Professional Documents
Culture Documents
تطبيقات الاقتصاد الكمي على برمجية Eviews
تطبيقات الاقتصاد الكمي على برمجية Eviews
I
.IIعرض التقنيات املناسبة للتنبؤ والتمهيد بالنماذج املكيفة مع حالة عملية على برنامج 101 ............ EViews
112 ....................... Forecasting using Box and Jenkins Method .5التنبؤ بطريقة Box-Jenkins
.Iطريقة 113 .................................................................................... Box and Jenkins
.1النماذج الرياضية للسالسل الزمنية 113 ............................................................... ARMA
.2منهجي ـ ــة 113 ...................................................................................... Box-Jenkins
.1.2مرحلة البحث عن التمثيل املناسب (التعرف) 114 ...........................................................
.2.2مرحلة التقدير 115 ............................................................................................
.3.2مرحلة التشخيص 115 .........................................................................................
.4.2مرحلة التنبؤ 118 ..............................................................................................
.IIتطبيق حالة عملية ملنهجية Box - Jenkinsعلى برنامج 119 ............................................. EViews
.6نماذج اشعة االنحدارالذاتي )138 ................................................. Vector Autoregressive (VAR
.Iنماذج االنحدارالذاتي املتعدد 139 ................................ Multivariate Autoregressive Models
.1الصيغة الصياغة العامة لنموذج 139 .......................................................... (VARMA) VAR
.2الخطوات املتبعة لتقديرنموذج 141 ......................................................................... VAR
.IIتطبيق حالة عملية لنماذج اشعة االنحدار الذاتي VARعلى برنامج 148 ................................ EViews
.7التكامل املشترك ونموذج تصحيح الخطأ )184 .......... Cointegration and Error Correction Model (ECM
.Iمفهوم التكامل املشترك 185 ........................................................ Concept of Cointegration
.1خصائص درجة التكامل املشترك لسلسلة زمنية 185 ...........................................................
.2شروط التكامل املشترك 186 .....................................................................................
.3نموذج تصحيح الخطأ )187 ................................................Error Correction Model (ECM
.4ملخص إجراء التقدير 188 .......................................................................................
.IIتطبيق حالة عملية للتكامل املشترك ونموذج تصحيح الخطأ على برنامج 189 .......................... EViews
الجداول اإلحصائية 225 ..................................................................................................
قائمة املراجع 228 .........................................................................................................
II
Introduction تقديم
تقديم Introduction
تقدم هذه املطبوعة البيداغوجية مجموعة واسعة من تطبيقات االقتصاد الكمي على برمجية
EViewsوكيفية تطبيقها خطوة بخطوة مع تقديم املفاهيم النظرية بشكل موجز ،الن الهدف من هذا هو
كيفية املمارسة العملية على حاالت مستهدفة ،غير اننا ننوه البد من االملام باملفاهيم النظرية في القياس
االقتصادي ومراجعتها حتى يسهل التطبيق بشكل مباشر على هذه البرمجية.
ان هذه الدروس واملوجهة أساسا الى الطلبة تتضمن دليل يبسط للمبتدء استخدام EViewsالذي
يعرفه على مبادئ واساسيات برنامج ،EViewsالى جانب طرق القياس االقتصادي وكيفية الحساب خطوة
بخطوة يدويا باستخدام هذا البرنامج للقياس االقتصادي ،حيث ان هذه الحزمة اإلحصائية لـ EViews :
تمنحنا القدرة على التحكم في البيانات الخاصة بنا وتحليلها احصائيا من خالل انشاء الروسومات البيانية
وغيرها من ذلك مع استخراج واستنباط النتائج وتقديمها الى متخذي القرار.
اذن ،سوف نقدم من خالل هذه التطبيقات سبعة محاور أساسية ،فاملحور األول يتناول مقدمة الى
برنامج EViewsالذي يقدم دليل إليجاد الطريق حول واجهة عمل برنامج .EViewsاملحور الثاني فهو خاص
بنموذج االنحدار الخطي البسيط مع شرح التقنيات املستعملة فيه ،اما الفصل الثالث فهو تعميم لالنحدار
الخطي البسيط .املحور الرابع يتناول التنبؤ والتمهيد بالنماذج املكيفة الذي نقدم فيه مفهوم مبسط خاص
للتنبؤ وعملية التمهيد مع دراسة حالة على ذلك .اما املحور الخامس يستعرض التنبؤ بطريقة .Box-Jenkins
كما ان الفصل السادس يدرس نماذج اشعة االنحدار الذاتي VARوالقسم األخير من هذه التطبيقات يهتم
بالتكامل املشترك ونموذج تصحيح الخطأ.
III
Introduction to the Eviews Program مقدمة الى برنامج EViews
تعتبر برمجية EViewsمن البرامج الحديثة نوعا ما ،فهي تقدم انطالقا من شركة IHS Markit
للباحثين األكاديميين والشركات والوكاالت الحكومية والطالب إمكانية الوصول إلى أدوات التنبؤ والنمذجة
اإلحصائية القوية من خالل واجهة سهلة االستخدام.
لقد اكتسبت برمجية EViewsسمعة طيبة كشركة رائدة عامليا في برامج التنبؤ واالقتصاد القياس ي
املستندة إلى نظام التشغيل .Windowsكما تم تطويره وتوزيعه في األصل بواسطة Quantitative Micro
) ،Software (QMSوهو اآلن جزء من ،IHS Markitوكان أحد أوائل حزم التنبؤ والتحليل املتاحة للكمبيوتر
الشخص ي هو برنامج MicroTSPالشهير من .QMSوحل برنامج EViewsالقائم على نظام التشغيل
Windowمحل برنامج MicroTSPفي سنة ،1994واإلصدار الحالي من EViewsهو 12الذي تم إصداره في
نوفمبر .)EViews, 2021( 2020
4
Introduction to the Eviews Program مقدمة الى برنامج EViews
القائمة الرئيسية
Main Menu
نافذة األوامر
Command Window
ال يتم فتح EViewsبمستند عام "فارغ "(على عكس ® Wordو ® Excelوما إلى ذلك) .لذا يجب إنشاء
مستندات ( EViewsاملعروفة أيضا باسم "ملفات العمل" سوف نتعرض اليها الحقا) وليست عامة (ستحتوي
على معلومات حول البيانات ،وما إلى ذلك).
5
Introduction to the Eviews Program مقدمة الى برنامج EViews
ان حزمة EViewsهو"كائن "Objectبرنامج موجه .هذه الكائنات Objectsهي مجموعات من
املعلومات املتعلقة بتحليل معين (سالسل ،مجموعات ،معادالت ،رسوم بيانية ،جداول) .اما ملفات العمل
هي التي تحتوي على هذه "الكائنات ."Objects
6
Introduction to the Eviews Program مقدمة الى برنامج EViews
ملف العمل:
✓ يحتوي على صفحة واحدة على األقل
✓ تحتوي كل صفحة على قائمة من
الكائنات )(Objectsفي تلك الصفحة
Workfile:
✓ Contains at least one page
✓ Each page contains a list of
objects on that page
7
Introduction to the Eviews Program مقدمة الى برنامج EViews
للحصول على قائمة أكثر تفصيال للكائنات ،Objectsعرض "التفاصيل" ،فننقر فوق عرض تفاصيل ،أي
Viewثم على ) (Details -/+من شريط أدوات ملف العمل (أو انقر نقرا مزدوجا فوق الزر املوجود على
شريط أدوات ملف العمل) .يتغير العرض كما هو موضح هنا.
8
Introduction to the Eviews Program مقدمة الى برنامج EViews
حيث يحتوي كل كائن Objectاآلن على عمود منفصل في عرض التفاصيل .ويمكن فرز الكائنات Objects
حسب سمة (االسم والنوع وما إلى ذلك) بالنقر فوق رأس العمود .ويمكنك أيضا تغيير حجم األعمدة أو
سحبها مما يسمح لك بتغيير موضعها وعرضها.
القائمة الرئيسية
Main Menu
Main Menu
نافذة الكائن
(في هذا املثال ،نافذة املعادلة)
Object Window
)(In this example, equation Window
9
Introduction to the Eviews Program مقدمة الى برنامج EViews
10
Introduction to the Eviews Program مقدمة الى برنامج EViews
11
Introduction to the Eviews Program مقدمة الى برنامج EViews
12
Introduction to the Eviews Program مقدمة الى برنامج EViews
.2بمجرد فتح املعادلة ،يمكنك النقر فوق قائمتي العرض واملعالجة View and Procلالطالع على
اإلجراءات املتاحة .وستعتمد بعض العناصر في قائمتي العرض واملعالجة View and Procعلى نوع
املعادلة التي تم تقديرها.
13
Introduction to the Eviews Program مقدمة الى برنامج EViews
.8األوامر Commands
▪ يوفر جزء األوامر سجال قابال للتمرير او االنتقال لألوامر املكتوبة
14
Introduction to the Eviews Program مقدمة الى برنامج EViews
▪ يمكنك إغالق نافذة االلتقاط بالنقر فوق عالمة " "xاملوجودة على الحافة اليمنى.
▪ لعرض نافذة االلتقاط ،ستحتاج إلى تحديد " Window → Display Command Capture
" Windowمن قائمة EViewsالرئيسية.
▪ يمكنك أيضا اختيار تكرار أي أوامر تم التقاطها في نافذة األوامر .لتمكين هذه امليزة ،اتبع االمر التالي:
" "Select Options → General Optionsمن القائمة الرئيسية .انقر فوق عقدة التقاط االوامر
،Command Capture nodeوانقر فوق مربع االختيار .Capture to Command Window
15
Introduction to the Eviews Program مقدمة الى برنامج EViews
.1أنواع البيانات
تنقسم البيانات الى األنواع التالية:
.1.1بيانات السالسل الزمنية Time Series Data
بيانات السلسلة الزمنية هي مجموعة من املشاهدات او القياسات التي تأخذ احدى الظواهر
(االقتصادية – االجتماعية – الطبية – الطبيعية )....... -على فترات زمنية متتابعة عادة ما تكون متساوية
الطول (شعراوي ،2005 ،ص .)5 .بمعنى انها مجموعة من املشاهدات مرتبة وفق حدوثها في الزمن (السنة،
الفصل ،الشهر ،األسبوع ،اليوم :أي وحدة الزمنية) وبالتالي هي سجل تاريخي يتم اعتماده لبناء توقعات
مستقبلية .وأيضا هي قياسات املحصل عليها لهذه الظاهرة بصورة منتظمة عبر فترات زمنية .ومن األمثلة
على بيانات السالسل الزمنية ،حجم مبيعات سلعة ما سنويا او دوريا او شهريا ،....حجم صادرات بلد ما
سنويا ،.......سعر اقفال سهم ما في بورصة يوميا ،.......تتبع تساقط االمطار في منطقة ما خالل يوم واحد......
16
Introduction to the Eviews Program مقدمة الى برنامج EViews
في سنة 2018تم اخذ عينة جديدة من االسر وتم جمع بيانات حول نفس متغيرات املسح السابق ،وهكذا
في سنة .2019
من اهم مايميز البيانات املقطعية املجمعة خالل فترة زمنية معينة انها تعتبر طريقة فعالة لتحليل
تأثيرات سياسة جديدة للحكومة على الوضع االقتصادي خالل الفترة الزمنية التي تم اجراء املسح خاللها.
17
Introduction to the Eviews Program مقدمة الى برنامج EViews
-2يتم دراسة السلسلة الزمنية عادة بمعزل عن العوامل االخرى –بخالف الزمن -التي قد تؤثر عليها
وعن الظواهر األخرى التي قد ترتبط معها في عالقة إحصائية.
-3عادة ما تكون مشاهدات السلسلة الزمنية مرتبطة ببعضها البعض ،ويأخذ االرتباط بين هذه
املشاهدات اشكاال وانماطا عديدة تختلف باختالف طبيعة الظاهرة ،ومن ثم فان ترتيب املشاهدات
في السالسل الزمنية ذو أهمية خاصة ولذلك فان معظم األساليب التي تستخدم في تحليل البيانات
التجريبية او بيانات الحصر ال تكون صالحة لتحليل السالسل الزمنية وبالتالي البد من ابتكار وتطوير
أدوات وأساليب خاصة لتحليل السالسل الزمنية.
.2ادخال البيانات
نعمل في هذا الشق على ادخال أنواع البيانات املختلفة التي حددناها سابقا في برنامج EViewsوالتي
ستكون كمايلي:
جديد
فتح ملف عمل جديد
فتح ملف
حفظ ملف فتح قاعدة بيانات جديدة
حفظ ملف باسم فتح واجھة خاصة للعمل
بنظام األوامر البرمجیة
غلق
استيراد ملف او بيانات فتح واجھة خاصة
من قاعدة البيانات
بكتابة النصوص
تصدير ملف او بيانات
طباعة
فألجل انشاء ملف عمل جديد يتوجب استخدام االمر االتي .File → New → Workfile :او استخدام
االمر املختصر CTRL + Nفيظهر لنا مربع الحوار التالي:
18
Introduction to the Eviews Program مقدمة الى برنامج EViews
هناك في اقص ى يسار املربع الحواري أسفل Workfile structure typeثالث اختيارات هي:
Unstructured/undated يسخدم مع جميع البيانات االخرى غير نظامية ومؤرخة وخاصة البيانات املقطعية
Dated - regular frequency يسخدم مع بيانات السالسل الزمنية ،أي املؤرخة
Balanced Panel يسخدم مع البيانات الطويلة املجمعة
19
Introduction to the Eviews Program مقدمة الى برنامج EViews
.1النوع األول :يسخدم مع جميع البيانات االخرى غير املؤرخة وخاصة البيانات املقطعية ،فعند تحديد
هذا النوع نجد فقط خيار واحد للقائمة املسندة الخاصة بنطاق البيانات ،Data specification
الذي هو تحديد عدد املشاهدات Obsarvationsاملراد إدخالها واملوضح كمايلي:
.2النوع الثاني :يسخدم مع بيانات السالسل الزمنية ،أي املؤرخة ،فعند الضغط على القائمة املسندة
الخاصة بخصائص البيانات ،Data specificationأي تردد البيانات Frequencyفانه يظھر لدینا
خيار املشاھدات حسب املدة الزمنية املمكن اختیارھا ومنھا:
ً
ابتداء إلدخال مشاھدات تكون سلسلة زمنیة ،أي بيانات متعددة السنوات (يوفرها برنامج EViews
Multi-year
من سنتين الى 10سنوات و 20سنة)
Annual إلدخال مشاھدات تكون سلسلة زمنیة ،أي بيانات سنوية
Semi- annual إلدخال مشاھدات تكون سلسلة زمنیة ،أي بيانات نصف سنوية
Quarterly إلدخال مشاھدات تكون سلسلة زمنیة ،أي بيانات فصلیة
Monthly إلدخال مشاھدات تكون سلسلة زمنیة ،أي بيانات شھریة
Bimonthly إلدخال مشاھدات تكون سلسلة زمنیة ،أي بيانات نصف شھریة (كل شهر تكون مشاهدتين)
Fortnight إلدخال مشاھدات تكون سلسلة زمنیة ،أي بيانات كل 15يوم (كل شهر تكون 03مشاهدات)
)Ten-day (Trimonthly إلدخال مشاھدات تكون سلسلة زمنیة ،أي بيانات كل 10أيام (كل شهر تكون 03مشاهدات)
Weekly إلدخال مشاھدات تكون سلسلة زمنیة ،أي بيانات أسبوعیة
Daily-5 day week إلدخال مشاھدات تكون سلسلة زمنیة ،أي بيانات يومية باستثناء يومين في االسبوع
Daily-7 day week إلدخال مشاھدات تكون سلسلة زمنیة ،أي بيانات يومية
إلدخال مشاھدات تكون سلسلة زمنیة ،أي بيانات مخصصة أسبوعيا واستثناء أيام أخرى اسبوعيا Daily-custom week
Intraday إلدخال مشاھدات تكون سلسلة زمنیة ،أي بيانات خالل اليوم (بالساعات او الدقائق او الثواني)
Integer date إلدخال مشاھدات تكون سلسلة زمنیة ،أي بيانات بسنوات او عدد معين من املشاهدات
20
Introduction to the Eviews Program مقدمة الى برنامج EViews
21
Introduction to the Eviews Program مقدمة الى برنامج EViews
▪ ندخل عدد املشاهدات املكون من 10افراد في خانة Observationsثم .OKيظهر لنا مربع الحوار
التالي:
22
Introduction to the Eviews Program مقدمة الى برنامج EViews
▪ توجد عدة طرق الدخال البيانات ،فمثال نبدأ بكتابة االمر DATAفي نافذة األوامر متبوعا باسم
املتغيرات وليكن في مثالنا DATA Y X1 X2 :مع ترك مسافة بينهم والضغط على Enterفتظهر لنا
النافذة املوضحة التالية:
23
Introduction to the Eviews Program مقدمة الى برنامج EViews
▪ نقوم بحفظ امللف عن طريق االمر Saveاو Save Asمن قائمة .View
كذلك هناك طريقة اخرى الدخال البيانات ،تتمثل في كتابة االمر DATAفي نافذة األوامر والضغط
على Enterفتظهر لنا النافذة املوضحة التالية:
24
Introduction to the Eviews Program مقدمة الى برنامج EViews
▪ يمكنك إغالق نافذة املتغير بالنقر فوق عالمة " "xاملوجودة على الحافة اليمنى بعد ادخال بياناته
اسمه ،ser01نقوم بإعادة تسميته بالضعط بيمين املاوس واختيار فيظهر لنا ملف لونه اصفر
االمر إعادة تسمية Renameونسميه بـ Y :ثم الضغط على .OKاو بالضعط مباشرة على الزر F2من
لوحة املفاتيح بعد التحديد على امللف وإعادة تسميته بـ Y :ثم الضغط على .OKاو قبل اغالق النافذة
ننقر فوق Nameونسميه بـ Y :ثم الضغط على .OK
25
Introduction to the Eviews Program مقدمة الى برنامج EViews
▪ يمكن العمل بنفس الطريقة الدخال باقي املتغيريين X1 X2وحفظ ملف العمل عن طريق االمرSave
او Save Asمن قائمة .View
26
Introduction to the Eviews Program مقدمة الى برنامج EViews
طريقة اخرى ايضا الدخال البيانات ،فنختار Objects/New Objectمن القائمة الرئيسة او من
قائمة ملف العمل Workfileفستظهر لنا نافذة جديدة New Objectفيها عدد من الخيارات كما في الشكل
التالي:
▪ نختار سلسلة Seriesثم الضغط على OKعندها تظهر لنا النافذة التالية:
27
Introduction to the Eviews Program مقدمة الى برنامج EViews
▪ نفتح امللف امللون باالصفر Yثم الضغط على OKعندها تظهر لنا النافذة التالية:
▪ ننقر على Edit+/-وندخل بيانات املتغير Yوبعد االنتهاء ننقر عليه مجددا النهاء عملية ادخال البيانات:
28
Introduction to the Eviews Program مقدمة الى برنامج EViews
يمكنك إغالق نافذة املتغير بالنقر فوق عالمة " "xاملوجودة على الحافة اليمنى. ▪
يمكن العمل بنفس الطريقة الدخال باقي املتغيريين X1 X2وحفظ ملف العمل عن طريق االمرSave ▪
طريقة إضافية اخرى ايضا الدخال البيانات ،نختار ) Quick/Empty Group (Edit seriesمن
القائمة الرئيسة فستظهر لنا نافذة جديدة Groupكما في الشكل التالي:
29
Introduction to the Eviews Program مقدمة الى برنامج EViews
▪ يمكنك إغالق نافذة املتغير بالنقر فوق عالمة " "xاملوجودة على الحافة اليمنى بعد ادخال بياناته
اسمه ،ser01نقوم بإعادة تسميته بالضعط بيمين املاوس واختيار فيظهر لنا ملف لونه اصفر
االمر إعادة تسمية Renameونسميه بـ Y :ثم الضغط على .OKاو بالضعط مباشرة على الزر F2من
لوحة املفاتيح بعد التحديد على امللف وإعادة تسميته بـ Y :ثم الضغط على .OKاو قبل اغالق النافذة
ننقر فوق Nameونسميه بـ Y :ثم الضغط على .OK
30
Introduction to the Eviews Program مقدمة الى برنامج EViews
▪ يمكن العمل بنفس الطريقة الدخال باقي املتغيريين X1 X2وحفظ ملف العمل عن طريق االمرSave
او Save Asمن قائمة .View
31
Introduction to the Eviews Program مقدمة الى برنامج EViews
▪ مالحظة:
-في كل الطرق عندما تظهر لنا نافذة ادخال البيانات يمكن عمل لصق القيم من برنامج Excelاو غيره
الدخالها عن طريق املاوس او لوحة املفاتيح .CTRL+V
-كذلك إذا كانت البيانات مخزنة في ملف Excelيمكن إدخالها باتباع الخطوات التالية:
▪ نختار من قائمة Newااليعاز Openثم Foreign Data as Workfileكما هو مبين في الشكل ادناه:
▪ بعد الضغط على االيعاز Foreign Data as Workfileسيظهر لنا مربع حوار يسأل عن مكان ملف
البيانات ،فنحدده له بفتح امللف كما يظهر في الشكل ادناه:
32
Introduction to the Eviews Program مقدمة الى برنامج EViews
33
Introduction to the Eviews Program مقدمة الى برنامج EViews
34
Introduction to the Eviews Program مقدمة الى برنامج EViews
عند الضغط على القائمة املسندة الخاصة بخصائص البيانات ،Data specificationأي تردد
البيانات Frequencyفانه تظھر لدینا عدة خيارات حسب املدة الزمنية هي:
35
Introduction to the Eviews Program مقدمة الى برنامج EViews
نوضح بعض اإلجراءات الخاصة باملدة الزمنية التي ندخلها في خانة بداية املدة Start dateونهاية املدة
:End date
بالنسبة للبيانات متعددة السنوات Multi-yearوالبيانات السنوية Annualوالنصف السنوية Semi- annual
يتم كتبابة بداية املدة على شكل سنة في بداية املدة ونهاية السنة في نهاية املدة .مع حالة خاصة إذا
كانت البيانات نصف سنوية تبدأ مثال من السداس ي الثاني لسنة 2010وتنتهي في السداس ي األول سنة
،2020فان االمر هنا يكون كاالتي:
]Start date: [2010:2
]End date: [2020:1
36
Introduction to the Eviews Program مقدمة الى برنامج EViews
37
Introduction to the Eviews Program مقدمة الى برنامج EViews
▪ نضغط على OKثم كتابة االمر DATAفي نافذة األوامر متبوعا باسم املتغير Xوليكن DATA X :مع
ترك مسافة بينهم والضغط على Enterفتظهر لنا النافذة املوضحة التالية:
38
Introduction to the Eviews Program مقدمة الى برنامج EViews
39
Introduction to the Eviews Program مقدمة الى برنامج EViews
▪ نحفظ ملف العمل عن طريق االمر Saveاو Save Asمن قائمة .Viewكذلك يمكن ادخال بيانات
متغير الصادرات بنفس الخطوات السابقة الذكر التي تطرقنا اليها عند ادخال البيانات املقطعية
انطالقا من االمر .Dated - regular frequency
40
Introduction to the Eviews Program مقدمة الى برنامج EViews
▪ ندخل عدد املشاهدات املكون من 12في خانة Observationsثم .OKوفي نافذة األوامر نكتب االمر:
DATA year Y X1 X2مع ترك مسافة بينهم والضغط على Enterفتظهر لنا النافذةالتالية:
41
Introduction to the Eviews Program مقدمة الى برنامج EViews
-ندخل بيانات املتغيرات year Y X1 X2 :فنتحصل على النافذة املوضحة في الشكل التالي:
▪ نقوم بحفظ امللف عن طريق االمر Saveاو Save Asمن قائمة .View
42
Introduction to the Eviews Program مقدمة الى برنامج EViews
43
Introduction to the Eviews Program مقدمة الى برنامج EViews
▪ نضغط على .OKوفي نافذة األوامر نكتب االمر DATA GDP K Lمع ترك مسافة بينهم والضغط على
Enterفيظهر لنا مربع الحوار االتي:
-ندخل بيانات املتغيرات GDP K L :لكل بلد فنتحصل على النافذة املوضحة في الشكل التالي:
44
Introduction to the Eviews Program مقدمة الى برنامج EViews
▪ نقوم بحفظ امللف عن طريق االمر Saveاو Save Asمن قائمة .View
نأخذ املثال التطبيقي 5اآلتي .بفرض انه لدينا بيانات حول دراسة العوامل املؤثرة على النمو
االقتصادي في الفترة ،2020 – 2000فاملطلوب انشاء متغير يمثل حالة مناخ االعمال بحيث:
D=1تحسن مناخ االعمال للفترة .2010-2000
D=0تدهور مناخ االعمال لباقي الفترات.
45
Introduction to the Eviews Program مقدمة الى برنامج EViews
الحل
▪ نقوم بانشاء ملف بيانات كما تم شرحه سابقا.
