‫مطب ـ ـ ـ ـ ـ ـ ـ ــوعة في‪:‬‬

‫تطبيقات االقتصاد الكمي على برجمية‬

‫‪Eviews‬‬

‫اعداد‪ :‬د‪ .‬محمد رم ــلي‬

‫أست ــاذ محاضـ ـ ـ ــر‬
‫قسم العلوم االقتصادية‬
‫موجهة لطلبة املاستـ ـ ـ ـ ـ ــر‪:‬‬
‫تخصص اقتصاد كمي‬ ‫•‬

‫السنة الجامعية‪2022-2021 :‬‬

 ‫مطب ـ ـ ـ ـ ـ ـ ـ ــوعة في‪:‬‬

‫تطبيقات االقتصاد الكمي على برجمية‬

‫‪Eviews‬‬

‫اعداد‪ :‬د‪ .‬محمد رم ــلي‬

‫أست ــاذ محاضـ ـ ـ ــر‬
‫قسم العلوم االقتصادية‬
‫موجهة لطلبة املاستـ ـ ـ ـ ـ ــر‪:‬‬
‫تخصص اقتصاد كمي‬ ‫•‬

‫السنة الجامعية‪2022-2021 :‬‬

 ‫فهرس املحتويات‬
‫تقديم ‪Erreur ! Signet non défini. ............................................................ Introduction‬‬
‫‪ .1‬مقدمة الى برنامج ‪4 ............................................. Introduction to the Eviews Program EViews‬‬
‫‪ .I‬اساسيات برمجية ‪( EViews‬سطح املكتب وملفات العمل ولوازم ‪5 ...................................... )EViews‬‬
‫‪ .1‬أنواع الكائنات ‪6 .................................................................................. Object Types‬‬
‫‪ .2‬ملف عمل ‪7 ..................................................................... "EViews Workfile" EViews‬‬
‫‪ .3‬نافذة الكائن ‪9 ........................................................................... The Object Window‬‬
‫‪ .4‬كائن السلسلة ‪10 .......................................................................... The Series Object‬‬
‫‪ .5‬كائن املجموعة ‪11 ......................................................................... The Group Object‬‬
‫‪ .6‬كائن املعادلة ‪12 ........................................................................ The Equation Object‬‬
‫‪ .7‬كائنات العرض ‪13 ............................................................................. Views Objects‬‬
‫‪ .8‬األوامر‪14 ........................................................................................... Commands‬‬
‫‪ .9‬التقاط األوامر‪15 ....................................................................... Commands Capture‬‬
‫‪ .II‬انشاء ملف وإدخال البيانات في برنامج ‪16 ................................................................. EViews‬‬
‫‪ .1‬أنواع البيانات ‪16 .................................................................................................‬‬
‫‪ .2‬ادخال البيانات ‪18 ................................................................................................‬‬
‫‪ .III‬معالجة البيانات ‪48 ....................................................................... Data Manipulation‬‬
‫‪ .1‬دوال ‪48 .................................................................................................. EViews‬‬
‫‪ .2‬استحداث متغيرجديد ‪54 ........................................................................................‬‬
‫‪ .3‬تحويل البيانات ‪56 ................................................................................................‬‬
‫‪ .2‬االنحدارالخطي البسيط ‪67 ........................................................... Simple Linear Regression‬‬
‫‪ .I‬تعريف نموذج االنحدارالخطي البسيط ‪68 .........................................................................‬‬
‫‪ .II‬خطوات تقديرنموذج االنحدارالبسيط ‪69 .........................................................................‬‬
‫‪ .3‬االنحدارالخطي املتعدد ‪86 ......................................................... Multiple Linear Regression‬‬
‫‪ .I‬تعريف نموذج االنحدارالخطي املتعدد‪87 ...........................................................................‬‬
‫‪ .II‬خطوات تقديرنموذج االنحدارالخطي املتعدد ‪87 ..................................................................‬‬
‫‪ .4‬التنبؤ والتمهيد بالنماذج املكيفة ‪96 .................. Forecasting and Smoothing with Adaptive Models‬‬
‫‪ .I‬مفهوم التنبؤ والتمهيد بالنماذج املكيفة ‪97 ......................................................................‬‬
‫‪ .1‬التنبؤ ‪97 ..........................................................................................................‬‬
‫‪ .2‬التمهيد ‪98 ........................................................................................................‬‬

‫‪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

‫‪ .1‬مقدمة الى برنامج ‪EViews‬‬

‫‪Introduction to the Eviews Program‬‬

‫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

‫‪ .I‬اساسيات برمجية ‪( EViews‬سطح املكتب وملفات العمل ولوازم ‪)EViews‬‬

‫سوف نحدد اساسيات برمجية ‪ EViews‬في مقدمة موجزة بما في ذلك دليل إليجاد الطريق حول‬
‫واجهة عمل برنامج ‪ .EViews‬علما ان برمجية ‪ EViews‬هي حزمة نماذج إحصائية‪ ،‬القياس االقتصادي‬
‫والنمذجة االقتصادية سهلة االستخدام‪ .‬وهناك ثالث طرق للعمل في ‪:EViews‬‬
‫واجهة مستخدم رسومية (باستخدام املاوس والقوائم ‪ /‬مربعات الحوار)‪.‬‬ ‫▪‬

‫أوامر مفردة (باستخدام نافذة األوامر)‪.‬‬ ‫▪‬

‫ملفات البرامج (يتم تجميع األوامر في برنامج نص ي يتم تنفيذه في وضع ُ‬
‫الدفعات)‪.‬‬ ‫▪‬

‫وفيمايلي واجهة عرض برنامج ‪:EViews‬‬

‫القائمة الرئيسية‬
‫‪Main Menu‬‬
‫نافذة األوامر‬
‫‪Command Window‬‬

‫نافذة الكائنات ‪Objects‬‬

‫‪/‬منطقة العمل‬
‫‪Object Window/ Work‬‬
‫‪Area‬‬

‫مالحظة‪ :‬املسار ‪ /‬قاعدة البيانات ‪ /‬ملف العمل‬

‫يمكن تغييرها عن طريق النقر املزدوج في كل شريط حالة‬ ‫املسار‪ /‬الدليل‬ ‫اسم ملف العمل قاعدة البيانات‬
‫‪Database‬‬ ‫‪Workfile‬‬
‫‪Path/directory‬‬

‫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

‫‪ .1‬أنواع الكائنات ‪Object Types‬‬

‫ان السالسل واملجموعات واملعادالت هي العناصر األكثر شيوعا في ‪ .EViews‬كما يوجد عدد من‬
‫الكائنات ‪ Objects‬التي لها وظائف مختصة في برمجية ‪ EViews‬والتي تشمل‪ :‬معامل املتجه (شعاع)‬
‫‪ ،Coefficient Vector‬قواعد البيانات ‪ ،Databases‬املعادلة ‪ ،Equation‬الرسم البياني ‪ ،Graph‬املجموعة‬
‫‪ ،Group‬نموذج ‪ ،Model‬تجمع (سلسلة زمنية‪/‬املقطع العرض ي) )‪،Pool (Time Series/Cross-Section‬‬
‫عينة ‪ ،Sample‬سلسلة ‪ ،Series‬متجه الفضائي ‪ ،State Space‬النظام ‪ ،System‬مصفوفة التناظر‬
‫‪ ،Symmetric Matrix‬الجدول‪ ،‬النص ‪ ،Text‬متجه االندار الذاتي ‪ ،Vector Auto Regression‬متجه‪/‬صف‬
‫‪ ،Vector/Row‬قياس عددي ‪ .Scalar‬كل هذه الكائنات ما عدا ملفات العمل ‪ Workfiles‬وقواعد البيانات‬
‫‪ Databases‬لديها رموزها الخاصة التي تعرض في نافذة ملف العمل‪.‬‬
‫والجل انشاء كائن في ‪ EViews‬يكفي فقط اختيار ‪ Object → New Object‬من القائمة الرئيسية‬
‫‪ Main Menu‬او من قائمة ملف العمل ثم نختار نوع الكائن ‪ Object Type‬املراد إنشاؤه‪ .‬كما ننوه الى انه‬
‫هناك بعض أنواع الكائنات تظهر في شاشة حوارية تتطلب تحديد وصف الكائن بالتدقيق وأيضا هناك انوع‬
‫أخرى تفتح بكل فوري‪.‬‬

‫‪Series, Groups and Equations are the‬‬

‫‪most common objects in EViews.‬‬

‫‪6‬‬
 ‫‪Introduction to the Eviews Program‬‬ ‫مقدمة الى برنامج ‪EViews‬‬

‫‪ .2‬ملف عمل ‪"EViews Workfile" EViews‬‬

‫شريط عنوان ملف العمل‬

‫‪Workfile title bar‬‬

‫شريط أدوات ملف العمل‬

‫‪Workfile toolbar‬‬

‫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

‫قائمة الكائنات )‪ (Objects‬في ملف العمل‪.‬‬ ‫▪‬

‫يتم ترميزه باأللوان حسب نوع الكائن‪:‬‬ ‫▪‬
‫✓ الرموز الصفراء هي كائنات )‪(Objects‬بيانات‬
‫✓ األيقونات الزرقاء هي كائنات )‪ (Objects‬تقدير‬
‫✓ الرموز الخضراء هي كائنات )‪ (Objects‬عرض (جداول‪ ،‬رسوم بيانية‪ ،‬إلخ ‪)...‬‬
‫سيؤدي النقر املزدوج على أحد رموز الكائن )‪ (Object‬هذه إلى فتحه‪.‬‬ ‫▪‬
‫كل كائن له قائمته الخاصة‪.‬‬ ‫▪‬
‫بمجرد فتح الكائن )‪ ،(Object‬تتغير القوائم في ‪ EViews‬لتمثل امليزات املتاحة لهذا الكائن )‪.(Object‬‬ ‫▪‬

‫وفيمايلي تفصيل لشريط عنوان وأدوات ملف العمل‪:‬‬

‫اسم ملف العمل ‪Name of the workfile‬‬
‫على سبيل املثال هنا اسم ملف العمل هو ‪Tutorial1_results‬‬
‫هيكل ملف العمل ‪Structure of‬‬
‫‪the workfile‬‬
‫✓ البيانات الواردة في هذا املثال‬
‫مؤرخة ولها تكرار ربع سنوي يغطي‬
‫الفترة من سنة ‪ 1980‬إلى سنة‬
‫‪2012‬‬
‫✓ النطاق ‪ :Range‬يعرض النطاق‬ ‫العينة‪ :‬هذا هو جزء من البيانات التي نعمل معها حاليا‪ .‬في هذا‬
‫الكامل للبيانات في ملف العمل‪.‬‬ ‫املثال‪ ،‬يتم العمل على العينة (‪ 40‬مشاهدة) من الربع (الفصل)‬
‫هنا النطاق (تردد البيانات) من‬ ‫االول ‪ Q1‬لسنة ‪ 1992‬إلى الفصل الرابع ‪ Q4‬لسنة ‪2001‬‬
‫الفصل االول ‪ Q1‬لسنة ‪ 1980‬إلى‬
‫الفصل الرابع ‪ Q4‬لسنة ‪2012‬‬

‫‪7‬‬
 ‫‪Introduction to the Eviews Program‬‬ ‫مقدمة الى برنامج ‪EViews‬‬

‫ُتظهر لقطة الشاشة هذه قائمة بالكائنات‬ ‫▪‬

‫‪ Objects‬في ملف العمل‪.‬‬
‫يتم ترميزه باأللوان حسب نوع الكائن‪:‬‬ ‫▪‬
‫الرموز الصفراء هي كائنات بيانات‬ ‫▪‬
‫األيقونات الزرقاء هي كائنات تقدير‬ ‫▪‬
‫الرموز الخضراء هي كائنات عرض‬ ‫▪‬
‫(جداول‪ ،‬رسوم بيانية‪ ،‬إلخ ‪)...‬‬
‫سيؤدي النقر املزدوج على أحد رموز الكائن‬ ‫▪‬
‫هذه إلى فتحه‪.‬‬
‫كل كائن له قائمته الخاصة‪.‬‬ ‫▪‬
‫بمجرد فتح الكائن‪ ،‬تتغير القوائم في‬ ‫▪‬
‫‪ EViews‬لتمثل امليزات املتاحة لهذا الكائن‪.‬‬

‫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.‬‬

‫‪ .3‬نافذة الكائن ‪The Object Window‬‬

‫القائمة الرئيسية‬
‫‪Main Menu‬‬

‫‪Main Menu‬‬

‫شريط أدوات ملف العمل‬

‫‪Workfile toolbar‬‬

‫شريط أدوات الكائن‬

‫(في هذا املثال‪ ،‬شريط أدوات املعادلة)‬
‫‪Object Toolbar‬‬
‫)‪(In this example, equation toolbar‬‬

‫نافذة الكائن‬
‫(في هذا املثال‪ ،‬نافذة املعادلة)‬
‫‪Object Window‬‬
‫)‪(In this example, equation Window‬‬

‫‪9‬‬
 ‫‪Introduction to the Eviews Program‬‬ ‫مقدمة الى برنامج ‪EViews‬‬

‫‪ .4‬كائن السلسلة ‪The Series Object‬‬

‫▪ هذا هو كائن ‪ Object‬البيانات الرئيس ي‪.‬‬

‫‪ - gdp‬يحتوي علىرمز (ايقونة) أصفر‬ ‫▪‬
‫به رسم بياني خطي صغير‪.‬‬
‫▪ يحتوي على عمود واحد من البيانات‪.‬‬
‫▪ سيؤدي فتح السلسلة إلى الكشف عن‬
‫طريقة عرض جدول بيانات بعمود واحد‬
‫يعرض فيه البيانات املوجودة في السلسلة‪.‬‬

‫عند فتح سلسلة ‪ Series‬فانه يتم مايلي‪:‬‬

‫‪ .1‬انقر نقرا مزدوجا على السلسلة‪.‬‬
‫‪ .2‬بمجرد فتح سلسلة‪ ،‬يمكنك النقر فوق قائمتي العرض واملعالجة ‪ View and Proc‬في ملف العمل‬
‫لالطالع على اإلجراءات املتاحة‪ .‬ونظرا ألن السلسلة عبارة عن عمود واحد من البيانات‪ ،‬فال تتوفر سوى‬
‫اإلجراءات الخاصة بعمود واحد من البيانات (طرق العرض واالختبارات ‪.)Views and Tests‬‬

‫‪10‬‬
 ‫‪Introduction to the Eviews Program‬‬ ‫مقدمة الى برنامج ‪EViews‬‬

‫‪ .5‬كائن املجموعة ‪The Group Object‬‬

‫▪ هذه مجموعة من كائنات السلسلة‪.‬‬

‫املجموعة ‪ - group01‬لها رمز أصفر‬ ‫▪‬
‫بالحرف ‪.G‬‬
‫▪ يحتوي على عدة أعمدة من البيانات‪.‬‬
‫▪ سيؤدي فتح املجموعة إلى عرض جدول‬
‫بيانات بأعمدة متعددة تعرض البيانات‬
‫في كل سلسلة في املجموعة‪.‬‬

‫‪11‬‬
‫‪Introduction to the Eviews Program‬‬ ‫مقدمة الى برنامج ‪EViews‬‬

‫عند فتح املجموعة ‪ Group‬فانه يتم مايلي‪:‬‬

‫‪ .1‬انقر نقرا مزدوجا فوق الرمز (االيقونة)‬
‫‪ .2‬بمجرد فتح املجموعة‪ ،‬يمكنك النقر فوق قائمتي العرض واملعالجة ‪ View and Proc‬لالطالع على‬
‫اإلجراءات املتاحة‪ .‬اإلجراءات التي تتطلب أعمدة بيانات متعددة هي متوفر اآلن (طرق العرض‬
‫واالختبارات ‪ )Views and Tests‬في الشكل املبين اسفله‪.‬‬

‫‪ .6‬كائن املعادلة ‪The Equation Object‬‬

‫▪ هذا هو كائن تقدير معادلة واحدة‪.‬‬

‫‪ – eq01‬املعادلة ‪ 01‬لها رمز‬ ‫▪‬
‫أزرق بعالمة يساوي (=)‪.‬‬
‫▪ هذا هو كائن ‪ object‬التقدير‬
‫الرئيس ي في ‪.EViews‬‬
‫▪ سيكشف فتح املعادلة عن النتائج‬
‫الرئيسية للتقدير‪.‬‬

‫عند فتح كائن املعاددلة ‪ The Equation Object‬فانه يتم مايلي‪:‬‬

‫‪ .1‬انقر نقرا مزدوجا فوق الرمز (االيقونة)‬

‫‪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.‬‬

‫‪ .7‬كائنات العرض ‪Views Objects‬‬

‫▪ تحتوي هذه الكائنات ‪ Objects‬على "طرق‬

‫العرض ‪ "Views‬للبيانات أو كائنات التقدير‬
‫‪.Estimation Objects‬‬
‫الرسم البياني ‪ graph01‬له أيقونة‬ ‫▪‬
‫خضراء‪.‬‬
‫▪ يتم استخدامه "لتجميد ‪ "freeze‬عرض‬
‫كائن آخر ‪ another object‬في الوقت‬
‫املحدد‪.‬‬
‫▪ إلنشاء هذا العرض‪:‬‬
‫▪ اضغط على زر التجميد على كائن آخر‬
‫(سلسلة ‪ ،gdp‬على سبيل املثال)‪.‬‬
‫▪ استخدم زر االسم لحفظه في ملف العمل‪.‬‬
‫▪ انقر فوق موافق‪.‬‬

‫‪13‬‬
‫‪Introduction to the Eviews Program‬‬ ‫مقدمة الى برنامج ‪EViews‬‬

‫‪ .8‬األوامر ‪Commands‬‬
‫▪ يوفر جزء األوامر سجال قابال للتمرير او االنتقال لألوامر املكتوبة‬

‫▪ يمكنك االنتقال ألعلى لعرض األوامر املنفذة مسبقا‪.‬‬

‫▪ إذا قمت بالضغط على ‪ Enter‬في أي سطور سابقة‪ ،‬فسيقوم ‪ EViews‬بنسخ السطر الذي يوجد به‬
‫املؤشر وتنفيذ هذا األمر مرة أخرى‪.‬‬
‫▪ الستعادة او استرجاع قائمة باألوامر السابقة بالترتيب التي تم إدخالها بها‪ ،‬استخدم ‪CTRL + UP‬‬
‫سيتم عرض آخر أمر في القائمة في نافذة األوامر‪.‬‬
‫▪ اضغط باستمرار على مفتاح ‪ CTRL‬واضغط على السهم ألعلى ‪ UP‬لعرض األوامر السابقة‪.‬‬
‫▪ لتسجيل آخر ‪ 30‬أمرا‪ ،‬اضغط على ‪CTRL + J‬‬

‫‪14‬‬
‫‪Introduction to the Eviews Program‬‬ ‫مقدمة الى برنامج ‪EViews‬‬

‫‪ .9‬التقاط األوامر‪Commands Capture‬‬

‫▪ تلتقط نافذة "‪ "Command Capture‬الغالبية العظمى من العمليات باستخدام مربعات حوار‬
‫القائمة وتحولها في األمر النص ي املكافئ‪.‬‬
‫▪ هذا يسهل بشكل كبير الروابط بين واجهة ‪ EViews‬سهلة االستخدام واألوامر النصية القابلة‬
‫للتنفيذ‪.‬‬
‫▪ يمكنك نسخ ‪ /‬لصق األوامر التي تظهر في نافذة "‪ ،"Command Capture‬أو حفظها في ملف‪.‬‬
‫▪ يتيح لك النقر بزر املاوس األيمن في نافذة "االلتقاط ‪ "Capture‬حفظ املحتويات ونسخها ومسح‬
‫النافذة‪.‬‬

‫▪ 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

‫‪ .II‬انشاء ملف وإدخال البيانات في برنامج ‪EViews‬‬

‫سوف نقوم بتحديد أنواع البيانات لكي يسهل علينا التعامل عند إدخالها في 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......‬‬

‫‪ .2.1‬البيانات املقطعية ‪Cross-Sectional Data‬‬

‫البيانات املقطعية هي التي توضح القیاسات التي یأخذھا متغير ما بالنسبة ملفردات عینة ما عند‬
‫نقطة زمنیة معینة‪ .‬مثال ذلك بیانات خاصة بدخول عینة من املستھلكين عند نقطة زمنیة معینة‪ ،‬او الدخل‬
‫القومي ملجموعة من دول العالم في سنة معینة‪ .‬وتوضح البیانات املقطعية بذلك مدى تغير قیمة متغير ما‬
‫من مفردة ألخرى عند نفس النقطة من الزمن (محمد وآخرون‪ ،2015 ،‬ص‪ .)49 .‬من األمثلة على ذلك‪،‬‬
‫بيانات خاصة باالستهالك عند نقطة زمنية معينة ‪........‬‬

‫‪ .3.1‬البيانات املقطعية املجمعة ‪Pooled Cross Sections Data‬‬

‫وتسمى بحزم البيانات ‪ .Panel Data‬تحتوي البيانات املقطعية املجمعة على مزيج بين بيانات السلسلة‬
‫الزمنية والبيانات املقطعية‪ ،‬فهي تعطي بيانات عن مجموعات مختلفة من املفردات عبر سلسلة زمنية‬
‫(صافي‪ ،2015 ،‬ص ص‪ .)27-26.‬فمثال قيام احدى املؤسسات باجراء ‪ 03‬مسوح حول االسر الفقيرة في بلد‬
‫ما وذلك خالل السنوات التالية‪ .2019 ،2018 ،2017 :‬حيث انه في سنة ‪ 2017‬تم اختيار عينة من االسر‬
‫الجراء املسح املطلوب حول متغيرات مثال الدخل‪ ،‬االدخار‪ ،‬حجم االسرة‪ ،‬عدد العاطلين عن العمل‪ .‬وهكذا‬

