, M. (2012). "Comparative Analysis of Recurrent and Finite
Impulse Response Neural Networks in Time Series Prediction", Indian
Journal of Computer Science and Engineering, University of Vienna, Vol
3,No 1, pp:180–191.
60. Nuno, C., (1996). “Some Results on the Spectral Analysis of stationary
Time Series” Portugal Mathematic Vol. 53. Fasc. 2.
61. Phillips, P.C.B. and Perron, P., (1988). “Testing for Unit Roots in
Time Series Regression,” Biometrika, N 75, pp:335-346.
62. Pirece, A. D. (1971). " Least Squares Estimation in the Regression
Model with Autoregresseion - Moving Average Errors ", Biomatrika, vol
58, pp: 299- 321.
63. Purohit, S. Kelkar, S. and Simha, V., (1998). “Time Series Analysis of
Patients with Rotavirus Diarrhoea in Pune, India”, Journal Diarrhoeal
Disease Research Bangladesh, Vol 16, N 2, pp: 74-83.

76
64. Rykov, N. B.(2010). " Mathematical and Statistical Models and Methods
in Reliability", Birlin: Springer Science, LLC.
65. Schwarz, G. (1978). “Estimating the dimension of a model ”, The
Annals of Statistics, Vol. 6, pp. 461-464.
66. Shumway, R. H.(1998). ”Applied Statistical Time Series Analysis” ,
prentice Hall New Jersey ,USA.
67. Slutzky, E. (1937). “The summation of random causes as the source of
cyclic processes”, Econometrica, 5, 105-146.
68. Suryanto, J.,(2016). “PERBANDINGAN KINERJA MODEL ARIMA
DAN THOMAS-FIERING DALAM MEMPREDIKSI DEBIT SUNGAI
LONING, MAGELANG”, Jurnal AGRIFOR, Volume XV, No, 1, PP: 65-
74, Indonesia.
69. Walker, A. M. (1931). “On the periodicity in series of related terms”,
Proceedings of the Royal Society of London, A, 131, 518-532.
70. Wei, W.S. (1990). “Time Series Analysis Univariate and Multivariate
Methods”, Addison-Wesley publishing company, New York, USA.
71. Wold, H. (1938). “A Study in the Analysis of Stationary Time Series”,
Almqrist & Wiksell, Stockholm.
72. Yaffee, R. and McGee, M., (2000). “Introduction to Time Series
Analysis and Forecasting”, San Diego (California): Academic Press.
73. Yousif, A.A. Aswad, F.KH. and Ibrahim, S.A., (2016). “Performance of
ARIMA model and Modified Thomas- Fiering Model for Predicting the
Monthly Rainfall Data for Tallafar Station”, Article in Journal of
Polytechnic, Vol. 6, No. 1,PP: 293-309.
74. Yule, G. U. (1927). On the method of investigating periodicities in
disturbed series, with special reference to Wôlfer's sunspot numbers.
Philosophical Transactions, A, 226, 267-298.

77