▪ نختار Object → Generate Series
▪ أسفل Enter Equationنكتب ،dclimate=1حيث dclimateهو اسم املتغير الوهمي (يمكنك اختيار
أي اسم تراه مناسبا) ،ونغير مدى البيانات أسفل Sampleليصبح 2000-2010حتى يتناسب مع
تعريف املتغير املطلوب كما في املربع الحواري:
▪ اضغط OKحيث يتم إعطاء القيمة 1للفترة ،2000-2010اما باقي الفترات تأخذ قيم غير محددة NA
وهذا لعدم تعريف البيانات كما في املربع الحواري:
46
Introduction to the Eviews Program مقدمة الى برنامج EViews
▪ نعيد نفس الخطوات السابقة ،أي نختار Object → Generate Seriesثم أسفل Enter Equation
نكتب ،dclimate=0حيث dclimateهو اسم املتغير الوهمي السابق واليمكن تغييره .ثم نغير مدى
البيانات أسفل Sampleليصبح 2010-2020حتى يتناسب مع تعريف املتغير املطلوب كما في املربع
الحواري:
-اضغط على .OKفي هذه الحالة سيتم إعطاء القيمة 0للفترة ،2010-2020وبهذا يتم تعريف املتغير
الوهمي ملناخ االعمال لهذا النموذج كما يظهر في املربع الحواري:
47
Introduction to the Eviews Program مقدمة الى برنامج EViews
.1دوال EViews
سنقوم بشرح مختلف الدوال التي يتعامل معها برنامج EViewsمن العمليات الحسابية األساسية،
الدوال الرياضية االساسية ،الدوال الخاصة بالسالسل الزمنية وبعض الدوال اإلحصائية مع دوال
التوزيعات اإلحصائية
.1.1العمليات الحسابية
تستخدم هذه العمليات في التعبيرات الرياضية ،Mathematical Expressionsحيث يوفر برنامج
EViewsمجموعة واسعة من املعامالت التي تمكننا بالقيام بعمليات رياضية واحصائية من خالل الدوال
املتخصصة للمعالجة التلقائية للطلبات Leadsوالتخلف Lagsواالختالفات Diffrencesالتي بالعادة تظهر
في بيانات السالسل الزمنية .وكل املعامالت املوصوفة ادناه يمكن ان تستخدم في التعبيرات الخاصة
بالسالسل Serriesوالقيم العددية ( Scalar Valuesالصنوي ،2013 ،ص ص .)14-13.كما يمكن استعراض
كلها في دليل املساعدة لبرنامج EViewsمن خالل املسار .Help→Function Reference
48
Introduction to the Eviews Program مقدمة الى برنامج EViews
49
Introduction to the Eviews Program مقدمة الى برنامج EViews
50
Introduction to the Eviews Program مقدمة الى برنامج EViews
.4.1الدوال االحصائية
هذه الدوال االحصائية تستخدم لحساب اإلحصاء الوصفي لعينة محددة ،باستثناء القيم املفقودة
إذا لزم األمر .العينة االفتراضية هي نموذج ملف العمل الحالي .The current workfile sampleوفي حالة
التعامل مع عينة اخرى يمكن تحديد ذلك في نهاية الدالة اإلحصائية بين عالمتي اقتباس مزدوجتين أو
باستخدام اسم كائن عينة .)EViews, 2021( Sample Objectعلى سبيل املثال:
)series z = @mean(x, "1945m01 1979m12") or w = @var(y, s2
حيث S2هو اسم كائن عينة The name of a sample objectو Wو Xهما سلسلتين .كما يمكن
استعراض الدوال اإلحصائية من خالل دليل املساعدة لبرنامج EViewsبواسطة املسار التالي:
.Help→Function Reference
51
Introduction to the Eviews Program مقدمة الى برنامج EViews
52
Introduction to the Eviews Program EViews مقدمة الى برنامج
53
Introduction to the Eviews Program مقدمة الى برنامج EViews
.2استحداث متغيرجديد
الجل إضافة متغير او متغيرات إضافية جديدة من خالل املتغيرات التي سبق وادخلها في ملف عمل
، EViewsفانه يمكن عمل ذلك باستخدام العمليات الرياضية كجمع او طرح متغيريين او غير ذلك من
العمليات الرياضية ،وهذا باستخدام االمر Quick → Generate Series :او Object → Generate Series
ثم أسفل Enter equationنكتب اسم السلسلة (املتغير) الجديدة ثم = ثم العملية الحسابية املطلوبة .او
مباشرة القيام بكتابة االيعاز املختصر في نافذة األوامر Command Windowكمايلي:
العملية الحسابية = اسم السلسلة (املتغير) الجديدة genr
نأخذ املثال 1السابق ،فاملطلوب مايلي:
-1انشاء سلسلة (متغير) جديد Xمثل مجموع املتغيريين X1 :و .X2
-2إيجاد اللوغاريتم الطبيعي للمتغير Xباسم LX
الحل
-1فتح ملف املثال السابق والتوجه نحو Quick → Generate Series :او Object → Generate Series
ثم أسفل Enter equationنكتب X=X1+X2ونضغط على OKفيتم انشاء متغير جديد باسم X
او مباشرة كتابة االيعاز املختصر في نافذة األوامر Command Windowاالمر التاليgenr X=X1+X2 :
ونضغط على OKفيتم انشاء متغير جديد باسم X
54
Introduction to the Eviews Program مقدمة الى برنامج EViews
-2بنفس الطريقة السابقة يمكن إيجاد ،LXأي كتابة االمر genr LX=log(X) :ونضغط على OKفيتم
انشاء متغير جديد باسم LX
أيضا يمكن فتح سلسلة املتغير Xومن قائمة defaultنختار Logفيتم حساب لوغاريتم ،Xونقوم بالضغط
على .Name
55
Introduction to the Eviews Program مقدمة الى برنامج EViews
ونعيد تسمية Xبـ LX :ونضغط على OKفيتم انشاء متغير جديد باسم LX
.3تحويل البيانات
أحيانا وفي ظل قلة عدد املشاهدات او هناك نماذج تتطلب عدد معتبر من البيانات الجل القيام
بالدراسة التجريبية فاننا نضطر الى تحويل املشاهدات الجل توسيعها او العكس .فهذا االجراء هو ممكن في
برنامج ،EViewsمثال يمكننا ان نقوم بتحويل البيانات السنوية الى فصلية او العكس.
56
Introduction to the Eviews Program مقدمة الى برنامج EViews
▪ فيظهر لنا مربع الحوار Workfile Createونختارمن تردد البيانات Frequencyللقائمة املسندة
الخاصة بخصائص البيانات ،Data specificationنختار Quarterlyكمايظهر لنا في النافذة التالية:
57
Introduction to the Eviews Program مقدمة الى برنامج EViews
▪ نفتح صفحة البيانات السنوية Annualثم نضغط بيمين املاوس على ايقونة املتغير ،Xثم نختار نسخ
Copyكما يظهر في الشكل ادناه:
58
Introduction to the Eviews Program مقدمة الى برنامج EViews
▪ نتجه الى صفحة البيانات الفصلية Quarterlyثم نضغط بيمين املاوس على مكان فارغ ،ثم نختار لصق
محدد Paste Specialكما يظهر في الشكل ادناه:
▪ االختيار :Patternيمكن تحديد اسم املتغير الفصلي بكتابة اسمه في خانة .Patternوإذا رغبنا في
االحتفاظ بنفس اسم املتغير في السلسلة االصلية يكف ان نترك العالمة * كما هي.
59
Introduction to the Eviews Program مقدمة الى برنامج EViews
60
Introduction to the Eviews Program مقدمة الى برنامج EViews
-الحالة األولى :Constant-match averageهنا يتم تكرار القيمة السنوية ذات التكرار األصغر الى
كل فصل ذات التكرار األكبر في السنة املقابلة ،بمعنى ان كل ربع في سنة 2010في مثالنا هذا سوف
يأخذ نفس القيمة السنوية في سنة ،2010أي تكون القيمة 65.3في هذه الحالة.
-الحالة الثانية :Constant-match sumيتم تكرار القيمة السنوية ذات التكرار األصغر بعد
قسمتها على 4عبارة عن عدد الفصول في السنة وذلك في كل ربع ذات التكرار األكبر في السنة املقابلة،
بمعنى ان كل ربع في سنة 2010قسوما على ،4أي القيمة نحصل على القيمة 16.325في هذه الحالة.
-الحالة الثالثة :Quadratic-match averageفي هذه الحالة يتم استخدام طريقة االستكمال
التربيعي املحلية local quadratic interpolationللقيم السنوية في مثالنا هذا ذات التكرار األصغر
الى كل ربع ذات التكرار األكبر في السنة املقابلة .في هذه الحالة نحصل على القيم التالية :الفصل
األول تكون القيمة ،64.753125الفصل الثاني تكون القيمة ،65.121875الفصل الثالث تكون
القيمة 65.484375اما الفصل الرابع من سنة 2010نحصل على القيمة ،65.840625وهكذا لباقي
السنوات املتبقية.
-الحالة الرابعة :Quadratic-match sumيتم استخدام نفس طريقة االستكمال التربيعي املحلية
للقيم السنوية ذات التكرار األصغر الى كل ربع ذات التكرار األكبر في السنة املقابلة وذلك بعد قسمتها
على عدد االرباع .4في هذه الحالة نحصل على القيم التالية :الفصل األول تكون القيمة
،16.18828125الفصل الثاني تكون القيمة ،16.28046875الفصل الثالث تكون القيمة
16.37109375اما الفصل الرابع من سنة 2010نحصل على القيمة ،16.46015625وهكذا
بالنسبة لباقي السنوات.
-الحالة الخامسة :Linear-match lastيتم ادخال القيمة ذات التكرار األصغر الى الفترة األخيرة في
التكرار األكبر ،ثم يتم تطبيق طريقة االستكمال الخط Linear interpolationلتعبئة باقي القيم .في
مثالنا هذا ،الفصل الرابع في سنة (2010Q4) 2010سيأخذ القيمة السنوية لسنة 2011وهي ،66.7
ثم باستخدام طريقة االستكمال الخطي سيتم تعبئة باقي القيم2011Q1, 2011Q2, 2011Q3 :
وهكذا .في هذه الحالة نحصل على القيم 65.3 :للفصل الرابع لسنة )Q42010( 2010مع العلم ان
الفصول الثالثة األولى تكون قيمها غير محددة ،اما باقي الفصول من سنة 2011تكون على التوالي:
61
Introduction to the Eviews Program مقدمة الى برنامج EViews
62
Introduction to the Eviews Program مقدمة الى برنامج EViews
63
Introduction to the Eviews Program مقدمة الى برنامج EViews
▪ بنفس الخطوات السابقة أيضا ،نقوم بانشاء ملف عمل يحتوي على صفحة جديدة New Page
الخاصة بتحويل البيانات الى بيانات فصلية ونسميها بـQuarterly :
▪ نفتح صفحة البيانات الشهرية Monthlyثم نضغط بيمين املاوس على ايقونة املتغير ،WAثم نختار
نسخ Copyونتجه الى صفحة البيانات الفصلية Quarterlyثم نضغط بيمين املاوس على على مكان
فارغ ،ثم نختار لصق محدد Paste Specialكما يظهر في الشكل ادناه:
▪ يوجد على يمين املربع الحواري أسفل Frequency conversion optionsاختيارين ،فنختار طريقة
التردد (التكرار) العالي إلى املنخفض High to low frequency methodالن املطلوب هو تحويل
البيانات الشهربة (التكرار األكبر) الى بيانات فصلية (التكرار األصغر) ،كما توجد عدة خيارات تحت
هذا االختيار األول من التردد (التكرار) العالي إلى املنخفض High to low frequency methodوهي:
-الحالة األولى :Average observationsيتم وضع املشاهدة في التكرار األقل مساوية للمتوسط
الحسابي للمشاهدات في التكرار األكبر املناظر .اذن في مثالنا نأخذ املتوسط الحسابي لالشهر الثالث
االولى ) (2020M01, 2020M02, 2020M03ونضعه في 2020Q1وهكذا ،في هذه الحالة تكون
القيمة 26هي متوسط القيم 44 ،20 ،14 :للفصل األول من سنة .2020
64
Introduction to the Eviews Program مقدمة الى برنامج EViews
-الحالة الثانية :Sum observationsيتم وضع املشاهدة في التكرار األقل مساوية ملجوع املشاهدات
في التكرار األكبر املناظر ،بمعنى ان نأخذ مجموع املشاهدات ونضعها للفصل املقابل وهكذا .في مثالنا
نأخذ مجموع املشاهدات في ( )2020M01, 2020M02, 2020M03ونضعه في 2020Q1وهكذا ،أي
تكون القيمة 78في هذه الحالة هي مجموع القيم 44 ،20 ،14 :للفصل األول من سنة .2020
-الحالة الثالثة :First observationsيتم وضع املشاهدة في التكرار األقل مساوية للمشاهدة االولى
في التكرار األكبر املناظر ،بمعنى ان نأخذ مشاهدة 2020M01في هذا املثال ونضعها للفصل األول
2020Q1وهكذا ،أي القيمة 14وهي اول قيمة بين القيم 44 ،20 ،14 :وتكون القيمة 21للفصل
الثاني 2020Q2من بين القيم .19 ،10 ،21تكون القيمة 64للفصل الثالث 2020Q3من بين القيم:
.12 ،32 ،64تكون القيمة 12للفصل الرابع 2020Q4من بين القيم.29 ،68 ،12 :
-الحالة الرابعة :Last observationsيتم وضع املشاهدة في التكرار األقل مساوية للمشاهدة االخيرة
في التكرار األكبر املناظر ،بمعنى ان نأخذ مشاهدة 2020M03في هذا املثال ونضعها للفصل األول
2020Q01وهكذا ،أي القيمة 44من بين القيم 44 ،20 ،14 :وتكون القيمة 19للفصل الثاني
Q22020من بين القيم .19 ،10 ،21تكون القيمة 12للفصل الثالث 2020Q3من بين القيم،64 :
.12 ،32تكون القيمة 29للفصل الرابع 2020Q4من بين القيم.29 ،68 ،12 :
-الحالة الخامسة :Max observationsيتم وضع املشاهدة في التكرار األقل مساوية الكبر مشاهدة
في التكرار األكبر املناظر ،بمعنى ان نأخذ أكبر مشاهدة من )(2020M01, 2020M02, 2020M03
ونضعها في 2020Q1وهكذا ،في مثالنا هذا ،تكون القيمة 44هي األكبر من بين القيم44 ،20 ،14 :
ونضعها للفصل األول ،2020Q1وتكون القيمة 21للفصل الثاني 2020Q2من بين القيم ،10 ،21
.19تكون القيمة 64للفصل الثالث 2020Q3من بين القيم .12 ،32 ،64 :تكون القيمة 68للفصل
الرابع 2020Q4من بين القيم.29 ،68 ،12 :
-الحالة الخامسة :Max observationsيتم وضع املشاهدة في التكرار األقل مساوية القل مشاهدة
في التكرار األكبر املناظر ،بمعنى ان نأخذ اقل مشاهدة من )(2020M01, 2020M02, 2020M03
ونضعها في 2020Q1وهكذا ،في مثالنا هذا ،تكون القيمة 14هي األكبر من بين القيم44 ،20 ،14 :
ونضعها للفصل األول ،2020Q1وتكون القيمة 10للفصل الثاني 2020Q2من بين القيم ،10 ،21
65
Introduction to the Eviews Program مقدمة الى برنامج EViews
.19تكون القيمة 12للفصل الثالث 2020Q3من بين القيم .12 ،32 ،64 :تكون القيمة 12للفصل
الرابع 2020Q4من بين القيم.29 ،68 ،12 :
فالجل تطبيق أحد هذه الخيارات البد ان يكون استخدام تحويل مناسب ملتغيرات الدراسة مع مراعاة
طبيعة املتغيرات من الناحية االقتصادية ،في هذا املثال والذي هو خاص باملبيعات الشهرية ،فاننا سوف
نطبق عليها الحالة األولى ،أي طريقة Average observationsوذلك بنسخ قيم املتغير WAفي صفحة البيانات
الفصلية وسوف يتم تحويلها الى بيانات فصلية كما يظهر في الشكل ادناه:
66
Simple Linear Regression االنحدارالخطي البسيط
.2االنحدارالخطي البسيط
Simple Linear Regression
سوف يعالج هذا الفصل نموذج االنحدار الخطي البسيط واستخدامه في تقدير نموذج ما على سبيل
املثال .يستخدم نموذج االنحدار البسيط لدراسة العالقة بين متغيرين ،إال أن نموذج االنحدار الخطي
البسيط عليه بعض القيود كأداة عامة للتحليل التجريبي ،واستخدامه مناسب كأداة تجريبية (السواغي،
،2011ص.)63.
سوف يتم التعرض الى مختلف الخطوات التي يتم عمل بها تقدير نموذج االنحدار الخطي البسيط،
ثم في مرحلة موالية سوف نتعرض الى التقنيات املختلفة من طرق تقييم هذا النموذج املقدر ومدى
صالحيته لعملية التنبؤ ،حيث في كل مرحلة سوف يتم شرح شاشة النتائج وتفسير مخرجات نتائج التقدير،
حتى يستطيع املتتبع فهم هذه التقنيات املستعملة الجل التقدير.
67
Simple Linear Regression االنحدارالخطي البسيط
68
Simple Linear Regression االنحدارالخطي البسيط
تتناول املعادلة مسألة عالقة الدالة بين yو xمع بقاء العوامل األخرى في ثابتة ،وبذلك يكون التغير في
يساوي صفر = 0ويكون تأثير xخطي على : y
y = a x if = 0
ً لذا ،فإن ّ
التغير في yهو ببساطة aمضروبا في تغير xوهذا يعني أن aهي معلمة امليل في العالقة بين yو
xمع بقاء العوامل األخرى في ثابتة ،وهي ذات أهمية أساسية في االقتصاد التطبيقي ،كذلك معلمة الحد
الثابت bلها استخدامها ،ومن النادر أن يكون التحليل من نقطة املركز.
69
Simple Linear Regression االنحدارالخطي البسيط
الحل
-1للقيام بالتمثيل البياني لكل من املتغيريين Xو Yفاننا نتبع الخطوات التالية وذلك بعد ادخال البيانات
كما تم شرح كيفية إدخالها سابقا:
▪ ننقر أوال على سلسلة املتغير Xونضغط بعد ذلك على الزر Ctrlوننقر على سلسلة املتغير Yالضافتها
الى خياراتنا ،1ثم نضغط بيمين زر املاوس ونختار االمر Open → as Group :او نتبع االم ـر اآلخر:
،View → Open Selected → One Window →Open groupحيث نتحصل على املربع الحواري
ادناه:
▪ هنا يتم عرض بيانات املتغيريين Xو Yكما يظهر في املربع الحواري ادناه:
1يمكن العكس باختيار املتغير Yأوال ثم املتغير Xاو اختيار كل متغير على حدى واكمال الخطوات املتبقية الجل التمثيل البياني لكل متغير.
70
Simple Linear Regression االنحدارالخطي البسيط
71
Simple Linear Regression االنحدارالخطي البسيط
-لحفظ الرسم البياني ،نختار من شريط الخيارات Nameونحدد اسم مناسب لهذا الرسم البياني،
مثال نسميه بـ Figure 01:كماهو مبين في الشكل ادناه:
72
Simple Linear Regression االنحدارالخطي البسيط
▪ هنا يتم عرض لنا خيارين ،الخيار األول تكون دراسة وصفية لعينة مشتركة ،Common Sampleاما
الخيار الثاني فهو خاص بعينات فردية ،Individual Samplesفنختار احدهما وليكن على األرجح
الخيار األول فنتحصل على املخرجات التالية:1
1نستطيع ان نختار الخيار الثاني ،Individual Samplesوبالطبع نتحصل على نفس النتائج.
73
Simple Linear Regression االنحدارالخطي البسيط
x i = 492.78,
i =1
y
i =1
i السطر :10يمثل مجموع قيم املشهادات لكل متغير حيث= 434.94 : -
-السطر :11يمثل مجموع االنحرافات التربيعية لكل متغير ،حيث:
n n
(x i − x )2 = 183.1770,
i =1
(y
i =1
i − y ) 2 = 125.1876 -
-السطر :12يمثل مجموع املشاهدات والتي هي 20مشاهدة لكل متغير.
▪ لحفظ هذه الدراسة اإلحصائية الوصفية ،نختار من شريط الخيارات Nameونحدد اسم مناسب
لهذا الرسم البياني ،مثال نسميه بـ Descriptive :كماهو مبين في الشكل ادناه:
74
Simple Linear Regression االنحدارالخطي البسيط
1في هذه الحالة يعمل EViewsعلى ان يكون ترتيب املتغير الذي يتم اختياره أوال على محور الفواصل.
75
Simple Linear Regression االنحدارالخطي البسيط
▪ هنا يتم عرض بيانات املتغيرين Y , X :كما يظهر في املربع الحواري ادناه:
76
Simple Linear Regression االنحدارالخطي البسيط
-لحفظ الرسم البياني ،نختار من شريط الخيارات Nameونحدد اسم مناسب لهذا الرسم البياني،
مثال نسميه بـ Figure 02:كماهو مبين في الشكل ادناه:
77
Simple Linear Regression االنحدارالخطي البسيط
-نضغط على ،OKفنحصل على الرسم البياني املخزن كما هو مبين في الشكل ادناه:
-4من خالل شكل االنتشار فان النموذج املناسب الذي يعبر عن العالقة ببين الدخل واالسهالك هو
النموذج الخطي ،حيث يتبين ان هناك اتجاها خطيا عاما متزايدا بين االنفاق االستهالكي والدخل املتاح،
أيY i = aX i + c + i :
Yˆi = aX
ˆˆ i + c -5تقدير معادلة االستهالك مع شرح النتائج املتحصل عليها:
▪ هناك عدة طرق الجل التقدير ،فيمكن اتباع االمر كمايلي ،Quick → Estimate Equation :فيظهر
لنا مربع حواري وبعده ندخل املتغيرات بترك مسافة فاصلة بين كل متغير كمايلي Y C X :اوY X C :
مع ضرورة ان املتغير التابع Yهو الذي يكون أوال ثم يليه الحد الثابت Cثم املتغير املستقل Xاو العكس
بين الحد الثابت واملتغير املستقل كما هو مبين ادناه:1
1كذلك نستطيع ان ننقر أوال على سلسلة املتغير Xونضغط بعد ذلك على الزر Ctrlوننقر على سلسلة املتغير Yالضافتها الى خياراتنا ،ثم نضغط
بيمين زر املاوس ونختار االمر Open → as Equation→OK :فنتحصل على جدول تقدير معادلة االستهالك .او يمكن مباشرة كتابة االمر
التالي في نافذة األوامر LS Y C X :او LS Y X Cمع ترك مسافة بين الكتابة ونضغط على Enterفنتحصل على نتائج التقدير
78
Simple Linear Regression االنحدارالخطي البسيط
الجزء الثاني
الجزء الثالث
-لحفظ نتائج التقدير ،نختار من شريط الخيارات Nameونحدد اسم مناسب ،مثال نسميه بـeq01:
كما تم شرح هذه االجراءات سابقا.
-من خالل هذه املخرجات لدينا 03اقسام:
-في الجزء األول :أي الجزء العلوي الذي يمثل املعلومات العامة ويتكون من 06أسطر:
• السطر :1اسم املتغير التابع Dependent Variableوهنا هوY :
• السطر :2طريقة التقدير املستخدمة ،هنا في املثال هيLeast squares :
• السطر :3يمثل تاريخ وزمن التقدير.
• السطر :4مدى العينة املستخدم في التقدير ،الذي هو من سنة 2001الى سنة .2020
79
Simple Linear Regression االنحدارالخطي البسيط
أي الزيادة بوحدة واحدة في املتغير Xتؤدي الى الزيادة في املتغير Yبـ 0.822890 :وحدة ،أي العالقة بين
متغير الدخل Xومتغير االستهالك Yهي عالقة طردية والذي يتوافق مع النظرية االقتصادية.
• العمود :3هذا العمود هو خاص بقيم االنحراف املعياري للمتغير املستقل Xوالثابت ،Cحيث:
Se (a ) = x = 0.018673, Se (c ) c = 0.463538
80
Simple Linear Regression االنحدارالخطي البسيط
-في الجزء الثالث :أي الجزء السفلي والذي يمثل إحصاءات موجزة والتي تدرس املشاكل القياسية:
• قيمة R-squard :R2وهي تمثل معامل التحديد الذي يقيس القوة التفسيرية بين املتغير املستقل
واملتغير التابع ،اي التغير الحاصل في املتغير التابع نتيجة التغير في املتغير املستقل ،كما يستعمل
فقط في النموذج الخطي البسيط ،حيث ، R 2 = 0.99 :أي ان متغير الدخل Xيفسر االستهالك Y
بنسبة .%99
نستطيع استنتاج معامل االرتباط الذي يمثل الجذر التربيعي ملعامل التحديد r = R 2 :او عن
طريق كتابة االمر Scalar r_xy = (@cor(X,Y))^2 :في نافذة األوامر لـ ،EViewsحيث نتحصل على:
، rx y = 0.990817أي هناك عالقة موجبة قوية بين الدخل واالستهالك.