‫‪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.‬‬

‫‪ .4.1‬البيانات الطويلة املجمعة ‪Longitudinal Data‬‬

‫تحتوي البيانات الطولية على مزيج من بيانات السلسلة الزمنية والبيانات املقطعية فهي تعطي‬
‫مجموعة من املفردات عبر سلسلة زمنية‪ .‬أي انها تحتوي على سلسلة زمنية لكل بيانات مقطعية عن كل‬
‫مفردة في العينة موضع الدراسة‪ .‬مثال قيام احدى الشركات باجراء مسح حول االسر الفقيرة في بلد ما خالل‬
‫‪ 03‬سنوات‪ .2019 ،2018 ،2017 :‬حيث تم اختيار نفس املسح املطلوب حول متغيرات معينة مثال الدخل‪،‬‬
‫حجم السرة‪ ،‬عدد العاطلين عن العمل الفراد االسرة‪.‬‬
‫ومن اهم مايميز البيانات الطويلة املجمعة عن البيانات املقطعية املجمعة هو انه نفس املفردة‬
‫(االسرة في هذا املثال) تم متابعتها خالل الفترة الزمنية ‪ 2017‬حتى سنة ‪( 2019‬صافي‪ ،2015 ،‬ص‪.)28 .‬‬

‫‪ .5.1‬البیانات التجریبیة ‪Experimental Data‬‬

‫توجد ھنالك بعض املحاوالت من قبل بعض الباحثين االقتصادیين الجراء تجارب یحصلون من‬
‫خاللھا على بیانات اقتصادیة‪ ،‬ومن االمثلة عن ھذه املحاوالت تلك التي تجري في محالت السوبر ماركت‪ ،‬وفي‬
‫مثل ھذه الحاالت یتم تغیير سعر سلعة ما او سعر سلعة بدیلة (مكملة) كل أسبوع مرة مع تثبیت كل‬
‫العوامل األخرى التي یمكن التحكم فیھا باملحل‪ ،‬ثم یتم تسجیل الكمیات املطلوبة من قبل العمالء من‬
‫السلعة املعینة في كل أسبوع عند األسعار املختلفة (محمد وآخرون‪ ،2015 ،‬ص ص‪.)50-49 .‬‬
‫وتختلف بيانات السلسلة الزمنية عن البيانات التجريبية وبيانات الحصر في ثالث نقاط أساسية وهي‬
‫(شعراوي‪ ،2005 ،‬الصفحات ‪:)7-6‬‬
‫‪ -1‬تأخذ بيانات السلسلة الزمنية على فترة زمنية طويلة نسبيا يعتقد انها تؤثر على الظاهرة او املتغير‬
‫موضع الدراسة‪ ،‬بينما تأخذ البيانات التجريبية او بيانات الحصر (املسح) عند نقطة زمنية معينة او‬
‫على االكثر في فترة زمنية قصيرة يعتقد انها ال تؤثر بشكل معنوي على الظاهرة او املتغير موضع‬
‫الدراسة وعادة ما تسمى هذه البيانات بالبيانات املقطعية ‪.Cross Sectional Data‬‬

‫‪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:‬‬

‫‪ .1.2‬انشاء ورقة عمل ‪Workfile‬‬

‫تتضمن قائمة ‪ File‬مجموعة من األوامر الخاصة الجل انشاء صفحة عمل جدیدة او فتح ملف وحفظه‬
‫باإلضافة الى استيراد او تصدیر ملف من والى البرنامج‪ ،‬كما تحتوي ھذه القائمة على مجموعة من الخیارات‬
‫وھي‪:‬‬

‫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

‫تمسية ملف العمل (اختياري)‬

‫تمسية صفحة ملف العمل‬

‫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

‫واملوضحة في الشكل االتي‪:‬‬

‫نوع بنية ملف العمل ‪ Workfile structure type‬تنقسم الى ‪:03‬‬

‫‪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

‫واملبينة في الشكل االتي‪:‬‬

‫ويوفر لناخانة بداية املدة ‪ Start date‬ونهاية املدة ‪.End date‬‬

‫‪ .3‬النوع الثالث‪ :‬يسخدم مع البيانات املقطعية املجمعة والطويلة فعند الضغط على القائمة املسندة‬
‫الخاصة بخصائص العينة ‪ ،Pnel specification‬أي تردد البيانات ‪ Frequency‬فانه يظھر لدینا خيار‬
‫املشاھدات حسب املدة الزمنية املمكن اختیارھا وهي نفسها الخاصة ببيانات السالسل الزمنية‪ ،‬مع‬
‫خانة بداية املدة ‪ Start date‬ونهاية املدة ‪ End date‬وأيضا خانة عدد البيانت املدمجة بين املقاطع‬
‫العرضية والسالسل الزمنية ‪.Number of cross sections‬‬

‫اآلن‪ ،‬سنشرع في ادخال البيانات املختلفة‪.‬‬

‫‪21‬‬
‫‪Introduction to the Eviews Program‬‬ ‫مقدمة الى برنامج ‪EViews‬‬

‫‪ .2.2‬ادخال البيانات املقطعية‬

‫نأخذ املثال ‪ 1‬التالي حول عينة مكونة من ‪ 10‬افراد واملتعلقة بالدخل الفردي‪( Y‬بالدينار)‪ ،‬ونوع‬
‫الجنس ‪ X1‬تأخذ (‪ :1‬ذكر‪ :0 .‬انثى)‪ ،‬عدد سنوات التعليم ‪ X2‬واملبينة في الجدول املوالي‪:‬‬
‫الدخل ‪56400 26200 27200 45200 25600 25300 27100 36300 30800 20500‬‬
‫‪0‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫الجنس‬
‫‪18‬‬ ‫‪7‬‬ ‫‪8‬‬ ‫‪14‬‬ ‫‪5‬‬ ‫‪5‬‬ ‫‪8‬‬ ‫‪13‬‬ ‫‪12‬‬ ‫‪6‬‬ ‫التعليم‬

‫الدخال هذه املعطيات نتبع مايلي‪:‬‬

‫▪ نستخدام االمر االتي‪ .File → New → Workfile :‬او استخدام االمر املختصر ‪ CTRL + N‬فيظهر‬
‫لنا مربع الحوار ‪ Workfile Create‬وفي اقص ى يسار املربع الحواري أسفل ‪Workfile structure type‬‬
‫نجد ثالث اختيارات‪ ،‬فنختار منه االمر ‪ Unstructured/Undated‬فتظهر النافذة املوضحة التالية‪:‬‬

‫▪ ندخل عدد املشاهدات املكون من ‪ 10‬افراد في خانة ‪ Observations‬ثم ‪ .OK‬يظهر لنا مربع الحوار‬
‫التالي‪:‬‬

‫‪22‬‬
‫‪Introduction to the Eviews Program‬‬ ‫مقدمة الى برنامج ‪EViews‬‬

‫‪ C‬متجه املعامالت التي سيتم تقديرها‬

‫‪ Resid‬سلسلة املتغير العشوائي‬

‫▪ 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:‬‬

‫‪ -‬ندخل بيانات املتغيرات‪ Y X1 X2 :‬فنتحصل على النافذة املوضحة في الشكل التالي‪:‬‬

‫‪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

‫▪ ندخل بيانات املتغير ‪ Y‬فنحصل على النافذة املوضحة في الشكل التالي‪:‬‬

‫▪ 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

‫تمسية ‪ ser01‬بـ‪Y :‬‬

‫والضغط على ‪OK‬‬

‫▪ 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:‬‬

‫ندخل اسم املتغير وليكن‪Y :‬‬

‫▪ 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:‬‬

‫يستخدم هذا املفتاح لبدء االدخال‬

‫وغلق االدخال البيانات‬
‫العادة تسمية املتغير‬

‫▪ 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 ‫▪‬

‫او ‪ Save As‬من قائمة ‪.View‬‬

‫طريقة إضافية اخرى ايضا الدخال البيانات‪ ،‬نختار )‪ Quick/Empty Group (Edit series‬من‬
‫القائمة الرئيسة فستظهر لنا نافذة جديدة ‪ Group‬كما في الشكل التالي‪:‬‬

‫▪ ندخل بيانات املتغير ‪ Y‬فنحصل على النافذة املوضحة 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

‫تمسية ‪ ser01‬بـ‪ Y :‬والضغط على ‪OK‬‬

‫▪ 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:‬‬

‫نفعل هذا الخيار لجعل‬

‫االسطر على شكل اعمدة‬

‫‪32‬‬
‫‪Introduction to the Eviews Program‬‬ ‫مقدمة الى برنامج ‪EViews‬‬

‫▪ نضغط على ‪ ،Suivant‬فنحصل على املربع الحواري التالي‪:‬‬

‫نفعل هذا الخيارالجل تجاوز هذه‬

‫القيم‬

‫▪ نضغط على ‪ ،Suvivant‬فنحصل على الشكل التالي‪:‬‬

‫▪ نضغط من جديد على ‪ ،Suvivant‬فنحصل على الشكل التالي‪:‬‬

‫‪33‬‬
 ‫‪Introduction to the Eviews Program‬‬ ‫مقدمة الى برنامج ‪EViews‬‬

‫نحدد نوع البيانات‬

‫▪ نضغط على ‪ ،Finish‬فنحصل على الشكل التالي‪:‬‬

‫‪34‬‬
‫‪Introduction to the Eviews Program‬‬ ‫مقدمة الى برنامج ‪EViews‬‬

‫‪ .3.2‬ادخال بيانات السالسل الزمنية‬

‫نأخذ املثال ‪ 2‬املوالي‪ ،‬والذي يوضح تطور قيم الصادرات ‪ X‬السنوية بالدوالر األمريكي القتصاد بلد ما‪:‬‬
‫‪2020 2019 2018 2017 2016 2015 2014 2013 2012 2011 2010‬‬ ‫السنوات‬
‫الصادرات (مليار‪10.3 28.9 30.5 35.7 40.2 40.8 45.9 50.2 68.0 66.7 65.3 )$‬‬

‫الدخال هذه املعطيات نتبع الخطوات اآلتية‪:‬‬

‫▪ نستخدام االمر االتي‪ .File → New → Workfile :‬او استخدام االمر املختصر ‪ CTRL + N‬فيظهر‬
‫لنا مربع الحوار ‪ Workfile Create‬وفي اقص ى يسار املربع الحواري أسفل ‪Workfile structure type‬‬
‫نجد ثالث اختيارات‪ ،‬فنختار منه االمر ‪ Dated - regular frequency‬فتظهر النافذة املوضحة التالية‪:‬‬

‫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

‫يمكن وضع نقطة (‪ ).‬او (‪ )/‬او فراغ ( ) بدل النقطتين (‪):‬‬

‫بالنسبة للبيانات الفصلية ‪ Quarterly‬والبيانات الشهرية ‪Monthly‬‬

‫في هذه الحالة نكتب في خانة بداية املدة السنة ثم نقطة (‪ ).‬او نقطتين (‪ ):‬او (‪ )/‬او فراغ ( ) ثم ترتيب‬
‫الفصل بالنسبة للبيانات الفصلية وترتيب الشهر بالنسبة للبيانات الشهرية الذي تبدأ به البيانات ونفس‬
‫الش يء بالنسبة لنهاية املدة‪ ،‬فمثال بالنسبة للبيانات الفصلية نأخذ‪:‬‬
‫]‪Start date: [2010:1‬‬
‫]‪End date: [2020:4‬‬
‫اما بالنسبة للبيانات الشهرية مثال نأخذ‪:‬‬
‫]‪Start date: [2010:1‬‬
‫]‪End date: [2020:12‬‬

‫بالنسبة للبيانات االسبوعية ‪Weekly‬‬

‫في هذه الحالة يكون عكس ما سبق‪ ،‬حيث نكتب في خانة بداية املدة أوال االسبوع ثم الشهر ثم السنة‬
‫ويفصل بينهم فراغ ( ) او (‪ )/‬فقط ال غير ونفس الش يء بالنسبة لنهاية املدة‪ ،‬فمثال نأخذ‪:‬‬
‫]‪Start date : [1:1:2020‬‬
‫]‪End date : [4:12 :2020‬‬

‫بالنسبة للبيانات اليومية‬

‫كذلك في هذه الحالة يكون عكس ما سبق‪ ،‬حيث نكتب في خانة بداية املدة أوال اليوم ثم الشهر ثم‬
‫السنة ويفصل بينهم فراغ ( ) او (‪ )/‬فقط ال غير ونفس الش يء بالنسبة لنهاية املدة‪ ،‬فمثال نأخذ‪:‬‬
‫]‪Start date : [1:1:2020‬‬
‫]‪End date : [31:12 :2020‬‬

‫اآلن‪ ،‬نشرع في ادخال البيانات الخاصة بقيم الصادرات السنوية‪.‬‬

‫‪37‬‬
‫‪Introduction to the Eviews Program‬‬ ‫مقدمة الى برنامج ‪EViews‬‬

‫▪ من تردد البيانات ‪ Frequency‬للقائمة املسندة الخاصة بخصائص البيانات ‪،Data specification‬‬

‫نختار ‪ Annual‬ثم ندخل سنة بداية املدة ‪ Start date‬وسنة نهاية املدة ‪ End date‬كما هو موضح في‬
‫الشكل اآلتي‪:‬‬

‫▪ 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

‫ندخل بيانات املتغير ‪ X‬فنتحصل على النافذة املوضحة في الشكل التالي‪:‬‬

‫‪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

‫‪ .4.2‬ادخال البيانات املقطعية املجمعة‬

‫نأخذ املثال العملي ‪ 3‬املوالي الذي يمثل أسعار الزيوت بالدوالر االمريكي في السنتين ‪.2020 ،2015‬‬
‫البيانات موضحة في الجدول اسفله تمثل أسعار ‪ 05‬أنواع زيوت في سنة ‪ 2015‬و‪ 07‬انواع أخرى في سنة‬
‫‪ ،2020‬بحيث ان املشاهدات من ‪ 5- 1‬للزيوت املباعة في سنة ‪ ،2015‬واملشاهدات من ‪ 12-6‬للزيوت املباعة‬
‫في سنة ‪.2020‬‬
‫مكونات الزيوت ‪X2‬‬ ‫السعة (‪X1 )L‬‬ ‫السعر )‪Y($‬‬ ‫الرقم السنة ‪Year‬‬
‫‪6‬‬ ‫‪1‬‬ ‫‪40‬‬ ‫‪2015‬‬ ‫‪1‬‬
‫‪5‬‬ ‫‪1.3‬‬ ‫‪38‬‬ ‫‪2015‬‬ ‫‪2‬‬
‫‪6‬‬ ‫‪1.2‬‬ ‫‪35‬‬ ‫‪2015‬‬ ‫‪3‬‬
‫‪4‬‬ ‫‪1.2‬‬ ‫‪33‬‬ ‫‪2015‬‬ ‫‪4‬‬
‫‪2‬‬ ‫‪0.8‬‬ ‫‪32‬‬ ‫‪2015‬‬ ‫‪5‬‬
‫‪8‬‬ ‫‪1‬‬ ‫‪60‬‬ ‫‪2020‬‬ ‫‪6‬‬
‫‪7‬‬ ‫‪1.3‬‬ ‫‪58‬‬ ‫‪2020‬‬ ‫‪7‬‬
‫‪9‬‬ ‫‪1.2‬‬ ‫‪55‬‬ ‫‪2020‬‬ ‫‪8‬‬
‫‪6‬‬ ‫‪1.2‬‬ ‫‪53‬‬ ‫‪2020‬‬ ‫‪9‬‬
‫‪8‬‬ ‫‪1‬‬ ‫‪52‬‬ ‫‪2020‬‬ ‫‪10‬‬
‫‪8‬‬ ‫‪0.8‬‬ ‫‪60‬‬ ‫‪2020‬‬ ‫‪11‬‬
‫‪10‬‬ ‫‪1‬‬ ‫‪65‬‬ ‫‪2020‬‬ ‫‪12‬‬
‫الدخال هذه املعطيات نستخدم نفس الطريقة السابقة في حالة ادخال البيانات املقطعية‬
‫▪ نستخدام االمر‪ .File → New → Workfile :‬او االمر املختصر ‪ .CTRL + N‬فيظهر لنا مربع الحوار‬
‫‪ Workfile Create‬وفي اقص ى يسار املربع الحواري أسفل ‪ Workfile structure type‬نختار منه االمر‬
‫‪ Unstructured/Undated‬فتظهر النافذة املوضحة التالية‪:‬‬

‫‪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

‫‪ .5.2‬ادخال البيانات الطويلة املجمعة‬

‫نأخذ املثال العملي ‪ 4‬املوالي الذي يمثل دالة النمو االقتصادي املتمثلة براس املال والعمل لـ‪ 05 :‬بلدان‬
‫وذلك خالل الفترة ‪:2020-2017‬‬
‫العمل)‪L(%‬‬ ‫رأس املال )‪K (%‬‬ ‫البلد السنوات النمو االقتصادي )‪GDP(%‬‬
‫‪0.77‬‬ ‫‪0.98‬‬ ‫‪0.8‬‬ ‫‪2017‬‬ ‫‪1‬‬
‫‪0.98‬‬ ‫‪1.23‬‬ ‫‪0.2‬‬ ‫‪2018‬‬ ‫‪1‬‬
‫‪1.2‬‬ ‫‪1.23‬‬ ‫‪0.1‬‬ ‫‪2019‬‬ ‫‪1‬‬
‫‪1.25‬‬ ‫‪1.54‬‬ ‫‪1.2‬‬ ‫‪2020‬‬ ‫‪1‬‬
‫‪1.98‬‬ ‫‪2.3‬‬ ‫‪2‬‬ ‫‪2017‬‬ ‫‪2‬‬
‫‪2.1‬‬ ‫‪2.4‬‬ ‫‪1.5‬‬ ‫‪2018‬‬ ‫‪2‬‬
‫‪2‬‬ ‫‪2.3‬‬ ‫‪1.3‬‬ ‫‪2019‬‬ ‫‪2‬‬
‫‪1.2‬‬ ‫‪1.5‬‬ ‫‪3‬‬ ‫‪2020‬‬ ‫‪2‬‬
‫‪2.3‬‬ ‫‪4.3‬‬ ‫‪6‬‬ ‫‪2017‬‬ ‫‪3‬‬
‫‪2.1‬‬ ‫‪4‬‬ ‫‪5.3‬‬ ‫‪2018‬‬ ‫‪3‬‬
‫‪1.9‬‬ ‫‪3.8‬‬ ‫‪2.3‬‬ ‫‪2019‬‬ ‫‪3‬‬
‫‪2.3‬‬ ‫‪4.4‬‬ ‫‪5.6‬‬ ‫‪2020‬‬ ‫‪3‬‬
‫‪0.99‬‬ ‫‪0.9‬‬ ‫‪0.8‬‬ ‫‪2017‬‬ ‫‪4‬‬
‫‪2.1‬‬ ‫‪1.3‬‬ ‫‪1.3‬‬ ‫‪2018‬‬ ‫‪4‬‬
‫‪2.3‬‬ ‫‪1.4‬‬ ‫‪1.5‬‬ ‫‪2019‬‬ ‫‪4‬‬
‫‪0.9‬‬ ‫‪1.8‬‬ ‫‪1.9‬‬ ‫‪2020‬‬ ‫‪4‬‬
‫‪1.2‬‬ ‫‪2.1‬‬ ‫‪2.1‬‬ ‫‪2017‬‬ ‫‪5‬‬
‫‪0.9‬‬ ‫‪2.2‬‬ ‫‪2.3‬‬ ‫‪2018‬‬ ‫‪5‬‬
‫‪1.5‬‬ ‫‪2.3‬‬ ‫‪3.3‬‬ ‫‪2019‬‬ ‫‪5‬‬
‫‪2.5‬‬ ‫‪3.4‬‬ ‫‪5.2‬‬ ‫‪2020‬‬ ‫‪5‬‬

‫الدخال هذه املعطيات نتبع الخطوات اآلتية‪:‬‬

‫▪ نستخدام االمر‪ .File → New → Workfile :‬او استخدام االمر املختصر ‪ CTRL + N‬فيظهر لنا مربع‬
‫الحوار ‪ Workfile Create‬وفي اقص ى يسار املربع الحواري أسفل ‪ Workfile structure type‬نختار االمر‬
‫‪ Balanced Panel‬وندخل بداية املدة ‪ 2017‬ونهاية املدة ‪ 2020‬وعدد املقاطع هو ‪ 05‬بلدان‪.‬‬

‫‪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

‫‪ .6.2‬ادخال بيانات املتغيرات الوهمية ‪Dummy Variables‬‬

‫تأخذ هذه املتغيرات قيمتين تحكميتين فقط هما الصفر والواحد‪ ،‬فهي تأخذ قيمة الواحد عند وجود‬
‫صفة معينة وقيمة الصفر عند غيابها‪ ،‬وعليه قد یضطر الباحث في بعض االحیان الى ادخال بعض املتغيرات‬
‫النوعیة (الوصفیة) في النموذج‪ ،‬الن تلك املتغيرات ً‬
‫وبناء على معطیات النظریة االقتصادیة‪ ،‬وبحسب اعتقاد‬
‫الباحث تؤثر في املتغير التابع‪ ،‬وتدعى تلك املتغيرات بالوھمیة ‪ ،Dummy Variables‬فاذا كانت تلك املتغيرات‬
‫تحمل صفات خاصة متداخلة مع واحد او أكثر من املتغيرات املستقلة‪ ،‬فان ھذا یولد ارتباطا خطیا بين‬
‫املتغيرات الوھمیة وباقي املتغيرات املستقلة ذات القیم الكمیة (محمد وآخرون‪ ،2015 ،‬ص‪.)341 .‬‬

‫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

‫‪ .III‬معالجة البيانات ‪Data Manipulation‬‬

‫سنتناول في هذا الجانب عرض بعض دوال برنامج ‪ EViews‬التي تتضمن العمليات الحسابية‬
‫األساسية‪ ،‬الدوال الرياضية االساسية‪ ،‬الدوال الخاصة بالسالسل الزمنية وبعض الدوال اإلحصائية مع‬
‫دوال التوزيعات اإلحصائية وكذلك شرح كيفية استحداث متغيرات جديدة وتحويل البيانات من التكرار‬
‫االقل الى التكرار األكبر او العكس‪ ،‬مثال من البيانات السنوية الى بيانات فصلية او شهرية او يومية او‬
‫العكس ايضا‪.‬‬