Adjusted R-squard:املعدلة او املصححة :وهي تمثل معامل التحديد املصحح التي 𝑅2 • قيمة
تستعمل في النموذج الخطي املتعدد.
• الخطأ املعياري لالنحدار Standard Error of the Regressionواملختصرة بـS.E. of regression :
ˆ = 1.149646 وتدعى بالخطأ املعياري للتقدير:
ˆ
i
2
= 1.149646 • مجموع مربعات البواقي :Sum squared resid
81
Simple Linear Regression االنحدارالخطي البسيط
• : Log likelihoodوهي مهة عند اختبار الفرضيات ،كما تستعمل للمفاضلة بين نموذجين او عدة
نماذج مقدرة على أساس اعلى قيمة لها ،لذلك ،كلما زادت قيمة Log likelihoodكان من األفضل
مالءمة النموذجLog likelihood= 0.184015 :
• إحصائية F-statisticاو القيمة االحتمالية ) :Prob(F-statisticتعبر عن صالحية النموذج ككل في
نقارنها بالقيمة الجدولية: F − statistic = Fcal = 1942.062 استعماله للتنبؤ ،حيث:
Fcalوبالتالي يمكن القول بان نموذج االنحدار املقدر Ftab ، Ftab = F 5%فنجد
) ( m ,T −k
)= F(1,18
5%
= 4.41
يصلح للتنبؤ ،أيضا تقابله القيمة االحتمالية ، Prob ( F − statistic ) = 0.0000 5% :مع مالحظة
، Fcal = t x2أيFcal = (44.06884)2 = 1942.062 : ان قيمة
• :Mean dependent varيقيس النزعة املركزية ،أي املتوسط الحسابي للمتغير الداخلي:
y = 21.74700
• :S.D. dependent varيقيس النزعة املركزية ،أي يحسب االنحراف املعياري للمتغير الداخلي.
y2 = 2.566870
• :Hannan-Quinn criter ،Schwarz criterion ،Akaike info criterionمعايير املفاضلة والتي
تختار على ادنى قيمة لها في اختيار النماذج املرشحة لعملية التنبؤ.
AIC = 0.181599, SC = 0.281172, HQ = 0.201036
• :Durbin-Watson statوهي اختبار إحصائي لدراسة االرتباط الذاتي من الدرجة األولى للبواقي:
، DWوالجل الحكم على االرتباط الذاتي للبواقي من عدمها ،فاننا نحتاج الى القيمة = 1.453617
الجدولية العليا d2والدنيا d1من جدول Durbin-Watsonعند درجة حرية( :عدد املتغيرات
الخارجية باقصاء الثابت (k=1 :و n=20مشاهدة ،حيث ،d2= 1.41 ،d1= 1.20 :فنجد ان القيمة
املحسوبة الحصائية DWتقع بين القيمة العليا d2= 1.41والقيمة ) ،(4-d2=4-1.41=2.59وهنا
اليتم رفض الفرضية ،H0أي قبولها .بمعنى انه اليوجد ارتباط تسلسلي بين البواقي.
كذلك يمكن استنتاج االرتباط الذاتي مباشرة وذلك بمقارنة إحصائية DWبمعامل التحديد ،R2
، DWوبالتالي يمكن الحكم بانه البواقي التعاني من = 1.453617 R 2 = 0.99 حيث نجد ان:
الترابط الذاتي فيما بينهما.
82
Simple Linear Regression االنحدارالخطي البسيط
-لعرض املعادلة املقدرة ،فاننا نتبع االجراء التالي :نقر مزدوج على ملف التقدير ،eq01ثم اتباع االمر
التالي ،View → Representations→OK :فنتحصل على املخرجات ادناه:
املعادلة املقدرة
املعادلة التنبؤية
-6لعرض التباين Varianceوالتباين املشترك Coverianceاملقدر للمربعات الصغرى ،فاننا ننقر نقرا
مزدوجا على ملف التقدير ،eq01ثم اتباع االمر التالي،View → Covariance Matrix→OK :
فنتحصل على املخرجات ادناه:
من خالل نتائج التقدير ملعادلة االستهالك ،وجدنا في العمود 3املعنون بـ std. Error :الخاص بالخطأ
Se (a ) = x = 0.018673, Se (c ) = c = 0.463538 املعياري املقدر للمتغير املستقل Xوالثابت ،Cأي:
،ومن ثم فان تباين املعامالت املقدر للمتغير املستقل Xوالثابت Cهو:
var(a ) = x2 = (0.018673)2 = 0.000349, var(c ) = c2 = (0.463538)2 = 0.214867
اما املقدار -0.008591فهو التباين املشترك بين معلمة الثابت cومعلمة املتغير املستقل الدخل ،aأي:
) cov(x , c
83
Simple Linear Regression االنحدارالخطي البسيط
-7لرسم خط االنحدار ،فاننا ننقر على Quick→Graphفي شريط األدوات الرئيس ي ،فتظهر لنا نافذة
حوار Series Listثم نكتب أوال املتغير ( Xهذا ضروري جدا النه سوف سيسجله EViewsعلى محور
الفواصل) ثم ثانيا املتغير ،Yثم نختار Scatterمن Graph Optionsكما يظهر ادناه:
84
Simple Linear Regression االنحدارالخطي البسيط
-8الجل التنبؤ بمستوى االنفاق االستهالكي وذلك عندما يبلغ مستوى الدخل املتاح 25.44مليار دوالر،
فاننا نقوم بالخطوات التالي:
-نقوم بنسخ Copyاملعادلة املقدرة سابقا Y = 0.822890190678*X + 1.47180859189في نافذة
االوامر ،مع تعديل املتغير السابق من Yالى FYمثال او نختار أي رمز حتى تفرق برمجية EViewsبينهما
وكتابة االمر Scalarقبله وتعويض قيمة املتغير ،Xأي مستوى الدخل املتاح البالغ 25.44مليار دوالر
ونضغط على ،Enterفنتحصل القيمة التنبؤية ملستوى االستهالك.
85
Multiple Linear Regression االنحدارالخطي املتعدد
.3االنحدارالخطي املتعدد
Multiple Linear Regression
رأينا في الفصل السابق كيفية التعامل مع نموذج االنحدار الخطي البسيط واستخدامه في عملية
التقدير .ففي هذا الفصل سوف نتاول نموذج االنحدار الخطي املتعدد الذي يعتبر امتداد لنموذج االنحدار
الخطي البسيط ،فاذا اعتبرنا أن املتغير الداخلي يتم شرحه باستخدام متغير خارجي واحد في حالة االنحدار
الخطي البسيط ،فانه من النادر للغاية أن يفهم او يشرح متغير واحد لظاهرة اقتصادية أو اجتماعية .وعليه
فان النموذج الخطي العام هو تعميم لنموذج االنحدار الخطي البسيط الذي تظهر فيه عدة متغيرات
تفسيرية.
كذلك ،سوف يتم التعرض الى مختلف الخطوات التي يتم عمل بها تقدير نموذج االنحدار الخطي
املتعدد كما رأينا سابقا في حالة النموذج الخطي البسيط ،وبعدها نبرز التقنيات املختلفة من طرق تقييم
هذا النموذج املقدر ومدى صالحيته لعملية التنبؤ ،غير ان في كل مرحلة سوف يتم أيضا شرح شاشة النتائج
مع تفسير مخرجات نتائج التقدير.
86
Multiple Linear Regression االنحدارالخطي املتعدد
87
Multiple Linear Regression االنحدارالخطي املتعدد
الحل
-1الجل التحقق من الفرض الخاص بالعالقة الخطية ،فاننا نقوم برسم شكل االنتشار كما رأينا سابقا في
نموذج االنحدار الخطي البسيط حيث يكون شكل االنتشار بين املتغير التابع "الكمية املطلوبة "Y
واملتغيرين املستقلين :سعر السلعة X1ودخل املستهلك X2كمايلي:
▪ نختار املتغيرات X2 ،X2 ،Y :ونضغط على الزر .Enter
▪ نختار االجراءView → Graph :
▪ ثم نختار Regression Line :مقابل Option
88
Multiple Linear Regression االنحدارالخطي املتعدد
▪ نستطيع حفظ هذا الرسم البياني كما رأينا سابقا .ويظهر من خالل شكل االتشار بين X1 ،X2 ،Yان
معظم النقاط تقع على خط االنحدار (ذو اللون األحمر) وهذا يدل على وجود عالقة خطية بين املتغير
التابع Yوكل من املتغيرين املستقلين .X2 ،X1وكما يتبين من الرسم على وجود عالقة عكسية بين
الكمية املطلوبة من هذه السلعة Yوسعرها ،X2بينما هناك عالقة طردية بينك الكمية املطلوبة ودخل
املستهلك .X2
89
Multiple Linear Regression االنحدارالخطي املتعدد
-2الجل تقدير معادلة انحدار الكمية املطلوبة على سعرها ودخل املستهلك ،فاننا نتبع الخطوات التالية
وكما رأيناها في السابق.
-كتابة االمر االتي مباشرة في نافذة األوامر LS Y C X1 X1 :1مع ترك مسافة بين الكتابة ونضغط على
Enterفنتحصل على نتائج التقدير
-من خالل نتائج التقدير ،نستطيع ان نستنتج معادلة االنحدار والتي هي:
Yi = 68.24 - 0.66 X1i + 0.045 X2i
)Se ( ) = (17.05) (0.076) (0.011
=t )(4 )(-8.67 )(3.97
R = 0.96 DW = 2.051 F = 213.352
2
1كذلك نستطيع ان نستعمل التقنيات املختلفة الجل التقدير والتي رأيناها سابقا في نموذج االحدار الخطي البسيط.
90
Multiple Linear Regression االنحدارالخطي املتعدد
▪ ميل املتغير املستقل الثاني والذي يتمثل في متغير الدخل 3 = 0.045وهو يعبر عن التغير في الكمية
املطلوبة من السلعة الناتج عن التغير في الدخل بدوالر واحد مع ثبات سعر السلعة نفسها ،حيث ان
الزيادة في الدخل بدوالر واحد فان الكمية املطلوبة سوف تزداد بمقدار 0.045وحدة.
معنوية ،Significantأي ذات داللة احصائية علما ان k :تمثل عدد املعالم املقدرة ،والتي توافق القيم
االحتمالية املقابلة لها ،حيث:
Prob (c ) = 0.0009, Prob (x 1 ) = 0.0000, Prob (x 2 ) = 0.0010
هذه القيم االحتمالية تستعمل كذلك للحكم على معنوية املعالم املقدرة مباشرة ،حيث انها تتوافق مع
قيم إحصائية ،Studentأي:
، Prob (c ) = 0.0009 5%, Prob (x 1 ) = 0.0000 5%, Prob (x 2 ) = 0.0010 5%
▪ الجل املعنوية الكلية فاننا نلجأ الى اختبار Fischerالتي تعبر عن صالحية النموذج ككل ،حيث ان:
، Ftab = F 5%فنجد) ( m ,T −k
)= F(1,17
5%
= 4.45 نقارنها بالقيمة الجدولية: F − statistic = Fcal = 213.3522
، Fcalوبالتالي يمكن القول بان نموذج االنحدار املقدر يصلح للتنبؤ ،أيضا تقابله القيمة Ftab
▪ جودة التوفيق تتمثل في معامل التحديد املصحح او املعدل الن النموذج الذي هو امامنا هو نموذج
خطي متعدد ،حيث ، R 2 = 0.95وهو قوي جدا ،أي ان املتغرين املستقلين لكل من سعر السلعة
ودخل املستهلك يشرحان املتغير التابع من هذه الكمية املطلوبة من هذه السلعة Yبنسبة .%95اما
النسبة املتبقية التي قدرها %05اليمكن تفسيرها والتي قد ترجع الى عوامل مستقلة أخرى قد تؤثر في
الكمية املطلوبة من هذه السلعة.
91
Multiple Linear Regression االنحدارالخطي املتعدد
-5لتقدير فترة الثقة ملعالم معادلة االنحدار املتعدد فاننا نتبع مايلي:1
▪ انطالقا من معادلة التقدير ،نقوم بمايلي:
View → Coefficient Diagnostic →Confidence Intervals
▪ عند عمل هذا االجراء يظهر لنا املربع الحواري كما في الشكل التالي:
▪ البرمجية تعطينا 03مجاالت الثقة وهي ،0.90 ،0.95 ،0.99فنقوم باختيار مجال الثقة 0.95أسفل
Confidence Intervalsثم نضغط على ،OK2فنحصل على النتائج املوضحة ادناه:
92
Multiple Linear Regression االنحدارالخطي املتعدد
هو ، 32.263,104.216بمعنى انها ضمن املجال 1 -مجال الثقة %95ملعلمة الثابت
، 32.263 1 104.216كما ان هذا املجال اليشمل الصفر ( ،1)0وبالتالي فاننا نرفض الفرضية
الصفرية H 0القائلة بأن H 0 : 1 = 0وهذا يعني ان معلمة الثابت هي معنوية احصائيا.
-مجال الثقة %95ملعلمة املتغير املستقل الذي هو سعر السلعة 2هو ، −0.818, − 0.498بمعنى
القائلة بأن H0 وبالتالي فاننا نرفض الفرضية الصفرية −0.818 2 −0.498 انها ضمن املجال
H 0 : 2 = 0وهذا يعني ان معلمة السعر هي معنوية احصائيا.
-تقدير فترة الثقة ملعلمة املتغير املستقل الذي يتمثل في دخل املستهلك 3هو ، 0.021, 0.070حيث
ان 0.021 3 0.070والتي تعني اننا واثقون بنسبة %95بأن فترة الثقة تحتوي على قيمة املعلمة
املجهولة ،حيث ان الفترة السابقة ال تشمل على الصفر (( )0بداية ونهاية فترة الثقة موجبتان)
وبالتالي يمكن القول بأن ، 3 0أي نرفض الفرضية الصفرية H 0ونقبل بالفرضية البديلة H 1وهذا
هي معنوية احصائيا. 3 يعني ان املعلمة
-6لتقدير التباين Varianceوالتباين املشترك Coverianceاملقدر للمربعات الصغرى ،ننطلق من مخرجات
التقدير باتباع االمر التالي ،View → Covariance Matrix→OK :فنتحصل على املخرجات ادناه:
مثال إذا شمل هذا املجال العدد ،0ففي هذه الحالة النرفض الفرضية الصفرية H0أي نقبلها وبالتالي فان املعلمة هي غير معنوية احصائيا. 1
93
Multiple Linear Regression االنحدارالخطي املتعدد
▪ كذلك من خالل نتائج التقدير ملعادلة االستهالك قد وجدنا في عمود std. Errorالخاص بالخطأ
املعياري املقدر للمتغيرين املستقلين X1, X2والثابت ،Cاي:
Se ( 3 ) = x 2 = 0.011573, Se ( 2 ) = x 1 = 0.075993 Se ( 1 ) = c = 17.05178
ومن ثم فان تباين املعامالت املقدر للمتغيرين املستقلين X1, X2والثابت Cهي:
var( 3 ) = x22 = (0.011573) 2 = 0.000134, var( 2 ) = x21 = (0.075993) 2 = 0.005775, var( 1 ) = c2 = (68.23992) 2 = 290.7632
-7تقدير مستوى كمية الطلب من هذه السلعة علما ان مستوى الدخل املستهلك هو 1400دوالر وسعر
هذه السلعة قد بلغ 90دوالرا.
-مادام ان صالحية النموذج مقبولة لعملية التنبؤ ،فاننا نقوم بنفس الخطوات التي رأيناها سابقا في
االنحدار الخطي البسيط الجل التنبؤ بمستوى الكمية املطلوبة من هذه السلعة ،وعليه نقوم بنسخ
املعادلة املقدرة سابقا Y = 68.239918983 - 0.658657827728*X1 + 0.0458357912166*X2
في نافذة االوامر ،مع تعديل املتغير السابق من Yالى FYمثال او نختار أي رمز حتى تفرق برمجية EViews
بينهما وكتابة االمر Scalarقبله وتعويض املتغير X1بالقيمة 90واملتغير X2بالقيمة 1400ونضغط على
،Enterفنتحصل القيمة التنبؤية ملستوى الكمية املطلوبة من هده السلعة.
94
Multiple Linear Regression االنحدارالخطي املتعدد
على الرغم من ارتفاع الدخل الى 1400دوالر ،فان الكمية املطلوبة قد انخفضت الى 73.13وهذا بسبب
ارتفاع سعرها الى 90دوالرا.
95
Forecasting and Smoothing with Adaptive Models التنبؤ والتمهيد بالنماذج املكيفة
الجل استعمال بما يصطلح عليه النماذج املكيفة ،فاننا نحتاج الى ابسط ش يء الذي هو دراسة متغير
ما تكون مشاهداته مرتبة وفق حدوثه الزمني ،هذا املفهوم يضعنا امام مفهوم السلسلة الزمنية التي هي
بدورها مجموعة من املشاهدات املرتبة على خاصية كمية لظاهرة في نقاط زمنية متباعدة بشكل متساو.
وان أحد األهداف الرئيسية لتحليل السالسل الزمنية هو التنبؤ بالقيم املستقبلية للسلسلة.
في نماذج السالسل الزمنية ،نفترض أننا ال نعرف شيئا عن السببية التي تؤثر على املتغير الذي نحاول
التنبؤ به .بدال من ذلك ،نقوم باختبار السلوك السابق ملستويات السلسلة الزمنية من أجل استنتاج ش يء
ما عن سلوكها املستقبلي .هناك عدة منهجيات الجل ذلك ولعل أحد الطرق منها هو استخدام طرق التمهيد
على نطاق واسع للتنبؤ ً
بناء على السالسل الزمنية نفسها .ال يفرض أي نموذج حتمي ليالئم السلسلة بخالف
ما هو متأصل في السلسلة الزمنية نفسها.
اذن ،امام هذا التقديم املبسط فاننا نقدم مفهوم مبسط خاص بما هو التمهيد الذي نعتبره على انه
مجموعة إحصائية من األساليب أو التقنيات التي تستخدم الجل استنباط والحصول على املستويات
املستقبلية لظاهرة ما .وللحصول على النموذج املالئم لعملية التمهيد ،فمن الضروري أوال ان يكون لدينا
بيانات موثوقة وكافية.
96
Forecasting and Smoothing with Adaptive Models التنبؤ والتمهيد بالنماذج املكيفة
.1التنبؤ
في جانب التنبؤ بنماذج االستقطاب سابقا ،رأينا ان النماذج األولى تكمن في تحديد نماذج االتجاه
العام املختلفة مع طرق تقييمها ثم التنبؤ بها ،اما النوع الثاني هنا فيكمن في النماذج املكيفة ،وهذا النوع
من النماذج يتالئم والسالسل الزمنية التي تتميز باالستقرارية والعشوائية (تتذبذب حول وسط حسابي ثابت
معين) أي انها خالية من مركبة االتجاه العام والفصلية في مرحلة أولية (نصل اليها بنفس االختبارات
السابقة) وفي مرحلة الحقة تتطور هذه النماذج لتتالءم والسالسل الزمنية بمركباتها العشوائية ،االتجاه
العام والفصلية ضمن نماذج آنية Holt-Wintersحيث يتم تقييم معالم االتجاه العام /املؤشرات الفصلية،
وهذه النماذج تكيف نفسها آليا لكل وضع جديد ويتم تقييم معالم االتجاه العام /املؤشرات الفصلية من
جديد ،ومن بين هذه النماذج نجد (مولود ،1998 ،ص:)63.
-نماذج املتوسطات املتحركة
تعتمد على فكرة املتوسط الحسابي ً
سواء البسيط او املرجح ويمكن تقسيمها الى قسمين:
r =0
97
Forecasting and Smoothing with Adaptive Models التنبؤ والتمهيد بالنماذج املكيفة
.2التمهيد
يعتبر التمهيد على انه تهذيب السلسلة الزمنية من خالل إزالة الحوادث العارضة (التذبذبات الحادة
ً
والعشوائية) ،وهذه الخطوة تعتمد كتنبؤ تاريخي داخل العنة في بداية االمر ،اما خطوة التنبؤ فيكون تنبؤا
عمليا خارج العينة الذي يعتمد بعد تجاوز االختبارات الخاصة باختيار النموذج املالئم (مولود ،2010 ،ص
ص .)89-88.ومن بين هذه النماذج نجد 03طرق رئيسية وهي:
-طريقة املتوسطات املتحركة البسيطة :تعمل هذه الطريقة على تمهيد السلسلة الزمنية باعتماد
املشاهدات املاضية ،والتي تحدد بالصيغة التالية:
1 n −1
= Yt Y t −r
n r =0
n
2
1
= Yt DtYt −r
n r = −n
-حالة nزوجي:
2
98
Forecasting and Smoothing with Adaptive Models التنبؤ والتمهيد بالنماذج املكيفة
Y t = (1 − ) rY t − r
r =0
• نموذج التمهيد األس ي الثنائي :تسمى بنماذج Brownاالس ي الخطي ذو املعلمة الواحدة تعطي هذه
الطريقة أوزانا نسبية متناقصة للبيانات التاريخية ،وهي تفضل عن طريقة املتوسطات املتحركة
الخطية في حالة استخدامها كأسلوب للتنبؤ في كثير من الحاالت ،حيث تستخدم لتعويض الفترات
الزمنية املفقودة في الحساب عند استخدام املتوسطات املتحركة ،وتكون الصيغة الرياضية له
كمايلي (الشويرف والبياض ،2015 ،ص ص:)14-12.
Yt = b + at + t
السلسلة Ytتحتوي على املركبة العشوائية واالتجاه العام حيث b + at :تمثل مركبة االتجاه العام
الخطي t ،تمثل املركبة العشوائية ،ويمكن تمهيدها وفق هذا النموذج للتمهيد األس ي الثنائي على
مرحلتين:
املرحلة األولىYt = Yt + (1 − )Yt −1 : -
املرحلة األولىYt = Yt + (1 − )Yt −1 : -
ويتم حساب املعلمتين كمايلي:
b = 2Yt − Yt
=a ) (Yt − Yt
1−
والنموذج التنبؤي يكون:
)YˆT + L = b + a ( L
الجدير بالذكر أنه كلما اقتربت قيم من الصفر كلما كانت قيم التمهيد أكثر معنوية للفترات
الزمنية املتتالية في السلسلة الزمنية.
• طريقة :Holtهي مناسبة في الحالة التي تكون فيها السلسلة الزمنية تحتوي على مركبة االتجاه العام،
أي انها تستعمل في الظرو ف السابقة مثل نموج التمهيد االس ي الثنائي ،ويتم التنبؤ فيها باستخدام
ثابتي التمهيد ،أحدهما خاص بالعشوائية واآلخر باالتجاه العام ولهذا تسمى أحيانا طريقة Holtذات
املعلمتين ،وتكتب على الشكل التالي (البشير ،2016 ،ص:)72 .
99
Forecasting and Smoothing with Adaptive Models التنبؤ والتمهيد بالنماذج املكيفة
(
Yt = Yt + (1 − ) Yt −1 + rt −1 )
( )
rt = Yt − Yt −1 +(1 − )rt −1 1
حيث:
: Yt -تمثل القيمة املمهدة عند الزمن . t
: r -تمثل االتجاه العام.
: -تمثل قيمة املعلمة التي تخلص من العشوائية املتبقية ،وذلك بعد تعديلها بالتمهيد االس ي
األحادي.
للتخلص من اشكالية قيم االنطالق يقترح الصيغتان التاليتان (مولود ،1998 ،ص ص:)76-75 .
Y = Y2 Y = Y
(2) 2 أو (1) 1 1
r2 = Y2 − Y1
r = 0
تنطلق عملية التمهيد من الفترة 2في الحالة ( )1ومن الفترة 3في الحالة ( )2وألغراض التنبؤ نكتب
املعادلتين السابقتين في املعادلة التالية:
YˆT + L = YT + L rT
في املعادلة [.]1 =1 ملا: rT = YT − YT −1 وهو تقريبا نفس النموذج الخطي حيث:
• طريقة التفكيك :تتمثل في إزالة مركبة االتجاه العام من السلسلة الزمنية بطريقة مالئمة ثم تمهيد
السلسلة الناتجة والخالية من املركبة املنزوعة بطريقة التمهيد االس ي االحادي.
100
Forecasting and Smoothing with Adaptive Models التنبؤ والتمهيد بالنماذج املكيفة
.IIعرض التقنيات املناسبة للتنبؤ والتمهيد بالنماذج املكيفة مع حالة عملية على برنامج EViews
لنأخذ املثال العملي 9والخاص بسعر صرف الدينار االسمي الجزائري مقابل الدوالر االمريكي للفترة
الزمنية املمتدة من سنة 1990الى سنة 2019واملبينة في الجدول املوالي:
EXR السنة EXR السنة EXR السنة
64.583 2010 58.739 2000 8.9575 1990
72.647 2011 66.574 2001 18.473 1991
74.386 2012 75.26 2002 21.836 1992
72.938 2013 77.215 2003 23.345 1993
77.536 2014 79.682 2004 35.059 1994
79.368 2015 77.395 2005 47.663 1995
80.579 2016 72.061 2006 54.749 1996
100.69 2017 73.276 2007 57.707 1997
109.44 2018 72.647 2008 8.9575 1998
110.97 2019 69.2924 2009 18.473 1999
واملطلوب من هذا العمل هو:
-1تمهيد السلسلة الزمنية الخاصة بسعر صرف الدينار االسمي الجزائري مقابل الدوالر االمريكي بأحد
الطرق التي تراها مناسبة مع حساب القيم التنبؤية لخمس سنوات قادمة؟
الحل
-1بعد ادخال البيانات وتسمية متغير سعر الصرف بـ ،EXR :نقوم مايلي:
▪ فتح سلسلة املتغير EXRواختيار االمر:
Proc → Exponential Smoothing → Simple Exponential Smoothingاو عن طريق االمر االخر
،Quick → Series Statistics → Exponential Smoothing→ Simple Exponential Smoothing
فنتحصل على نافذة الجل ادخال اسم املتغير املراد تمهيده.
101
Forecasting and Smoothing with Adaptive Models التنبؤ والتمهيد بالنماذج املكيفة
▪ بعد النقر على االختيار تظهر لنا االختيارات التالية كما هو مبين اسفله
102
Forecasting and Smoothing with Adaptive Models التنبؤ والتمهيد بالنماذج املكيفة
• الخيار الثالث وهو خاص بنمذجة السلسلة الزمنية بطريقة Holt-Winters-No seasonalولكن
بدون وجود املركبة الفصلية.
• الطريقة الرابعة وهو تطبيق طريقة ،Holt-Winters-Additiveوهذا عندما تكون مركبات السلسلة
الزمنية من النوع التجميعي.
• االختيار الخامس خاص بطريقة ،Holt-Winters-Myltiplicativeوهذا عندما تكون مركبات
السلسلة الزمنية من النوع الجدائي.
-أسفل نافذة ،Estimation sampleيعطينا EViewsالعينة املدروسة والتي هي في مثالنا من سنة
1990الى ،2019وكذلك التي من خاللها نحدد القيم التنبؤية ً
سواء التنبؤ الداخلي او الخارجي.
-أسفل نافذة ،Cycle for seasonalنجد EViewsانه يوفر لنا خانة خاصة بعدد الدور الخاص
بالدورةالفصلية /الدورية.
-كذلك حدد لنا EViewsاملعلمات الخاصة باملتوسط Alphaواالتجاه العام Betaوباملوسمية
Gammaوالتي تكون محصورة بين الصفر والواحد وكل طريقة تمهيد لها عدد معين من املعلمات
الخاصة بها.
▪ قبل أي اجراء ،نقوم بالتمثيل البياني بكتابة االمر في نافذة األوامر Line exr → Enter :ملعرفة اتجاه
تطور السلسلة الزمنية وماهي املركبات التي تحددها ونوع العالقة هل هي من النوع الجدائي او
التجميعي.
103
Forecasting and Smoothing with Adaptive Models التنبؤ والتمهيد بالنماذج املكيفة
▪ اذن ،مايالحظ من خالل التمثيل البياني لسلسلة متغير سعر الصرف ،نجد ان لها اتجاه يتطور عبر
الزمن ،مع ذبذباتها تبدو بانها واضحة كأنها محصورة بين خطين متوازيين ،1اذن فنوع العالقة التي
تحكم مركبات هذه السلسلة الزمنة (العشوائية واالتجاه العام) هي من النوع التجميعي .وعليه يمكننا
تطبيق فقط طريقة التمهيد االس ي الثنائي او نمذجنها مباشرة وفقط طريقة .Holt2
▪ من خالل طرق التمهيد نقوم باختيار التمهيد االس ي الثنائي ،ثم طريقةHolt-Winters-No seasonal
مع اجراء تعديل على بيانات السلسلة الزمنية بحذف 05سنوات األخيرة من السلسلة الزمنية ،وهنا
سنعمل تنبؤ داخلي أي داخل العينة ،وهذا الجل املفاضلة بين الطريقتين .والطريقة األفضل للتنبؤ هي
التي يكون لها مجموع مربعات البواقي Sum of Square Residualsوجذر املتوسط ملربعات االخطاء
Root Mean Squared Errorاقل مايمكن.
▪ نطبق على مثالنا هذا هذه اإلجراءات ،حيث نبدأ بالتمهيد االس ي الثنائي أي كما هو مبين اسفله:
1قمنا بتحديد العشوائية واالتجاه العام وكذلك نوع العالقة فقط من خالل التمثيل البياني ،ولكن إذا تعذر علينا الكشف البياني فاننا نلجأ
الى االختبارات الخاصة بذلك.
2الن طريقة التمهيد االس ي األحادي تفرض علينا بأن تكون السلسلة الزمنية خالية من مركبة االتجاه العام والفصلية ،اما الطريقتين األخيرتين
تصلح فقط في حالة معالجة املركبة الفصلية ً
سواء في الحالة التجميعية او الجدائية.
104
Forecasting and Smoothing with Adaptive Models التنبؤ والتمهيد بالنماذج املكيفة
▪ ثانيا ،نقوم بعملية التمهيد وفق طريقة Holtللسلسلة مع تسميتها باسم جديد (مثال نختار)exrsmh :
حتى نفرق بينها وبين سلسلة التمهيد االس ي الثنائي كما هو مبين اسفله:
105
Forecasting and Smoothing with Adaptive Models التنبؤ والتمهيد بالنماذج املكيفة
▪ بمقارنة نتائج مجموع مربعات البواقي Sum of Square Residualsوجذر املتوسط ملربعات االخطاء
Root Mean Squared Errorلكل من طريقة التمهيد االس ي الثنائي وطريقة ،Holtنجد ان مجموع
مربعات البواقي Sum of Square Residualsوجذر املتوسط ملربعات االخطاء Root Mean Squared
Errorوفق طريقة Holtهي اقل ما يمكن وعليه تعتبر هي الطريقة املناسبة واملفضلة لعملية التنبؤ
املستقبلي لخمس السنوات القادمة.
Method: Holt-Winters No Seasonal Method: Double Exponential
Sum of Squared Residuals=497.2329 Sum of Squared Residuals=540.1935
Root Mean Squared Error=4.459744 Root Mean Squared Error=4.648413
• نقوم بعرض قيم السالسل الزمنية االصلية واملمهدتين exrmh, exrm, exrمع الرسم البياني الجل
معرفة مدى نجاعة طريقة التمهيد.1
1هذا لالضافة من اجل الشرح واملعرفة ال غير .فقط تكفي املفاضلة باستعمال مجموع مربعات البواقي Sum of Square Residualsوجذر
املتوسط ملربعات االخطاء Root Mean Squared Errorالختيار احسن طريقة تمهيد الستعمالها في عملية التنبؤ القادم.
106
Forecasting and Smoothing with Adaptive Models التنبؤ والتمهيد بالنماذج املكيفة
• نالحظ ان القيم املتنبؤ بها داخليا لخمس السنوات األخيرة ال تختلف كثيرا عن بعضها البعض وان قيم
السلسلة الزمنية exrmhاملمهدة وفق طرية Holtوكذلك قيم السلسلة الزمنية exrmاملمهدة وفق
طرية التمهيد االس ي الثنائي تبدوان أقرب الى بيانا ت السلسلة االصية exrولهما اتجاه متزايد في 05
السنوات األخيرة ،أي لم نتحصل على قيم ثابتة حتى تنعكس سلبا على عملية التمهيد او نشك في
الطريقة املطبقة ،غير ان طريقة Holtهي أفضل من طريقة التمهيد االس ي الثنائي كما تم حسمها
سابقا .الرسم البياني أيضا يوضح ذلك:
107
Forecasting and Smoothing with Adaptive Models التنبؤ والتمهيد بالنماذج املكيفة
• اآلن ،نقوم بعملية التمهيد الخارجي لخمس السنوات القادمة ،حيث نقوم بمايلي:
-نقوم بتوسيع السلسلة الزمنية وهذا باضافة 05سنوات الن املطلوب هو التنبؤ لـ 05:سنوات القادمة،
حيث نقوم بكتابة االمر Expand→Enter :في نافذة األوامر كما يظهر في الشكل ادناه:
-نقوم بتوسيع املدة الزمنية من سنة 2019الى 2024التي تعبر عن القيم التنبؤية للخمس السنوات
القادمة ،ونضغط على .OK
-نفتح سلسلة املتغير األصلي لسعر الصرف exrواختيار عملية التمهيد وفق طريقة Holtللسلسلة
االصلية النها أفضل من طريقة التمهيد االس ي الثنائي حسب هذا املثال مع تسمية السلسلة باسم
جديد (مثال نختار )exrsmhf :حتى نفرق بينها وبين باقي السالسل الزمنية االخرى كما هو مبين اسفله:
108
Forecasting and Smoothing with Adaptive Models التنبؤ والتمهيد بالنماذج املكيفة
-نفتح سلسلة متغير سعر الصرف exrوسلسلة املتنبؤ به exemhfفنتحصل على البيانات اآلتية:
109
Forecasting and Smoothing with Adaptive Models التنبؤ والتمهيد بالنماذج املكيفة
• كذلك يمكن عرض التمثيل البياني للسلسلتين من خالل االمر،View→Graph→Line & Symbol :
فنتحصل على التمثيل البياني ادناه:
110
Forecasting and Smoothing with Adaptive Models التنبؤ والتمهيد بالنماذج املكيفة
• املالحظ ان قيم السلسلة االصلية ملتغير سعر الصرف االسمي تتوقف عند سنة 2019وان السلسلة
املتنبؤ بها لسعر الصرف تستمر في التصاعد ،هذا التصاعد سيوحي لنا بارتفاع قيمة الدوالر االمريكي
امام الدينار الجزائري ،أي ان الدينار الجزائري سيواصل تراجعه أمام الدوالر األمريكي وربما هذا في
إطار سياسة الحكومة املتبنية على تخفيض قيمة الدينار ملواجه العجز املالي وانخفاض املداخل من
العملة الصعبة جراء جائحة كوفيد 19-التي اثرت على اقتصاديات البلدان بصفة عامة والجزائر
بصفة خاصة.
111
Forecasting using Box and Jenkins Method التنبؤ بطريقة Box-Jenkins
في معظم مستويات التحليل ،توجد ثالث طرق لعرض التقلبات في سلسلة زمنية .يمكننا محاولة
تفسير تحركاتها من حيث العوامل املتعلقة بالسيرورات ،أي من خالل الحركات (الديناميكية) في السلسلة
نفسها .بدال من ذلك ،يمكننا محاولة شرح االختالفات في سلسلة واحدة من خالل الحركات في سلسلة أخرى
أو غيرها ،اي .باستخدام طرق ثنائية املتغير أو متعددة املتغيرات .وأخيرا ،يمكننا محاولة الجمع بين هذين
املنهجين بطريقة ما أو بأخرى .فبالنسبة للمنهج األول ،هناك عدد من األساليب املخصصة التي يمكن
استخدامها في هذا الصدد ،فيمكننا استعمال املتوسطات املتحركة املرجحة أسيا ،فحين يتم تطبيق
تقنيات االنحدار الخطي املتعدد املستندة إلى اعتبارات مسبقة في املنهجة الثانية .فيما يتعلق بمزيج من
املنهج األول والثاني ،فانه يمثل املنهجية الثالثة.
هذه املنهجية تم طرحها من قبل George Box and Gwilym Jenkinsسنة 1970وهي تقنية تنبؤ
لسلسلة أحادية املتغير تعتمد على فكرة عملية ARIMAلتحليل السالسل الزمنية والتنبؤات والتي لها
النماذج األساسية املتضمنة ،وهي االنحدار الذاتي ARواملتوسط املتحرك MAوالنموذج املختلط ARMA
الذي هو ناتج عن الجمع بين ARو .MAعندما ال يتم استيفاء افتراض استقرار املتغير املدروس ،يتم إنشاء
نمذجة ARIMAلتجاوز مرحلة .ARMA
112
Forecasting using Box and Jenkins Method التنبؤ بطريقة Box-Jenkins
ان a , a , a ,.........., a :معلمات االنحدار الذاتي et ، Autoregressive Parametersالخطأ العشوائي عند 1 2 3 p
معلمات املتوسطات املتحركة et ،Moving Parameters Averageالخطأ انb1 , b2 , b3 ,.........., bq : حيث
العشوائي عند الزمن . t
.3.1النماذج املختلطة ذات انحدارذاتي وأوساط متحركة
إن العناصر األساسية لنموذج االنحدار الذاتي واألوساط املتحركة يمكن أن تدمج للحصول على تشكيلة
وتكون بالشكل اآلتي: )ARMA( p, q من النماذج تسمى نماذج انحدار ذاتي ذي أوساط متحركة برتبة
X t = a1 xt −1 + ...... + a p xt − p + et + b1et −1 + ...... + bq et −q
113
Forecasting using Box and Jenkins Method التنبؤ بطريقة Box-Jenkins
،1970اقترح ) (Box & Jenkins, 1976منهجية للتنبؤ باستخدام السالسل الزمنية أحادية املتغير ،وهذا
باالعتماد على سيرورات .ARMAوخطوات هذه املنهجية هي على النحو التالي:
1نذكر على انه قبل إزالة املركبة املوسمية ،فان هذه األخيرة تتطلب إزالة مركبة االتجاه العام قبل ذلك.
2النماذج TSهي نماذج غير مستقرة ولها خاصية عدم استقرارية تحديدية ،Deterministicاما النماذج DSهي نماذج غير مستقرة ولها خاصية
عدم استقرارية عشوائية .Stochastic
114
Forecasting using Box and Jenkins Method التنبؤ بطريقة Box-Jenkins
تناقص اس ي بعد التأخر )( p − q تناقص اس ي بعد التأخر )(q − p )ARMA( p, q
املصدر(Bourbonnais, 2015, p. 259) :
.2.2مرحلة التقدير
بعد تحديد درجات ، p, d , qتأتي مرحلة تقدير معالم النماذج .إن تقدير معامالت النموذج إذا كان نموذج
ً
انحدار ذاتيا ال تطرح أية مشكلة ،حيث يمكن استخدام طريقة املربعات الصغرى ،وفي هذه الحالة فإن أي
برنامج إحصائي يعطي معامالت االنحدار الخطي املتعدد يفي بالغرض .أما في حالة نموذج ،ARMAفإن
ً
تقدير املعامالت يصبح معقدا وتوجد عدة خوارزميات مقترحة لتقدير النموذج ،فعلى سبيل املثال يمكن
استخدام طريقة اإلمكانية القصوى ،أو طريقة املربعات الصغرى .وتختلف البرامج اإلحصائية فيما بينها
بتقدير معامالت النموذج بحسب الطريقة املتبعة ،لذلك قد تعطي نتائج متباينة للنموذج نفسه (نقار
والعواد ،2011 ،ص ص.)128-127.
.3.2مرحلة التشخيص
بعد تقدير النماذج املرشحة لعملية التنبؤ ،تأتي مرحلة التشخيص والتي تحتاج الى مجموعة من االختبارات
التشخيصية الضرورية ويتم أيضا دراسة البواقي ،ومن بينها:
)1اختباردالة االرتباط الذاتي للسلسلة
إذا تم مالحظة بانه هناك اختالف جوهري بين دالة االرتباط الذاتي للسلسة االصلية مع السلسة الخاصة
املقدرة ،فهذا مؤشر على فشل في اختيار درجات النموذج املناسب .يتطلب إعادة بناء النموذج وتقديره من
جديد .فاذ اكان هو االمر ،فإننا ننتقل إلى دراسة البواقي (شيخي ،2011 ،ص ص.)252-251 .
-من خالل "مخطط االرتباط "Correlogramلدالة االرتباط الذاتي للبواقي ،فانه يجب أن تقع معامالتها
t /2 t /2
. − , داخل مجال الثقة:
T T
115
Forecasting using Box and Jenkins Method التنبؤ بطريقة Box-Jenkins
1
) ، ˆ (kفان إحصائية: 0, -تحت فرضية التوزيع الطبيعي لدالة االرتباط الذاتي للبواقي ،أي:
T
بدرجة حرية ): ( K − p − q Q -Statisticلـ )Ljung and Box( :تتبع بشكل متقارب توزيع 2
k
) Q = T (T + 2)(T − i ) ˆ 2 (i ) a2 (k − p − q
i =1
، Qفننا نقبل بالفرضية الصفرية ، H0وهذا يعني ان سلسلة البواقي هي ) a2 (k − p − q إذا كانت:
مستقرة.
-الخطأ األبيض يتبع التوزيع الطبيعي ويستعمل إلثبات ذلك اختبار ) ،(Jarque & Bera, 1980حيث:
T T
= JB )1 + ( 2 − 3 (21− ),2
2
6 24
JBفإننا نقبل الفرضية H 0للتوزيع الطبيعي لسلسلة البواقي بنسبة معنوية . فإذا كانت(21− ),2 :
-من جهة أخرى ،يجب أن يكون التباين الشرطي لألخطاء متجانس وذلك من خالل ان معامالت االرتباط
الذاتي الكلية ملربعات البواقي يجب ان تقع داخل مجال الثقة ،ففي هذه الحالة تكون سلسلة مربعات
البواقي مستقرة.
)2اختباراملعنوية الكلية والجزئية للمعالم املقدرة
-عند اختبار كل معلمة مقدرة على حدى ،فانه يتم ذلك بواسطة اختبار ،Studentففي النموذج
) ARMA( p, qفانه يتما اختبار املعالم ˆi ,ˆj :على النحو االتي:
H 0 : ˆj = 0 , H 0 : ˆi = 0
H1 : ˆj 0 , H1 : ˆi 0
ˆi
البديلة H1 ،فإننا نقبل بالفرضية t كانت: نقيد تحت الفرضية الصفرية ، H0فاذا
ˆˆ 2
,T − p − q
i
. ˆj بمستوى معنوية ، أي املعلمة ˆiمعنوية احصائيا .كذلك نفس الش يء بالنسبة للمعلمة
-عند اختبار املعنوية الكلية للنموذج ،فإننا نستخدم اختبار ،Fisherوليكن:
H 0 : ˆ1 = ........ = ˆj = 0 , H 0 : ˆ1 = ........ = ˆi = 0
H1 : ˆ1 ........ ˆj 0 , H1 : ˆ1 ......... ˆi 0
) (Yˆ − Y
T 2
)/ ( p + q
t
)R 2 / ( p + q
= Fc t =1
= ) F( p + q ,T − p −q
) t / (T − p − q) (1 − R ) / (T − p − q
T 2
ˆ 2
t =1
116
Forecasting using Box and Jenkins Method التنبؤ بطريقة Box-Jenkins
، Fcفإننا نقبل بالفرضية البديلة H1التي تنص على ان معالم النموذج ) F( p +q ,T − p −q فاذا كانت:
ليست جميعها مساوية للصفر ،أي ان للنموذج معنوية إحصائية.
1كذلك هنا معايير أخرى للمفاضة بين النماذج املرشحة من بينها املقارنة بين التباين الكلي لكل نموذج ،وهناك طريقة ) ،(Goldfrey, 1979اختبار .Granger-Newbold
117
Forecasting using Box and Jenkins Method التنبؤ بطريقة Box-Jenkins
.4.2مرحلة التنبؤ
لعملية التنبؤ ،فنه يتم )ARMA( p, q بعد اختيار النموذج املناسب ً
سواء كان نموذج ) MA(q) ، AR( pاو
وفق الخطوات التالية (شيخي ،2011 ،ص ص:)260-257 .
(
Yˆt = f ˆ,ˆ, Yt , ˆt كتابة النموذج املقدر) : -
h = 1, 2,, H -تعويض tبـ T + h :حيث:
-تعويض كل القيم املستقبلية للمتغير الخاص بالظاهرة املدروسة بتنبؤاتها ،بينما يتم تعويض األخطاء
املستقبلية باألصفار واملاضية (داخل العينة) بالبواقي.
ألجل توضيح هذه الخطوات ،نأخذ النموذج ): ARIMA( p, d , q
Φ( L)(1 − L) d Yt = C + ( L) t
Φ( L) d Yt = C + ( L) t
Wt = 1Wt −1 + 2Wt − 2 ++ pWt − p + C + t + 1 t −1 + 2 t − 2 + ... + q t − q
(1 − L − L
1 2
2
−− p Lp )Wt = C + (1 + 1 L + 2 L2 +. + q Lq ) t
Φ( L)Wt = C + ( L) t
Wt تخضع لنموذج ) ، ARIMA( p, d , qومنه لحساب Yˆt + hنبدأ بحساب تنبؤ Wt = d Y أي أن السلسلة:
من أجل الفترة T + 1حيث نستطيع كتابة النموذج في الفترة الزمنية : T + 1
WT +1 = 1WT + 2WT −1 ++ pWT , p +1 + C + T +1 + 1 T + 2 T −1 ++ q T −q +1
ثم نأخذ القيمة املتوقعة الشرطية لـ WT +1 :لهدف حساب التنبؤ في الفترة األولى WˆT +1كمايلي:
WˆT +1 = E WT +1 | WT ,..,W1
WˆT +1 = ˆ1WT + ˆ2WT −1 ++ ˆpWT − p +1 + Cˆ + ˆ1ˆT + ˆ2ˆT −1 ++ ˆq T −q +1
نستعمل WˆT +1من أجل الحصول على فترة ثانية WˆT +2وهكذا حتى الفترة WˆT +hكمايلي:
WˆT + 2 = E WT + 2 | WT , ..,W1
WˆT + 2 = ˆ1WˆT +1 + ˆ2WT ++ ˆpWT − p + 2 + Cˆ + ˆ1ˆT + ˆ2ˆT ++ ˆq T −q + 2
118
Forecasting using Box and Jenkins Method التنبؤ بطريقة Box-Jenkins
لقياس دقة التنبؤ ،1فإننا نستخدم املتوسط املطلق للخطأ النسبي الذي يعبر على متوسط الفرق بين
املشاهدة والتنبؤ لنفس الفترة الزمنية ،وهو كمايلي:
H YˆT + h − YT + h
MRAE = H −1
h =1 YT + h
100
( )
H
QME = H −1 YˆT + h − YT + h
2
h =1
يستخدم بعض اإلحصائيين معيارا آخر يسمى بمعيار Theil’s U statisticوهو معطى بالعالقة التالية:
(
H −1 h =1 YˆT + h − YT + h )
H 2
=U
H −1 h =1YT2+ h + H −1 h =1YˆT2+ h
H H
يكون التنبؤ جيدا عندما يكون U = 0وفاشال عندما يكون . U = 1عمليا يتذبذب هذا املقياس بين هاتين
القيمتين.