‫‪ .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

‫وصف العملية‬ ‫العملية الحسابية‬

‫الجمع‪ X+Y ،‬تعني جمع قيم ‪.Y ،X‬‬ ‫‪+‬‬
‫الطرح‪ Y-X ،‬تعني طرح قيم ‪ Y‬من قيم ‪.X‬‬ ‫–‬
‫الضرب‪ X*Y ،‬تعني ضرب قيم ‪ X‬في ‪.Y‬‬ ‫*‬
‫القسمة‪ X/Y ،‬تعني رفع ‪ X‬للقوة ‪.Y‬‬ ‫‪/‬‬
‫الرفع الى قوة (أس)‪ X^Y ،‬تعني خارج قسمة قيم ‪ X‬على ‪.Y‬‬ ‫^‬
‫أكبر من‪ Y<X ،‬تعطي القيمة ‪ 1‬إذا كانت ‪ X‬أكبر من ‪ 0 ،Y‬فيما عدا من ذلك‪.‬‬ ‫<‬
‫أصغر من‪ X<Y ،‬تعطي القيمة ‪ 1‬إذا كانت ‪ Y‬أكبر من ‪ 0 ،X‬فيما عدا من ذلك‪.‬‬ ‫>‬
‫املساواة‪ Y=X ،‬تعطي القيمة ‪ 1‬إذا كانت ‪ X‬و‪ Y‬متساويتان‪ 0 ،‬فيما عدا من ذلك‪.‬‬ ‫=‬
‫عدم املساواة‪ X<>Y ،‬تعطي القيمة ‪ 1‬إذا كانت ‪ X‬و‪ Y‬غير متساويتين‪ 0 ،‬فيما عدا من ذلك‪.‬‬ ‫<>‬
‫أصغر من او يساوي‪ X<=Y ،‬تعطي القيمة ‪ 1‬إذا كانت ‪ X‬التزيد عن (اقل من او يساوي) ‪ 0 ،Y‬فيما عدا‬
‫=>‬
‫من ذلك‪.‬‬
‫أكبر من او يساوي‪ X>=Y ،‬تعطي القيمة ‪ 1‬إذا كانت ‪ Y‬التزيد عن (اقل من او يساوي) ‪ 0 ،X‬فيما عدا‬
‫=<‬
‫من ذلك‪.‬‬
‫عملية منطقية‪ X and Y ،‬تأخذ القيمة ‪ 1‬إذا كان كل من ‪ Y ،X‬ال يساوي الصفر‪ 0 ،‬فيما عدا من ذلك‪.‬‬ ‫‪and‬‬
‫عملية منطقية‪ X or Y ،‬تأخذ القيمة ‪ 1‬إذا كان كل من ‪ Y ،X‬ال يساوي الصفر‪ 0 ،‬فيما عدا من ذلك‪.‬‬ ‫‪or‬‬

‫‪ .2.1‬الدوال الرياضية االساسية‬

‫كذلك الدوال الرياضية يمكن استخدامها من خالل برنامج ‪ EViews‬في التعبيرات الرياضية‬
‫‪ ،Mathematical Expressions‬حيث تستعمل لكل من القيم الخاصة بالسالسل ‪ Serries‬والقياس ‪.Scalar‬‬
‫ففي حالة تطبيق الدوال الرياضية على السالسل فانها تعطي تلك الدالة الرياضية على كل مشاهدة في العينة‬
‫الحالية‪ ،‬بينما عند تطبيقها على متغير املصفوفة فانها تعطي النتيجة لكل عنصر من عناصر املصفوفة‬
‫(صافي‪ ،2015 ،‬ص ص‪ .)84-83.‬ايضا يمكن استعراض كلها في دليل املساعدة لبرنامج ‪ EViews‬من خالل‬
‫املسار ‪.Help→Function Reference‬‬

‫‪49‬‬
 ‫‪Introduction to the Eviews Program‬‬ ‫مقدمة الى برنامج ‪EViews‬‬

‫وصف الدالة‬ ‫الدالة الرياضية‬

‫القيمة املطلقة‪ ،‬مثال‪@abs(-3)=3 :‬‬ ‫)‪@ABS(x‬‬
‫تقريب الكبر اقرب عدد صحيح‪ ،‬مثال‪@ceiling(4.27)=5 :‬‬ ‫)‪@ceiling(x‬‬
‫الدالة االسية‪ ،‬مثال‪@exp(1)=2.71813 :‬‬ ‫)‪@EXP(x‬‬
‫العاملي‪ ،‬مثال‪@fact(3)=6, @fact(0)=1 :‬‬ ‫)‪@fact(x‬‬
‫اللوغاريتم الطبيعي للعاملي‪ ،‬مثال‪@factlog(3)=1.79176, @factlog(0)=0 :‬‬ ‫)‪@factlog(x‬‬
‫تقريب القل اقرب عدد صحيح‪ ،‬مثال‪@floor(1.23)=1, @floor(-3.1)=-4 :‬‬ ‫)‪@floor(x‬‬
‫تعطي القيمة ‪ X‬إذا تحقق الشرط ‪ Y ،S‬فيما عدا ذلك‪.‬‬ ‫)‪@iff(s,x,y‬‬
‫تحسب املعكوس‪ ،‬مثال‪@inv(2)=0.5 :‬‬ ‫)‪@inv(x‬‬
‫ُ‬
‫النقطة العائمة املتبقية‪ ،‬ترجع باقي ‪ X / Y‬بنفس عالمة ‪ .X‬إذا كانت ‪ Y = 0‬تكون النتيجة ‪.0‬‬ ‫)‪@mod(x,y‬‬
‫تحسب اللوغاريتم الطبيعي‪ ،‬مثال‪@log(2)=0.693 :‬‬ ‫)‪@LOG(x‬‬
‫تحسب اللوغاريتم ذو األساس ‪ ،10‬مثال‪@log10(100)=2 :‬‬ ‫)‪@LOG10(x‬‬
‫تحسب اللوغاريتم ذو األساس ‪ ،b‬مثال‪@logx(256,2)=8 :‬‬ ‫)‪@logx(x,b‬‬
‫تعطي القيمة ‪ X‬اذا كانت ‪ ،X<>NA‬و ‪ Y‬اذا كانت ‪ ،X=NA‬بمعنى تعطى القيمة ‪ X‬اذا كانت ‪ X‬ليست‬
‫)‪@nan(x,y‬‬
‫مفقودة‪ ،‬وتعطي القيمة ‪ Y‬اذا كانت ‪ X‬قيمة مفقودة‪.‬‬
‫إعادة الترميز حسب الشرط‪ .‬تعيد ‪ X‬إذا كان الشرط ‪ S‬صحيحا‪ ،‬وإال ترجع ‪.Y‬‬ ‫)‪@recode(s,x,y‬‬
‫تقريب إلى أقرب عدد صحيح‪ ،‬مثال‪@round(-97.5)=-98, @round(3.5)=4 :‬‬ ‫)‪@round(x‬‬
‫الجذر التربيعي‪ ،‬مثال‪@sqrt(9)=3 :‬‬ ‫)‪@Sqrt(x‬‬

‫‪ .3.1‬دوال السالسل الزمنية‬

‫الدوال التالية تسهل العمل مع بيانات السالسل الزمنية‪ .‬يمكن استعراض كلها في دليل املساعدة‬
‫لبرنامج ‪ EViews‬من خالل املسار ‪.Help→Function Reference‬‬

‫‪50‬‬
 ‫‪Introduction to the Eviews Program‬‬ ‫مقدمة الى برنامج ‪EViews‬‬

‫وصف الدالة‬ ‫الدالة الرياضية‬

‫تعطي االبطاء ‪k-lag operator ،K‬‬ ‫)‪(-k‬‬
‫تعطي االبطاء املتقدم ‪k-lag operator ،K‬‬ ‫)‪(+k‬‬
‫تحسب الفرق االول‪ ،‬ونعبر عنه رياضيا‪ ،(1-L)X =X-X(-1) :‬حيث‪ L :‬هو عامل التباطؤ‬ ‫)‪d(x‬‬
‫تحسب الفرق رقم ‪ ،n‬أي‪(1-L)n X :‬‬ ‫)‪d(x,n‬‬
‫تحسب الفرق رقم ‪ n‬مع الفرق املوسمي ‪ ،s‬أي‪(1-L)n (1-Ls) X :‬‬ ‫)‪d(x,n,s‬‬
‫تحسب الفرق األول للوغاريتم الطبيعي‪ ،‬أي‪(1-L)Log(X)=Log(X)-Log(-X(-1)):‬‬ ‫)‪dlog(x‬‬
‫تحسب الفرق رقم ‪ n‬للوغاريتم الطبيعي‪ ،‬أي‪(1-L)nLog(X) :‬‬ ‫)‪dlog(x,n‬‬
‫تحسب الفرق رقم ‪ n‬للوغاريتم الطبيعي مع الفرق املوسمي ‪ ،s‬أي‪(1-L)n (1-Ls) Log(X) :‬‬ ‫)‪dlog(x,n,s‬‬
‫تحسب تغيير النسبة املئوية لفترة واحدة (بالنسبة املئوية)‪ ،‬أي‪equals @pch(x)*100 :‬‬ ‫)‪@pc(x‬‬
‫تحسب تغيير النسبة املئوية لفترة واحدة (بالنظام العشري)‪ ،‬أي‪(X-X(-1))/(X(-1)) :‬‬ ‫)‪@pch(x‬‬
‫تحسب نسبة التغيير في فترة واحدة‪ -‬على أساس سنوي (بالنسبة املئوية)‪ ،‬أي‪equals @pca(X)*100 :‬‬ ‫)‪@pca(x‬‬
‫تحسب نسبة التغيير في فترة واحدة‪ -‬على أساس سنوي (بالنظام العشري)‪ ،‬أي‪:‬‬ ‫)‪@pcha(x‬‬
‫‪ ،equals @pcha(X)=(1+ @pch(X)n)-1‬حيث ‪ n‬هي التاخر الزمني املرتبط بسنة واحدة )‪(n=4‬‬
‫للبيانات ربع السنوية‪ ،‬وما إلى ذلك)‪.‬‬
‫تحسب التغير املئوي لسنة واحدة (بالنسبة املئوية)‪ ،‬أي‪equals @pchy(X)*100 :‬‬ ‫)‪@pcy(x‬‬
‫تحسب التغير املئوي لسنة واحدة (بالنظام العشري)‪ ،‬أي‪ ،(X-X(-n))/(X(-n)) :‬حيث ‪ n‬هو التأخر‬ ‫)‪@pchy(x‬‬
‫املرتبط بسنة واحدة (‪ )n=12‬للبيانات السنوية ‪ ،‬وما إلى ذلك)‪.‬‬

‫‪ .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

‫وصف الدالة‬ ‫الدالة االحصائية‬

‫تحسب معامل االرتباط بين ‪ X‬و ‪Y‬‬ ‫)]‪@cor(x,y[,s‬‬
‫تحسب التباين املشترك بين ‪ X‬و ‪Y‬‬ ‫)]‪@cov(x,y[,s‬‬
‫تحسب مجموع حاصل الضرب لقيم ‪ X‬و ‪ Y‬املتناظرة‬ ‫)]‪@inner(x,y[,s‬‬
‫تحسب عدد املشاهدات غير املفقودة‬ ‫)]‪@obs(x[,s‬‬
‫تحسب عدد املشاهدات املفقودة‬ ‫)]‪@nas(x[,s‬‬
‫تحسب املتوسط الحسابي لقيم ‪X‬‬ ‫)]‪@mean(x[,s‬‬
‫تحسب الوسيط لقيم ‪X‬‬ ‫)]‪@median(x[,s‬‬
‫تحسب أصغر قيمة لـ ‪X‬‬ ‫)]‪@min(x[,s‬‬
‫تحسب أكبر قيمة لـ ‪X‬‬ ‫)]‪@max(x[,s‬‬
‫تحسب الربيعيات رقم ‪ q‬للسلسلة ‪X‬‬ ‫)]‪@quantile(x,q[,s‬‬
‫تعطي الرتبة لكل مشاهدة لقيم ‪X‬‬ ‫)]‪@ranks(x[,o,t,s‬‬
‫تحسب االنحراف املعياري لقيم ‪X‬‬ ‫)]‪@stdev(x[,s‬‬
‫تحسب التباين لقيم ‪X‬‬ ‫)]‪@var(x[,s‬‬
‫تحسب االلتواء لقيم ‪X‬‬ ‫)]‪@skew(x[,s‬‬
‫تحسب التفلطح لقيم ‪X‬‬ ‫)]‪@kurt(x[,s‬‬
‫تحسب مجموع قيم ‪X‬‬ ‫)]‪@sum(x[,s‬‬
‫تحسب حاصل ضرب قيم ‪X‬‬ ‫)]‪@prod(x[,s‬‬
‫تحسب مجموع مربعات قيم ‪X‬‬ ‫)]‪@sumsq(x[,s‬‬
‫تحسب مجموع قيم ‪ X‬من اول مشاهدة في العينة حتى املشاهدة الحالية‬ ‫)]‪@cumsum(x[,s‬‬
‫تحسب حاصل ضرب قيم ‪ X‬من اول مشاهدة في العينة حتى املشاهدة الحالية‪ ،‬وهذا يكافئ مضروب ‪X‬‬ ‫)]‪@cumprod(x[,s‬‬
‫تحسب املتوسط الحسابي لقيم ‪ X‬من اول مشاهدة في العينة حتى املشاهدة الحالية‬ ‫)]‪@cummean(x[,s‬‬
‫تحسب االنحراف املعياري لقيم ‪ X‬من اول مشاهدة في العينة حتى املشاهدة الحالية‬ ‫)]‪@cumstdev(x[,s‬‬
‫تحسب التباين لقيم ‪ X‬من اول مشاهدة في العينة حتى املشاهدة الحالية‬ ‫)]‪@cumvar(x[,s‬‬
‫تحسب مجموع مربعات قيم ‪ X‬من اول مشاهدة في العينة حتى املشاهدة الحالية‬ ‫)]‪@cumsumsq(x[,s‬‬
‫تحسب مجموع قيم ‪ X‬من القيمة الحالية حتى ‪ n-1‬من املشاهدات السابقة‬ ‫)‪@movsum(x,n‬‬
‫تحسب املتوسط الحسابي لقيم ‪ X‬من القيمة الحالية حتى ‪ n-1‬من املشاهدات السابقة‬ ‫)‪@movav(x,n‬‬
‫تحسب االنحراف املعياري لقيم ‪ X‬من القيمة الحالية حتى ‪ n-1‬من املشاهدات السابقة‬ ‫)‪@movstdev(x,n‬‬
‫تحسب التباين لقيم ‪ X‬من القيمة الحالية حتى ‪ n-1‬من املشاهدات السابقة‬ ‫)‪@movvar(x,n‬‬
‫تحسب التباين املشترك بين ‪ X‬و ‪ Y‬لقيم ‪ X‬و ‪ Y‬من القيمة الحالية حتى ‪ n-1‬من املشاهدات السابقة‬ ‫)‪@movcov(x,y,n‬‬
‫تحسب معامل االرتباط بين ‪ X‬و ‪ Y‬لقيم ‪ X‬و ‪ Y‬من القيمة الحالية حتى ‪ n-1‬من املشاهدات السابقة‬ ‫)‪@movcor(x,y,n‬‬
‫تحسب مجموع مربعات قيم ‪ X‬من القيمة الحالية حتى ‪ n-1‬من املشاهدات السابقة‬ ‫)‪@movsumsq(x,n‬‬

‫‪52‬‬
 Introduction to the Eviews Program EViews ‫مقدمة الى برنامج‬

:)88-87.‫ ص ص‬،2015 ،‫@ هي (صافي‬ranks(x[,o,t,s]) :‫املعامالت في الدالة‬

.‫ الترتيب التصاعدي هو الوضع االفتراض ي‬،‫" ترتيب تنازلي‬d" ،‫" ترتيب تصاعدي‬a" :‫ لنوع الترتيب بحيث‬:o
‫" تتجاهل التساوي ويتم التعامل كما لو كانت القيمتين‬i" :‫ تستخدم في حالة تساوي قيمتين او اكثر بحيث‬:t
‫" تعطي الترتيب حسب‬l" ،‫" تعطي الترتيب حسب ترتيب القيمة األولى من القيم املتساوية‬f" ،‫مختلفتين‬
.‫" تعطي متوسط الرتب للقيم املتساوية وهو الوضع االفتراض ي‬a" ،‫القيمة األخيرة من القيم املتساوية‬

‫ دوال التوزيعات االحصائية‬.5.1

‫ دوال التوزيعات‬،Density Functions (PDF) ‫تستعمل هذه الدول في حساب دوال الكثافة‬
،Quantile Functions (QF) ‫ دوال الربيعيات‬،Cumulative Distribution Functions (CDF) ‫التجميعية‬
‫ وذلك لبعض التوزيعات االحتمالية‬،Random Number Generators (RNG) ‫وتوليد األرقام العشوائية‬
.)89-88.‫ ص ص‬،2015 ،‫املختلفة (صافي‬
‫وصف الدالة‬
‫الدالة‬
RNG QF CDF PDF
@rbeta(a,b) @qbeta(p,a,b) @cbeta(x,a,b) @dbeta(x,a,b) Beta :  (a,b )
@rbinom(n,p) @qbinom(s,n,p) @qbinom(s,n,p) @dbinom(x,n,p) Binomial : B (n , b )
@rchisq(v) @qchisq(p,v) @cchisq(x,v) @dchisq(x,v) Chi-square :  2 (v )
@rexp(m) @qexp(p,m) @cexp(x,m) @dexp(x,m) Exponential : E (m )
@rfdist(v1,v1) @qfdist(p,v1,v2) @cfdist(x,v1,v2) @dfdist(x,v1,v2) F-distribution : F (v 1,v 2 )
@rgamma(b,r) @qgamma(p,b,r) @cgamma(x,b,r) @dgamma(x,b,r) Gamma : (b , r )
@rlaplace @qlaplace(x) @claplace(x) @dlaplace(x) Laplace
@rlognorm(m,s) @qlognorm(p,m,s) @clognorm(x,m,s) @dlognorm(x,m,s) Log-normal : LN (m , s )
@rnegbin(n,p) @qnegbin(s,n,p) @cnegbin(x,n,p) @dnegbin(x,n,p) Negative : NB (n , p )
@rnorm, nrnd @qnorm(p) @cnorm(x) @dnorm(x) Normal : N (0,1)
@rpoisson(m) @qpoisson(p,m) @cpoisson(x,m) @dpoisson(x,m) Poisson : P (m )
@rpareto(k,a) @qpareto(p,k,a) @cpareto(x,k,a) @dpareto(x,k,a) Pareto
@rtdist(v) @qtdist(p,v) @ctdist(x,v) @dtdist(x,v) Student t-distribution : t (v )
@runif(a,b) rnd @qunif(p,a,b) @cunif(x,a,b) @dunif(x,a,b) Uniform : U (a,b )
@rweib(m,a) @qweib(p,m,a) @cweib(x,m,a) @dweib(x,m,a) Weibul : W (m , a)

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.‬‬

‫‪ .1.3‬تحويل البيانات ذات التكراراألقل الى التكراراألكبر‬

‫ناخذ بيانات املثال العملي ‪ 2‬الخاصة بتطور قيم الصادرات ‪ X‬السنوية بالدوالر األمريكي القتصاد بلد‬
‫ما‪ ،‬واملطلوب هو تحويل هذه البيانات ذات التكرار األقل السنوية الى البيانات ذات التكرار األكبر أي بيانات‬
‫فصلية‪.‬‬
‫الحل‬
‫▪ نفتح ملف املثال ‪ 2‬ونقوم بانشاء ملف عمل يحتوي على صفحة جديدة ‪ New Page‬وعن طرق املاوس‬
‫والضغط بيمين املاوس على صفحة جديدة ‪ New Page‬ونختار ‪ Specify by Frequencey/Renge‬كما‬
‫يظهر في الشكل ادناه‪:‬‬

‫‪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:‬‬

‫▪ نضغط على ‪ OK‬فتهر لنا النافذة االتية مللف عمل جديد‪:‬‬

‫‪57‬‬
‫‪Introduction to the Eviews Program‬‬ ‫مقدمة الى برنامج ‪EViews‬‬

‫ال حظ تحول تردد البيانات الى تردد فصلي‬

‫يمكن اعادة تسمية الصفحة االصليةبالضغط بيمين‬
‫املاوس على صفحة ‪ Untitled‬ونختار ‪Rename‬‬
‫‪ Workfile Page‬ونسميها بــ‪Annual :‬‬

‫يمكن اعادة تسمية الصفحة الجديدة بـ‪Quarterly :‬‬

‫▪ 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:‬‬

‫▪ يظهر املربع الحواري ادناه الذي يحتوي على عدة اختيارات‪:‬‬

‫▪ 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

‫▪ االختيار‪ :Paste as‬يتوفر فيه حالتين‪:‬‬

‫‪ -‬الحالة األولى )‪ :Series (by value‬وهي سلسلة (حسب القيمة)‪ ،‬أي يتم لصق البيانات كقيم في‬
‫صفحة البيانات الفصلية ولن تتغير إذا تم تغيير البيانات في املصدر الرئيس ي لصفحة البيانات‬
‫السنوية‪ .‬مثال بعد لصق البيانات وقمنا بتعديل او حذف مشاهدات سنوية فلن تتأثر البيانات‬
‫الفصلية‪.‬‬
‫‪ -‬الحالة الثانية ‪ :Link‬في هذه الحالة عند لصق البيانات فانها تكون مرتبطة مع املصدر الرئيس ي‪ ،‬أي‬
‫عند اجراء أي تعديل على البيانات االصلية في مثالنا البيانات السنوية‪ ،‬فان البيانات في الصفحة‬
‫الفصلية سوف تتغير معها آليا‪.‬‬
‫▪ يوجد على يمين املربع الحواري أسفل ‪ Frequency conversion options‬اختيارين هما‪:‬‬
‫‪ -‬طريقة التردد (التكرار) العالي إلى املنخفض ‪ :High to low frequency method‬يستخدم اذا كان‬
‫تحويل البيانات من التكرار األعلى الى التكرار األقل‪ ،‬مثال التحويل من البيانات اليومية الى الشهرية‬
‫او الى الفصلية او الى النصف السنوية او السنوية وهكذا‪.‬‬
‫‪ -‬طريقة التردد املنخفض إلى العالي ‪ :Low to high frequency method‬هذا االختيار يستخدم اذا كان‬
‫تحويل البيانات من التكرار االقل الى التكرار األعلى‪ ،‬مثال التحويل من البيانات السنوية الى النصف‬
‫السنوية او الى الفصلية او الى الشهرية او اليومية وهكذا‪.‬‬
‫▪ في مثالنا هذا املطلوب تحويل البيانات السنوية الى الفصلية‪ ،‬أي من التكرار األقل الى التكرار األعلى‪.‬‬
‫لذا سوف نستخدم الخيار الثاني‪ ،‬حيث كذلك يوجد فيه عدة خيارات كما يظهر في الشكل ادناه‪:‬‬

‫‪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

‫)‪ (2011Q4=66.7) ،(2011Q3=66.35) ،(2011Q2=66) ،(2011Q1=65.65‬وهكذا بالنسبة لباقي‬

‫السنوات‪.‬‬
‫‪ -‬الحالة السادسة ‪ :Cubic-match last‬يتم استخدام نفس الطريقة السابقة ولكن تكون هنا في‬
‫حالة تسمى بحالة االستكمال التكعيبي‪ .‬في هذه الحالة نحصل على القيم‪ 65.3 :‬للفصل الرابع لسنة‬
‫‪ )Q42010( 2010‬مع العلم الفصول الثالثة األولى تكون ايضا قيمها غير محددة‪ ،‬اما باقي الفصول‬
‫من سنة ‪ 2011‬تكون على التوالي‪،(2011Q2=65.3940) ،(2011Q1=65.2713) :‬‬
‫)‪ (2011Q4=66.7) ،(2011Q3=65.8198‬وهكذا بالنسبة لباقي السنوات‪.‬‬
‫فالجل تطبيق أحد هذه الخيارات البد من معرفة نوع املسار الذي تسلكه البيانات‪ ،‬هل هي من النوع‬
‫الخطي او التكعيبي او غير ذلك‪....‬‬
‫▪ باعتبار بيانات املثال ‪ 2‬الذ ي هو بين أيدينا فان البيانات لها اتجاه عام خطي متناقص‪ ،‬والجل ذلك‬
‫سوف نقوم بتطبيق طريقة ‪ ،Linear-match last‬أي طريقة االستكمال الخطي‪ .‬وذلك بنسخ قيم املتغير‬
‫‪ X‬في صفحة البيانات الفصلية وسوف يتم تحويلها الى بيانات فصلية كما يظهر في الشكل ادناه‪:‬‬

‫‪62‬‬
‫‪Introduction to the Eviews Program‬‬ ‫مقدمة الى برنامج ‪EViews‬‬

‫‪ .2.3‬تحويل البيانات ذات التكراراألكبرالى التكراراألقل‬

‫نأخذ املثال التطبيقي ‪ 6‬حول املبيعات الشهرية الحد املؤسسات االقتصادية لسلعة من خالل سنة‬
‫‪ 2020‬املسجلة من جانفي ‪ 2020‬الى ديسمبر ‪ .2020‬واملطلوب هو تحويل هذه البيانات ذات التكرار االكبر‬
‫الشهرية الى البيانات ذات التكرار االقل أي بيانات فصلية‪.‬‬
‫املبيعات (‪)$‬‬ ‫املبيعات (‪ )$‬شهر‪-‬سنة‬ ‫شهر‪-‬سنة‬
‫‪32‬‬ ‫‪2020-06‬‬ ‫‪14‬‬ ‫‪2020-11‬‬
‫‪12‬‬ ‫‪2020-07‬‬ ‫‪20‬‬ ‫‪2020-12‬‬
‫‪12‬‬ ‫‪2020-08‬‬ ‫‪44‬‬ ‫‪2020-04‬‬
‫‪68‬‬ ‫‪2020-09‬‬ ‫‪21‬‬ ‫‪2020-02‬‬
‫‪29‬‬ ‫‪2020-10‬‬ ‫‪10‬‬ ‫‪2020-03‬‬
‫‪7‬‬ ‫‪2020-11‬‬ ‫‪19‬‬ ‫‪2020-04‬‬
‫‪18‬‬ ‫‪2020-12‬‬ ‫‪64‬‬ ‫‪2020-05‬‬
‫الحل‬
‫▪ بنفس الخطوات السابقة نقوم بإدخال هذه البيانات في ترددات شهرية كما هو موضح ادناه‪:‬‬

‫‪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

‫‪ .I‬تعريف نموذج االنحدارالخطي البسيط‬

‫يبدأ تطبيق التحليل االقتصادي القياس ي بالفرضية التالية‪ :‬هما متغيران يمثالن بعض املجتمع‪،‬‬
‫اسعار‬ ‫‪x‬‬ ‫أو في دراسة كيفية تغير ‪ y‬بتغير ‪ ، x‬مثال‪ y ،‬قيم الصادرات و‬ ‫‪x‬‬ ‫ولدينا اهتمام بشرح ‪ y‬بـ‪:‬‬
‫الصادرات‪.‬‬
‫في نموذج نشرح فيه علينا أن نواجه ثالث قضايا (السواغي‪ ،2011 ،‬ص ص‪:)75-73.‬‬
‫‪ -‬أوال‪ :‬ألنه ال يوجد أبدا عالقة دقيقة بين متغيرين‪ ،‬كيف نسمح لعوامل أخرى أن تؤثر في ‪. y‬‬
‫‪ -‬ثانيا‪ :‬ما هي العالقة الدالية بين ‪ y‬و ‪. x‬‬
‫(إذا‬ ‫‪x‬‬ ‫‪ -‬ثالثا‪ :‬كيف يمكننا أن نتأكد من التقاط عالقة ثبات بقية العناصر‪ Ceteris Paribus‬بين ‪ y‬و‬
‫باملعادلة البسيطة‬ ‫‪x‬‬ ‫كان ذلك هو الهدف املنشود)‪ .‬ويمكننا حل هذه االلتباسات بكتابة عالقة ‪ y‬بـ‪:‬‬
‫‪y = a x +b + ‬‬ ‫التالية‪:‬‬
‫هذه املعادلة تحدد نموذج االنحدار الخطي البسيط‪ ،‬وتسمى بنموذج االنحدار الخطي بمتغيرين ألنه‬
‫يربط بين ‪ y‬و ‪ x‬املتغيرين وسوف نناقش معنى املتغيرات‪.‬‬
‫املتغيران ‪ y‬و ‪ x‬لهما أسماء مختلفة تستخدم على النحو التالي‪:‬‬
‫يسمى ‪ y‬باملتغير التابع ‪ ،Dependent Variable‬واملتغير التوضيحي ‪ ،Explained Variable‬ومتغير االستجابة‬
‫فسر ‪.Regressand‬‬‫‪ ،Response Variable‬ومتغير املتنبأ به ‪ Predicted Variable‬أو املتغير املُ ّ‬
‫ويسمى ‪ x‬باملتغير املستقل ‪ ،Independent Variable‬واملتغير التفسيري ‪ ،Explanatory Variable‬واملتغير‬
‫الرقابي ‪ ،Control Variable‬ومتغير التوقع ‪ ،Predictor Variable‬أو املقدر في‪ Regressor‬وكثيرا ما يستخدم‬
‫مصطلح املتغير التابع واملتغير املستقل في االقتصاد القياس ي‪.‬‬
‫فسر والتفسيري وهو على األرجح أكثر وصفا‪ .‬وتستخدم االستجابة والرقابة في‬ ‫مصطلح املتغير املُ َّ‬
‫الغالب في العلوم التجريبية‪ ،‬وحيث أن املتغير ‪ x‬تحت املراقبة نستخدم مصطلح متغير التوقع ‪Predicted‬‬
‫‪ Variable‬وتوقع ‪.Predictor‬‬
‫املتغير ‪ ‬يسمى حد الخطأ أو اضطراب العالقة‪ ،‬ويمثل العوامل األخرى عدا ‪ x‬التي تؤثر في ‪ y‬ويعالج تحليل‬
‫االنحدار البسيط بفاعلية جميع العوامل عدا ‪ x‬التي تؤثر في ‪ y‬والتي تكون غير مشاهدة‪ ،‬ويمكنك أن تعتبر‬
‫‪ ‬كأمر غير مشاهد‪.‬‬

‫‪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.‬‬

‫‪ .II‬خطوات تقديرنموذج االنحدارالبسيط‬

‫لنأخذ املثال العملي ‪ 7‬والخاص بدالة االستهالك في احدى املدن‪ ،‬حيث ‪ Y‬تمثل االنفاق االستهالكي‬
‫مقاسا بمليارات الدوالرات و‪ X‬تمثل الدخل املتاح مقاسا بمليارات الدوالرات خالل الفترة الزمنية الجارية من‬
‫سنة ‪ 2001‬الى سنة ‪ 2020‬واملبينة في الجدول املوالي‪:‬‬
‫‪Y‬‬ ‫‪X‬‬ ‫السنة‬ ‫‪Y‬‬ ‫‪X‬‬ ‫السنة‬
‫‪21.9‬‬ ‫‪24.9‬‬ ‫‪2011‬‬ ‫‪15.3‬‬ ‫‪17.3‬‬ ‫‪2001‬‬
‫‪20.5‬‬ ‫‪23.5‬‬ ‫‪2012‬‬ ‫‪19.91‬‬ ‫‪21.91‬‬ ‫‪2002‬‬
‫‪22.83‬‬ ‫‪26.05‬‬ ‫‪2013‬‬ ‫‪20.94‬‬ ‫‪22.96‬‬ ‫‪2003‬‬
‫‪23.49‬‬ ‫‪26.69‬‬ ‫‪2014‬‬ ‫‪19.66‬‬ ‫‪21.86‬‬ ‫‪2004‬‬
‫‪24.2‬‬ ‫‪27.6‬‬ ‫‪2015‬‬ ‫‪21.32‬‬ ‫‪23.72‬‬ ‫‪2005‬‬
‫‪23.05‬‬ ‫‪26.45‬‬ ‫‪2016‬‬ ‫‪18.33‬‬ ‫‪20.73‬‬ ‫‪2006‬‬
‫‪24.01‬‬ ‫‪27.61‬‬ ‫‪2017‬‬ ‫‪19.59‬‬ ‫‪22.19‬‬ ‫‪2007‬‬
‫‪25.83‬‬ ‫‪29.43‬‬ ‫‪2018‬‬ ‫‪21.3‬‬ ‫‪23.9‬‬ ‫‪2008‬‬
‫‪25.15‬‬ ‫‪28.95‬‬ ‫‪2019‬‬ ‫‪20.93‬‬ ‫‪23.73‬‬ ‫‪2009‬‬
‫‪25.06‬‬ ‫‪28.86‬‬ ‫‪2020‬‬ ‫‪21.64‬‬ ‫‪24.44‬‬ ‫‪2010‬‬

‫واملطلوب من هذا العمل هو‪:‬‬

‫‪ -1‬التمثيل البياني للمتغيرين ‪ X‬و ‪Y‬‬
‫‪ -2‬دراسة إحصائية وصفية للمتغيرين ‪ X‬و ‪Y‬‬
‫‪ -3‬رسم شكل االنتشار ‪ X‬و ‪Y‬‬
‫‪ -4‬حدد النموذج املناسب الذي يعبر عن العالقة ببين الدخل واالسهالك‪.‬‬

‫‪69‬‬
‫‪Simple Linear Regression‬‬ ‫االنحدارالخطي البسيط‬

‫‪ -5‬تقدير معادلة االستهالك مع شرح النتائج املتحصل عليها‪.‬‬

‫‪ -6‬قدر التباين ‪Variance‬والتباين املشترك ‪Coveriance‬‬
‫‪ -7‬رسم خط االنحدار‪.‬‬
‫‪ -8‬ماهو مستوى االنفاق االستهالكي عندما يبلغ مستوى الدخل املتاح ‪ 25.44‬مليار دوالر؟‬

‫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

‫▪ ثم نختار االمر‪ View→Graph→Line & Symbol :‬كما هو موضح في الشكل ادناه‪:‬‬

‫‪ -‬نضغط على ‪ ،OK‬فنحصل على الرسم البياني ادناه‪:‬‬

‫‪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:‬‬

‫‪ -‬نضغط على ‪ ،OK‬فنحصل على النتائج املخزنة ادناه‪:‬‬

‫‪72‬‬
‫‪Simple Linear Regression‬‬ ‫االنحدارالخطي البسيط‬

‫‪ -2‬الدراسة الوصفية للمتغيرين ‪ X‬و ‪Y‬‬

‫▪ نتبع نفس الخطوات السابقة مع االمر التالي‪:‬‬
‫‪ View → Open Selected → One Window →Open group→ View→Descriptive Stat‬حيث‬
‫نتحصل على الخيارين التاليين املوضحين ادناه‪:‬‬

‫▪ 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

‫‪ -‬من خالل هذه املخرجات لدينا‪:‬‬

‫‪x = 24.63900, y = 21.74700‬‬ ‫‪ -‬السطر ‪ :1‬يخص املتوسط الحسابي ‪ ،Mean‬حيث‪:‬‬
‫‪M (x ) = 24.17000, M ( y ) = 21.48000‬‬ ‫‪ -‬السطر ‪ :2‬يخص الوسيط ‪ ،Median‬حيث‪:‬‬
‫السطر ‪ :3‬يمثل أكبر قيمة في البيانات‪ ،‬حيث‪Max (x ) = 29.43000, Max ( y ) = 25.83000 :‬‬ ‫‪-‬‬
‫السطر ‪ :4‬يمثل اقل قيمة في البيانات‪ ،‬حيث‪Min (x ) = 17.30000, Min ( y ) = 15.30000 :‬‬ ‫‪-‬‬
‫السطر ‪ :5‬يمثل االنحراف املعياري لكل متغير‪ ،‬حيث‪ x = 3.104979,  y = 2.566870 :‬‬ ‫‪-‬‬
‫‪ -‬السطر ‪ :6‬يمثل معامل االلتواء ‪( Skewnes‬عدم التماثل)‪ ،‬حيث‪:‬‬
‫‪S (x ) = −0.333295,‬‬ ‫‪-‬‬
‫‪S ( y ) = −0.502523‬‬
‫‪ -‬السطر ‪ :7‬يمثل معامل التفرطح ‪( Kurtosis‬التسطيح او درجة التقوس)‪ ،‬حيث‪:‬‬
‫‪-‬‬
‫‪K (x ) = 2.785851, K ( y ) = 3.225716‬‬
‫‪ -‬السطر ‪ :8‬يمثل إحصائية ‪ ،Jarque-Bera‬حيث‪JB x = 0.408502, JB y = 0.884221 :‬‬
‫‪ -‬السطر ‪ :9‬يمثل القيمة االحتمالية إلحصائية ‪ ،Jarque-Bera‬حيث‪:‬‬
‫‪prob (JB x ) = 0.815258, prob (JB y ) = 0.642679‬‬
‫‪-‬‬
‫‪ -‬هاتين القيمتين االحتماليتين هما أكبر من القيمة الجدولية الحرجة ‪ %5‬وبالتالي املتغيرين ‪ X‬و ‪ Y‬لهما‬
‫توزيع طبيعي‪.‬‬
‫‪n‬‬ ‫‪n‬‬

‫‪ 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

‫▪ نضغط على ‪ ،OK‬فنحصل على النتائج املخزنة ادناه‪:‬‬

‫‪ -3‬لرسم شكل االنتشار فاننا نتبع الخطوات التالية‪:‬‬

‫▪ ننقر أوال على سلسلة املتغير ‪1 X‬ونضغط بعد ذلك على الزر ‪ Ctrl‬وننقر على سلسلة املتغير ‪ Y‬الضافتها‬
‫الى خياراتنا‪ ،‬ثم نضغط بيمين زر املاوس ونختار االمر‪ Open → as Group :‬او نختار االمر اآلخر‪:‬‬
‫‪ View → Open Selected → One Window →Open group‬حيث نتحصل على املربع الحواري‬
‫ادناه‪:‬‬

‫‪ 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:‬‬

‫▪ ثم نختار االمر‪ View→Graph→Scatter :‬كما هو موضح في الشكل ادناه‪:‬‬

‫‪76‬‬
‫‪Simple Linear Regression‬‬ ‫االنحدارالخطي البسيط‬

‫‪ -‬نضغط على ‪ ،OK‬فنحصل على الرسم البياني ادناه‪:‬‬

‫‪ -‬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

‫يوجد عدة طرق الجل التقدير‪ ،‬غير‬

‫ان النموذج املقدر هو نموذج خطي‬
‫بسيط‪ ،‬فاننا نستعمل طريقة‬
‫املربعات الصغرى االعتيادية‬

‫▪ نضغط على ‪ ،OK‬فنحصل على نتائج التقدير‪:‬‬

‫القسم او الجزء االول‬

‫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

‫‪n = 20‬‬ ‫• السطر ‪ :5‬عدد العينة الداخلة في عملية التقدير‪،‬‬

‫• السطر ‪ :6‬عدد العينة املستبعدة (هنا في هذا املثال اليوجد هذا السطر بسبب عدم وجود عينات‬
‫مستبعدة‪ ،‬فمثال لو كانت لدينا قيم مفقودة ‪ NA‬سوف تظهر في هذا السطر)‪.‬‬
‫‪ -‬في الجزء الثاني‪ :‬أي الجزء الوسطي الذي يمثل املعلومات املتعلقة بتقدير معامالت االنحدار وتظهر‬
‫على شكل تقرير مكون من ‪ 05‬اعمدة‪:‬‬
‫• العمود ‪ :1‬يحدد كل متغير‪ ،‬في هذا املثال نجد الثابت ‪ C‬واملتغير املستقل ‪X‬‬
‫‪ ، aˆ = 0.822890,‬وهذا امليل هو موجبا‪،‬‬ ‫• العمود ‪ :2‬هو لقيم املعامالت املقدرة‪ ،‬حيث‪cˆ = 1.471809 :‬‬

‫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

‫• العمود ‪ :4‬يمثل قيم احصائية ‪ ،t-Statistic ،Student‬حيث‪:‬‬

‫‪0.822890‬‬ ‫‪1.471809‬‬
‫= ‪tx‬‬ ‫‪= 44.06884,‬‬ ‫= ‪tc‬‬ ‫‪= 3.175166‬‬
‫‪0.018673‬‬ ‫‪0.463538‬‬
‫‪، tc‬‬ ‫وكذلك‪2.101 :‬‬ ‫‪، t x =44.06884‬‬ ‫‪t tab = t  2 ,T − k = t 0.05 2 ,(20− 2) = t 0.025,18 = 2.101‬‬ ‫نالحظ بأن‪:‬‬
‫وبالتالي فان املعلمتين املقدرتين ˆ‪ aˆ, c‬هما معلمتان معنويتان ‪ ،Significant‬أي ذات داللة احصائية مع‬
‫العلم ان‪ k :‬تمثل عدد املعالم املقدرة‪.‬‬
‫• العمود ‪ :5‬يمثل القيم االحتمالية للمتغير املستقل ‪ X‬والثابت ‪ ،C‬حيث‪:‬‬
‫‪Prob (x ) = 0.0000,‬‬ ‫‪Prob (c ) = 0.0052‬‬
‫هذه القيم االحتمالية تستعمل كذلك للحكم على معنوية املعالم املقدرة‪ ،‬وفي هذا املثال نجدها ان‬
‫‪، Prob (x ) = 0.0000  5%,‬‬ ‫‪Prob (c ) = 0.0052  5%‬‬ ‫تتوافق مع قيم إحصائية ‪ ،Student‬أي‪:‬‬
‫وبالتالي فان املعلمتين املقدرتين ˆ‪ aˆ, c‬هما معلمتان معنويتان‪.‬‬
‫مالحظة‪ :‬هذه القيم االحتمالية ‪( Prob‬مثال الثابت) تأتي بواسطة‪:‬‬
‫)‪p −value = P (t (18‬‬ ‫)‪3.175166 ) + P (t (18‬‬ ‫) ‪−3.175166‬‬
‫)‪= 2 P (t (18‬‬ ‫) ‪−3.175166‬‬
‫‪= 0.0052‬‬
‫ونستطيع التأكد من هذه النتيجة باستخدام االمر التالي في نافذة االوامر‪:‬‬

‫‪80‬‬
‫‪Simple Linear Regression‬‬ ‫االنحدارالخطي البسيط‬

‫)‪Scalar p= 2*@ctdist(-3.175166, 18‬‬

‫) ‪P (t (v‬‬ ‫)‪x‬‬ ‫حيث تحسب الدالة )‪ ctdist(x, v‬دالة توزيع القيمة االحتمالية‬

‫‪ -‬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

‫املعادلة بعد إحالل املعامالت‬

‫بقيمها املقدرة‬

‫‪ -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:‬‬

‫▪ ننقر على ‪ Options‬ونختار ‪:Regression Line‬‬

‫▪ نضغط على ‪ ،OK‬فسيظهر لنا خط االنحدار كما هو مبين اسفله‪:‬‬

‫‪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

‫‪ .I‬تعريف نموذج االنحدارالخطي املتعدد‬

‫يعتبر نموذج االنحدار الخطي املتعدد او بما يعرف بالنموذج العام‪ ،‬االمتداد الطبيعي واملنطقي‬
‫‪ k‬مستقل‬ ‫متغير ‪− 1‬‬ ‫للنموذج الخطي ملتغيرين )‪ ،(y,x‬حيث يعالج الوضع الناش ئ عند استخدام‬
‫ُ‬
‫‪ X2, X3, ........XK‬لتفسير التغيرات في املتغير التابع ‪ y‬في معادلة انحدار واحدة‪ .‬وتشابه املفاهيم في هذه‬
‫الحالة مع تلك املستعملة في حالة االنحدار الخطي البسيط )‪( (y,x‬عطوة‪ ،2002 ،‬ص‪ ،)121.‬لذلك سوف‬
‫نقوم بصياغة نموذج عام خطي مع اجراء تطبيق عملي على برنامج ‪ EViews‬وشرح نتائج مخرجات التقدير‪.‬‬
‫يمكن صياغة النموذج الخطي العام من خالل معادلة االنحدار التالية‪:‬‬
‫‪y i = 1 + 2x 2i + 3x 3i + ......... + k x ki +  i‬‬
‫حيث ان‪:‬‬
‫‪ : y i‬املتغير التابع‪.‬‬
‫‪ : X2, X3, ........XK‬املتغيرات املستقلة‪.‬‬
‫‪ : k − 1‬عدد املتغيرات املستقلة‪.‬‬
‫‪ : i‬عدد املشاهدات‪.‬‬ ‫‪= 1, 2,.....n‬‬