1إذا لم نعتمد على خطوة معايير املفاضلة بين النماذج املرشحة للتنبؤ ،فنواصل عملية التنبؤ لكل النماذج املشخصة .ونختار احسن نموذج
الذي تكون لديه دقة تنبؤ عالية باالعتماد على املعايير التالية QME, PME, MRAE :واالحسن من بين هذه النماذج املتنبأ بها هو النموذج الذي
تكون له قيمة اقل لـ.QME, PME, MRAE :
119
Forecasting using Box and Jenkins Method Box-Jenkins التنبؤ بطريقة
t X1 t X1 t X1 t X1
1 3,8 58 218,706961 115 341,688459 172 536,75462
2 5 59 219,905167 116 349,974414 173 541,816484
3 12,226481 60 220,296926 117 359,896428 174 536,892348
4 19,1617455 61 219,183598 118 367,126805 175 532,467482
5 24,6837026 62 221,860351 119 373,952897 176 534,194114
6 28,3547019 63 230,833766 120 379,67489 177 537,8784
7 26,7702547 64 244,920477 121 380,701256 178 535,329566
8 24,374626 65 258,231453 122 379,265075 179 535,045498
9 26,3709712 66 261,22515 123 380,69526 180 539,672092
10 29,4304626 67 259,601866 124 385,869399 181 549,331193
11 33,5512421 68 258,794954 125 390,731506 182 559,603843
12 35,2628578 69 259,526893 126 392,177375 183 559,867164
13 38,2476286 70 260,392639 127 394,385078 184 557,489892
14 46,2817048 71 259,328783 128 401,805628 185 558,91681
15 54,6637594 72 253,93342 129 406,962112 186 568,469704
16 57,607687 73 250,234442 130 405,663291 187 584,40707
17 57,9596974 74 253,78302 131 406,231867 188 599,778937
18 64,9539349 75 260,812295 132 407,611185 189 602,334215
19 73,240053 76 266,928955 133 410,578204 190 598,911219
20 78,5253466 77 273,924444 134 418,936588 191 605,354835
21 81,7786922 78 279,551444 135 430,607186 192 620,003108
22 83,9397601 79 279,824328 136 441,795039 193 634,812438
23 85,6233212 80 275,19081 137 447,705622 194 637,541181
24 93,0137087 81 274,291894 138 451,082715 195 629,879
25 97,7715077 82 280,885755 139 456,835296 196 623,340825
26 97,4612438 83 283,462052 140 461,727059 197 627,968782
27 98,8126573 84 281,296073 141 464,598873 198 642,99909
28 104,160096 85 279,065758 142 474,351087 199 660,327478
29 112,258442 86 280,795673 143 486,942436 200 665,856255
30 121,776069 87 289,534238 144 494,317993 201 659,618188
31 129,33372 88 301,052734 145 496,216774 202 651,284332
32 126,87191 89 307,512532 146 498,412998 203 646,88902
33 122,443556 90 311,287101 147 496,70527 204 647,370367
34 126,184753 91 306,792433 148 496,171865 205 654,263327
35 134,027322 92 293,106495 149 498,934321 206 661,678362
36 146,836732 93 285,077239 150 501,16899 207 664,986912
37 153,900779 94 292,296889 151 506,964041 208 669,73292
38 151,192544 95 306,049626 152 513,429244 209 676,884503
39 143,066588 96 315,761845 153 514,107135 210 686,360278
40 139,654066 97 320,400491 154 513,439649 211 695,866329
41 146,851228 98 322,107671 155 514,350088 212 702,056257
42 158,969602 99 322,124585 156 516,669105 213 706,917827
43 163,101634 100 326,97542 157 512,932852 214 709,274456
44 158,240046 101 332,037126 158 508,037877 215 706,713401
45 158,588277 102 335,047505 159 506,179554 216 706,255438
46 161,34128 103 335,55766 160 509,349216 217 711,02639
47 163,468613 104 332,323813 161 516,658174 218 721,747819
48 164,843191 105 330,007604 162 522,864256 219 734,142876
49 165,925797 106 332,892572 163 521,940496 220 741,901063
50 169,0459247 107 335,040084 164 514,963389
51 175,7012542 108 335,380241 165 509,117132
52 185,165722 109 335,359602 166 510,538992
53 190,340181 110 340,428089 167 518,218337
54 193,206903 111 350,607508 168 525,124449
55 198,081536 112 355,48782 169 526,251888
56 206,66809 113 351,405646 170 522,639
57 216,223445 114 342,681037 171 525,6385577
120
Forecasting using Box and Jenkins Method التنبؤ بطريقة Box-Jenkins
الحل
▪ بعد ادخال البيانات كما رأيناها سابقا نأتي للمرحلة األولى وهي مرحلة البحث عن التمثيل املناسب
(التعرف) ،حيث نضع بعض القواعد البسيطة لتسهيل البحث عن الدرجات املناسبة p, d , qلنموذج
ARIMAوهي البحث عن االتجاه املوسمي من عدمه والبحث عن االستقرارية من حيث االتجاه العام،
ولكن قبل اول شيئ ،فاننا نقم بالتمثيل البياني للسلسلة الزمنية بكتابة االمر في نافذة األوامر مباشرة:
،Line exr →Enterفيظهر لنا املنحنى البياني ادناه:
اذن ،مايالحظ من خالل التمثيل البياني لسلسلة هذا املتغير ،نجد ان له اتجاه عام خطي يتطور عبر
الزمن فقط ،مع مالحظة أنه هناك بعض الشك في وجود تقلبات الفصلية في هذه السلسلة الزمنية
والتي سوف نتححق منها بواسطة مخطط االرتباط ،Correlogram1من خالل فتح سلسلة املتغير X1
ونختار ،View → Correlogram :حيث يظهر لنا املربع الحواري ادناه:
1كذلك من األفضل االعتماد على اختبار Kruskal Wallisالذي يستعمل خصيصا لكشف الفصلية او استعمال الطريقة االنحدارية التي
تتطلب افتراض وجود الفصلية في السلسلة الزمنية بـ P :من املؤشرات ،ويتم التعبير عنها بنفس عدد من املتغيرات التمثيلية التي يتم تقدير
معلماتها بطريقة املربعات الصغرى االعتيادية OLSثم اختبارها احصائيا.
121
Forecasting using Box and Jenkins Method التنبؤ بطريقة Box-Jenkins
من خالل دالتي االرتباط الذاتي البسيطة والجزئية التي تعتمد على فكرة االرتباط بين املشاهدات
لفترات زمنية مختلفة اين تظهر الفصلية في شكل قمم ونتوءات في فترات زمنية تعادل ، pأي انه
تظهر قمة في دورة تعادل pونفس الش يء بالنسبة لالنخفاضات .فاننا نالحظ غيابها ً
سواء بالنسبة
لدالة االرتباط الذاتي البسيطة او بالنسبة لدالة االرتباط الذاتي الجزئية.
▪ اآلن ،نقوم بالبحث عن استقرارية السلسلة للمتغير 1من حيث االتجاه العام التي نصل اليها بواسطة
االختبارات الخاصة بها والتي يعد أفضلها االختبارات الخاصة بالجذر األحادي ،حيث تكلمنا سابقا انه
إذا كانت دراسة "مخطط االرتباط "Correlogramلدالة االرتباط الذاتي واالختبارات الخاصة
1إذا فشلنا في الدراسة امليدانية من خالل ما سبق ذكره ،فانه يتم اللجوء الى دراسة دالة االرتباط الذاتي او اختبار الجذر األحادي.
122
Forecasting using Box and Jenkins Method التنبؤ بطريقة Box-Jenkins
بإحصائية Q -Statistic :تدل على تأثر السلسلة الزمنية باالتجاه العام ،فيجب دراسة خصائصها وفقا
الختبارات ،Dickey-Fuller 1وهذا بهدف ازالة االتجاه حسب خصائص النموذج DSأو .TS
واضح جدا من خالل "مخطط االرتباط "Correlogramلهذه السلسلة بأنها غير مستقرة كون معامالت
1.96
، وإذا أردنا دالة االرتباط البسيطة والجزئية تقع خارج مجال الثقة الذي يعادل = 0.093
220
التحقق من استقرارية السلسلة ،فاننا نستعين بأحد اختبارات الجذور الوحدوية ،حيث من خالل فتح
ملف متغير X1نأخذ االمر View → Unit Root Test :واملبين ادناه:
نختار او نبدأ باختبار ،Phillips-Perronوندرس االستقرارية عند املستوى Levelوابقاء االختيار أوال
ّ
املتضمن في السلسلة الزمنية النه انطالقا من هنا على االتحاه العام الخطي Trend and intercept
نحدد هل هذه السلسلة هي نوع TSاو ، 2DSونبقي الخيارات األخرى على حالها (اال في الضرورة التقنية
نعدل وهي ليست موضوعنا اآلن) ونضغط على ،OKفنتحصل على املخرجات ادناه:
1نذكر بأنه هناك العديد من اختبارات الجذر الوحدوي والتي منها اختبار ،Phillips and Perron ،Augmented Dickey-Fullerاختبار
،Elliott-Rothenberg-Stock ،Kwiatkowski, Phillips, Schmidt and Shinوأفضلها اختبار .Ng and Perronمع مالحظة انه إذا وجدنا
اختالف نتائج اختبارين ،مثال بين اختبار ADFواختبار PPفاننا نرجح باختبار ثالث KPSSاو حتى اختبار رابع للحكم على درحة تكامل السلسلة
الزمنية.
2ملزيد من االطالع يرجى النظر في (.)Bourbonnais, 2015, pp. 264-265
123
Forecasting using Box and Jenkins Method التنبؤ بطريقة Box-Jenkins
قبل الحكم على استقرارية املتغير ،X1فاننا نبدأ بدراسة معنوية االتجاه العام )" C, @TREND("1من
والتي توافقها: t c = 4.59 t c0,05 = 1.96 عدمه ،حيث نالحظ ان الثابت هو معنوي (الن:
والتي t b = 1.86 t b0,05 = 1.96 ،) Prob (c ) = 0.0000 5%بينما االتجاه هو غير معنوي ( الن:
( Prob (b ) = 0.0638وبالتالي نعيد االختبار عند املستوى مع حذف االتجاه واإلبقاء توافقها5% :
124
Forecasting using Box and Jenkins Method التنبؤ بطريقة Box-Jenkins
كذلك قبل الحكم على استقرارية املتغير ،X1ندرس معنوية الثابت ،Cحيث نالحظ بأنه معنوي (
والتي توافقها ) Prob (c ) = 0.0000 5% :ونبقي على هذا الخيار، t c = 4.17 t c0,05 = 1.96 الن:
وننتقل الى القسم العلوي ،حيث نقبل الفرضية الصفرية :H0بأن السلسلة يوجد بها جذر احادي
الن القيمة املحسوبة لـ Student :املعادلة الى | |0.53هي اقل من القيمة الجدولية الحرجة عند
املستويات %10 ،%5 ،%1 :املعادلة الى |-2.57|, |-2.87|, |-3.46| :على التوالي (هذه القيم مستخرجة
انطالقا من جدول القيم الحرجة لـ )Mackinon :واملوافقة للقيمة االحتمالية
مما نضطر الى دراسة االستقرارية عند الفرق األول لسلسلة هذا املتغير Prob .* = 0.9875 5%
125
Forecasting using Box and Jenkins Method Box-Jenkins التنبؤ بطريقة
126
Forecasting using Box and Jenkins Method التنبؤ بطريقة Box-Jenkins
ايضا قبل الفصل في استقرارية املتغير X1عند الفرق االول ،نعيد الحكم على معنوية الثابت ،C
والتي توافقها) Prob (c ) = 0.0343 5% : t c = 2.13 t c0,05 = 1.96 حيث نالحظ بأنه معنوي (الن:
والتي توافقها: t b = 0.28 t b0,05 = 1.96 بينما االتجاه هو غير معنوي (الن:
) Prob (b ) = 0.7755وبالتالي نعيد االختبار عند الفرق االول مع حذف االتجاه واإلبقاء على 5%
127
Forecasting using Box and Jenkins Method التنبؤ بطريقة Box-Jenkins
والتي توافقها: t c = 4.21 t c0,05 = 1.96 واضح من هذه املخرجات بان الثابت Cهو معنوي (الن:
) Prob (c ) = 0.0000 5%مع البقاء على هذا الخيار ،ومن القسم العلوي نرفض الفرضية
الصفرية :H0بأن السلسلة اليوجد بها جذر احادي الن القيمة املحسوبة لـ Student:املعادلة الى
| |-6.37هي اكبر من القيمة الجدولية الحرجة عند املستويات %10 ،%5 ،%1 :املعادلة الى|-2.57| :
|-3.46|, |-2.87|,على التوالي (هذه القيم مستخرجة انطالقا من جدول القيم الحرجة لـ)Mackinon :
مع استنتاج بان هذه السيرورة هي نوع DS االحتمالية Prob .* = 0.0000 5% واملوافقة للقيمة
(سيرورة عشوائية).
▪ بعد دراسة االستقرارية ،يمكننا تحديد الدرجتين ، p , q :أي النماذج ) AR ( p ), MA (qمن خالل
تحليل دالتي االرتباط الذاتي البسيطة والجزئية في السلسلة املستقرة ) I (1واملبينة في الشكل ادناه من
خالل فتح سلسلة املتغير X1ونختارView → Correlogram→1st difference →OK :
-كما ذكرنا سابقا بأنه من خالل دالة االرتباط الذاتي الجزئية Partial Correlationيمكن تحديد
ودالة االرتباط البسيطة Autocorrelataionتحدد لنا النماذج املرشحة من ) MA (q نماذج
128
Forecasting using Box and Jenkins Method التنبؤ بطريقة Box-Jenkins
) ، AR ( pفبالنسبة لدالة االرتباط الذاتي البسيطة والجزئية يظهر لنا جليا بانه هناك حدود تختلف
معنويا عن الصفر وهي ، AR (1), AR (2), AR (3), MA (1), MA (2), MA (3), MA (4), MA (6) :ومن
خالل هذه النماذج يمكن ترشيح النماذج املختلططة وهي:
)ARIMA (1.1.1), ARIMA (1.1.2), ARIMA (1.1.3), ARIMA (1.1.4), ARIMA (1.1.6
)ARIMA (2.1.1), ARIMA (2.1.2), ARIMA (2.1.3), ARIMA (2.1.4), ARIMA (2.1.6
)ARIMA (3.1.1), ARIMA (3.1.2), ARIMA (3.1.3), ARIMA (3.1.4), ARIMA (3.1.6
▪ املرحلة املوالية تتمثل في عملية تقدير هذه النماذج املختلفة املرشحة لعملية التنبؤ مع تشخيض كل
نموذج لصالحيته لعملية التنبؤ.
-نبدأ بتقدير النموذج ) ، AR (1حيث نقوم باالمر Quick → Equation Estimationt :فيظهر لنا
املربع الحواري ادناه ونكتب في النموذج الذي نريد تقديره كمايلي:
• الحظ ان d(X1) :تمثل السلسلة املفرقة النها مستقرة من الدرجة األولى c ،وهو ثابت االنحدار،
) AR(1املتغير ذو التباطؤ من الدرجة األولى (املؤخر بفترة زمنية واحدة).
• تحت اعدادات التقدير Estimationt settingيوفر لنا EViewsطريقة التقدير ،حيث انه هناك
عدة طرق ممكن اختيارها حسب تقديرات نماذج ،)......OLS( AM ،ARكما انه واضح بأن حجم
العينة املقدرة هو 220مشاهدة .Sample
-نضغط على OKفنتحصل على نتائج التقدير ادناه:
129
Forecasting using Box and Jenkins Method التنبؤ بطريقة Box-Jenkins
• نالحظ بان الثابت واملتغير املبطأ بفترة زمنية واحدة هما معنويان الن:
t X 1 =10.52 1.96, tc =4.98 1.96
Prob (X 1) = 0.0000 5%, Prob (c ) = 0.0000 5% واملوافقتين للقيمتين االحتماليتين:
ولكن هذا غير كاف الجل الحكم على صالحية النموذج حتى نشخص النموذج من خالل دراسة صالحية
البواقي.
▪ من اجل التحقق من مالئمة النموذج نقوم بالتمثيل البياني لالرتباط الذاتي للبواقي ومجموع مربعاتها
والتوزيع الطبيعي لها ،فالتمثيل البياني لالرتباط الذاتي للبواقي انطالقا من مخرجات التقدير نقوم
نأخذ االمر ،View → Residual Diagnostics → Correlogram-Q-statstics :اما بالنسبة ملربعات
البواقي ،View → Residual Diagnostics → Correlogram-Squared Resuduals :كما يظهر
أدناه:
130
Forecasting using Box and Jenkins Method التنبؤ بطريقة Box-Jenkins
-بعد تحديد الطريقتين في كل حالة ،يظهر لنا املربح الحواري الخاص بفترة الـتأخير Lag Specifications
131
Forecasting using Box and Jenkins Method التنبؤ بطريقة Box-Jenkins
إن اختبار ،Ljung-Boxأي باالعتماد على احصائية ،Q-Statisticsفانه يشير إلى وجود ارتباط ذاتي
بين البواقي ،حيث كل القيم االحتمالية هي اقل من القيمة الحرجة %05ويؤكد ذلك دالتي االرتباط
الذاتي البسيطة والجزئية للبواقي وحتى مربعات البواقي ،بمعنى ليس كل الحدود تقع داخل مجال
الثقة ،وعليه نرفض الفرضية الصفرية H0القائلة ان البواقي هي خطا أبيض .فمن الناحية املنطقية
يبقى هذا النموذج ) ARIMA (1.1.0املرشح لعملية التنبؤ هو نموذج مرفوض.
▪ بنفس الكيفية نقوم بدراسة النماذج املتبقية وقد اعطتنا نفس الحالة لنموذج ) ، ARIMA (1.1.0غير
اننا توصلنا الى نموذج وحيد مرشح لعملية التنبؤ وهو النموذج ) ، ARIMA (2.1.1وهذه مخرجاته:
132
Forecasting using Box and Jenkins Method Box-Jenkins التنبؤ بطريقة
133
Forecasting using Box and Jenkins Method التنبؤ بطريقة Box-Jenkins
يشير مخطط االرتباط للبواقي إلى أن هذه السيرورة هي بدون ذاكرة ،وال يشير مخطط االرتباط ملربعات
البواقي (اختبار )ARCH1إلى أي حد يختلف معنويا عن ،0وعليه ان فرضية ثبات تجانس الخطأ هي
محققة ،وبالتالي فإن البواقي هي سيرورة ضجة بيضاء .ولكن يبقى السؤال هل أن هذه البواقي هي
غوسية ،Gaussianأي تتبع التوزيع الطبيعي .الجل هذا نستخدم االيعاز:
View → Residual Diagnostics → Histogram-Normality Test
0.05,2والتي توافقها
2
إحصائية ) Jarque-Bera (JB = 2.053هي أكبر من القيمة الجدولية = 5.991
القيمة االحتمالية 0.358االكبر من القيمة االحتمالية الحرجة ،%5وبالتالي فاننا نقبل بالفرضية
الصفرية H0للتوزيع الطبيعي للبواقي.
مالحظة :فرضا انه لو قد تحصلنا على نماذج مقبولة (مرشحة) لعملية التنبؤ ،فاننا نختار أحسن
نموذج الذي تكون اقل قيمة باالعتماد على معيار HQ, SC, AIC :وحتى االنحراف املعياري S.D.
،dependent varو( ،SIGMASQ ) 2كما نذكر مرة أخرى بانه إذا لم نعتمد على خطوة معايير
1كذلك نستطيع اختبار اثر ARCHبشكل منفصل من خالل االيعاز،View → Residual Diagnostics → Heteroskedasticity Tests → ARCH :
حيث تحصلنا على القيم االحتمالية Prob .F (1,216) = 0.6985 5%, Prob .Chi − Square (1) = 0.6969 5%وبالتالي فان فرضية ثبات تجانس
الخطأ هي محققة أي استبعاد دراسة نماذج ARCH
134
Forecasting using Box and Jenkins Method التنبؤ بطريقة Box-Jenkins
املفاضلة بين النماذج املرشحة للتنبؤ ،فاننا نواصل عملية التنبؤ لكل النماذج املشخصة ونختار
أحسن نموذج الذي تكون لديه دقة تنبؤ عالية باالعتماد على املعايير QME, PME, MRAE :واالحسن
من بين هذه النماذج املتنبأ بها هو النموذج الذي تكون له قيمة اقل لـQME, PME, MRAE :
-املرحلة النهائية تتمثل في عملية التنبؤ ،حيث نقوم بتوسيع السلسلة الزمنية الجل التنبؤ لـ 04 :فترات
املقبلة ،فمن خالل نافذة األوامر نكتب االمر Expand→Enter :في نافذة األوامر كما يظهر في الشكل
ادناه:
نقوم بتوسيع املدة الزمنية من الفترة T=220الى T+4= 224ونضغط على OKونعود الى نافذة
مخرجحات النموذج املقدر ) ، ARIMA (2.1.1ومن خالل شريط أدوات الكائن Object Toolbar
نضغط على ،Forecastفنتحصل على املربع الحواري املوالي:
135
Forecasting using Box and Jenkins Method التنبؤ بطريقة Box-Jenkins
نحدد التنبؤ بالسلسلة الزمنية االصلية وهو موضوع الدراسة ألننا نحتاج الى القيم التنبؤية لالريع
الفترات الزمنية املقبلة مع تحديد الطريقة الديناميكية الن النموذج املقدر هو باألساس نموذج
ديناميكي ،ونضغط على ،OKفنتحصل على الشكل ادناه:
نالحظ مايلي:
RMSE = 24.86 -جذر متوسط مربع الخطأ :Root Mean Squard Error
MAE = 19.27 -متوسط الخطأ املطلق :Mean Absolute Error
136
Forecasting using Box and Jenkins Method التنبؤ بطريقة Box-Jenkins
املتوسط املطلق للخطأ النسبي MRAE = 6.25 :Mean Abs. Percent Error -
U = 0.02 -معامل :Theil
U 2 = 1.99 -معامل :Theil U2
SMRAE = 6.10 -املتوسط املطلق للخطأ النسبي املتناظر (التقاربي) :Mean Abs. Percent Error
• كل هذه املؤشرات تستعمل في دقة التنبؤ واملفاضلة بين النماذج املرشحة الجل عملية التنبؤ ،ونحن
قد توفر لنا نموذج وحيد ) ARIMA (2.1.1وللحكم على دقة تنبئه ،فاننا نستعين بمعامل معامل
Uوهو يكاد ينعدم ،مما يعني ان التنبؤ جيد باستعمال هذا النموذج. = 0.02 :Theilحيث وجدناه:
• عند حساب التبؤ فانه توفر لنا ملف في واجهة العمل تحت اسم سلسلة املتغير املتنبؤ به X1fوهو
يحتوي على القيم التنبؤية لالربع الفترات املقبلة ،حيث نقوم بفتحه فنتحصل على اآلتي:
137
)Vector Autoregressive (VAR نماذج اشعة االنحدارالذاتي
لقد تم استخدام نماذج املعادالت املتزامنة (اآلنية) متعددة املتغيرات على نطاق واسع لتحليل
االقتصاد الكلي ،غير ان في منتصف السبعينيات ومع أول صدمة نفطية اكدت نهاية ازدهار الثالثينات لهذا
النطاق الواسع من النمذجة وهذا بسبب ضعف النمذجة االقتصادية القياسية الكالسيكية مع العديد
من املعادالت الهيكلية ،وكان هناك العديد من االنتقادات والفشل في مواجهة بيئة اقتصادية مضطربة
للغاية ،حيث كانت التنبؤات باستخدام هذه النماذج ضعيفة للغاية واالنتقادات الرئيسية املوجهة ضد
هذه النماذج الهيكلية ارتبطت بتزامن العالقات ومفهوم املتغير الخارجي.
نتيجة لهذا ،فقد جاءت نماذج االنحدار الذاتي VARكبدائل للنمذجة االقتصادية القياسية
الكالسيكية التي اقترحها ( ،)Sims, 1980والتي تعمل على نمذجة متعددة املتغيرات تكون قيودها الوحيدة
هي اختيار املتغيرات املحددة وعدد التأخيرات املتكاملة .هذا العمل كان يعتبر نقطة البداية لنقده لنماذج
االقتصاد الكلي ،وخاصة تلك التي كانت مصدر إلهام لكينز .بالنسبة إلى ،Simsفان نماذج االقتصاد الكلي
الكينزية تعاني من العديد من أوجه القصور (.)Gossé & Guillaumin. 2013. p. 307
138
)Vector Autoregressive (VAR نماذج اشعة االنحدارالذاتي
مستقرة و t1....... tkذات ضجة بيضاء ولها تباينات ثابتة . 1 ....... k
2 2
السيرورة Yمستقرة (أو حتى في الفرق الثاني) إذا تحققت الفرضيات التالية: t
حيث ان التوقع والتباين املشترك مستقالن عبر الزمن والتباين هو النهائي وثابت.
نشير الى ان السيرورة ) VAR( pتكون مستقرة إذا كان كثير الحدود املعرف انطالقا من محدد املصفوفة:
I − 1L − 2 L2 − ....... − p Lpله جذور تقع خارج دائرة الوحدة ).(Hamilton, 1994, p. 259 =0
139
)Vector Autoregressive (VAR نماذج اشعة االنحدارالذاتي
التي )ARMA( p, q بأنها تعميم لسيرورات ) ، VAR( pتماما مثل سيرورات ARMAX كما تعتبر نماذج
):(Charpentier, 2006, pp. 16-17 )AR( p هي تعميم لسيرورات
Yt = 0 + 1Yt −1 + 2Yt −2 ..... + pYt − p + 1 t −1 + 2 t −2 + ..... + q t −q + t
VMA هما مصفوفتان ذات البعد ) ( k kللمتغيرات .ومن املمكن ان تتصف السيرورة حيث ان0 , :
)ARMA( p, q (تم الحصول عليها عندما :( p = 0باملتوسطات املتحركة املتعددة املتغيرات .وهو نموذج
متعدد املتغيرات او ) VARMA ( p, qالذي يصطلح تسميته أيضا بـ. ARMAX ( p, q) :
• تكون السيرورات VARقابلة للقلب دائما ،ومستقرة ،إذا كانت جذور كثيرات الحدود املميزة لها تقع
خارج دائرة الوحدة.
• تكون السيرورات VMAقابلة للقلب دائما ،ومستقرة ،إذا كانت جذور كثيرات الحدود املميزة لها تقع
خارج الوحدة.
على أجزاء السيرورات VARو . VMA • تتوقف شروط القلب واالستقرارية لسيرورات ARMA
قد يتضمن نموذج VARمتغيرات مستقلة ويسمى بنموذج Structural Vector Autoregressive: SVAR
الذي يأخذ الشكل التالي (شيخي ،2011 ،ص ص:)272-271 .