‫‪ : 1, 2 ,.........k‬معلمات االنحدار‪.‬‬

‫‪ : i‬املتغير العشوائي‪.‬‬
‫كانت هذه فكرة بسيطة عن النموذج الخطي املتعدد للتذكير فقط‪ ،‬واآلن األهم من هذا هو عمل‬
‫تقدير لهذا النموذج مع شرح مختلف الخطوات والتقنيا له على برمجية ‪.EViews‬‬

‫‪ .II‬خطوات تقديرنموذج االنحدارالخطي املتعدد‬

‫لنأخذ املثال العملي ‪ 8‬االتي والخاص بقيم كميات مطلوبة من سلعة ما وسعرها بالدوالر في أحد‬
‫األسواق مع مستويات الدخل للمستهلك املعبر عنه بالدوالر‪ ،‬حيث ‪ Y‬تمثل الكميات املطلوبة‪ X1 ،‬تمثل سعر‬
‫هذه السلعة و‪ X2‬تمثل دخل املستهلك‪ ،‬وذلك خالل الفترة الزمنية الجارية من سنة ‪ 2001‬الى سنة ‪2020‬‬
‫املبينة في الجدول املوالي‪:‬‬

‫‪87‬‬
‫‪Multiple Linear Regression‬‬ ‫االنحدارالخطي املتعدد‬

‫‪Y‬‬ ‫‪X1‬‬ ‫‪X2‬‬ ‫السنة‬ ‫‪Y‬‬ ‫‪X1‬‬ ‫‪X2‬‬ ‫السنة‬

‫‪48‬‬ ‫‪90‬‬ ‫‪900‬‬ ‫‪2011‬‬ ‫‪15‬‬ ‫‪140‬‬ ‫‪650‬‬ ‫‪2001‬‬
‫‪50‬‬ ‫‪89‬‬ ‫‪920‬‬ ‫‪2012‬‬ ‫‪19‬‬ ‫‪130‬‬ ‫‪960‬‬ ‫‪2002‬‬
‫‪55‬‬ ‫‪87‬‬ ‫‪930‬‬ ‫‪2013‬‬ ‫‪20‬‬ ‫‪129‬‬ ‫‪700‬‬ ‫‪2003‬‬
‫‪60‬‬ ‫‪80‬‬ ‫‪950‬‬ ‫‪2014‬‬ ‫‪21‬‬ ‫‪125‬‬ ‫‪740‬‬ ‫‪2004‬‬
‫‪62‬‬ ‫‪77‬‬ ‫‪970‬‬ ‫‪2015‬‬ ‫‪23‬‬ ‫‪121‬‬ ‫‪760‬‬ ‫‪2005‬‬
‫‪65‬‬ ‫‪76‬‬ ‫‪980‬‬ ‫‪2016‬‬ ‫‪25‬‬ ‫‪110‬‬ ‫‪790‬‬ ‫‪2006‬‬
‫‪69‬‬ ‫‪73‬‬ ‫‪1000‬‬ ‫‪2017‬‬ ‫‪30‬‬ ‫‪115‬‬ ‫‪810‬‬ ‫‪2007‬‬
‫‪71‬‬ ‫‪70‬‬ ‫‪1100‬‬ ‫‪2018‬‬ ‫‪36‬‬ ‫‪100‬‬ ‫‪820‬‬ ‫‪2008‬‬
‫‪74‬‬ ‫‪78‬‬ ‫‪1150‬‬ ‫‪2019‬‬ ‫‪40‬‬ ‫‪95‬‬ ‫‪840‬‬ ‫‪2009‬‬
‫‪77‬‬ ‫‪76‬‬ ‫‪1200‬‬ ‫‪2020‬‬ ‫‪44‬‬ ‫‪94‬‬ ‫‪870‬‬ ‫‪2010‬‬
‫واملطلوب من هذا العمل هو‪:‬‬
‫‪ -1‬تحقق من الفرض الخاص بالعالقة الخطية بين الكميات املطلوبة ‪ Y‬وسعر ها ‪ X1‬ودخل املستهلك ‪X2‬‬
‫‪ -2‬تقدير معادلة انحدار الكمية املطلوبة على سعرها ودخل املستهلك‪.‬‬
‫‪ -3‬تفسير معادلة االنحدار‪.‬‬
‫‪ -4‬اختبار املعنوية الجزئية والكلية ملعلمات االنحدار املتعدد مع جودة التوفيق‪.‬‬
‫‪ -5‬تقدير فترة الثقة ملعالم معادلة االنحدار املتعدد‪.‬‬
‫‪ -6‬قدر التباين ‪ Variance‬والتباين املشترك ‪Coveriance‬‬
‫‪ -7‬قدر مستوى كمية الطلب من هذه السلعة إذا علمت ان مستوى الدخل املستهلك قد بلغ ‪1400‬دوالر‬
‫وسعر هذه السلعة هو ‪ 90‬دوالرا‪.‬‬

‫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

‫▪ بعدها نختار ‪ Lower triangular matrix‬مقابل ‪ Multiple series‬كما في الشكل ادناه‪:‬‬

‫▪ نضغط على ‪ ،OK‬فسيظهر لنا شكل االنتشار كما هو مبين اسفله‪:‬‬

‫▪ 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

‫‪ -3‬تفسير معادلة االنحدار‪.‬‬

‫▪ ثابت االنحدار وهو الثابت املبدئي ‪ 1 = 68.24‬الذي يعادل الكمية املطلوبة من هذه السلعة عندما‬
‫يكون كل من متغيري السعر والدخل معدومين‪.‬‬
‫▪ ميل املتغير املستقل األول والذي يتمثل في متغير السعر ‪ 2 = −0.66‬وهو يعبر عن التغير في الكمية‬
‫املطلوبة من السلعة الناتج عن تغير في سعرها بدوالر واحد مع ثبات الدخل املتاح‪ ،‬حيث عندما يزداد‬
‫سعر هذه السلعة بدوالر واحد فان الكمية املطلوبة تنقص بمقدرا ‪ 0.66‬وحدة‪.‬‬

‫‪ 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.‬‬

‫‪ -4‬اختبار املعنوية الجزئية والكلية ملعلمات االنحدار املتعدد مع جودة التوفيق‪.‬‬

‫▪ الجل املعنوية الجزئية فاننا نلجأ الى اختبار ‪ Student‬الخاصة بمعلمات االنحدار والتي تتوافق مع القيم‬
‫االحتمالية الخاصة لها‪ ،‬فحسب مخرجات التقدير فان قيم احصائية ‪ ،t-Statistic ،Student‬هي على‬
‫التوالي‪:‬‬
‫‪17.05178‬‬ ‫‪-0.658658‬‬ ‫‪0.045836‬‬
‫= ‪tc‬‬ ‫‪= 4.001923,‬‬ ‫= ‪tX 1‬‬ ‫‪= -8.667404,‬‬ ‫= ‪tX 2‬‬ ‫‪= 3.960463‬‬
‫‪17.05178‬‬ ‫‪0.075993‬‬ ‫‪0.011573‬‬
‫وكذلك‪:‬‬ ‫‪، tc =4.001923‬‬ ‫‪ttab = t  2 ,T − k = t 0.05 2 ,(20−3) = t 0.025,17 = 2.110‬‬ ‫بأن‪:‬‬ ‫نالحظ‬
‫‪ ، t‬وبالتالي فان املعالم املقدرة هي كلها معالم‬ ‫‪X1‬‬ ‫‪= −8.6647404‬‬ ‫‪2.110,‬‬ ‫‪t X 2 = 3.960463‬‬ ‫‪2.110‬‬

‫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

‫االحتمالية‪Prob ( F − statistic ) = 0.0000  5% :‬‬

‫▪ 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:‬‬

‫‪ 1‬للتذكير‪ ،‬مجال الثقة ملعلمة االنحدار هو‪ k  t (1− / 2,N −K )  Se (  k ) :‬‬

‫‪ 2‬يمكن إبقاء املجاالت على حالها والضغط مباشرة على ‪ ،OK‬حيث نتحصل على الحدود العليا والدنيا لكل مجال ثقة‪.‬‬

‫‪92‬‬
‫‪Multiple Linear Regression‬‬ ‫االنحدارالخطي املتعدد‬

‫هو ‪ ، 32.263,104.216‬بمعنى 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, − 0.498‬بمعنى‬
‫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, 0.070‬حيث‬
‫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

‫اما التباينات املشتركة بين املتغيرات هي على اآلتي‪:‬‬

‫‪cov(x 1, c ) = −1.207403, cov(x 1, x 2 ) = 0.000713, cov(x 2 , c ) = −0.190488‬‬

‫‪ -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

‫‪ .4‬التنبؤ والتمهيد بالنماذج املكيفة‬

‫‪Forecasting and Smoothing with‬‬
‫‪Adaptive Models‬‬

‫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

‫‪ .I‬مفهوم التنبؤ والتمهيد بالنماذج املكيفة‬

‫"رغم ان طرق التمهيد انها ال تستند الى أي نظرية إحصائية والتي تعتمد على الحدس والتجربة واملنطق‬
‫اال انها اثبتت نجاحا خاصا في التنبؤ قصير االجل‪ ،‬وتعتبر طرق التمهيد عموما بانها تكيفية ‪ Adaptive‬بمعنى‬
‫ان التنبؤ يعدل مع كل ظهور قيمة جديدة مما يجعله مبنيا على صيغة تتطور باستمرار بدال من االعتماد‬
‫على صيغة او معادلة ثابتة ال تستوعب ما يتوفر عن معلومات جديدة عن السلسلة مع مرور الزمن او ال‬
‫تستوعبها بدرجة كافية (البشير‪ ،2016 ،‬ص‪.)59.‬‬

‫‪ .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:‬‬

‫• نماذج املتوسطات املتحركة البسيطة‪ :‬تحدد بالصيغة التالية‪:‬‬

‫‪1 n −1‬‬
‫‪Y T +1 = Y T − r‬‬
‫ˆ‬
‫‪n r =0‬‬
‫• نماذج املتوسطات املتحركة املرجحة االسية‪ :‬صيغتها هي‪:‬‬
‫‪‬‬
‫)‪Yt =   (1 −  ) Yt −( r +1‬‬
‫‪r‬‬

‫‪r =0‬‬

‫‪0 ‬‬ ‫‪1‬‬

‫‪ : ‬تمثل معلمة التكييف (التعديل)‪.‬‬

‫‪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

‫‪ -‬طريقة املتوسطات املتحركة املمركزة‪ :‬تحدد بالصيغة التالية‪:‬‬

‫‪n −1‬‬
‫‪2‬‬
‫‪1‬‬
‫= ‪Yt‬‬
‫‪n‬‬
‫‪( ) Y‬‬
‫‪− n −1‬‬
‫‪t −r‬‬ ‫‪ -‬حالة ‪ n‬فردي‪:‬‬
‫=‪r‬‬
‫‪2‬‬

‫‪n‬‬
‫‪2‬‬
‫‪1‬‬
‫= ‪Yt‬‬ ‫‪ DtYt −r‬‬
‫‪n r = −n‬‬
‫‪ -‬حالة ‪ n‬زوجي‪:‬‬
‫‪2‬‬

‫حيث ‪ Dt‬متغير تمثيلي ‪ Dummy Variable‬يأخذ‪:‬‬

‫‪1‬‬ ‫‪n‬‬
‫‪ 2 if r =  2‬‬
‫‪Dt = ‬‬
‫‪1 if r = − n  r  n‬‬
‫‪‬‬ ‫‪2‬‬ ‫‪2‬‬
‫تستعمل الطريقتان‪ ،‬املتوسطات املتحركة البسيطة واملتوسطات املتحركة املمركزة إلزالة التذبذبات‬
‫الحادة (الفصلية) والعشوائية من السلسلة الزمنية‪.‬‬

‫‪ -‬طرق التمهيد األس ي‪ :‬وتنقسم الى ‪ 04‬طرق هي االخرى‪:‬‬

‫• نموذج التمهيد األس ي األحادي‪ :‬يتم تطبيق هذا النموذج عندما ال يكون هناك اتجاه عام او فصلي‬
‫في السلسلة الزمنية‪ ،‬أي املعطيات تحول الى متوسطات بمعنى ان السلسلة الزمنية التي تسلك مسار‬
‫عشوائي حول وسط حسابي ثابت وتحدد بالعالقة اآلتية (يحياوي‪ ،2014 ،‬ص ص‪:)28-27:‬‬

‫‪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

‫‪ -‬من خالل تطبيق طريقة التمهيد االس ي فان ‪ EViwes‬يوفر لنا‪:‬‬

‫‪ 5 -‬طرق للتمهيد وهي‪:‬‬
‫• الطريقة األولى وهي طريقة التمهيد االس ي األحادي ‪Single‬‬
‫• الطريقة الثانية تتمثل في عملية التمهيد االس ي الثنائي ‪Double‬‬

‫‪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:‬‬

‫• نضغط على ‪ OK‬فتحصل على النتائج التالية‪:‬‬

‫‪ 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:‬‬

‫• نضغط على ‪ OK‬فتحصل على النتائج التالية‪:‬‬

‫‪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:‬‬

‫أيضا يمكن الضغط مرتين‬

‫على ‪ ،Range‬فنتحصل على‬
‫نافذة ‪Workfile Structure‬‬
‫الجل توسيع السلسلة‬
‫الزمنية‬

‫‪ -‬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

‫• نضغط على ‪ OK‬فتحصل على النتائج التالية‪:‬‬

‫‪ -‬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

‫‪ .5‬التنبؤ بطريقة ‪Box-Jenkins‬‬

‫‪Forecasting using Box and Jenkins Method‬‬

‫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

‫‪ .I‬طريقة ‪Box and Jenkins‬‬

‫قبل الشروع في منهجية ‪ Box - Jenkins‬البد من التعرف أوال على نماذج ‪ ،ARMA‬تفترض هذه‬
‫ويمكن تحديدها بالنماذج‬ ‫‪yt −1‬‬ ‫لها تأثير أكبر من‬ ‫‪ y t − 2‬و ‪yt‬‬ ‫لها تأثير أكبر من‬ ‫‪yt −1‬‬ ‫النماذج الرياضية أن‬
‫الرياضية التالية‪:‬‬
‫‪ .1‬النماذج الرياضية للسالسل الزمنية ‪ARMA‬‬
‫يمكن ان نحددها بثالث انواع من السالسل وهي (مولود‪)1998 ،‬‬
‫‪ .1.1‬نموذج االنحدارالذاتي‬
‫يقال للعملية التصادفية ‪ X t ; t = 0, 1, 2......‬بأنها عملية انحدار ذاتي برتبة ‪Autoregressive of Order p‬‬
‫‪ ، X‬حيث‬ ‫‪t‬‬ ‫‪= a1 xt −1 + a2 xt −2 + ...... + a p xt − p + et‬‬ ‫إذا حققت املعادلة التالية‪:‬‬ ‫والذي يرمز له بالرمز )‪AR( p‬‬

‫ان‪ a , a , a ,.........., a :‬معلمات االنحدار الذاتي ‪ et ، Autoregressive Parameters‬الخطأ العشوائي عند‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪p‬‬

‫الزمن ‪ t‬وهو عملية عشوائية مجردة (تشويش أبيض)‪.‬‬

‫‪ .2.1‬نموذج املتوسطات املتحركة‬
‫يقال للعملية التصادفية ‪ X t ; t = 0, 1, 2...‬بأنها عملية أوساط متحركة برتبة‪Moving Average of Order‬‬
‫‪،X‬‬ ‫‪t‬‬ ‫‪= et + b1et −1 + b2et −2 + ...... + bq et −q‬‬ ‫إذا تحققت املعادلة التالية‪:‬‬ ‫)‪MA(q‬‬ ‫والذي يرمز له بالرمز‬ ‫‪q‬‬

‫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

‫‪ .2‬منهجي ـ ــة ‪Box-Jenkins‬‬

‫رأينا ان عملية االنحدار الذاتي ‪ ، AR‬تتكون من مجموعة خطية محدودة من القيم السابقة للسلسلة‬
‫الزمنية‪ .‬بينما يتكون الجزء املتوسط املتحرك ‪ ، MA‬من تركيبة خطية محدودة في الزمن ‪ t‬من القيم السابقة‬
‫للتشويش االبيض‪ .‬في كتابيهما الشهير "‪ "Time Series Analysis: Forecasting and Control‬املنشور في سنة‬

‫‪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:‬‬

‫‪ .1.2‬مرحلة البحث عن التمثيل املناسب (التعرف)‬

‫تعد مرحلة التحديد هي األكثر أهمية واألكثر صعوبة‪ ،‬فهي تتكون من تحديد النموذج املناسب لعائلة نماذج‬
‫‪ ، ARIMA‬وهذا من خالل دراسة دالة االرتباط البسيطة والجزئية‪ .‬نضع بعض القواعد البسيطة لتسهيل‬
‫)‪:(Bourbonnais, 2015, pp. 260-261‬‬ ‫‪ARIMA‬‬ ‫البحث عن الدرجات املناسبة ‪ p, d , q‬لنموذج‬
‫‪ )1‬التعديل املوسمي‬
‫في حالة وجود سلسلة تتأثر بالحركة املوسمية‪ ،‬يجب ازالتها قبل أي معالجة إحصائية‪ ،‬وفي نهاية املطاف‬
‫تضاف هذه املوسمية إلى السلسلة املراد التوقع بها في نهاية العالج من أجل الحصول على التوقعات النهائية‪.1‬‬

‫‪ )2‬البحث عن االستقرارية من حيث االتجاه العام‬

‫إذا كانت دراسة "مخطط االرتباط ‪ "Correlogram‬لدالة االرتباط الذاتي واالختبارات الخاصة بإحصائية‪:‬‬
‫‪ Q -Statistic‬تدل على تأثر السلسلة الزمنية باالتجاه العام‪ ،‬فيجب دراسة خصائصها وفقا الختبارات‬
‫‪ ،Dickey-Fuller‬وهذا بهدف ازالة االتجاه حسب خصائص النموذج ‪ DS‬أو ‪ .TS2‬بعد دراسة االستقرارية‪،‬‬
‫لنموذج ‪ ARMA‬كمايلي )‪:(Bourbonnais, 2015, p. 261‬‬ ‫‪p, q‬‬ ‫يمكننا تحديد الدرجتين‪:‬‬
‫للحدود األولى ‪( q‬‬ ‫إذا كان "مخطط االرتباط ‪ "Correlogram‬لدالة االرتباط الذاتي البسيطة ‪ACF‬‬ ‫‪-‬‬
‫‪ q = 3‬كحد أقص ى) تختلف عن الصفر وقيم منحنى دالة االرتباط الجزئي تنخفض تدريجيا‪ ،‬فيمكننا‬
‫)‪.MA(q‬‬ ‫ان نشخص او نستنتج ان نموذج املتوسطات املتحركة هو‪:‬‬
‫‪ -‬إذا كان "مخطط االرتباط ‪ "Correlogram‬لدالة االرتباط الذاتي الجزئية ‪ PACF‬للحدود األولى ‪( p‬‬
‫كحد أقص ى) تختلف عن الصفر وقيم منحنى دالة االرتباط البسيطة تنخفض تدريجيا‪،‬‬ ‫‪p=3‬‬

‫)‪. AR( p‬‬ ‫فنستنتج ان نموذج االنحدار الذاتي هو‪:‬‬

‫والتي يتم‬ ‫‪ARMA‬‬ ‫‪ -‬إذا لم تظهر دوال االرتباط الذاتي البسطة والجزئية متقطعة‪ ،‬فهي عندئذ من نوع‬
‫تحديد رتبها وفقا "ملخطط االرتباط ‪ "Correlogram‬الخاص بها‪.‬‬

‫‪ 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

‫الجدول املوالي يلخص هذه الحاالت الثالث املختلفة‪:‬‬

‫ملخص خصائص ملخطط دالة االرتباط الذاتي البسيطة والجزئية‬
‫دالة االرتباط الذاتي البسيطة ‪ ACF‬دالة االرتباط الذاتي الجزئية ‪PACF‬‬ ‫نوع النموذج‬
‫تناقص اس ي‬ ‫تنعدم معنويا بعد الدرجة ‪q‬‬ ‫)‪MA(q‬‬

‫تنعدم معنويا بعد الدرجة ‪p‬‬ ‫تناقص اس ي‬ ‫)‪AR( p‬‬

‫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
‫ˆ‪ˆ‬‬ ‫‪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.‬‬

‫‪ )3‬معاييراملفاضلة بين النماذج املرشحة للتنبؤ‬

‫قد تكون النماذج املرشحة كلها جيدة اثناء التطبيق عليها اختبارات التشخيص‪ ،‬غير انه عملية التنبؤ تحتاج‬
‫الى نموذج مناسب فقط‪ .‬ألجل اختيار النموذج املناسب‪ ،‬فانه هناك معايير الالزمة لذلك ومن بينها‪:‬‬
‫• معيار ‪Akaike Information Criterion :1969‬‬
‫صيغة هذا املعيار‪:‬‬
‫‪ p+q‬‬
‫‪AIC ( p, q) = ˆ 2  exp 2 ‬‬ ‫‪‬‬
‫‪ T ‬‬
‫‪ : ˆ 2 -‬تباين البواقي املحسوب بطريقة املعقولية العظمى وذلك بقسمة مربعات البواقي على عدد‬
‫‪.T‬‬ ‫املشاهدات‬
‫‪ : ( p + q) -‬عدد معـالم النموذج وليس مجموع درجتي النموذج‪.‬‬
‫‪ -‬نظرا ألهميته القصوى في النماذج املستعملة ألكبر عدد من املشاهدات عدل كمايلي‪:‬‬
‫)‪AIC ( p, q‬‬
‫= )‪NAIC ( p, q‬‬
‫‪T‬‬
‫‪.NAIC‬‬ ‫او‬ ‫نرشح النموذج الذي يحقق أصغر قيمة للمعيار ‪AIC‬‬

‫• معيار ‪Bayesian Information Criterion: Schwarz 1979‬‬

‫ألجل تحقيق خصائص تقاربية‪ ،‬اقترحت صيغة هذا املعيار في‪:‬‬
‫‪ p+q‬‬
‫‪BIC ( p, q ) = Ln (ˆ 2 ) + ‬‬ ‫‪ LnT‬‬
‫‪ T ‬‬
‫كذلك‪ ،‬نرشح النموذج الذي يحقق أصغر قيمة للمعيار‪.‬‬
‫• معيار‪Hannan-Quinn :1979‬‬
‫صيغة هذا املعيار‪:‬‬
‫‪Ln LnT‬‬
‫‪HQ( p, q) = Ln (ˆ 2 ) + ( p + q)C‬‬ ‫‪T‬‬
‫‪, C2‬‬
‫كذلك‪ ،‬نختار النموذج الذي يحقق أصغر قيمة للمعيار‪.1‬‬

‫‪ 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 + ˆ1ˆT + ˆ2ˆT −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 + ˆ1ˆT + ˆ2ˆT ++ ˆq T −q + 2‬‬

‫‪WˆT + h = E WT + h | WT , ..,W1 ‬‬

‫‪WˆT + h = ˆ1WˆT + h −1 ++ ˆpWT + h − p + Cˆ + ˆ1ˆT + h −1 ++ ˆq T + h −q‬‬

‫‪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

‫يمكن أن يؤخذ في شكل نسبة‪:‬‬

‫‪H ‬‬
‫‪Y − Yˆ ‬‬
‫‪PME = H −1   T + h t + h ‬‬
‫‪h =1 ‬‬ ‫‪YT + h ‬‬
‫يمكن أيضا استخدام متوسط مربع الخطأ الذي يعتبر أكثر فعالية من املعيار السابق‪ ،‬اي‪:‬‬

‫(‬ ‫)‬
‫‪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.‬‬

‫‪ .II‬تطبيق حالة عملية ملنهجية ‪ Box - Jenkins‬على برنامج ‪EViews‬‬

‫نأخذ املثال العملي ‪ 9‬والخاص بقيم متغير ما من الفترة‪ t=1 :‬الى الفترة‪ t=220 :‬املمثلة في الجدول‬
‫املوالي‪ .‬واملطلوب هو حساب القيم لتنبؤية الربع الفترات الزمنية القادمة؟‬

‫‪ 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

‫‪ -‬نختار املستوى ‪ ،Level‬ونضغط ‪ OK‬فيظهر لنا مخطط االرتباط ادناه‪:‬‬

‫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:‬‬

‫من هنا نحدد نوع االختبار‬

‫املناسب لدراسة استقرارية‬
‫السلسلة الزمنية‬
‫اختبار استقرارية السلسلة في‪:‬‬ ‫مدى درجة التباطؤ‬
‫املستوى او الفرق األول او الفرق‬ ‫من هنا نحدد نوع املعيار‬
‫الثاني‬ ‫املعتمد في درجة التباطؤ‬

‫هل تتضمن السلسلة الزمنية‪:‬‬ ‫اقص ى درجة تباطؤ‬

‫الثابت او اتجاه عام خطيى او‬ ‫للسلسلة الزمنية‬
‫الشيئ ما سبق‬
‫تحديد درجة التباطؤ‬
‫بشكل اختياري‬

‫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% :‬‬

‫على الثابت فقط كما في الشكل ادناه‪:‬‬

‫‪124‬‬
‫‪Forecasting using Box and Jenkins Method‬‬ ‫التنبؤ بطريقة ‪Box-Jenkins‬‬

‫‪ -‬نضغط على ‪ ،OK‬فنتحصل على املخرجات ادناه‪:‬‬

‫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%‬‬

‫‪ X1‬كما في الشكل ادناه‪:‬‬

‫‪125‬‬
Forecasting using Box and Jenkins Method Box-Jenkins ‫التنبؤ بطريقة‬

:‫ فنتحصل على املخرجات ادناه‬،OK ‫ نضغط على‬-

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%‬‬

‫الثابت فقط كما في الشكل ادناه‪:‬‬

‫‪ -‬نضغط على ‪ ،OK‬فنتحصل على املخرجات ادناه‪:‬‬

‫‪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 :‬‬

‫هذه الحدود تقع خارج مجال‬

‫‪ ،‬أي تختلف‬ ‫الثقة‪:‬‬
‫معنويا عن ‪ ،0‬التي من خاللها‬
‫نحدد النماذج املختلفة من‬
‫)‪ARIMA(p,I,q), MA(q), AR(p‬‬
‫املرشحة للتقدير‬

‫‪ -‬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

‫‪ -‬نضغط على ‪ ،OK‬فنتحصل على املخرجات التالية في الشكل اآلتي‪:‬‬

‫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

‫املعادلة املتنبؤ بها (سبق لنا ان‬

‫خزنها تحت اسم ‪)EQ02‬‬
‫السلسلة الزمنية املتنبؤ بها‪ ،‬اما‬
‫نختار السلسلة االصلية ‪ X1‬او‬ ‫طريقة التنبؤ‪ ،‬اما‬
‫السلسلة املفرقة )‪d(X1‬‬ ‫دينامكيي او ساكن‬
‫اسم سلسلة املتغير املتنبؤ به‬
‫‪( X1f‬يمكن ان نختار أي سم)‬

‫حجم العينة‪ ،‬ومن هنا نغيرها‬

‫من ‪ 220‬الى ‪ 224‬الجل التنبؤ‬
‫للفترات القادمة‬ ‫مخرجات التنبؤ‪،‬‬
‫منحى بياني مع‬
‫النتائج‬

‫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

‫‪ .6‬نماذج اشعة االنحدارالذاتي‬

‫)‪Vector Autoregressive (VAR‬‬

‫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

‫‪ .I‬نماذج االنحدارالذاتي املتعدد ‪Multivariate Autoregressive Models‬‬

‫سنعرض في هذا الجزء عددا معينا من املفاهيم من أجل فهم ديناميكية االرتباط بين السالسل الزمنية‬
‫املختلفة (مفاهيم التحليل الهيكلي‪ ،‬السببية‪ ،‬التكامل املشترك ……‪ .)..‬سنرى أيضا فئة من النماذج‪ ،‬وتعميم‬
‫نم ـ ـ ــاذج )‪ AR( p‬أحادي ـ ــة املتغي ــر فـ ــي إط ـ ـ ــار متعـ ـ ـ ــدد املتغي ـ ـ ـرات‪ :‬نمـ ـ ـ ــاذج اش ـع ـ ـ ـ ـ ــة االنح ـ ـ ــدار ال ـ ـ ـ ــذات ــي‬
‫‪.Vector Autoregressive: VAR‬‬

‫‪ .1‬الصيغة الصياغة العامة لنموذج ‪(VARMA) VAR‬‬

‫قبل الشروع في منهجية ‪ Box - Jenkins‬البد من التعرف أوال على نماذج ‪ ،ARMA‬تفترض هذه‬
‫لها‬ ‫‪yt −1‬‬ ‫النماذج الرياضية أن‬
‫يكتب نموذج ‪ VAR‬لـ‪ k :‬متغير و ‪ p‬تباطؤ )‪ VAR( p‬في شكل مصفوفي )‪:(Charpentier, 2006, pp. 14-16‬‬
‫‪Yt = 0 + 1Yt −1 + 2Yt −2 + ......... +  pYt − p +  t‬‬
‫‪Yt1 ‬‬ ‫‪11i 11i ........ 1ki ‬‬ ‫‪10 ‬‬ ‫‪ t1 ‬‬
‫‪ 2‬‬ ‫‪ 1‬‬ ‫‪‬‬ ‫‪ 0‬‬ ‫‪ 2‬‬
‫‪2i 2i ........ 2i ‬‬ ‫‪2 ‬‬ ‫‪ t ‬‬
‫‪1‬‬ ‫‪k‬‬
‫‪Yt ‬‬
‫‪ ‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪ ‬‬ ‫‪ ‬‬
‫‪Yt = . ‬‬ ‫‪,  i = .‬‬ ‫‪ ,  0 = . ‬‬ ‫‪,  t = . ‬‬
‫‪. ‬‬ ‫‪.‬‬ ‫‪‬‬ ‫‪. ‬‬ ‫‪. ‬‬
‫‪ ‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪ ‬‬ ‫‪ ‬‬
‫‪Yt k ‬‬ ‫‪ki1 ki1 ........ kik ‬‬ ‫‪k0 ‬‬ ‫‪ tk ‬‬
‫‪ ‬‬ ‫‪‬‬ ‫‪‬‬ ‫‪ ‬‬ ‫‪ ‬‬
‫مصفوفة التباين‪ -‬التباين املشترك لألخطاء ) ‪  = E (  t,  t‬هنا غير معروفة‪ ،‬يمكن كتابتها على الشكل‪:‬‬
‫‪(1-1L- 2 L2 ........- p Lp )Yt =  0 + t‬‬
‫‪ (L )Yt =  0 + t‬‬
‫حيث ‪ ‬هي مصفوفة كثير الحدود ذات البعد ) ‪ ( k  k‬للمتغيرات ‪ Y .......Y‬التي تعتبر كسالسل زمنية‬
‫‪1‬‬
‫‪t‬‬ ‫‪t‬‬
‫‪k‬‬

‫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

‫) ‪(i‬‬ ‫‪E ( Yt ) = ‬‬ ‫‪, t‬‬

‫) ‪( ii‬‬ ‫‪V ( Yt ) ‬‬
‫) ‪( iii‬‬ ‫‪COV ( Yt , Yt + k ) = E ( Yt −  )( Yt + k −  )  =  k‬‬ ‫‪, 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 ان‪0 ,  :‬‬

‫)‪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

‫‪ : Y‬متغيرات داخلية‪.‬‬ ‫‪1,t‬‬ ‫‪........Yk ,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

‫‪det (  ( L) )  0‬‬ ‫للقلب تحت الشرط التالي‪:‬‬

‫‪140‬‬
‫)‪Vector Autoregressive (VAR‬‬ ‫نماذج اشعة االنحدارالذاتي‬

‫‪ .2‬الخطوات املتبعة لتقدير نموذج ‪VAR‬‬

‫‪ -‬يمكن تقدير كل من املعادالت بواسطة طريقة املربعات الصغرى بشكل مستقل عن بعضها البعض‬
‫(أو بطريقة املعقولية العظمى)‪.‬‬
‫‪ -‬ال يمكن تقدير معامالت نموذج ‪ VAR‬انطالقا من سالسل زمنية غير مستقرة‪ ،‬وهذا اال بعد دراسة‬
‫خصائصها الزمنية‪ .‬اما ان تكون مستقرة بعد اخذ الفروقات لها وهذا قبل تقدير املعلمات في حالة‬
‫اتجاه عام عشوائي‪ ،‬أو من املمكن إضافة مركبة االتجاه العام إلى صيغة نموذج ‪ VAR‬في حالة اتجاه‬
‫عام محدد (ثابت)‪ .‬أيضا‪ ،‬يمكن إضافة متغيرات صورية إلى مواصفات ‪ VAR‬من أجل تصحيح التغيرات‬
‫املوسمية أو الفترات الزمنية غير العادية‪.‬‬
‫‪ -‬وقبل هذا‪ ،‬البد من تحديد عدد التأخيرات في نموذج ‪ ، VAR‬فإننا نستخدم معايير املعلومات ‪Akaike‬‬
‫التأخر ‪p‬‬ ‫و ‪ Schwarz‬ومعيار ‪ ،Hannan-Quin‬حيث يمكن استخدام هذه املعايير لتحديد درجة‬
‫للنموذج‪ .‬يرتكز إجراء اختيار فترة االبطاء على تقدير جميع معادالت النموذج ‪ VAR‬ألجل أي فترة او‬
‫( ‪ p‬هو الحد األقص ى للتأخير املسموح به من قبل النظرية االقتصادية أو البيانات‬ ‫‪p‬‬ ‫درجة من ‪ 0‬إلى‬
‫)‪ (Bourbonnais, 2015, pp. 279-280‬والدالة‬ ‫حساب الدالتين‪AIC ( p ) , SC ( p ) :‬‬ ‫املتاحة)‪ .‬يتم‬
‫) ‪ HQ ( p‬على النحو التالي‪:‬‬
‫‪2k 2 p‬‬
‫‪AIC ( p )=Ln det  ˆ  +‬‬
‫‪T‬‬
‫) ‪k 2 Ln(T‬‬
‫‪SC ( p )=Ln det  ˆ  +‬‬
‫‪T‬‬
‫‪2‬‬ ‫‪log‬‬ ‫‪log T 2‬‬
‫‪HQ( p )=Ln det  ˆ  +‬‬ ‫‪k p‬‬
‫‪T‬‬
‫‪ : k‬عدد املتغيرات في النظام‪.‬‬
‫‪ : T‬عدد املشاهدات‪.‬‬
‫‪ : p‬عدد فترات االبطاء‪.‬‬
‫‪ : ‬مصفوفة التباين‪ -‬التباين املشترك لبواقي التقدير لهذا النموذج‪.‬‬ ‫ˆ‬

‫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 1ˆ :‬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 1ˆ  − Ln det 0ˆ ‬‬ ‫)‬ ‫‪ p2 =c‬‬

‫‪141‬‬
‫)‪Vector Autoregressive (VAR‬‬ ‫نماذج اشعة االنحدارالذاتي‬

‫تتبع توزيع ‪ ‬بدرجة حرية تساوي عدد القيود‪.‬‬‫‪2‬‬

‫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

‫• من اجل الفترة ‪ ،2‬يكون التنبؤ املحسوب كمايلي‪:‬‬

‫‪YˆT (2) = ‬‬
‫‪ˆ +‬‬
‫‪0‬‬
‫‪ˆ Yˆ (1) = ‬‬
‫‪1 T‬‬
‫‪ˆ +‬‬
‫‪0‬‬
‫‪ˆ ‬‬
‫ˆ‬ ‫‪ˆ2‬‬
‫‪1 0 + 1 YT‬‬

‫• من اجل الفترة ‪ ،3‬يكون التنبؤ املحسوب كمايلي‪:‬‬

‫‪YˆT (3) = ‬‬
‫‪ˆ +‬‬
‫‪0‬‬
‫‪ˆ Yˆ (2) = I + ‬‬
‫‪1 T‬‬
‫‪ˆ +‬‬
‫‪1‬‬
‫‪ˆ2 ‬‬
‫‪1‬‬
‫‪ˆ +‬‬
‫‪0‬‬
‫‪ˆ 3Y‬‬
‫‪1 T‬‬‫(‬ ‫)‬
‫• بصفة عامة ألجل األفق ‪ ، h‬يكون التنبؤ املحسوب كمايلي‪:‬‬
‫(‬
‫‪YˆT (h) = I + ‬‬
‫‪ˆ +‬‬
‫‪1‬‬
‫‪ˆ 2 + ...... + ‬‬
‫‪1‬‬
‫‪ˆ h −1 ‬‬
‫‪1‬‬
‫‪ˆ +‬‬
‫‪0‬‬
‫‪ˆ hY‬‬
‫‪1 T‬‬ ‫)‬
‫إلى ما ال نهاية ) ‪ ، ( h → ‬نجد أن التنبؤ يؤول إلى قيمة ثابتة (حالة مستقرة) الن‪:‬‬ ‫‪h‬‬ ‫عندما يؤول‬
‫) ‪ ، ( ˆ 1h → 0‬وتوقع مصفوفة خطأ التنبؤ يكون معدوم وتباينه معطى بالعالقة التالية‪:‬‬
‫‪ (h) =M  M ‬‬
‫‪0‬‬ ‫‪0‬‬ ‫‪+ M 0  M 0 + .... + M h−1  M h−1‬‬
‫حيث ‪ M‬محسوبة بصيغة التراجع‪:‬‬ ‫‪i‬‬

‫) ‪min( p ,i‬‬
‫= ‪Mi‬‬ ‫‪‬‬‫‪j =1‬‬
‫‪Aˆ j M i − j‬‬ ‫‪, i = 1, 2,..... , M 0 = I‬‬

‫وبالتالي يكون لدينا‪:‬‬

‫ˆ‬
‫‪M 1 =‬‬ ‫‪1‬‬

‫‪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 ) ‬‬

‫هي القيمة الحرجة للتوزيع الطبيعي‪.‬‬ ‫‪t /2‬‬ ‫حيث‪:‬‬

‫‪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

‫‪  =  ˆ0  +  ˆ1‬‬ ‫‪‬‬

‫‪1  Y‬‬
‫‪+ ˆ ‬‬
‫‪ Y2t   2   21‬‬ ‫‪21   2t −1    2t ‬‬
‫ˆ‬

‫التغير في ˆ‪ ‬خالل فترة زمنية معينة يكون له نتيجة على ‪ Y‬و ‪ Y‬ثم على ‪ ، Y‬فاذا حدثت صدمة‬
‫‪1t+ 2‬‬ ‫‪1t +1‬‬ ‫‪1t‬‬ ‫‪1t‬‬

‫في اللحظة ‪ t‬على ˆ‪ ‬تساوي ‪ 1‬فان إثرها يكون كاالتي‪:‬‬

‫‪1t‬‬

‫‪ Y1t  1 ‬‬

‫‪‬‬ ‫‪= ‬‬ ‫• في القترة ‪: t‬‬
‫‪ Y2t   0 ‬‬

‫‪ Y1t +1   ˆ11‬‬ ‫‪ˆ112  1 ‬‬

‫‪0‬‬

‫‪‬‬ ‫‪= 1‬‬ ‫‪ ‬‬ ‫• في القترة ‪: t + 1‬‬

‫‪ Y2t +1   ˆ21‬‬ ‫‪ˆ211   0 ‬‬
‫‪ Y1t + 2   ˆ11‬‬ ‫‪ˆ112   Y1t +1 ‬‬
‫‪0‬‬

‫‪...... ‬‬ ‫‪‬‬ ‫=‬ ‫‪‬‬ ‫‪‬‬ ‫‪‬‬ ‫• في القترة ‪: t + 2‬‬

‫‪ Y2t + 2   ˆ21‬‬
‫‪1‬‬
‫‪ˆ211   Y2t +1 ‬‬
‫هذه القيم املحسوبة تعطي دالة استجابة وتتحقق بفرضية عدم وجود ارتباط بين األخطاء‪ ،‬لكن هذه‬
‫الفرضية نادرا ما تكون محققة‪ .‬وفي حالة انه هناك ارتباط قوي بين صدمتين ˆ‪ ‬و ˆ‪ ، ‬فان صدمة ما‬
‫‪2t‬‬ ‫‪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

‫‪i =0‬‬ ‫‪i =0‬‬

‫ومن السهل التأكد من ان لألخطاء ‪ v‬مصفوفة تباين‪-‬تباين مشترك‬

‫‪t‬‬
‫‪، vt = P  t , M i = Ci P‬‬
‫‪−1‬‬
‫مع‪:‬‬
‫تمثل استجابة النظام بالنسبة لصدمة مستقلة وطبيعية على‬ ‫‪Mi‬‬ ‫تساوي املصفوفة األحادية‪ .‬أعمدة‬
‫خطأ متغير ما بعد ‪ t‬فترة زمنية معينة‪ .‬تم تعميم هذا النوع من التحليل بواسطة‪(Sims , 1980), :‬‬
‫)‪.(Lubrano, 2007, pp. 10-11), (Sims, 1981‬‬
‫كمثال على ذلك نأخذ النموذج التالي بمتغيرين‪:‬‬
‫‪Y1t = 111 Y1t −1 + 111 Y2t −1 + 1t‬‬
‫‪Y2t = 21‬‬
‫‪1‬‬
‫‪Y1t −1 + 212 Y2t −1 +  2t‬‬
‫‪ Y1t   11‬‬
‫‪1‬‬
‫‪111   Y1t −1   1t ‬‬
‫‪  =  1‬‬ ‫‪‬‬ ‫‪+ ‬‬
‫‪ Y2t   21‬‬ ‫‪212   Y2t −1    2t ‬‬
‫‪V (1t ) =  21 , V ( 2t ) =  22 , cov = (1t ,  2t ) = k  0‬‬ ‫مع‪:‬‬
‫بحساب ‪ Y2t − (k /  2 )Y1t‬نحصل على‪:‬‬
‫‪1‬‬

‫(‬ ‫)‬
‫‪Y2t = k /  21 Y1t + (21‬‬
‫‪1‬‬
‫(‬ ‫)‬
‫‪− 111 . k /  21 )Y1t −1 + (212 − 112 . k /  21 )Y2t −1 +  2t − k /  21 1t‬‬

‫‪  t =  2t‬يكون لدينا‪:‬‬ ‫نضع ‪− ( k /  ) ‬‬

‫‪2‬‬
‫‪1‬‬ ‫‪1t‬‬

‫‪cov(1t ,  t ) = E ( 1t ,  t ) = cov(1t ,  2t ) − k /  21 E ( 12t ) = k − k = 0‬‬

‫لم تعد األخطاء مترابطة (شاقولية)‪ .‬لذلك يمكن إجراء تحليل الصدمة على املعادلتين التاليتين اللتين‬
‫تكون أخطائهما متعامدة (شاقولية)‪.‬‬
‫‪Y1t = 111 Y1t −1 + 112 Y2t −1 + 1t‬‬
‫(‬ ‫)‬
‫‪Y2t = k /  21 Y1t + (21‬‬
‫‪1‬‬
‫(‬
‫‪− 111 . k /  21 )Y1t −1 + (212 − 112 . k /  21 )Y2t −1 +  2t − k /  21 1t‬‬‫)‬
‫كما ان التعميم على نموذج ‪ VAR‬بمتغيرات ‪ k‬يتطلب استخدام إجراءات املصفوفة الشاقولية‪ ،‬وبالتالي‬
‫يثبت أنه اجراء معقد‪ .‬وتجدر اإلشارة إلى أن النتائج تتأثر باختيار املعادلة املستخدمة كأساس‬
‫للتحويل‪ ،‬حيث ان النتائج سوف تكون مختلفة إذا كان التحويل على ‪ Y‬بدال من ‪ ، Y‬وهذا هو السبب‬
‫‪2t‬‬ ‫‪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