Yt = 0 + 1Yt −1 + 2Yt −2 ..... + pYt − p + B1 X t −1 + B2 X t −2 + ..... + Bm X t −m + t
: Xمتغيرات خارجية يمكن ان تحتوي على مركبات عشوائية وغير عشوائية .ويطلق عليه باسم 1,t ........ X r ,t
النظام الخطي ،كما يسمى بنموذج املعادالت اآلنية الحركية (الديناميكية) .باستعمال معامل التباطؤ Lفي
النموذج ،حيث يكون الشكل املختصر كمايلي:
( L)Yt = B( L) X t + t
: )−1 ( L وبضرب الشكل املختصر بـ:
Yt = −1 ( L) B( L) X t + −1 ( L) t
يسمى بالشكل النهائي للنظام ويكون هذا الشكل موجودا في حالة ما إذا كانت املصفوفة قابلة حيث )( L
140
)Vector Autoregressive (VAR نماذج اشعة االنحدارالذاتي
يختار التباطؤ األمثل وذلك عن طريق تدنية املعايير الثالثة HQ ( p ) , AIC ( p ) , SC ( p ) :ويمكن أيضا
استخدام نسبة املعقولية انطالقا من تباين البواقي إذا كان 1ˆ :تباين بواقي النموذج املقيد و ˆ 0تباين
النموذج األول (غير املقيد) ،فان إحصائية نسبة املعقولية هي (شيخي ،2011 ،ص ص:)273-272 .
(
T Ln det 1ˆ − Ln det 0ˆ ) p2 =c
141
)Vector Autoregressive (VAR نماذج اشعة االنحدارالذاتي
وتقدير معامالت النموذج ،فانه يمكننا من القيام بعملية التنبؤ في بعد تحديد درجة التأخير املثلى p -
ألجل أفق فترة التنبؤ ،ولفهم هذه املنهجية نأخذ على سبيل املثال النموذج ) VAR(1على T الفترة
النحو التالي ):(Bourbonnais, 2015, p. 280
YˆT (1)=
ˆ +
0
ˆ Y
1 T
) min( p ,i
= Mi j =1
Aˆ j M i − j , i = 1, 2,..... , M 0 = I
ˆ M +
M 2 = ˆ M =
ˆ 2+
ˆ
1 1 2 0 1 2
ˆ M +
M 3 = ˆ M +
ˆ M = ˆ 3+
ˆ
ˆ ˆ ˆ ˆ
1 2 2 1 3 0 1 1 2 + 2 1 + 3
.......M h −1
تباين خطأ التنبؤ ) ) (ˆT2 (hلكل قيمة لتنبؤات kمتغيرة ،يمكن قراءته من القطر االول للمصفوفة:
) ، ( hوبالتالي مجال التنبؤ عند املستوى ) (1 − / 2يعطى بالعالقة التالية:
) YˆT ( h ) t /2 .ˆT2 ( h
YˆT + h Yˆ (h) − t /2 V ( T + h ), Yˆ (h) + t /2 V ( T + h )
142
)Vector Autoregressive (VAR نماذج اشعة االنحدارالذاتي
-نأتي الى تحليل الصدمات ودوال االستجابة Impulse Analysisوهو جوهر تحليل نماذج ، VARحيث
ينمذج بشكل أساس ي العالقات الديناميكية بين مجموعة من املتغيرات املختارة VAR ان نموذج
لوصف ظاهرة اقتصادية معينة .الفكرة العامة لتحليل الصدمات ودوال االستجابة هي انها تسمح لنا
بدراسة تأثير صدمة متعلقة بتطور أحد املتغيرات على باقي املتغيرات االخرى للنظام.
Y1t ˆ1 ˆ11 ˆ112 Y1t −1 ˆ1t
0 0
التغير في ˆ خالل فترة زمنية معينة يكون له نتيجة على Yو Yثم على ، Yفاذا حدثت صدمة
1t+ 2 1t +1 1t 1t
على ˆ تكون حتما ستكون متبوعة بصدمة على ˆ . ففي هذه الحالة ،ان معامل االرتباط سيؤكد على
2t 1t
الصلة املشتركة بين البواقي ˆ و ˆ ، ولكن ال يشير الى اتجاه السببية .يمكن تقديرها بالعالقة التالية:
2t 1t
) cov(ˆ1 , ˆ2
=
ˆ1 ˆ2
ˆ1 . ˆ2
لعالج مشكل االرتباط بين األخطاء العشوائية وبالتالي تأثير الصدمة على املتغير ،فانه بشكل عام يتم
بالبحث عن تمثيل األخطاء العشوائية بصفة شاقولية ( Orthogonalمستقلة فيما بينها) .لنعتبر
تقسيم :
= PP
يتعلق االمر هنا بتقسيم ،Choleskiحيث P :تعبر عن مصفوفة مثلثية من األعلى مع عناصره القطرية
موجبة .يمكن كتابة الصيغة ) VMA ( على الشكل التالي:
143
)Vector Autoregressive (VAR نماذج اشعة االنحدارالذاتي
Yt = + Ci PP t −i = + M i vt −i
−1
( )
Y2t = k / 21 Y1t + (21
1
( )
− 111 . k / 21 )Y1t −1 + (212 − 112 . k / 21 )Y2t −1 + 2t − k / 21 1t
في أن اختيار ترتيب املتغيرات يعدل النتائج التي تم الحصول عليها .وألجل هذا برامج االقتصاد القياس ي
توفر إمكانية اختيار درجة املتغيرات وبالتالي تجعل من املمكن محاكاة كل السيناريوهات املختلفة
).(Bourbonnais, 2015, pp. 285-287
144
)Vector Autoregressive (VAR نماذج اشعة االنحدارالذاتي
-بعدها نقوم تحليل التباين Variance Decompositionوالهدف من تحليل تباين خطأ التنبؤ هو
حساب مدى مساهمته في تباين الخطأ لكل صدمة .يمكننا كتابة تباين خطأ التنبؤ في األفق ( hفترة
زمنية معينة ما) كدالة لتغير الخطأ املنسوب إلى كل من املتغيرات ثم يكفي ربط كل من هذه التباينات
(أي عن طريق عملية القسمة) بالتباين الكلي للحصول على وزنه النسبي.
عندما تصبح الصدمات طبيعية وشاقولية ،يتم تحليل االستجابة بواسطة استخدام النموذج االتي
):(Lubrano, 2007, pp. 11-12
Yt = + M i vt −i
i =0
h −1
Yt + h − E (Yt + h ) = M i vt + h −i خطأ التنبؤ في األفق hيعطى بالصيغة املوالية:
i =0
نقوم بتحليل خطأ التنبؤ من اجل كل مركبة لـ Y :التي نرمز اليها بـ ، Y :يكون لدينا:
j ,t t
h −1
) Y j ,t + h − E (Y j ,t + h ) = (m j1,i v1,t + h −i +m j 2,i v2,t +h −i + ........ + m jm ,i vm ,t +h −i
i =0
نظرا لألخطاء vانها غير مترابطة ولها تباين يساوي ،1فمن السهل حساب تباين خطأ التنبؤ:
) E (Y j ,t + h − E (Y j ,t + h ) ) = (m 2jk ,1 +........ + m 2jk ,h −1
n
2
k =0
h −1
m 2
jk ,1 + ....... + m 2
jk , h −1 = (ej M i ek ) 2 ثم نفسر املجموع بـ:
i =0
حيث e :هو العمود رقم iللمصفوفة االحادية والتي تعبر عن مساهمة الصدمة للمتغير kلتغير خطأ i
التنبؤ في األفق hللمتغير . jوحتى نتمكن من الحصول على هذه النسب (التحليل) ،يمكننا ان نعبر
عنها كمايلي:
n h −1
كمايلي Y1t +h ، Yيمكن كتابة تباين خطأ التنبؤ لـ 1t , Y2t لنأخذ النموذج ) VAR (1الخاص بمتغيرين:
):(Bourbonnais, 2015, p. 288
145
)Vector Autoregressive (VAR نماذج اشعة االنحدارالذاتي
2 ( h ) = Y2 m112 (0) + m112 (1) + ..... + m112 (h − 1) + 2 m222 (0) + m222 (1) + ..... + m222 (h − 1)
1 1 2
في األفق ، hيتم تحليل التباين بالنسبة املئوية للصدمات الخاصة بـ Y :على ، Yحيث يعطى بالصيغة
2t 1t
اآلتية:
2 m112 (0) + m112 (1) + ..... + m112 ( h − 1)
1
) Y2 ( h
1
ويتم تحليل التباين بالنسبة املئوية للصدمات الخاصة بـ Y :على ، Yحيث يعطى بالصيغة اآلتية:
1t 2t
) Y2 ( h 1
• على العكس من ذلك ،إذا كانت الصدمة على أثر كبير على تباين الخطأ لـ ، Y :فإن Yيعتبر
2t 2t 1t
متغير داخلي.
• من الناحية العملية ،ال يتم تمييز النتائج على أنها محددة ولكن تشير إلى مساهمة كل من املتغيرات
في تباين الخطأ.
-تتمثل الخطوة املتبقية في دراسة السببية ،فإذا كان نموذج VARيشير إلى كيفية تأثير القيم املاضية
ملجموعة من املتغيرات على حاضر هذه املتغيرات وكيف انتقال الصدمات على متغير ما إلى بقية
النظام ألجل فهم أفضل للظواهر االقتصادية ،فانه عمليا ان املعرفة السببية ضرورية للصياغة
الصحيحة للسياسة االقتصادية .وفي الواقع ،معرفة اتجاه السببية ال تقل أهمية عن تسليط
الضوء على العالقة بين املتغيرات االقتصادية من اجل تحديد الظاهرة التابعة من املستقلة .وقدم
) 1)Granger, 1969فكرة عدم السببية على أساس الخصائص التنبؤية لنماذج . VARالفكرة هي
مفيدا X يؤثر على املتغير ، Yفسيكون X أن السبب ال يمكن أن يأتي بعد التأثير .إذا كان املتغير
146
)Vector Autoregressive (VAR نماذج اشعة االنحدارالذاتي
ال X (يحتوي على معلومات) لتحسين إمكانية التنبؤ لـ . Y :بشكل مطلق فانه بمفهوم :Granger
تسبب ، Yإذا مهما يكن األفق hهو موجب ،أي ):(Charpentier, 2006, p. 11
متغيرات ، Yويتكون هذا من إجراء اختبار تقييد على معامالت املتغيرات Yلنموذج VARالذي
2t 1t
.(Restricted VAR:يتم تحديد درجة التأخر pوفقا ملعيار VARاملقيدRVAR ) : يسمى بنموذج
أو ، SCوليكن: AIC
H 0 : 112 = 122 = ...... = 12p = 0 Yال تسبب Yإذا كانت الفرضية التالية مقبولة: 1t 2t
H 0 : 21
1
= 22
1
= ...... = 21 p = 0 Yال تسبب Yإذا كانت الفرضية التالية مقبولة: 2t 1t
إذا تم قبول الفرضيتين معا ،فإننا نتحدث عن حلقة " "Feedback Effectذات أثر رجعي.
والختبارهما يمكن استخدام اختبار Fisherاملتعلق بانعدام املعامالت ،معادلة بمعادلة اخرى أو
مباشرة عن طريق املقارنة بين نموذج VARغير املقيد ) (UVARونموذج VARاملقيد ). ( RVAR
147
)Vector Autoregressive (VAR نماذج اشعة االنحدارالذاتي
148
)Vector Autoregressive (VAR نماذج اشعة االنحدارالذاتي
الحل
▪ بعد تفريغ البيانات في EViewsكما رأينا طريقة إدخالها سابقا ،فاننا نقوم بدراسة استقرارية 1هذه
السالسل الزمنية ،كما وضحنا سابقا (راجع القسم الخامس الخاص بالتنبؤ بطريقة )Box-Jenkins
والجل هذا سوف نطبق أحد االختبارات وليكن مثال اختبارا philps-perronحيث تحصلنا على النتائج
التالية:
1قبل دراسة االستقرارية ،نذكر بضرورة بأنه هناك خطوات فنية واختبارات قبلية البد من تنفيذها التي منها :انه إذا كانت قيم السالسل الزمنية
كبييرة وجب ادخال اللوغاريتم النيبري عليها الجل تحويلها من قيم حدية مطلقة الى قيم نسبية الجل التعبير عليها بشكل مرونات اثناء عملية
التقدير ،كما انه هناك اختبارات خطية السلسلة الزمنية من عدمها وحتى االختبارات الهيكليلة من اجل معرفة بأن هل هناك انكسار من عدمه
الذي يؤخذ بعين االعتبار في دراسة هذا النموذج.
149
)Vector Autoregressive (VAR نماذج اشعة االنحدارالذاتي
-الحظ قد اعتمدنا نفس املنهجية في دراسة االستقرارية (املثال )9لسلسلة كل متغير وهذا حتى
نستطيع الحكم على نوعية السلسلة الزمنية ،هل هي سيرورة عشوائية DSاو سلسلة تبرز خاصية
تحديدية ،DTألننا سوف نحتاج الى هذا النوع عند دراسة التكامل املشترك وحتى نموذج تصحيح
الخطأ ان وجد لهذه املتغيرات.
-القيم املحسوبة تمثل قيم Adj. t-Statاما القيم التي هي مابين قوسين تمثل القيم االحتمالية *Prob.
مع ان سالسل املتغيرات هذه استقرت عند اخذ التفاضالت األولى لها ،1علما انها كلها سيرورات
عشوائية .DS
▪ الخطوة املوالية تتمثل في تحديد درجة االبطاء املناسبة ،حيث ننقر أوال على سلسلة املتغير Y1
ونضغط بعد ذلك على الزر Ctrlوننقر على سلسلة املتغير Y2الضافتها الى خياراتنا ثم أيضا ،2Y3ثم
نضغط بيمين زر املاوس ونختار االمر Open → as VAR :او نتبع االم ـر اآلخر:
،View → Open Selected → One Window →Open VARحيث نتحصل على املربع الحواري
ادناه:
1الجراء تقدير نموذج VARيشترط بان تكون سالسل املتغيرات مستقرة من الدرجة األولى او من الدرجة األولى والثانية.
2يمكن العكس باختيار ار مثال املتغير Y2أوال ثم املتغير Y1ثم املتغير Y3او العكس الن هنا الترتيب غير مهم النها تعتبر كلها متغيرات داخلية.
150
)Vector Autoregressive (VAR نماذج اشعة االنحدارالذاتي
-نحدد على الخيار VAR type→Standard VAR→OK :والباقي يترك على املخرجات ادناه:
151
)Vector Autoregressive (VAR نماذج اشعة االنحدارالذاتي
-من خالل االمر ، View→Lag Structure →Lag length Criteria :فنحصل على املربع الحواري
ادناه:
152
)Vector Autoregressive (VAR نماذج اشعة االنحدارالذاتي
-نضغط على OKفنتحصل على معايير االبطاء ادناه التي على أساسها نحدد مجال التأخر املناسب في
االعمال املوالية:
• الحظ ان املعاير LR , SC, HQ:تحددت بفترة ابطاء ،1اما املعيارين FPE , AIC :تحددا بفترة ابطاء ،2
وعليه فان مجال االبطاء املناسب هو [.]1 2
▪ الخطوة املهمة واالساسية التي لم نتكلم عليها في هذا الفصل تتمثل في نقطة التكامل املشترك
Cointegrationبين املتغيرات .أي ،هل نواصل على منهجية تقدير متجه االنحدار الذاتي VARبين املتغيرات
او نسلك مسار نموذج تصحيح الخطأ Error Correction Model1؟ .للفصل في هذا ،سوف نحدد على
سالسل املتغيرات Y1, Y2, Y3معا ونتبع ،2 Open → as Group→View→ Cointegration Test :اين
يظهر لنا خيارين ،فالخيار األول يتمثل في طريقة التكامل املشترك حسب اختبار Johansonاما الخيار الثاني
يتمثل في طريقة 3 Signle-Equation Cointergration Testكما يظهرفي الشكل ادناه:
153
)Vector Autoregressive (VAR نماذج اشعة االنحدارالذاتي
154
)Vector Autoregressive (VAR نماذج اشعة االنحدارالذاتي
-1عدم وجود االتجاه الخطي في السالسل والثابت في عالقات التكامل املشترك (الثابت في العالقة
طويلة االجل ليس معنويا).
-2عدم وجود االتجاه الخطي في السالسل ،ولكن يوجد الثابت في عالقات التكامل املشترك (الثابت
في العالقة طويلة االجل ليس معنويا).
oوجود اتجاه عام خطي في البيانات (سلسلة واحدة على األقل هي من نوع DSباملشتقة):
-3وجود اتجاه عام خطي في السالسل والثابت في عالقات التكامل املشترك.
-4وجود اتجاه عام خطي في السالسل والثابت في عالقات التكامل املشترك (سلسلة واحدة على األقل
هي من نوع .)TS
oوجود اتجاه تربيعي في البيانات:
-5وجود اتجاه تربيعي في السالسل واتجاه خطي في عالقات التكامل.
يتم اختيار أحد هذه املواصفات حسب البيانات والشكل املحتمل لالتجاه العام (تحليل
الخصائص العشوائية للسالسل الزمنية أو من خالل الرسوم البيانية التي تساعدنا على
التحديد) .يلخص الجدول ادناه اختيار مواصفات نموذج تصحيح الخطأ املتعدد تبعا ألنواع
السيرورات.
تمثيل نموذج تصحيح الخطأ
الخاصية
نوع السيرورة
5 4 3 2 1
× × كل السيرورات هي نوع DSبدون مشتقة
× سيرورة واحدة على األقل هي نوع DSباملشتقة
× سيرورة واحدة على األقل هي نوع TS
× سيرورة واحدة على األقل لها اتجاه تربيعي
املصدر(Bourbonnais, 2015, p. 301) :
-حسب نتائج االستقرارية ،فان سيرورات املتغيرات كلها سيرورات عشوائية ،DSوبالتالي فان الخيار لـ:
05هذه املواصفات سوف يكون االختيار األول ،أي عدم وجود االتجاه الخطي في السالسل والثابت في
عالقات التكامل املشترك.
-نضغط على ،OKفنتحصل على مخرجات التكامل املشترك ادناه:
155
Vector Autoregressive (VAR) نماذج اشعة االنحدارالذاتي
156
)Vector Autoregressive (VAR نماذج اشعة االنحدارالذاتي
• الحظ انه لدينا اختبارين للتكامل املشترك حول وجود عالقة تكامل بين املتغيرات من عدمها والتي
تعبر عن العالقة التوازنية (تعبر عن سلوك املتشابه للمتغيرات والتي توافق النظرية االقتصادية).
فاالختبار األول هو اختبار األثر ،Trace Testحيث نالحظ غياب عالقة التكامل املشترك ،الن قيم
Trace Statisticاقل من القيم الحرجة Critical Valueعند مستوى املعنوية %05والتي يقابلها أيضا
، Prob.**:ويؤكد هذا الحكم 0.1041 5%, 0.2285 5%, 0.8257 5% القيم االحتمالية
أيضا اختبار القيمة الذاتية العظمى Maximum Eigenvalueبنفس الكيفية.
▪ االن ،بعد التأكد من عدم وجود عالقة التكامل املشترك ،نأتي الى خطوة تقدير نموذج متجه االنحدار
الذاتي لهذه املتغيرات ،حيث بنفس الخطوات السابقة نحدد على املتغيرات الثالث Y1, Y2, Y3وبعدها
االمر Open → as VAR :حيث نتحصل على املربع الحواري ادناه ،وندخل مجال االبطاء الذي حددناه
في الخطوة السابقة ،حيث نضع العدد 1ونترك مسافة ثم العدد ،2كما يظهر في الدائرة باللون االحمر:
▪ نحدد على الخيار VAR type→1Standard VAR→OK :والباقي يترك على حاله ،فنتحصل
املخرجات ادناه:
1ويسمى كذلك بـ :متجه االنحدار الذاتي غير املقيد ،Unrestricted VARففي النسخ السابقة من ) (EViews v 9.5, 9, 8…….نجدها بهذه التسمية.
157
)Vector Autoregressive (VAR نماذج اشعة االنحدارالذاتي
-الحظ من خالل نتائج التقدير انه توفرت لدينا 03معادالت مقدرة بحسب عدد املتغيرات ،النه كما
أشرنا ان في نموذج VARيعتبر كل متغير على انه متغير داخلي .مثال املعادلة املقدرة األولى هي:
Y1 = 0.763655*Y1(-1) - 0.824679*Y1(-2) - 0.034890*Y2(-1) + 0.553528471833*Y2(-2) + 0.239275*Y3(-1) +
0.339233602746*Y3(-2) - 4.854097
158
)Vector Autoregressive (VAR نماذج اشعة االنحدارالذاتي
-كذلك نالحظ من خالل النموذج املقدر ،نجد بانه هنا اليوفر لنا القيم االحتمالية كما رأينا مثال في
االنحدار الخطي بانه يوفرها ،والجل الحصول عليها ،فاننا نحول هذا النموذج الى شكل آخر عن
طريق بما يسمى بـ System :أي نظام املعادالت والجل هذا نتبع االمر اآلتي انطالقا من النموذج املقدر
كما هو موضح ادناه:
Proc → Make System → Order by Varaible
159
)Vector Autoregressive (VAR نماذج اشعة االنحدارالذاتي
-الحظ ان الطريقة املستعملة في التقدير هنا ،هي طريقة املربعات الصغرى االعتيادية Ordinary
( Least Squaresويمكننا ان نغيرها حسب املشاكل القياسية) .نضغط على OKفنتحصل على النتائج
التالية:
160
)Vector Autoregressive (VAR نماذج اشعة االنحدارالذاتي
-الحظ ان النموذج توفر على 03معادالت مقدرة بواسطة طريقة OLSوالتي تعبر عن عدد متغيرات
الدراسة Y1, Y2, Y3وكما ذكرنا سابقا ،حيث كل متغير مستقل يعتبر بدوره متغير داخلي وهذه هي
ميزة نموذج .VARأيضا توفرت لدينا بعض نتائج التشخيص للحكم على قوة النموذج املقدر ،مثل
قيمة ....DW ،R2
161
)Vector Autoregressive (VAR نماذج اشعة االنحدارالذاتي
-الحظ ان العديد من املعلمات املقدرة هي ليست معنويةC(9), C(10), C(11), C(12), C(13), C(14), :
) ،C(2), C(3), C(5), C(6), C(7), C(8), C(16), C(20), C(21الن قيمها االحتمالية تتجاوز القيمة
الحرجة (مجال املجازفة) %05والتي أيضا تتوافق مع قيم Studentبانها اقل من القيمة الجدولية
1.96وكما شرحنها في امثلة سابقا .وعليه نبدأ في مرحلة قادمة بتشخيص املعامالت وهذا عن طريق
اختبار ،Waldحيث نتبع االمر انطالقا من نافذة نتائج التقدير األخيرة:
Wiew → Coefficient Diagnostics → Wald coefficient tests
▪ بعد تحديد هذا الخيار ،يظهر لدينا املربع الحواري ادناه وهذا بعد ادخال املعامالت التي نريد
تشخيصها ،ويسمى هذا االختبار باختبار انعدام املعامالت:
162
)Vector Autoregressive (VAR نماذج اشعة االنحدارالذاتي
-نالحظ ان القيمة االحتمالية لـ 2 :هي Probability=0.0000وهي اقل من القيمة الحرجة ،%05
وبالتالي نرفض الفرضية الصفرية H0والتي تنص على انعدام املعامالت (أي انها غير معنوية) ونقبل
الفرضية البديلة H1أي ان هذه املعامالت هي غير معدومة وبالتالي هي معنوية.1
-بعد تشخيص املعالم ،نأتي الى تشخيص البواقي والهدف هو اختبار فرضيات طريقة مربعات
الصغرى التي تم تقديرها (اختبار الترابط الذاتي ،التوزيع الطبيعي ،ثبات تجانس الخطأ وغيرها)...
غير ان هذه ال تتوفر كلها في هذا النموذج املقدر كما هو مبين اسفله ،ومن االحسن ان نعود الى
النموذج األول VARاملقدر.
1فرضا انه لو تحققت الفرضية ،H0فاننا نقوم باختبار املعامالت على حدى والتي نجدها منعدمة نقوم بحذفها ونعيد تقدير النموذج من جديد
في كل مرة حتى نحصل على معالم غير معدومة ،أي لها معنوية احصائية.
163
)Vector Autoregressive (VAR نماذج اشعة االنحدارالذاتي
-بالعودة الى نموذج VARاألول املقدر ،نالحظ ان هذه االختبارات هي كلها متوفرة كما هي مبينة اسفله:
• نبدا باختبار االرتباط الذاتي للبواقي ،فعن طريق اختيار مخطط االرتباط ،Correlogramsفان
املخرجات اما ان تكون بيانيا Graphاو حسابيا مجدولة حسب املتغيرات Tabulate by Variableاو
حسب درجة التأخير ،Tabulate by Lagكما هو مبين ادناه:
164
)Vector Autoregressive (VAR نماذج اشعة االنحدارالذاتي
-الحظ بان كل البواقي هي داخل مجال الثقة وبالتالي نستنتج بانها غير مرتبطة فيما بينها ،أي ان
البواقي هي سيرورة ضجة بيضاء .فاذا أردنا ان نتأكد أيضا ،فاننا نلجأ الى االختبار الثاني املتمثل في
اختبار Autocorrelation LM Testالذي يدرس االرتباط الذاتي من الدرجة الثانية .فباختياره تظهر
لنا النافذة التالية:
165
)Vector Autoregressive (VAR نماذج اشعة االنحدارالذاتي
• نالحظ أيضا بان كل البواقي هي غير مترابطة فيما بينها وهذا على أساس ان كل القيم االحتمالية ً
سواء
عند التباطؤ hاو من التباطؤ 1الى التباطؤ hكلها اكبر من القيمة االحتمالية ،%05حيث يتم قبول
الفرضية العدمية ،H0أي البواقي هي غير مرتبطة فيما بينها .يبقى االختبار املوالي هو ،هل ان هذه
البواقي تتبع التوزيع الطبيعي؟ فباختيار Normality Testتظهر لنا النافذة التالية املوضحة ادناه التي
تحتوي على 03خيارات الجل هذا التوزيع:
166
)Vector Autoregressive (VAR نماذج اشعة االنحدارالذاتي
-الحظ اننا تحصلنا على معاملي االلتواء ( Skewnesعدم التماثل) والتفرطح ( Kurtosisالتسطيح او
درجة التقوس) للمعادالت الثالث ،ومايهمنا هنا هو اختبار ،Jarque-Beraحيث نالحظ بان القيم
االحتمالية لكل معادلة مقدرة هي أكبر من القيمة الحرجة %05وحتى القيمة االحتمالية املشتركة
(األساسية) Jointللنموذج VARاملقدر هي أيضا أكبر من القيمة الحرجة ،%05مما نستنتج ان
البواقي تتوزع توزيعا طبيعيا.