‫الخاص باملصفوفة ‪ . M‬يمكننا التعبير عن املجموع على اليسار‬ ‫‪i‬‬

‫العنصر )‪( j,1‬‬ ‫حيث يعبر ‪ m j1,i‬عن‬
‫بشكل مختلف عن طريق عكس املجموعتين الضمنيتين‪:‬‬
‫‪h −1‬‬
‫) ‪Y j ,t + h − E (Y j ,t + h ) =  (m jk ,1vk ,t + h +........ + m jk ,h −1vk ,t +1‬‬
‫‪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 ‫‪=  (ej 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

‫‪ m‬‬‫‪k =1 i = 0‬‬

‫‪2‬‬
‫‪jk ,i‬‬ ‫‪v‬‬

‫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

‫حيث‪ m :‬هي عناصر املصفوفة ‪. M‬‬ ‫‪ii‬‬

‫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

‫‪ 2  m222 (0) + m222 (1) + ..... + m222 (h − 1) ‬‬

‫‪2‬‬

‫) ‪ Y2 ( h‬‬ ‫‪1‬‬

‫وتفسر النتائج كمايلي‪:‬‬

‫• إذا كانت الصدمة على ‪ ‬ال تؤثر على تباين الخطأ لـ‪ Y :‬مهما كان أفق التوقع ‪ ، h‬فيمكن ان نعتبر‬
‫‪2t‬‬ ‫‪1t‬‬

‫ان ‪ Y‬متغير خارجي ألن ‪ Y‬تتطور بشكل مستقل عن ‪. ‬‬

‫‪1t‬‬ ‫‪2t‬‬ ‫‪2t‬‬

‫• 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

‫‪ 1‬هناك أيضا مفوم آخر لسببية‪Sims 1980 :‬‬

‫‪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

‫(‬ ‫)‬ ‫(‬

‫) ‪V Yt + h − E (Yt + h Y1t , X 1t ) = V Yt + h − E (Yt + h Y1t‬‬ ‫)‬
‫مستقرتين‬ ‫‪Y1t , Y2t‬‬ ‫هو النموذج الذي تكون فيه السلسلتين‬ ‫) ‪VAR ( p‬‬ ‫ليكن النموذج‬
‫)‪:(Bourbonnais, 2015, pp. 292-293‬‬
‫‪ Y1t   1   11‬‬
‫‪1‬‬ ‫‪1‬‬
‫‪112   Y1t −1   121‬‬ ‫‪122   Y1t −2 ‬‬ ‫‪ 11p‬‬ ‫‪12p   Y1t − p   1t ‬‬
‫‪  =  0  +  1‬‬ ‫‪‬‬ ‫‪+‬‬ ‫‪‬‬ ‫‪ + ...... 1‬‬ ‫‪‬‬ ‫‪+ ‬‬
‫‪ Y2t   2   21‬‬ ‫‪212   Y2t −1   221‬‬ ‫‪222   Y2t −2 ‬‬ ‫‪ 2 p‬‬ ‫‪22p   Y2t − p    2t ‬‬
‫‪ (Y‬كمتغيرات خارجية مقارنة بكتلة املتغيرات‬ ‫‪2 t −1‬‬ ‫) ‪, Y2t − 2 ,..., Y2t − p‬‬ ‫تعتبر سلسلة املتغيرات‬
‫ما إذا كانت إضافة كتلة ‪ Y‬ال تحسن معنويا تحديد (أي القدرة التفسيرية)‬‫‪2t‬‬ ‫) ‪(Y1t −1 , Y1t − 2 ,....., Y1t − p‬‬

‫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

‫‪ L* = (T − c ) ( Ln  RVAR‬التي تتبع توزيع ‪ ‬بدرجة حرية‪:‬‬

‫‪2‬‬
‫‪− Ln UVAR‬‬ ‫نحسب نسبة املعقولية‪) :‬‬
‫‪2 p‬‬
‫‪ : ‬مصفوفة التباين‪-‬التباين املشترك لبواقي النموذج املقيد‪.‬‬ ‫‪RVAR‬‬
‫‪-‬‬
‫‪ : ‬مصفوفة التباين‪-‬التباين املشترك لبواقي النموذج غير املقيد‪.‬‬ ‫‪UVAR‬‬
‫‪-‬‬
‫‪ : T -‬عدد املشاهدات‪.‬‬
‫‪ : c -‬عدد املعلمات املقدرة في النموذج غير املقيد‬
‫إذا اكانت‪ ، L*  2P2 :‬فإننا نرفض فرضية وجود القيد (أي رفض الفرضية ‪.) H‬‬
‫‪0‬‬

‫‪147‬‬
‫)‪Vector Autoregressive (VAR‬‬ ‫نماذج اشعة االنحدارالذاتي‬

‫‪ .II‬تطبيق حالة عملية لنماذج اشعة االنحدارالذاتي ‪ VAR‬على برنامج ‪EViews‬‬

‫ليكن التطبيق العملي ‪ 10‬والخاص باملتغيرات‪ Y1, Y2, Y3 :‬للفترة الزمنية‪ 2019-1990 :‬املبينة في‬
‫الجدول اسفله‪ ،‬واملطلوب هو نمذجة قياسية لهذه املتغيرات باستخدام برنامج ‪Eviews‬‬
‫‪t‬‬ ‫‪Y1‬‬ ‫‪Y2‬‬ ‫‪Y3‬‬
‫‪1990‬‬ ‫‪20‬‬ ‫‪20‬‬ ‫‪30‬‬
‫‪1991‬‬ ‫‪21.39178974065889‬‬ ‫‪17.0541198484407‬‬ ‫‪31.40487492830859‬‬
‫‪1992‬‬ ‫‪20.94868400050545‬‬ ‫‪18.32405603083178‬‬ ‫‪32.71344944464465‬‬
‫‪1993‬‬ ‫‪20.62140866515017‬‬ ‫‪19.21744566388749‬‬ ‫‪32.31796100398866‬‬
‫‪1994‬‬ ‫‪20.88153172635251‬‬ ‫‪19.12282211466491‬‬ ‫‪30.86552626572971‬‬
‫‪1995‬‬ ‫‪22.41987397070087‬‬ ‫‪19.363157674074‬‬ ‫‪30.66572461175771‬‬
‫‪1996‬‬ ‫‪25.88868024512611‬‬ ‫‪25.44046078567953‬‬ ‫‪33.02768027996091‬‬
‫‪1997‬‬ ‫‪23.83081020004725‬‬ ‫‪23.46396654666027‬‬ ‫‪32.5899830837093‬‬
‫‪1998‬‬ ‫‪24.76074119651785‬‬ ‫‪23.80959532552503‬‬ ‫‪33.90896076593915‬‬
‫‪1999‬‬ ‫‪28.37063509315175‬‬ ‫‪24.27330921211714‬‬ ‫‪32.6545049247215‬‬
‫‪2000‬‬ ‫‪25.06435162902084‬‬ ‫‪22.84872839735521‬‬ ‫‪31.19745401906528‬‬
‫‪2001‬‬ ‫‪21.39672640325161‬‬ ‫‪21.5865625361499‬‬ ‫‪29.48045577902738‬‬
‫‪2002‬‬ ‫‪21.33047608359216‬‬ ‫‪22.62145320463531‬‬ ‫‪28.48564502578363‬‬
‫‪2003‬‬ ‫‪22.29144887654806‬‬ ‫‪22.62030845507723‬‬ ‫‪28.52381920798325‬‬
‫‪2004‬‬ ‫‪22.1365019666933‬‬ ‫‪23.25249618302701‬‬ ‫‪31.0227422089239‬‬
‫‪2005‬‬ ‫‪18.97204727304548‬‬ ‫‪21.0813133786117‬‬ ‫‪28.37696554005937‬‬
‫‪2006‬‬ ‫‪20.58893701122298‬‬ ‫‪21.31801369428153‬‬ ‫‪26.51833606937031‬‬
‫‪2007‬‬ ‫‪22.5611204586926‬‬ ‫‪22.37654143688303‬‬ ‫‪28.1228517800354‬‬
‫‪2008‬‬ ‫‪23.35564124582749‬‬ ‫‪22.36392068233502‬‬ ‫‪28.03606172240834‬‬
‫‪2009‬‬ ‫‪22.97673750838309‬‬ ‫‪22.31781688062428‬‬ ‫‪28.57184514706811‬‬
‫‪2010‬‬ ‫‪21.91305876528232‬‬ ‫‪22.57584337079828‬‬ ‫‪27.28409336147636‬‬
‫‪2011‬‬ ‫‪19.33126773600262‬‬ ‫‪22.980013405679‬‬ ‫‪26.61342222164484‬‬
‫‪2012‬‬ ‫‪18.69577823194715‬‬ ‫‪22.27114585777543‬‬ ‫‪25.49224464185446‬‬
‫‪2013‬‬ ‫‪19.30053911999498‬‬ ‫‪21.21030033699823‬‬ ‫‪28.10393797056169‬‬
‫‪2014‬‬ ‫‪22.85551343795295‬‬ ‫‪22.6902398085222‬‬ ‫‪29.56977535148383‬‬
‫‪2015‬‬ ‫‪23.84818622609599‬‬ ‫‪22.14682451732492‬‬ ‫‪29.18701258430416‬‬
‫‪2016‬‬ ‫‪23.8546281932007‬‬ ‫‪24.40397333287678‬‬ ‫‪33.90691387530125‬‬
‫‪2017‬‬ ‫‪23.46351016080899‬‬ ‫‪22.35576257168555‬‬ ‫‪30.52590151405914‬‬
‫‪2018‬‬ ‫‪26.04381257263268‬‬ ‫‪24.60564340104795‬‬ ‫‪31.84381446214634‬‬
‫‪2019‬‬ ‫‪26.69590745581175‬‬ ‫‪23.25269873503744‬‬ ‫‪32.22156171808577‬‬

‫‪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

‫‪Variables‬‬ ‫‪Phillips-Perron’s Unit Root Test Statistics‬‬

‫‪Intercept & trend‬‬ ‫‪Intercept‬‬ ‫‪Non‬‬
‫‪-2.212057‬‬ ‫‪-2.155833‬‬ ‫‪-‬‬
‫‪Y1‬‬
‫)‪(0.4657‬‬ ‫)‪(0.2257‬‬ ‫‪-‬‬
‫‪-4.995635‬‬ ‫‪-‬‬ ‫‪-5.002355‬‬
‫)‪D(Y1‬‬
‫)‪(0.0021‬‬ ‫‪-‬‬ ‫***‪(0.0000) *. **.‬‬
‫‪-3.032180‬‬ ‫‪-2.509735‬‬ ‫‪-‬‬
‫‪Y2‬‬
‫)‪(0.1411‬‬ ‫)‪(0.1236‬‬ ‫‪-‬‬
‫‪-8.266142‬‬ ‫‪-‬‬ ‫‪-8.180383‬‬
‫)‪D (Y2‬‬
‫)‪(0.0000‬‬ ‫‪-‬‬ ‫***‪(0.0000) *. **.‬‬
‫‪-2.035303‬‬ ‫‪-‬‬ ‫‪0.218661‬‬
‫‪Y3‬‬
‫)‪(0.5584‬‬ ‫‪-‬‬ ‫)‪(0.7426‬‬
‫‪-7.110252‬‬ ‫‪-‬‬ ‫‪-6.844909‬‬
‫)‪D(Y3‬‬
‫)‪(0.0000‬‬ ‫‪-‬‬ ‫***‪(0.0000) *. **.‬‬
‫‪Note: *, **, *** represents significant at 1%, 5% and 10%‬‬

‫‪ -‬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

‫‪ -‬ثم بعدها املربع الحواري ادناه‪:‬‬

‫‪ -‬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:‬‬

‫‪ 1‬سوف نتطرق الى هذا املفهوم في الفصل ‪ 7‬املوالي‪.‬‬

‫‪ 2‬يمكن استعمال االمر اآلخر‪ Quick → Group Statistics→Johansen Cointegration Test →Series List :‬وندخل املتغيرات ونضغط ‪.OK‬‬
‫‪ 3‬الفرق بين الخيارين هو ان طريقة ‪ Johanson‬تقوم بدراسة التكامل املشترك بين كل املتغيرات مع بعض‪ ،‬اما الطريقة الثانية تكون بين متغيرين‬
‫فقط‪ ،‬مثنى مثنى‪.‬‬

‫‪153‬‬
‫)‪Vector Autoregressive (VAR‬‬ ‫نماذج اشعة االنحدارالذاتي‬

‫‪ -‬نحدد على طريقة ‪ ،Johanson‬فيظهر لنا املربع الحواري ادناه‪:‬‬

‫‪ -‬نوضح هذه املخرجات‪:‬‬

‫• الحظ مجال التباطؤ واملعطى بـ‪ ،]1 1[ :‬سوف نعدله الى [‪ ،]1 2‬الن فترة االبطاء املناسبة قد وجدناها‬
‫[‪ ]1 2‬على أساس معايير االبطاء السابقة‪FPE , AIC, LR , SC, HQ :‬‬
‫• يقترح ‪ 05 :Johansen‬مواصفات تتعلق بأشعة التكامل املشترك أو بما يسمى بالتحديد لسالسل ‪.VAR‬‬
‫‪ o‬ال يوجد اتجاه عام خطي في البيانات (السالسل كلها ‪ DS‬بدون مشتقة)‪:‬‬

‫‪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

‫تمثل املعلمة املقدرة‬

‫تمثل االنحراف املعيار للمعلمة املقدرة‬

‫تمثل قيمة ‪ Student‬وعلى أساسها يمكن‬
‫الحكم على معنوية املعلمة املقدرة‬

‫‪ -‬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

‫املعادلة املقدرة الثانية هي‪:‬‬

‫‪Y2 = 0.290315*Y1(-1) - 0.150664*Y1(-2) + 0.327714*Y2(-1) + 0.187590*Y2(-2) - 0.237689*Y3(-1) +‬‬
‫‪0.138092*Y3(-2) + 10.77534‬‬
‫املعادلة املقدرة الثالثة هي‪:‬‬
‫‪Y3 = 0.546191*Y1(-1) - 0.506684*Y1(-2) - 0.484743*Y2(-1) + 0.360086*Y2(-2) + 0.599149*Y3(-1) +‬‬
‫‪0.128634*Y3(-2) + 10.02623‬‬

‫‪ -‬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

‫‪ -‬نضغط على ‪ Estimate‬فنتحصل على املربع الحواري التالي‪:‬‬

‫‪ -‬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

‫‪ -‬نضغط على ‪ ،OK‬فنتحصل على مخرجات اختبار انعدام املعامالت ادناه‪:‬‬

‫‪ -‬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

‫‪ -‬نحدده بيانيا مثال‪ ،‬ونضغط على ‪ ،OK‬فنتحصل على النتائج التالية‪:‬‬

‫‪ -‬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

‫‪ -‬نضغط على ‪ ،OK‬فنتحصل على نتائجه املوالية‪:‬‬

‫• 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

‫‪ -‬فباختيار االختيار األول )‪ Cholesky of covariance (Lutkepohl‬والضغط على ‪ ،OK‬نتحصل على‬

‫النتائج التالية‪:‬‬

‫‪ -‬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:‬‬

‫هنا يعطينا دوال االستجابة‬

‫َُ‬
‫اما بالقيم او بالروسومات‬ ‫علية من‬ ‫نضع هنا املتغير املؤثر‬
‫َُ‬
‫طرف باقي املتغيرات املؤثرات‬
‫حسب طبيعة الدراسة‬

‫َُ‬
‫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

‫‪ -‬نضغط على ‪ ،OK‬فنتحصل على النتائج التالية‪:‬‬

‫‪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:‬‬

‫هنا يتم اختيار عرض‬

‫تحليل التباين اما بالقيم او‬
‫بالروسومات البيانية على‬
‫حدى او مجمعة او على‬ ‫نضع هنا متغيرات‬
‫شكب مدرجات تكرارية‬ ‫الدراسة‬

‫‪ -‬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

‫‪ -‬بنفس الكيفية يمكننا تفسير تحليل التباين للمتغير ‪.Y3, Y2‬‬

‫▪ ان الهدف من دراسة نموذج ‪ VAR‬هو دراسة التنبؤ او دراسة نماذج السببية‪ ،‬والجل توضيح كل منهما‬
‫نقوم بدراسة السببية ثم بعدها التنبؤ‪ ،‬ونختم باختبار استقرارية النموذج املقدر ككل‪.‬‬
‫▪ قلنا انه إذا 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 (االتجاه من اجل تحديد الظاهرة التابعة من املستقلة)‬
‫ضرورية للصياغة الصحيحة للسياسة االقتصادية‪ .‬فاذا أردنا تطبيق اختبار سببية ‪ ،Granger‬فانه‬
‫يتطلب اجراؤها على املتغيرات املستقرة والجل هذا نعمل على تفريق (تفاضل) كل متغير النه املتغيرات‬
‫االصلية ليست بمستقرة وهي مستقرة عند التفاضالت األولى‪ ،‬حيث توجد عدة طرق الخذ التفاضالت‪،‬‬

‫‪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:‬‬

‫‪ -‬نضغط على ‪ ،OK‬فنتحصل على النتائج التالية‪:‬‬

‫‪173‬‬
‫)‪Vector Autoregressive (VAR‬‬ ‫نماذج اشعة االنحدارالذاتي‬

‫‪ -‬نالحظ غياب السببية في كال االتجاهين لكل املتغيرات‪ ،‬حيث‪:‬‬

‫• ‪ dY2‬التسبب في ‪ dY1‬وال ‪ dY1‬تسبب في ‪ ،dY2‬الن‪ :‬القيمة االحتمالية‬
‫على التوالي‪ ،‬وبالتالي فاننا نقبل بالفرضية‬ ‫‪Prob . = 0.3472 5%, Prob . = 0.0713 5%‬‬

‫الصفرية ‪ H0‬في كلتا الحالتين‪ ،‬أي غياب السببية‪.‬‬

‫• ‪ dY3‬التسبب في ‪ dY1‬وال ‪ dY1‬تسبب في ‪ ،dY3‬الن‪ :‬القيمة االحتمالية‬
‫على التوالي‪.‬‬ ‫‪Prob . = 0.1187 5%, Prob . = 0.6569 5%‬‬

‫• ‪ dY3‬التسبب في ‪ dY2‬وال ‪ dY2‬تسبب في ‪ ،dY3‬الن‪ :‬القيمة االحتمالية‬

‫على التوالي‪.1‬‬ ‫‪Prob . = 0.4957 5%, Prob . = 0.8339 5%‬‬

‫▪ 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:‬‬

‫‪ -‬نختار نوع التنبؤ ديناميكيا ونضغط على ‪ .OK‬نتحصل على التالية‪:‬‬

‫‪175‬‬
Vector Autoregressive (VAR) ‫نماذج اشعة االنحدارالذاتي‬

176
‫)‪Vector Autoregressive (VAR‬‬ ‫نماذج اشعة االنحدارالذاتي‬

‫‪ -‬الحظ من الجدول مايلي‪:‬‬

‫• جذر متوسط مربع الخطأ لكل متغير ‪:Root Mean Squard Error‬‬
‫‪Y 1: RMSE = 4.33, Y 2 : RMSE = 1.30, Y 3: RMSE = 2.07‬‬
‫• متوسط الخطأ املطلق ‪:Mean Absolute Error‬‬
‫‪Y 1: MAE = 1.87, Y 2 : MAE = 1.00, Y 3: MAE = 1.72‬‬
‫• املتوسط املطلق للخطأ النسبي ‪:Mean Abs. Percent Error‬‬
‫‪Y 1: MRAE = 8.21, Y 2 : MRAE = 4.56, Y 3: MRAE = 5.75‬‬
‫‪Y 1:U = 0.05, Y 2 :U = 0.02, Y 3:U = 0.03‬‬ ‫• معامل ‪:Theil‬‬
‫كل هذه املؤشرات تستعمل في دقة التنبؤ غير ان أفضلها هو معامل ‪ Theil‬وكلما أقترب هذا املعامل‬
‫من ‪ 0‬كلما كان التنبؤ جيدا وكلما اقترب من ‪ 1‬كان ضعيف جدا‪ ،‬فمعامل ‪ Theil‬لكل متغير وجدناه‬
‫يقترب أكثر من ‪ ،0‬مما يعني ان التنبؤات املقدمة بهذا النموذج ‪ VAR‬املقدر هي جيدة ويعتمد عليها‪.‬‬
‫‪ -‬الحظ ان القيم التنبؤية لكل املتغيرات من خالل املنحنيات في الشكل‪ ،‬نجدها اتسمت بالثبات لـ‪05 :‬‬
‫السنوات القادمة‪ ،‬وسنعرضها أيضا في الشكل املوالي‪ ،‬حيث نقوم بالضغط على ايقونة ‪،Forecast‬‬
‫من الواجهة السابقة فنتحصل على املربع الحواري التالي‪:‬‬