• االختبار اآلخر يتمثل في اختبار ثبات تجانس األخطاء ،حيث بواسطة اختبار ثبات تجانس االخطاء
( Whiteبدون حدود متقاطعة) ) White Heteroskedasity (No Cross Termsنالحظ في املخرجات
ادناه ان القيمة االحتمالية االحتمالية لـ 2 :هي Prob=0.7136وهي أكبر من القيمة الحرجة ،%05
وبالتالي فرضية ثبات تجانس األخطاء هي محققة.
167
)Vector Autoregressive (VAR نماذج اشعة االنحدارالذاتي
▪ نأتي اآلن الى تحليل الصدمات ودوال االستجابة Impulse Analysisالتي تسمح لنا بدراسة تأثير صدمة
متعلقة بتطور أحد املتغيرات على باقي املتغيرات االخرى للنظام ،فالجل هذا نقوم بالضغط على
Impulseمن واجهة نموذج VARاملقدر او نأخذ االيعاز ،Wiew → Impulse Reponseفنحصل على
املربع الحواري ادناه:
َُ
املتغير املؤثر او نضع هنا
َُ
املتغيرات املؤثرات حسب
طبيعة الدراسة
-مثال في نموذجنا هذا املدوس نريد ان نعرف أثر الصدمات Y2 , Y3على ،Y1فانن نكتب في املربع
الحواري كمايلي:
168
)Vector Autoregressive (VAR نماذج اشعة االنحدارالذاتي
169
)Vector Autoregressive (VAR نماذج اشعة االنحدارالذاتي
-الرسم البياني األول Reponse of Y2 to Y1وهو الخاص بدالة االستجابة النبضية ويمثل أثر املتغير
Y2على ،Y1اذن يمثل هذا املنحنى التغيرات في االنحراف املعياري ،فعند الفترة األولى نالحظ ان
املنحنى بدأ في االرتفاع وبعدها بدأ باالنخفاض خالل بداية الفترة الثانية ،اين تميز بالثبات انطالقا
من الفترة الثالثة ليستمر للعشر الفترات الزمنية ،اذن الصدمة هي واضحة وسجلت من الفترة 1الى
الفترة 2بالصعود ثم نزوال من الفترة 2الى الفترة .3
-الرسم البياني الثاني Reponse of Y3 to Y1وهو الخاص بدالة االستجابة النبضية ويمثل أثر املتغير
Y3على ،Y1ويتطابق الى حد ما ألثر املتغير Y2على ،Y1فعند الفترة األولى نالحظ ان املنحنى بدأ في
االرتفاع وبعدها بدأ باالنخفاض من الفترة الثانية الى الفترة الرابعة ويستمر بالثبات لفترة واحدة ثم
من الفترة 5يعود باالرتفاع الى غاية الفترة 7ومنها يبدأ بالثبات الى غاية نهاية الفترة ،10اذن الصدمة
هي واضحة وسجلت من الفترة 1الى 2بالصعود ثم نزوال من الفترة 2الى الفترة .4
▪ بعد تحليل الصدمات ودوال االستجابة ،نأتي الى تحليل التباين Variance Decompositionوالهدف
من تحليل تباين خطأ التنبؤ هو حساب مدى مساهمته في تباين الخطأ لكل صدمة ،والجل هذا ،من
واجهة VARاملقدر نأخذ االيعاز ،Wiew → Variance Decompositionفنحصل على املربع الحواري
ادناه:
-نختار املخرجات في شكل قيم (جدول) وأيضا في رسم بياني مشترك الجل املزيد من التوضيح فقط.
ويكفي اختيار أي عرض تراه مناسب .بالضغط على OKنتحصل على النتائج التالية:
170
)Vector Autoregressive (VAR نماذج اشعة االنحدارالذاتي
-الحظ انه تحصلنا على تحليل التباين لكل متغير ،فتحليل التباين للمتغير Variance
Decomposition of Y1يبين ان املتغير Y1يفسر %100من أخطاء التباين يعود الى املتغير نفسه في
الفترة األولى ،وانطالقا من الفترة الثانية %97.70من خطأ التنبؤ في تباينه يعود الى املتغير نفسه
ليستمر في التناقص تبعا للفترات الزمنية حيث يصل الى .%65هذا التناقص يفسر بزيادة القدرة
التفسيرية لباقي املتغيرين االساسين .Y2, Y3أي التناقص في خطأ التنبؤ للمتغير Y1للمتغير نفسه
يتطابق عكسيا بتزايد أخطاء التنبؤ للمتغيرين نفسهما .فقد كانت هذه النسب في الفترة الثانية:
%0.22بالنسبة للمتغير Y2و %2.06بالنسبة للمتغير Y3لتستمر هذه النسب في االرتفاع تبعا
للفترات الزمنية حيث تستقر في %13بالنسبة للمتغير Y2و %20بالنسبة للمتغير .Y3هذا مايتطابق
مع املخرجات بيانيا أيضا كما هي موضحة ادناه:
171
)Vector Autoregressive (VAR نماذج اشعة االنحدارالذاتي
172
)Vector Autoregressive (VAR نماذج اشعة االنحدارالذاتي
فمنها نقوم بكتابة االمر في نافذة االومر بالنسبة للمتغير Y1االمر التاليGenr dY1=Y1-Y1(-1) :
ونضغط على Enterفنحصل على السلسلة املفرقة للمتغير Y1باسم متغير جديد .dY1نطبق هذا
االمر عل ى باقي املتغيريين .Y2, Y3
-سوف نحدد على سالسل املتغيرات املفرقة dY1, dY2, dY3معا ونتبع:
،Open → as Group→View→ Granger Causalityاين تظهر لنا النافذة الخاصة بفترة
االبطاءكما يظهرفي ادناه:
173
)Vector Autoregressive (VAR نماذج اشعة االنحدارالذاتي
▪ إذا أردنا عملية التنبؤ للنموذج VARاملقدر ،فالبد ان نشير الى نوع التنبؤ ،حيث هناك تنبؤ داخلي
وتنبؤ خارجي كما شرحناهم سابقا .والهمية الدراسة فاننا نعتمد على التنبؤ الخارجي الذي سوف
يفيدنا أكثر في هذا املثال .الجل هذا نقوم بتوسيع السلسلة الزمنية مثال لـ 05 :سنوات قادمة (الن
النموذج VARهو نموذج ديناميكي ويكون على املدى القصير وأيضا حتى ال يفقد التنبؤ مصداقيته)،
أي من 2019-1990الى .2024-1990
-عن طريق االمر Expand →Enterفي نافذة األوامر او النقر مرتين على ،Rangerفنتحصل على املربع
الحواري الذي نقوم من خالله توسيع سلسلة الدراسة:
1الحظ انه لو تحققت لنا سببية ،فاننا من هنا نحد املتغيرات املستقلة من التابعة.
174
)Vector Autoregressive (VAR نماذج اشعة االنحدارالذاتي
-نقوم بتوسيع املدة الزمنية من سنة 2019الى 2024التي تعبر عن القيم التنبؤية لـ 05 :سنوات
القادمة ،ونضغط على .OK
-نقوم بفتح ملف VARاملقدر (سبق وان خزنته تحت اسم ،)VAR01ومن خالل شريط أدوات الكائن
Object Toolbarنقوم بالضغط ايقونة ،Forecastفنتحصل على املربع الحواري التالي:
175
Vector Autoregressive (VAR) نماذج اشعة االنحدارالذاتي
176
)Vector Autoregressive (VAR نماذج اشعة االنحدارالذاتي
• نقوم بتعيدل املدة الزمنية من 2024-1990الى املدة 2024-2019التي تعني فقط 05السنوات
القادمة ونضغط على ،OKفنتحصل على التالية:
177
Vector Autoregressive (VAR) نماذج اشعة االنحدارالذاتي
178
)Vector Autoregressive (VAR نماذج اشعة االنحدارالذاتي
• الحظ أيضا ان معامالت Theilللمتغيرات تحسنت أكثر والتي تعبر عن أفضل دقة للتنبؤ.
• نعود الى واجهة عرض برنامج EViewsللنموذج VARاملقدر ،حيث نقوم باالمر التالي:
،Wiew → Select by Filtreكما هو مبين في املربع الحواري ادناه:
• تحت Name filterنضع حرف ( fالن سبق وان تم حساب القيم التنبؤية تحت اسم ملف جديد لكل
متغير ) y1-f , y2-f, y3-f :مسبوق بـ ،* :أي هكذا *f :وتحت Includeنحدد على ،Seriesونضغط على
،OKثم نضغط على Showواجهة عرض برنامج EViewsللنموذج ،VARفنتحصل على املربع ادناه:
179
)Vector Autoregressive (VAR نماذج اشعة االنحدارالذاتي
180
)Vector Autoregressive (VAR نماذج اشعة االنحدارالذاتي
• نختار االمر ،View→Graph→Line & Symbol :فنتحصل على التمثيل البياني ادناه:
• املالحظ من خالل التمثيل البياني هو ان القيم التنبؤية لكل املتغيرات ،Y1, Y2,نجدها أيضا اتصفت
بالثبات لـ 05 :السنوات القادمة لهذه الظاهرة املدروسة.
▪ آخر مرحلة من هذا العمل وحبذا ان تكون تحت عنصر دراسة املشاكل القياسية وهي دراسة
استقرارية النموذج VARاملقدر ككل ،والهدف من هذا هو التأكد من النموذج املقدر هل هو انه ثابت
(مستقر) عبر طيلة فترة الدراسة هذه وعدم وجود تغير هيكلي حاصل؟ والجل اإلجابة عن هذا الطرح
فاننا نقوم بدراسة الدائرة األحادية ،أي اختبار الجذور العكسية لكثير الحدود ARاملميزة Inverse
Roots of AR Characteristic Polynomialالتي طرحها ( ،)Lütkepohl, 1991حيث يكون النموذج
VARاملقدرة مستقرا (ثابت) إذا كانت معامالت جميع الجذور األحادية أقل من الواحد وتقع داخل
دائرة الوحدة .وإذا كان غير مستقرا ،فإنه يدل على ان بعض النتائج (مثل األخطاء املعيارية لالستجابة
النبضية) تكون غير صحيحة ،او عدد املتغيرات الداخلية يكون بها أكبر فترة ابطاء قد ادخلناها .والجل
تصحيح هذا ،فانه باالمكان إضافة متغيرات وهمية (صورية) او تعديل درجة االبطاء حسب السبب في
هذا.
181
)Vector Autoregressive (VAR نماذج اشعة االنحدارالذاتي
• نعود الى واجهة عرض برنامج EViewsللنموذج VARاملقدر ،حيث نقوم باالمر التالي:
،Wiew → Lag Structureكما هو مبين في املربع الحواري ادناه:
-هذا النموذج هو مستقر ،الن كل النقاط تقع داخل الدائرة الوحدوية .ومن األفضل توضيحه على
شكل قيم ،حيث نختار االيعاز ،AR Roots Tableونتائجه هي كمايلي:
182
)Vector Autoregressive (VAR نماذج اشعة االنحدارالذاتي
ً
سواء كانت حققية وتخيلية او حقيقية فقط بان معامالتها -نالحظ ان الجذور Rootاملدروسة
املساوية لها Modulusكلها اقل تماما من الواحد كما اكدتها نتائج الرسم البياني للدائرة الوحدوية.
183
)Cointegration and Error Correction Model (ECM التكامل املشترك ونموذج تصحيح الخطأ
ً
تعتبر فكرة نموذج تصحيح الخطأ ECMمبدأ تنظيميا قويا جدا في االقتصاد القياس ي التطبيقي وقد
تم تطبيقه على نطاق واسع ،خاصة منذ ظهور الورقة األساسية التي كتبها ( .)Davidson et al, 1978كما
أنها دفعت إلى مجموعة من التطورات اإلحصائية ،وأبرزها مفهوم التكامل املشترك ( Engle & Granger
،)1987والذي طور فيما بعد حسب مفهوم ).(Johansen & Juselius, 1990), (Johansen, 1988
في الواقع ،العديد من الدراسات تشير انه عند تقدير النماذج الهيكلية ،فإن التجربة العملية هي أن
صياغة نموذج تصحيح الخطأ توفر إطارا ممتازا يمكن من خالله تطبيق كل من معلومات البيانات
واملعلومات التي يمكن الحصول عليها من النظرية االقتصادية .ويثير هذا الطرح بحقيقة أن نجاح هذا املبدأ
بالرغم من عدم وجود أي إجماع حول ما يحدد بالضبط نموذج تصحيح الخطأ .كما تم تفسير فكرة نموذج
تصحيح الخطأ على أنها طريقة لتعديل (تصحيح او تكييف) أداة السياسة للحفاظ على متغير مستهدف
يكون قريبا من قيمته املرغوبة.
184
)Cointegration and Error Correction Model (ECM التكامل املشترك ونموذج تصحيح الخطأ
سلسلة زمنية Xمستقرة وسلسلة زمنية Xمتكاملة من الدرجة :(Bourbonnais, 2015, pp. 299-300) 1
2t 1t
)X1t → I (0
) X1t + X 2t → I (1
)X 2t → I (1
Yt = Xغير مستقرة ألنها ناتجة عن مجموع سلسلة زمنية مستقرة واألخرى بها اتجاه عام. 1t + X 2t السلسلة:
لتكن السلسلتان X1t , X 2tمتكاملتين من الدرجة : d
) X1t → I (d
)?( X1t + X 2t → I
) X 2t → I (d
اذن ،فماهي درجة تكامل التوليفة الخطية . X t + Yt → I (?) :في الواقع النتيجة تعتمد على إشارة
املعاملين , ووجود ديناميكية غير مستقرة مشتركة.
إذا كانت:
) X1t → I (d
)?( X1t + X 2t → I
X 2t → I (d ) d d
فانه من غير املؤكد استنتاج درجة التكامل ملجموع السلسلتين النهما من درجتين مختلفتين.
185
)Cointegration and Error Correction Model (ECM التكامل املشترك ونموذج تصحيح الخطأ
186
)Cointegration and Error Correction Model (ECM التكامل املشترك ونموذج تصحيح الخطأ
) X 1t → I ( d
) X 2t → I ( d
...
) X kt → I ( d
X t = X 1t , X 2t ...... X kt نشير الى:
بحيث ) ، X t → I (d − bفان = 1 2ذو البعد )( k 1 k إذا وجد شعاع التكامل املشترك
.b 0 لها تكامال مشتركا وشعاع التكامل املشترك هو . نضع X t → CI (d , b) :مع: k عدد املتغيرات
هناك تكامل مشترك) .في االنحدار املباشر لـ Y :على - Xهذا عندما يكون - X t , Yt → CI (1,1) :وبالتالي
t t
استخدام هذا النموذج ألغراض التنبؤ فانه يكون غير صالح ،ألنه في الواقع ،العالقة املفسرة التي كشف
عنها بواسطة االنحدار ليست حقيقية ،إنها ببساطة ناتجة عن عالقة بين اتجاهين.
بالتالي ،تكمن املشكلة من ناحية ،في إزالة عالقة التكامل املشترك (االتجاه املشترك) ،ومن ناحية أخرى،
وهذا النموذج ECM بالبحث عن االرتباط الحقيقي بين املتغيرين :وهذا هو هدف نموذج تصحيح الخطأ
على حد السواء (يعمل على جمع) هو نموذج ثابت ) ( 1X 1ونموذج ديناميكي ) ) . ( 2 (Yt −1 − 1 X t −1وعليه
يمكن كتابة العالقة التالية ):(Bourbonnais, 2015, pp. 301-302
) Y = 1X t + 2 (Yt −1 − 1 X t −1
)I (0) I (0 )I (0
من خالل العالقة طويلة االجل ،فان نموذج تصحيح الخطأ يعمل على دمج التقلبات قصيرة االجل .املعامل:
( يجب أن يكون سالبا) ويمثل قوة الجذب (العودة او سرعة التعديل) نحو التوازن في املدى الطويل. 2
187
)Cointegration and Error Correction Model (ECM التكامل املشترك ونموذج تصحيح الخطأ
و (Yt − X t = 0 ) : Yومعادلة الخط املستقيم تمثل خطt Xt يوضح هذا الشكل العالقة طويلة االجل
التوازن طويل االجل للنظام ،يتم تعريف منطقة تطور النظام خارج التوازن (ديناميكيات املدى القصير)
و .Y
t −1 X t −1 من خالل الخطأ املالحظ بين
188
)Cointegration and Error Correction Model (ECM التكامل املشترك ونموذج تصحيح الخطأ
-الخطوة :5وهي الخطوة االخيرة ،حيث يمكننا التحقق من أن تقدير بطريقة OLSللعالقة طويلة
االجل تعطي نتائج متشابهة تقريبا (من حيث معنوية املعلمات املقدرة) مع تلك التي تم الحصول عليها
من خالل طريقة املعقولية العظمى.
.IIتطبيق حالة عملية للتكامل املشترك ونموذج تصحيح الخطأ على برنامج EViews
نأخذ املثال العملي 11املتعلق بثالث متغيرات Y1, Y2, Y3, Y4 :للفترة الزمنية 2019-1990 :املوضحة
في الجدول اسفله ،واملطلوب هو نمذجة قياسية لهذه املتغيرات باستخدام برنامج Eviews
t Y1 Y2 Y3 Y4
1990 25.2769250846235 6.1432167218921 25.2449291801560 72.647
1991 25.2743150034177 6.2891664910387 25.2328565929925 69.292
1992 25.2891289402591 7.25481764444156 25.2506965337448 64.583
1993 25.2702571098602 6.61775301930963 25.2294728895520 72.647
1994 25.2590991955103 6.48910489572955 25.2204321796917 74.386
1995 25.2979306230654 5.199387035094851 25.2577279142387 72.938
1996 25.3425926774223 5.36490270870533 25.297909689173 77.536
1997 25.3538075356479 3.90741685713155 25.3088496286091 79.368
1998 25.4034087592348 4.56382248155228 25.3585917548498 80.579
1999 25.4361162227835 5.38808930151893 25.3900904369435 100.69
2000 25.4730701597774 5.9656414324388 25.4273862216872 109.44
2001 25.4868819710521 8.0142626190777 25.4569450239287 110.97
2002 25.5314959324589 12.1998005751066 25.5114332092128 116.59
2003 25.6027779428612 11.2223232454183 25.5809592718614 119.35
2004 25.6413263886811 10.9977789663547 25.6230604478800 116.59
2005 25.6956982653889 11.9291473836373 25.6803855144993 110.97
2006 25.7130223386977 12.1170965527408 25.6972426315657 80.579
2007 25.7445845216522 12.9900997234894 25.7306774076519 77.536
2008 25.7639310638962 12.7958029780004 25.7543939342693 72.938
2009 25.7798774401053 16.2658042307582 25.7702672834256 69.292
2010 25.8110023598895 15.2082371852454 25.8056344272628 64.583
2011 25.8470638259119 13.7159233600267 25.8342218841148 60.059
2012 25.8691652736861 14.0253066800965 25.867656660201 58.663
2013 25.8901889568292 16.4978910558094 25.895271827234 54.749
2014 25.9274528091253 18.351978169788 25.9325676119777 57.707
2015 25.9612826024176 21.7117467807844 25.9688995412251 58.739
2016 26.0026405570047 22.8758055282729 26.0003982082844 66.574
2017 26.0148942564636 24.402926703468 26.013314433551 75.26
2018 26.0236258878445 24.8298047144753 26.0252430044163 77.215
2019 26.0330993630228 25.8984069149705 26.0332111740654 79.682
189
)Cointegration and Error Correction Model (ECM التكامل املشترك ونموذج تصحيح الخطأ
الحل
▪ بعد تفريغ البيانات في EViewsكما رأينا طريقة إدخالها سابقا ،نقوم بدراسة استقرارية 1هذه السالسل
الزمنية ،كما وضحنا سابقا (راجع أيضا الفصل الخامس الخاص بالتنبؤ بطريقة )Box-Jenkins
1كذلك نذكر دوما انه قبل دراسة االستقرارية ،بأنه هناك خطوات فنية واختبارات قبلية البد من دراستها مثال انه إذا كانت قيم السالسل
الزمنية كبييرة وجب ادخال اللوغاريتم النيبري عليها الجل تحويلها من قيم حدية مطلقة الى قيم نسبية الجل التعبير عليها بشكل مرونات اثناء
عملية التقدير وهل هناك خطية السلالسل الزمنية من عدمها مع دراسة االختبارات الهيكليلة وغيرها من الفنيات الالزمة.
2من األفضل تطبيق اختبارين على األقل في كشف جذر الوحدة وحسب الحاجة الرياضية واملنطقية الالزمة في بنية السلسلة الزمنية .فاذا
وجدنا تناقض بين نتائج االختبارين من األفضل ان نرجح باختبار ثالث للتاكد التام.
190
)Cointegration and Error Correction Model (ECM التكامل املشترك ونموذج تصحيح الخطأ
-الحظ قد اعتمدنا نفس املنهجية في دراسة االستقرارية (املثال )10 ،9لسلسلة كل متغير وهذا الجل
تحديد نوعية السلسلة الزمنية على انها سيرورة عشوائية DSاو سلسلة تحديدية ،DTألننا سوف
نحتاج الى هذا الحكم عند دراسة التكامل املشترك ونموذج تصحيح الخطأ.
-القيم املحسوبة تمثل قيم Adj. t-Statاما القيم التي هي مابين قوسين تمثل القيم االحتمالية *Prob.
مع ان سالسل املتغيرات هذه استقرت عند اخذ التفاضالت األولى لها ،علما ان هذه السيرورات كلها
عشوائية .DS
▪ اآلن نأتي الى تحديد درجة التأخر املثلى مثلما رأينا في دراسة نموذج VARللمثال ،10حيث ننقر أوال
على سلسلة املتغير Y1ونضغط بعد ذلك على الزر Ctrlوننقر على سلسلة املتغير Y2الضافتها الى
خياراتنا ثم أيضا Y3وبعده املتغير ،1Y4ثم نضغط بيمين زر املاوس ونختار االمر:
Open → as VAR→VAR type→Standard VAR→OK→ View→Lag Structure → Lag length Criteria→OK
1يمكن العكس باختيار مثال املتغير Y2أوال ثم املتغير Y1ثم املتغير Y3وبعدها املتغير Y4او العكس الن هنا الترتيب غير مهم ،النها تعتبر كلها
متغيرات داخلية.
191
)Cointegration and Error Correction Model (ECM التكامل املشترك ونموذج تصحيح الخطأ
-الحظ ان كل املعاير LR , FPE , AIC , SC, HQ :تحددت بفترة ابطاء واحدة وعليه فان مجال االبطاء
املناسب هو [.]1 1
▪ النقطة املوالية تتمثل في دراسة التكامل املشترك Cointegrationبين املتغيرات ،فاذا وجدت عالقة
تكامل مشترك واحدة ،أي توليفة خطية بين املتغيرات ،فاننا ننتتقل الى دراسة نموذج تصحيح الخطأ
املتعدد ،VECMوان لم تكن فننتقل الى الى دراسة نموذج متجه االنحدار الذاتي VARغير املقيد
.Unrestricted VARباستعمال نفس الخطوات في املثال السابق ،10سوف نحدد على سالسل
املتغيرات Y1, Y2, Y3, Y4معا ونتبع:1
Open → as Group→View→ Cointegration Test → Johansen Cointegration Test
-يظهر لنا املربع الحواري ادناه:
1او مباشرة من نافذة درجة التأخير نتبع االيعاز ،View→ Cointegration Test :حيث نتحصل املربع الحواري الخاص بـJohansen :
Cointegration Test
192
)Cointegration and Error Correction Model (ECM التكامل املشترك ونموذج تصحيح الخطأ
193
Cointegration and Error Correction Model (ECM) التكامل املشترك ونموذج تصحيح الخطأ
194
Cointegration and Error Correction Model (ECM) التكامل املشترك ونموذج تصحيح الخطأ
195
)Cointegration and Error Correction Model (ECM التكامل املشترك ونموذج تصحيح الخطأ
• الحظ انه انه توجد عالقة تكامل مشترك بين املتغيرات التي تعبر عن العالقة التوازنية (تعبر عن
سلوك املتشابه للمتغيرات والتي توافق النظرية االقتصادية) وهذا بواسطة اختبار األثر ،Trace Test
النه توجد قيمة واحدة من إحصائية االثر Trace Statisticعلى االقل أكبر من القيمة الحرجة
، 61.89والتي تقابلها (تتوافق معها) أيضا Critical Valueعند مستوى املعنوية ،%05أي 54.07
، Prob.**:يؤكد هذه التوليفة الخطية لشعاع التكامل ملشترك القيمة االحتمالية لها0.0086 5% :
1او نحدد على املتغيرات األربعة معا ،ثم نضغط بيمين زر املاوس ونختار االمر Open → as VAR :او نتبع االم ــر اآلخر:
،View → Open Selected → One Window →Open VARحيث نتحصل املربع الحواري الخاص بـVAR Specification :
196
)Cointegration and Error Correction Model (ECM التكامل املشترك ونموذج تصحيح الخطأ
-نحدد على خيار نموذج تصحيح الخطأ ،Vector Error Correctionفنتحصل على املربع الحواري
الجديد ادناه:
-نضغط على اإلطار الخاص بـ ،Cointegration :فنتحصل على املربع الحوار الجديد ادناه:
197
)Cointegration and Error Correction Model (ECM التكامل املشترك ونموذج تصحيح الخطأ
-الحظ بأنه هناك خانة خاصة بإدخال عدد معادالت التكامل املشترك Number of Cointegration
التي تحصلنا عليها من خالل اختبار التكامل املشترك ،حيث هنا ندخلها بالعدد .1كما قد وجدنا
سابقاحسب نتائج اختبار PPبأن سيرورات املتغيرات كلها سيرورات عشوائية DSتتضمن سلسلتين
بوجود معنوية الحد الثابت فيهما ،وبالتالي فاننا نحدد على االختيار الثاني ،أي عدم وجود االتجاه
الخطي في السالسل ،ولكن يوجد الثابت في عالقات التكامل املشترك (ال يوجد الثابت في متجه
االنحدار الذاتي .)VAR
-نعود الى واجهة Basicsونعدل على فترة االبطاء من املجال [ ،]1 2الى [ ،]1 1الى املجال وهذا حسب
درجة التأخير املناسبة التي حددناها سابقا كما يظهر ادناه:
198
)Cointegration and Error Correction Model (ECM التكامل املشترك ونموذج تصحيح الخطأ
القسم االول
تمثل املعلمة املقدرة
تمثل االنحراف املعيار للمعلمة املقدرة
تمثل قيمة Studentوعلى أساسها يمكن
الحكم على معنوية املعلمة املقدرة
القسم الثاني
القسم الثالث
199
)Cointegration and Error Correction Model (ECM التكامل املشترك ونموذج تصحيح الخطأ
• القسم الثاني يتضمن جزئين ،جزء خاص بمعامل (شرط) تصحيح الخطأ CointEq1والذي يعبر عن
العودة الى حالة التوازن (أي سرعة تصحيح الخطأ للعودة نحو التوازن او تصحيح االختالل) والذي
شرطه يجب ان يكون سلبي ومعنوي ،حيث نجده هنا في هذا املثال،ECT=C(1)= -0.897087 :أي
تقريبا %89من عدم التوازن في اختالل هذه املتغيرات لألجل الطويل يتم تصحيحها في األجل القصير
(السنة) بمعنى نحتاج تقريبا الى 1.11سنة لتصحيح االختالل والعودة الى الوضعية التوازنية .ومن
. t ECTالجزء املتبقي فهو خاص بمعامالت املدى = -2.43 1.96 ناحية املعنوية اإلحصائية نجده:
القصير.
• القسم الثالث فهوخاص بقراءة املشاكل القياسة ،وان كانت نعتمد عليها بشكل خاص في جانب
مفصل يكون أكثر وضوحا بدراسة صالحية النموذج.
-الحظ أيضا ،انه قد توفرت لدينا 04معادالت أخرى لكل من ) D(Y2), D(Y3), D(Y4لالجل القصير،
حيث انه تعتبر متغيرات داخلية .حيث نجد املعادلة املقدرة األولى هي:
D(Y1) = - 0.897086885489*(Y1(-1) + 0.00426115026164*Y2(-1) - 1.04988896405*Y3(-1) -
0.00051128472768*Y4(-1) + 1.22634704276) + 0.217753081384*D(Y1(-1)) + 0.00270011571875*D(Y2(-1)) -
))0.0597851004768*D(Y3(-1)) + 0.000190981184399*D(Y4(-1
املعادلة املقدرة الثانية هي:
D(Y2) = - 58.263825606*(Y1(-1) + 0.00426115026164*Y2(-1) - 1.04988896405*Y3(-1) -
0.00051128472768*Y4(-1) + 1.22634704276) - 19.323071285*D(Y1(-1)) + 0.102181684936*D(Y2(-1)) -
))3.45840681639*D(Y3(-1)) + 0.0235522618568*D(Y4(-1
املعادلة املقدرة الثالثة هي:
D(Y3) = - 1.18022613799*(Y1(-1) + 0.00426115026164*Y2(-1) - 1.04988896405*Y3(-1) - 0.00051128472768*Y4(-
1) + 1.22634704276) + 0.45638383533*D(Y1(-1)) + 0.00262949075231*D(Y2(-1)) - 0.434892561695*D(Y3(-1)) +
))0.000346094276823*D(Y4(-1
-الحظ أيضا من خالل النموذج املقدر ،بانه اليوفر لنا القيم االحتمالية كما رأينها مثال في متجه االنحدار
الذاتي ،VARوالجل الحصول عليها ،فاننا نحول هذا النموذج الى شكل آخر عن طريق بما يسمى بـ:
Systemأي نظام املعادالت والجل هذا نتبع االمر اآلتي انطالقا من النموذج املقدر كما هو موضح
ادناه:
Proc → Make System → Order by Varaible
200
)Cointegration and Error Correction Model (ECM التكامل املشترك ونموذج تصحيح الخطأ
201
)Cointegration and Error Correction Model (ECM التكامل املشترك ونموذج تصحيح الخطأ
-نالحظ ان الطريقة املستعملة في التقدير هنا ،هي طريقة املربعات الصغرى االعتيادية Ordinary
ً Least Squares
بناء على خلو فرضياته من املشاكل القياسية والتي سنبينها فيما بعد (ويمكننا ان
نغيرها حسب املشاكل القياسية) .نضغط على OKفنتحصل على النتائج التالية:
202
Cointegration and Error Correction Model (ECM) التكامل املشترك ونموذج تصحيح الخطأ
203
)Cointegration and Error Correction Model (ECM التكامل املشترك ونموذج تصحيح الخطأ
نالحظ من خالل هذه املخرجات بان النموذج قد توفر على 04معادالت مقدرة بواسطة طريقة OLS
والتي تعبر عن متغيرات الدراسة ،Y1, Y2, Y3, Y4حيث كل متغير مستقل يعتبر بدوره متغير داخلي.
كما نالحظ انه وفر لنا القيمة االحتمالية ملعامل سرعة تصحيح الخطأ والتي هي:
، Prob.:كما وفر ايضا بعض نتائج التشخيص للحكم على صالحية النموذج املقدر 0.0170 5%
▪ يظهر لدينا املربع الحواري ادناه الذي من خالله نقوم بادخال املعامالت التي نريد تشخيصها ،ويسمى
هذا االختبار باختبار انعدام املعامالت:
204
)Cointegration and Error Correction Model (ECM التكامل املشترك ونموذج تصحيح الخطأ
-اذن ،القيمة االحتمالية لـ 2 :هي Probability=0.0000هي اقل من القيمة الحرجة ،%05وعليه
نرفض الفرضية الصفرية H0ونقبل الفرضية البديلة H1أي ان هذه املعامالت هي غير معدومة
وبالتالي نؤكد على معنويتها.
-نأتي الى تشخيص البواقي وكما قلنا سابقا ،الهدف هو اختبار فرضيات طريقة ( OLSاختبار االرتباط
الذاتي ،التوزيع الطبيعي ،ثبات تجانس الخطأ وغيرها )...غير ان هذه ال تتوفر كلها في هذا النموذج
املقدر األخير كما هو مبين اسفله ،ومن االحسن ان نعود الى نموذج تصحيح الخطأ املتعدد .VECM
205
)Cointegration and Error Correction Model (ECM التكامل املشترك ونموذج تصحيح الخطأ
-بالعودة الى تصحيح الخطأ املتعدد ،VECMنالحظ ان هذه االختبارات هي كلها متوفرة كما هي مبينة
اسفله:
• نبدأ باختبار االرتباط الذاتي للبواقي ،فبواسطة اختيار مخطط االرتباط ،Correlogramsفان
املخرجات اما ان تكون بيانيا Graphاو حسابيا مجدولة حسب املتغيرات Tabulate by Variableاو
حسب درجة التأخير ،Tabulate by Lagكما هو مبين ادناه:
206
)Cointegration and Error Correction Model (ECM التكامل املشترك ونموذج تصحيح الخطأ
-الحظ بان معظم البواقي هي داخل مجال الثقة وبالتالي نتأكد أيضا منها ،بواسطة اختبار
Autocorrelation LM Testالذي يدرس االرتباط الذاتي من الدرجة الثانية .فباختياره تظهر لنا
النافذة التالية:
207
)Cointegration and Error Correction Model (ECM التكامل املشترك ونموذج تصحيح الخطأ
-نالحظ أيضا بان كل البواقي هي غير مترابطة فيما بينها وهذا على أساس ان كل القيم االحتمالية
ً
سواء عند التباطؤ hاو من التباطؤ 1الى التباطؤ hهي غير معنوية ،الن كلها أكبر من القيمة
االحتمالية الحرجة ،%05حيث يتم قبول الفرضية العدمية ،H0أي رفض الفرضية البديلة .H1
وبالتالي نستنتج بان البواقي هي غير مرتبطة فيما بينها ،أي هي سيرورة ضجة بيضاء.
• االختبار املوالي يتمثل في التوزيع الطبيعي ،أي هل ان هذه البواقي تتوزع طبيعيا؟ فباختيار Normality
Testتظهر لنا النافذة التالية املوضحة ادناه التي تحتوي على 03خيارات الجل هذا التوزيع:
208
)Cointegration and Error Correction Model (ECM التكامل املشترك ونموذج تصحيح الخطأ
209
)Cointegration and Error Correction Model (ECM التكامل املشترك ونموذج تصحيح الخطأ
▪ نقوم اآلن بدراسة تحليل الصدمات ودوال االستجابة Impulse Analysisالتي تسمح لنا بدراسة تأثير
صدمة متعلقة بتطور أحد املتغيرات على باقي املتغيرات االخرى للنظام ،فالجل هذا نقوم بالضغط على
Impulseمن واجهة النموذج املقدر او نأخذ االيعاز ،Wiew → Impulse Reponseفنحصل على
املربع الحواري ادناه:
-مثال نريد معرفة أثر صدمات املتغيرات Y2 , Y3 , Y4على املتغير ،Y1نكتب في املربع الحواري كمايلي:
210
)Cointegration and Error Correction Model (ECM التكامل املشترك ونموذج تصحيح الخطأ
211
)Cointegration and Error Correction Model (ECM التكامل املشترك ونموذج تصحيح الخطأ
-الرسم البياني األول Reponse of Y2 to Y1الخاص بدالة االستجابة النبضية ويمثل أثر املتغير Y2
على ،Y1هذا املنحنى يمثل التغيرات الحاصلة في االنحراف املعياري ،فعند بداية الفترة األولى نالحظ
ان املنحنى بدأ في االنخفاض الى غاية بداية الفترة الثانية ،ومن الفترة الثانية بدأ في االرتفاع ليستمر
للعشر الفترات الزمنية ،اذن الصدمة هي واضحة وسجلت من الفترة االولى الى الفترة الثانية
باالنخفاض ثم بعدها ارتفاعا من الفترة 2الى الفترة الزمنية .10
-الرسم البياني الثاني Reponse of Y3 to Y1وهو الخاص بدالة االستجابة النبضية ويمثل أثر املتغير
Y3على ،Y1ولم يسجل أي استجابة نبضية ،فمن الفترة األولى قد بدأ باالرتفاع ليستمر الى غاية
الفترة العاشرة.
-الرسم البياني االخير Reponse of Y4 to Y1الخاص بدالة االستجابة النبضية ويمثل أثر املتغير Y4
على ،Y1فهو عكس دالة االستجابة النبضية ألثر املتغير Y2على ،Y1مع اختالف في قيم التغيرات
الحاصلة في االنحراف املعياري ،فعند بداية الفترة األولى نالحظ ان املنحنى بدأ في االرتفاع الى غاية
بداية الفترة الثانية ،ومن الفترة الثانية بدأ في اانخفاض ليستمر للعشر الفترات الزمنية ،فالصدمة
سجلت من الفترة االولى الى الفترة الثانية باالرتفاع ثم نزوال من الفترة 2الى الفترة .10
▪ بعد تحليل الصدمات ودوال االستجابة ،نعمل على تحليل التباين Variance Decomposition
والهدف من تحليل تباين خطأ التنبؤ هو حساب مدى مساهمته في تباين الخطأ لكل صدمة .اذن ،من
واجهة النموذج املقدر املقدر نأخذ االيعاز ،Wiew → Variance Decompositionفنحصل على
املربع الحواري ادناه:
212
)Cointegration and Error Correction Model (ECM التكامل املشترك ونموذج تصحيح الخطأ
-نختار املخرجات في شكل قيم (جدول) وأيضا في رسم بياني مشترك الجل املزيد من التوضيح فقط
ويكفي اختيار أي عرض تراه مناسب .بالضغط على OKنتحصل على النتائج التالية:
-تحليل التباين للمتغير Variance Decomposition of Y1يبين ان املتغير Y1يفسر %100من أخطاء
التباين يعود الى املتغير نفسه في الفترة األولى ،ومن الفترة الثانية نجد ان %95.69من خطأ التنبؤ في
تباينه يعود الى املتغير نفسه ليستمر في التناقص تبعا للفترات الزمنية حيث يصل الى .%57هذا
213
)Cointegration and Error Correction Model (ECM التكامل املشترك ونموذج تصحيح الخطأ
التناقص يفسر بزيادة القدرة التفسيرية لباقي املتغيرات االساسية .Y2, Y3, Y4أي التناقص في خطأ
التنبؤ للمتغير Y1للمتغير نفسه يتطابق عكسيا بتزايد أخطاء التنبؤ للمتغيرين نفسهما .فقد كانت
هذه النسب في الفترة الثانية %0.29 :بالنسبة للمتغير %2.43 ،Y2بالنسبة للمتغير Y3و%1.57
بالنسبة للمتغير Y4لتستمر هذه النسب في االرتفاع تبعا للفترات الزمنية حيث تصل الى %0.83
بالنسبة للمتغير %24.31 ،Y2بالنسبة للمتغير Y3و %17.73بالنسبة للمتغير Y4خالل الفترة
الزمنية .10هذا مايتطابق مع املخرجات بيانيا أيضا كما هي موضحة ادناه:
-بنفس الكيفية يمكننا تفسير تحليل التباين لباقي املتغيرات .Y2, Y3 , Y4
▪ نقوم بدراسة السببية كما رأيناها سابقا في نموذج ،VARحيث نقوم بتطبيق اختبار سببية ،Granger
االمر الذي يتطلب اجراؤها على املتغيرات املستقرة والجل هذا نعمل على تفريق (تفاضل) كل متغير،
214
)Cointegration and Error Correction Model (ECM التكامل املشترك ونموذج تصحيح الخطأ
حيث نقوم بكتابة االمر في نافذة االومر بالنسبة للمتغير Y1االمر التاليGenr dY1=Y1-Y1(-1) :
ونضغط على Enterفنحصل على السلسلة املفرقة للمتغير Y1باسم متغير جديد .dY1نطبق هذا
االمر عل ى باقي املتغيرات .Y2, Y3 , Y4
-سوف نحدد على سالسل املتغيرات املفرقة d Y1, d Y2, d Y3, dY4معا ونتبع:
،Open → as Group→View→ Granger Causalityاين تظهر لنا النافذة الخاصة بفترة
االبطاءكما يظهرفي ادناه:
215
)Cointegration and Error Correction Model (ECM التكامل املشترك ونموذج تصحيح الخطأ
االحتمالية القيمة الن: ،Y3 في تسبب Y2 وال Y2 في التسبب • Y3
على التوالي. Prob . = 0.7369 5%, Prob . = 0.3447 5%
االحتمالية القيمة الن: ،Y4 في تسبب Y2 وال Y2 في التسبب • Y4
على التوالي. Prob . = 0.8780 5%, Prob . = 0.5886 5%
االحتمالية القيمة الن: ،Y4 في تسبب Y3 وال Y3 في التسبب • Y4
على التوالي. Prob . = 0.4678 5%, Prob . = 0.5849 5%
216
)Cointegration and Error Correction Model (ECM التكامل املشترك ونموذج تصحيح الخطأ
الصفرية H0في كلتا الحالتين ،أي وجود السببية في االتجاهين .يمكن تفسير ذلك حسب الدراسة
(الحالة االقتصادية) املتناولة.
▪ إذا أردنا عملية التنبؤ من خالل نموذج تصحيح الخطأ املتعدد ،VECMحيث نذكر مرة أخرى بأنه
هناك تنبؤ داخلي وتنبؤ خارجي كما شرحناهم سابقا .ولالهمية فاننا نعتمد على التنبؤ الخارجي .مثال
نريد ان نقوم بالتنبؤ لـ 05 :سنوات مستقبلية ،فاننا نقوم بتوسيع السلسلة الزمنية ،أي من الفترة
الزمنية 2019-1990الى الفترة املمتدة .2024-1990
-عن طريق االمر Expand →Enterفي نافذة األوامر اة النقر مرتين على ،Rangerفنتحصل على املربع
الحواري الذي نقوم من خالله توسيع مدة الدراسة:
217
)Cointegration and Error Correction Model (ECM التكامل املشترك ونموذج تصحيح الخطأ
218
Cointegration and Error Correction Model (ECM) التكامل املشترك ونموذج تصحيح الخطأ
219
)Cointegration and Error Correction Model (ECM التكامل املشترك ونموذج تصحيح الخطأ
• نقوم بتعيدل املدة الزمنية من 2024-1990الى املدة الزمنية 2024-2019التي تعني فقط 05
السنوات القادمة ،ونضغط على OKفنتحصل على التالية:
220
Cointegration and Error Correction Model (ECM) التكامل املشترك ونموذج تصحيح الخطأ
221
)Cointegration and Error Correction Model (ECM التكامل املشترك ونموذج تصحيح الخطأ
222
)Cointegration and Error Correction Model (ECM التكامل املشترك ونموذج تصحيح الخطأ
• تحت Name filterنضع حرف ( fالن سبق وان تم حساب القيم التنبؤية تحت اسم ملف جديد لكل
متغير ) y1-f , y2-f, y3-f, y4-f :مسبوق بـ ،* :أي هكذا *f :وتحت Includeنحدد على ،Seriesونضغط
على ،OKثم نضغط على Showواجهة عرض برنامج EViewsللنموذج ،VECMفنتحصل على املربع
ادناه:
223
)Cointegration and Error Correction Model (ECM التكامل املشترك ونموذج تصحيح الخطأ
▪ مثلما عملنا في آخر مرحلة لنموذج ،VARنقوم بالتأكد من استقرارية هذا النموذج VECMاملقدر
ككل ،فاننا نقوم بالعودة الى واجهة عرض برنامج EViewsللنموذج ،VECMحيث نقوم باالمر التالي:
،Wiew → Lag Structure → AR Roots Graphفيظهر لنا الشكل اآلتي:
-هذا النموذج هو مستقر ،أي انه ثابت عبر طيلة فترة الدراسة ويدل على عدم وجود تغير هيكلي
حاصل الن كل النقاط التي تعبر عن معامالت جميع الجذور األحادية تقع داخل دائرة الوحدة (أقل
من الواحد)
224
الجداول اإلحصائية
225
226
227
228
225
226
227
قائمة املراجع
▪ البشير ،ز .ع .ع ( .)2016تحليل السالسل الزمنية (في مجال التكرار و مجال الزمن) .دار الجنان للنشر والتوزيع ،ط.1
األردن.
▪ السواعي ،خ .م ( EViews .)2011والقياس االقتصادي .دائرة املكتبة الوطنية ،عمان ،األردن.
▪ شعراوي ،س .م ( .)2005مقد مة في التحليل الحديث للسالسل الزمنية .مركز النشر العلمي ،جامعة امللك عبد العزيز،
جدة ،السعودية.
▪ الشويرف ،م .ع ،.والبيباص ،ن .ا ( .)2015التنبؤ بالكميات املنتجة من النفط الخام في ليبيا باستخدام النماذج
املحددة (نماذج التمهيد االس ي) خالل الفترة .1972-2013مجلة العلوم االقتصادية والسياسية.)30( 3 ،
▪ شيخي ،م .)2011( .طرق االقتصاد القياس ي :محاضرات وتطبيقات .دار الحامد ،ط ،1االردن.
▪ صافي ،س .خ ( ،)2015مقدمة في تحليل نماذج االنحدار باستخدام .EViewsالجزء االول ،الجاعة اإلسالمية ،غزة.
▪ عطوة ،م .م ( .)2002االقتصاد القياس ي بين النظرية والتطبيق .املكتبة العصرية ،ط ،1املنصورة ،مصر.
▪ محمد ،أ .س ،.يوسف .ه .ي ،كاظم .ا .ج ،.وعبد اللطيف ،ه .ف ( .)2015مقدمة تحليلية في مشاكل اإلنحدار باستخدام
.EVIEWS 8.1الجزء الثاني من سلسلة تعليم البرمجة بلغة ،EViews 8.1العراق.
▪ مولود ،ح ( .)1998نماذج و تقنيات التنبؤ القصير املدى :دراسة مدعمة بأمثلة محلولة .ديوان املطبوعات الجامعية،
الجزائر.
▪ مولود ،ح ( .)2010السالسل الزمنية وتقنيات التنبؤ القصير املدى ،ديوان املطبوعات الجامعية ،ط ،3الجزائر.
▪ نقار ،ع ،.والعواد ،م ( .)2011منهجية Box-Jenkinsفي تحليل السالسل الزمنية والتنبؤ :دراسة تطبيقية على أعداد
تالميذ الصف األول من التعليم األساس ي في سورية ،مجلة جامعة دمشق للعلوم االقتصادية والقانوني.)03( 27 ،
▪ يحياوي ،م ( .)2014التقنيات الكمية في ادارة االعمال :محاضرات و تمارين.دار اليازوري العلمية للنشر والتوزيع،
األردن.
▪ Bourbonnais, R. (2015). Économétrie-9e édition: Cours et exercices corrigés. Paris: Dunod.
▪ Box , G. P., & Jenkins, G. M. (1976). Time Series Analysis: Forecasting and Control.
Holden-Day.
228
▪ Charpentier, A. (2006). Cours de Séries Temporelles: Théorie et Applications. 2. DESS
Actuariat & DESS Mathématiques de la Décision: Université Paris Dauphine, France.
▪ Davidson, J. E. H., Hendry, D. F., Srba, F. and Yeo, J. S. (1987) Econometric Modelling of
the Aggregate Time Series Relationship between Consumer’s Expenditure and Income in the
United Kingdom, Economic Journal, 88, 661-692.
▪ Engle , R. F., & Granger, C. W. (1987). Co-Integration and Error Correction: Representation,
Estimation, and Testing. Econometrica, 55(2), 251-276.
▪ Gossé, J. B., & Guillaumin, C. (2013). L’apport de la représentation VAR de Christopher A.
Sims à la science économique. L'Actualité économique, 89(4), 305-319.
▪ Granger, C. W., Newbold, P., & Econom, J. (1974). Spurious regressions in econometrics.
Journal of econometrics, 2, 109-118.
▪ Hamilton, J. (1994). Time series analysis (Vol. 2). New Jersey: Princeton.
▪ Johansen, S. (1988). Statistical analysis of cointegration vectors. Journal of economic
dynamics and control, 12(2-3), 231-254
▪ Johansen, S., & Juselius. (1990). Maximum likelihood estimation and to the demand for
money inference on cointegration with application. Oxford Bulletin of Economics and
Statistics, 52.
▪ Lubrano, M. (2007). Modeles VAR, modeles VAR structurels et modelesa équations
simultanées. GREQE-CNRS.
▪ Lütkepohl, H. (1991). VAR processes with parameter constraints. In Introduction to Multiple
Time Series Analysis (pp. 167-214). Springer, Berlin, Heidelberg
▪ Sims, C. A. (1980). Macroeconomics and reality. Econometrica: journal of the Econometric
Society, 1-48.
▪ Sims, C. A. (1996). Macroeconomics and methodology. Journal of Economic Perspectives.
10(1), 105-120.
229