‫• 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:‬‬

‫• يظهر لنا املربع الحواري التالي‪:‬‬

‫• 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

‫• نضغط على ‪ ،OK‬فنتحصل على القيم التنبؤية للمتغيرات‪:‬‬

‫‪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:‬‬

‫• نختار ‪ ،AR Roots Graph‬فيظهر لنا الشكل اآلتي‪:‬‬

‫‪ -‬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

‫‪ .7‬التكامل املشترك ونموذج تصحيح الخطأ‬

‫)‪Cointegration and Error Correction Model (ECM‬‬

‫ً‬
‫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

‫‪ .I‬مفهوم التكامل املشترك ‪Concept of Cointegration‬‬

‫سوف نقوم بإعطاء بعض املفاهيم الضرورية حول تقنية التكامل املشترك والتي منها ‪(Charpentier,‬‬
‫)‪:2006, p. 6‬‬
‫‪ -‬تحليل التكامل املشترك يسمح بتحديد العالقة املشتركة بين عدة متغيرات‪ .‬تم طرح هذا املفهوم سنة‬
‫)‪ (Granger & Newbold, 1974‬تحت اسم "االنحدارات الزائفة‪ ،‬ثم تم إضفاء الطابع الرسمي عليه‬
‫من قبل )‪ ،(Engle & Granger, 1987‬وأخيرا بواسطة ‪ Johansen‬في سنتي ‪ 1991‬و‪.1995‬‬
‫‪ ‬غير مستقر و ‪  Y‬مستقر‪ .‬اذن تكون‬
‫‪d‬‬
‫‪t‬‬ ‫‪ ( d  1) d‬إذا كان ‪Yt‬‬
‫‪d −1‬‬
‫‪ -‬تكون السلسلة ‪ Y‬متكاملة من الدرجة‬
‫‪t‬‬

‫السلسلة مستقرة من الدرجة ‪.0‬‬

‫مستقرة والسلسلة ‪ Y‬متكاملة من الدرجة ‪ ،1‬اذن يكون ) ‪ ( X t + Yt‬متكامل من‬
‫‪t‬‬ ‫السلسلة ‪X t‬‬ ‫‪ -‬لتكن‬
‫متكاملتان من الدرجة ‪ d‬فان ) ‪ ( X t + Yt‬متكامل من‬ ‫‪X t , Yt‬‬ ‫الدرجة ‪ .1‬ومع ذلك إذا كانت السلسلتان‬
‫الدرجة ‪ . d‬أي مستقر (في حالة إلغاء االتجاهين العامين لبعضها البعض)‪.‬‬

‫‪ .1‬خصائص درجة التكامل املشترك لسلسلة زمنية‬

‫‪ X‬إذا تم تفريقها ‪ d‬مرة من اجل جعلها مستقرة‪ .‬لتكن‬ ‫‪t‬‬ ‫تكون السلسلة متكاملة من الدرجة ‪→ I (d ): d‬‬

‫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

‫لتكن السلسلتين الزمنيتين‪ X , Y :‬لهما اتجاهين عامين‪:‬‬

‫‪ -‬في الحالة األولى‪ ،‬السلسلتان لهما اتجاه ثابت يتطور عبر الزمن في الفترة األولى ثم اتجاه متباعد في الفترة‬
‫الثانية‪ .‬اذن السلسلتين غير متكاملتين وهذا ما يوضحه الشكل البياني ‪.1‬‬
‫‪ -‬في الحالة الثانية‪ ،‬يكون للسلسلتين اتجاه ثابت يتطور عبر الزمن طوال الفترة بأكملها‪ ،‬وهنا تكون‬
‫السلسلتين متكاملتين‪ ،‬أي هناك تطور متزامن طويل االجل وهذا ما يوضحه الشكل البياني ‪.2‬‬

‫املتغيران ‪ X‬و ‪ Y‬متكامالن‬ ‫املتغيران ‪ X‬و ‪ Y‬غير متكامالن‬

‫املصدر‪(Bourbonnais, 2015, p. 300) :‬‬

‫‪ .2‬شروط التكامل املشترك‬

‫و ‪ Y‬متكاملتين إذا تحقق الشرطان التاليان )‪:(Bourbonnais, 2015, p. 301‬‬ ‫‪t‬‬ ‫‪Xt‬‬ ‫نقول ان السلسلتين‬
‫‪ -‬إذا تضمنا اتجاها عاما عشوائيا بنفس درجة التكامل ‪. d‬‬
‫‪ -‬توليفة خطية للسلسلتين تسمح بالحصول على سلسلة ذات درجة تكامل اقل‪.‬‬
‫ليكن‪:‬‬
‫) ‪X t → I (d‬‬
‫) ‪Yt → I (d‬‬
‫)‪1 X t + 2Yt → I (d − b‬‬ ‫بحيث‪:‬‬
‫‪d b‬‬ ‫‪0‬‬ ‫مع‪:‬‬
‫)‪X t , Yt → CI (d , b‬‬ ‫ونرمز بـ‪:‬‬
‫حيث‪ :‬يسمى ‪ 1 ,  2 ‬بشعاع التكامل املشترك‪.‬‬
‫في الحالة العامة لـ‪ k :‬متغير‪ ،‬فان‪:‬‬

‫‪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

‫‪ .3‬نموذج تصحيح الخطأ )‪Error Correction Model (ECM‬‬

‫تم تقديم ما يسمى بنماذج تصحيح الخطأ في أوائل الثمانينيات‪ ،‬من قبل ‪ Hendry‬على وجه الخصوص‪.‬‬
‫تتيح هذه النماذج الديناميكية دمج التغييرات طويلة االجل وقصيرة االجل للمتغيرات ‪(Charpentier, 2006,‬‬
‫و ‪ Yt‬املتكاملين من نفس الدرجة ‪ 1‬حيث‪ ، X t , Yt → CI (1,1) :‬و ‪  − 1‬‬ ‫‪Xt‬‬ ‫)‪ .pp. 8-9‬لنعتبر املتغيرين‪:‬‬
‫‪1‬‬
‫= ‪ ‬أي )‪ )  X t − Yt → I (0‬هو شعاع التكامل املشترك‪ .‬في هذا النوع من املواصفات‪ ،‬كون أن‬ ‫(نضع‬
‫‪2‬‬
‫السلسلتين متكاملتين وغير مستقرتين يزيد من مشكلة التقدير‪ .‬الجودة اإلحصائية الجيدة للنموذج‬
‫(القيمة املرتفعة لـ‪ ، R :‬واملعنوية اإلحصائية للمعامالت) ترجع الى حقيقة ان السلسلتين غير مستقرتين (أي‬
‫‪2‬‬

‫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 ) ‪ ( 1X 1‬ونموذج ديناميكي ) ) ‪ . (  2 (Yt −1 − 1 X t −1‬وعليه‬
‫يمكن كتابة العالقة التالية )‪:(Bourbonnais, 2015, pp. 301-302‬‬
‫) ‪Y = 1X 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

‫تمثيل نموذج تصحيح الخطأ‬

‫املصدر‪(Bourbonnais, 2015, p. 301) :‬‬

‫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

‫‪ .4‬ملخص إجراء التقدير‬

‫الخطوات الرئيسية املتعلقة بتقدير نموذج تصحيح الخطأ املتعد ‪ VECM‬هي )‪:(Bourbonnais, 2015, p. 314‬‬
‫‪ -‬الخطوة ‪ :1‬تحديد عدد التأخيرات ‪( P‬فترة التباطؤ) للنموذج (في املستوى أو باللوغاريتم للسالسل‬
‫الزمنية) وفقا ملعايير ‪ AIC‬أو‪.SC‬‬
‫‪ -‬الخطوة ‪ :2‬تقدير املصفوفة ‪ ‬والقيام باختبار ‪ Johansen‬مما يسمح بمعرفة عدد عالقات التكامل‬
‫املشترك (تقترح البرامج عددا معينا من املواصفات البديلة‪ ،‬مثل وجود الثابت في عالقة التكامل‬
‫املشترك‪ ،‬تقييد الثابت‪ ،‬وجود اتجاه محدد‪.).......‬‬
‫‪ -‬الخطوة ‪ :3‬تحديد عالقات التكامل املشترك‪ ،‬أي العالقات طويلة املدى بين املتغيرات‪.‬‬
‫‪ -‬الخطوة ‪ :4‬التقدير بطريقة املعقولية العظمى نموذج تصحيح الخطأ املتعدد ‪ ،VECM‬والتحقق من‬
‫صحته باستخدام االختبارات املعتادة‪ :‬معنوية املعامالت والتحقق من أن البواقي املقدرة هي تشويش‬
‫ابيض (اختبار‪ ،)Ljung-Box :‬اختبارات ضعف املتغيرات الخارجية‪.‬‬

‫‪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

‫‪ -‬نطبق اختبار ‪ philps-perron‬حيث تحصلنا على النتائج التالية‪:2‬‬

‫‪ 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

‫‪Variables‬‬ ‫‪Phillips-Perron’s Unit Root Test Statistics‬‬

‫‪Intercept & trend‬‬ ‫‪Intercept‬‬ ‫‪Non‬‬
‫‪-2.696206‬‬ ‫‪-‬‬ ‫‪-‬‬
‫‪Y1‬‬
‫)‪(0.2452‬‬ ‫‪-‬‬ ‫‪-‬‬
‫‪-3.500754‬‬ ‫‪-3.688596‬‬ ‫‪-‬‬
‫)‪D(Y1‬‬
‫)‪(0.0587‬‬ ‫***‪(0.0100) **.‬‬ ‫‪-‬‬
‫‪-1.675445‬‬ ‫‪-‬‬ ‫‪-‬‬
‫‪Y2‬‬
‫)‪(0.7363‬‬ ‫‪-‬‬ ‫‪-‬‬
‫‪-5.081138‬‬ ‫‪-‬‬ ‫‪-3.853767‬‬
‫)‪D (Y2‬‬
‫)‪(0.0017‬‬ ‫‪-‬‬ ‫***‪(0.0004) *. **.‬‬
‫‪-2.735982‬‬ ‫‪-‬‬ ‫‪-‬‬
‫‪Y3‬‬
‫)‪(0.2306‬‬ ‫‪-‬‬ ‫‪-‬‬
‫‪-3.387417‬‬ ‫‪-3.578135‬‬ ‫‪-‬‬
‫)‪D(Y3‬‬
‫)‪(0.0734‬‬ ‫***‪(0.0130) **.‬‬ ‫‪-‬‬
‫‪-1.613129‬‬ ‫‪-‬‬ ‫‪-0.248592‬‬
‫‪Y4‬‬
‫)‪(0.7628‬‬ ‫‪-‬‬ ‫)‪(0.5879‬‬
‫‪-3.530404‬‬ ‫‪-‬‬ ‫‪-3.047363‬‬
‫)‪D(Y4‬‬
‫)‪(0.0553‬‬ ‫‪-‬‬ ‫***‪(0.0036) *. **.‬‬
‫‪Note: *, **, *** represents significant at 1%, 5% and 10%‬‬

‫‪ -‬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

‫‪ -‬نوضح هذه املخرجات‪:‬‬

‫• الحظ مجال التباطؤ واملعطى بـ‪ ،]1 2[ :‬سوف نغيره الى [‪ ،]1 1‬الن فترة االبطاء املثلى قد تحددت بفترة‬
‫ابطاء واحدة وهذا على أساس جل املعايير السابقة‪LR , FPE , AIC , SC, HQ :‬‬
‫• هناك ‪ 05‬مواصفات اقترحها ‪ Johansen‬تتعلق بأشعة التكامل املشترك أو بما يسمى بالتحديد لسالسل‬
‫‪ ،VAR‬لقد تم شرحها سابقا (راجع املثال السابق ‪ ،)10‬حيث وجدنا حسب نتائج اختبار ‪ PP‬ان سيرورات‬
‫املتغيرات كلها سيرورات عشوائية ‪ DS‬تتضمن سلسلتين بوجود معنوية الحد الثابت فيهما‪ ،‬وبالتالي فان‬
‫الخيار لـ‪ 05 :‬هذه املواصفات سوف يكون االختيار الثاني‪ ،‬أي عدم وجود االتجاه الخطي في السالسل‪،‬‬
‫ولكن يوجد الثابت في عالقات التكامل املشترك (ال يوجد الثابت في متجه االنحدار الذاتي ‪.)VAR‬‬
‫‪ -‬نضغط على ‪ ،OK‬فنتحصل على مخرجات التكامل املشترك ادناه‪:‬‬

‫‪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% :‬‬

‫اختبار القيمة الذاتية العظمى ‪ Maximum Eigenvalue‬بمعادلة واحدة ‪.‬‬

‫• أيضا من هذه املخرجات‪ ،‬يمكننا استناتج املعادلة التوازنية طويلة االجل والتي تتمثل في املعادلة األولى‬
‫)‪ 1Cointegration Equation(s‬املشار اليها باللون األحمر في هذه املخرجات‪.‬‬
‫▪ نأتي الى خطوة تقدير نموذج تصحيح الخطأ‪ ،‬فمن خالل نافذة مخرجات التكامل املشترك نضغط على‬
‫االمر ‪ ،Estimate 1‬كما يظهر في الشكل ادناه‪:‬‬

‫‪ -‬نتحصل على املربع الحوار ادناه‪:‬‬

‫‪ 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

‫‪ -‬نضغط على ‪ ،OK‬فنتحصل على مخرجات نموذج تصحيح الخطأ ادناه‪:‬‬

‫القسم االول‬
‫تمثل املعلمة املقدرة‬
‫تمثل االنحراف املعيار للمعلمة املقدرة‬
‫تمثل قيمة ‪ Student‬وعلى أساسها يمكن‬
‫الحكم على معنوية املعلمة املقدرة‬

‫القسم الثاني‬

‫القسم الثالث‬

‫‪ -‬من خالل هذه املخرجات لدينا ‪ 03‬اقسام‪:‬‬

‫• في القسم األول‪ :‬يمثل معادلة تصحيح الخطأ وهي معادلة االجل الطويل التي هي نفسها املعادلة‬
‫املتحصل عليه في التكامل املشترك‪ ،‬مع مالحظة ان كل معاملها هي ذات معنوية إحصائية وذلك حسب‬
‫إحصائية ‪ ،Student‬حيث نجد ان‪:‬‬
‫‪t y 2( −1) =6.03 1.96, t y 3( −1) = −64.74‬‬ ‫‪1.96, t y 4( −1) = −6.35‬‬ ‫‪1.96, tc =3 1.96‬‬

‫‪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

‫املعادلة املقدرة الرابعة هي‪:‬‬

‫‪D(Y4) = 336.40768947*(Y1(-1) + 0.00426115026164*Y2(-1) - 1.04988896405*Y3(-1) -‬‬
‫‪0.00051128472768*Y4(-1) + 1.22634704276) - 193.698761358*D(Y1(-1)) + 0.602606467773*D(Y2(-1)) +‬‬
‫))‪383.957729399*D(Y3(-1)) + 0.210837216419*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

‫‪ -‬نضغط على ‪ Estimate‬فنتحصل على املربع الحواري التالي‪:‬‬

‫‪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%‬‬

‫مثل قيمة ‪....DW ،R2‬‬

‫‪ -‬الحظ ان العديد من املعلمات املقدرة هي ليست معنوية‪C(2), C(3), C(4), C(5), C(7), C(8), C(9), :‬‬
‫)‪ C(10), C(12), C(13), C(14), C(15), C(17), C(18), C(19), C(20‬الن قيمها االحتمالية اكبر من‬
‫القيمة الحرجة ‪ %05‬التي تتوافق أيضا مع قيم ‪ Student‬على انها اقل من القيمة الجدولية ‪،1.96‬‬
‫وعليه سوف نقوم بتشخيص املعامالت بواسطة اختبار ‪ ،Wald‬حيث نتبع االمر انطالقا من نافذة‬
‫نتائج التقدير األخيرة‪:‬‬
‫‪Wiew → Coefficient Diagnostics → Wald coefficient tests‬‬

‫▪ 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

‫‪ -‬نضغط على ‪ ،OK‬فنتحصل على مخرجات اختبار انعدام املعامالت ادناه‪:‬‬

‫‪ -‬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

‫‪ -‬نختار بيانيا مثال‪ ،‬ونضغط على ‪ ،OK‬فنتحصل على النتائج التالية‪:‬‬

‫‪ -‬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

‫‪ -‬نضغط على ‪ ،OK‬فنتحصل على نتائجه املوالية‪:‬‬

‫‪ -‬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:‬‬

‫‪ -‬فباختيار االختيار األول )‪ Cholesky of covariance (Lutkepohl‬والضغط على ‪ ،OK‬نتحصل على‬

‫النتائج التالية‪:‬‬

‫‪208‬‬
‫)‪Cointegration and Error Correction Model (ECM‬‬ ‫التكامل املشترك ونموذج تصحيح الخطأ‬

‫‪ -‬معاملي االلتواء ‪( Skewnes‬عدم التماثل) والتفرطح ‪( Kurtosis‬التسطيح او درجة التقوس)‬

‫للمعادالت االربعة اللذان بواسطتهما يتحدد اختبار ‪ ،Jarque-Bera‬فاننا نالحظ بان القيم‬
‫االحتمالية لكل معادلة مقدرة هي غير معنوية‪ ،‬أي نها أكبر من القيمة الحرجة ‪ %05‬وحتى القيمة‬
‫االحتمالية املشتركة (األساسية) ‪ Joint‬للنموذج ‪ VECM‬املقدر هي أيضا أكبر من القيمة الحرجة‬
‫‪ ،%05‬مما نستنتج ان البواقي تتوزع توزيعا طبيعيا‪.‬‬
‫• االختبار املتبقي 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=0.6335‬بأنها أكبر من القيمة الحرجة ‪،%05‬‬
‫وبالتالي فرضية ثبات تجانس األخطاء هي محققة‪.‬‬

‫‪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:‬‬

‫هنا يعطينا دوال االستجابة‬

‫اما بالقيم او بالروسومات‬ ‫َُ‬
‫علية من‬ ‫ثر‬ ‫ؤ‬ ‫نضع هنا املتغير امل‬
‫َُ‬
‫طرف باقي املتغيرات املؤثرات‬
‫حسب طبيعة الدراسة‬
‫َُ‬
‫املتغير املؤثر او‬ ‫نضع هنا‬
‫َُ‬
‫املتغيرات املؤثرات حسب‬
‫طبيعة الدراسة‬

‫‪ -‬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

‫‪ -‬نضغط على ‪ ،OK‬فنتحصل على النتائج التالية‪:‬‬

‫‪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:‬‬

‫هنا يتم اختيار عرض‬

‫تحليل التباين اما بالقيم او‬
‫بالروسومات البيانية على‬
‫حدى او مجمعة او على‬ ‫نضع هنا متغيرات‬
‫شكب مدرجات تكرارية‬ ‫الدراسة‬

‫‪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:‬‬

‫‪ -‬نضغط على ‪ ،OK‬فنتحصل على النتائج التالية‪:‬‬

‫‪215‬‬
‫)‪Cointegration and Error Correction Model (ECM‬‬ ‫التكامل املشترك ونموذج تصحيح الخطأ‬

‫‪ -‬نسجل غياب السببية في كال االتجاهين‪ ،‬حيث‪:‬‬

‫االحتمالية‬ ‫القيمة‬ ‫الن‪:‬‬ ‫‪،Y2‬‬ ‫في‬ ‫تسبب‬ ‫‪Y1‬‬ ‫وال‬ ‫‪Y1‬‬ ‫في‬ ‫التسبب‬ ‫• ‪Y2‬‬
‫على التوالي‪ ،‬وبالتالي فاننا نقبل بالفرضية‬ ‫‪Prob . = 0.2443 5%, Prob . = 0.6442 5%‬‬

‫الصفرية ‪ H0‬في كلتا الحالتين‪ ،‬أي غياب السببية‪.‬‬

‫االحتمالية‬ ‫القيمة‬ ‫الن‪:‬‬ ‫‪،Y4‬‬ ‫في‬ ‫تسبب‬ ‫‪Y1‬‬ ‫وال‬ ‫‪Y1‬‬ ‫في‬ ‫التسبب‬ ‫• ‪Y4‬‬
‫على التوالي‪.‬‬ ‫‪Prob . = 0.5179 5%, Prob . = 0.6351 5%‬‬

‫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%‬‬

‫‪ -‬وجود السببية في كال االتجاهين‪ ،‬حيث ان‪:‬‬

‫االحتمالية‬ ‫القيمة‬ ‫الن‪:‬‬ ‫‪،Y3‬‬ ‫في‬ ‫تسبب‬ ‫‪Y1‬‬ ‫و‬ ‫‪Y1‬‬ ‫في‬ ‫تسبب‬ ‫• ‪Y3‬‬
‫على التوالي‪ ،‬وبالتالي فاننا نرفض الفرضية‬ ‫‪Prob . = 0.0468 5%, Prob . = 0.0176 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:‬‬

‫‪ -‬نقوم بتغيير السنة ‪ 2019‬الى ‪ ،2024‬ونضغط على ‪.OK‬‬

‫‪ -‬نقوم بفتح ملف ‪( VECM‬سبق االحتفاظ به تحت اسم ‪ ،)VECM‬ومن خالل شريط أدوات الكائن‬
‫‪ Object Toolbar‬نقوم بالضغط ايقونة ‪ ،Forecast‬فنتحصل على املربع الحواري التالي‪:‬‬

‫‪217‬‬
‫)‪Cointegration and Error Correction Model (ECM‬‬ ‫التكامل املشترك ونموذج تصحيح الخطأ‬

‫‪ -‬نختار نوع التنبؤ ديناميكيا ونضغط على ‪ .OK‬نتحصل على التالية‪:‬‬

‫‪218‬‬
Cointegration and Error Correction Model (ECM) ‫التكامل املشترك ونموذج تصحيح الخطأ‬

219
‫)‪Cointegration and Error Correction Model (ECM‬‬ ‫التكامل املشترك ونموذج تصحيح الخطأ‬

‫‪ -‬نالحظ من مخرجات الجدول مايلي‪:‬‬

‫• جذر متوسط مربع الخطأ لكل متغير ‪:Root Mean Squard Error‬‬
‫‪Y 1: RMSE = 0.47, Y 2 : RMSE = 9.47 Y 3: RMSE = 0.49, Y 4 : RMSE = 25.59‬‬
‫• متوسط الخطأ املطلق ‪:Mean Absolute Error‬‬
‫‪Y 1: MAE = 0.39, Y 2 : MAE = 7.19, Y 3: MAE = 0.41, Y 4 : MAE = 18.62‬‬
‫• املتوسط املطلق للخطأ النسبي ‪:Mean Abs. Percent Error‬‬
‫‪Y 1: MRAE = 1.56, Y 2 : MRAE = 122.10, Y 3: MRAE = 1.64, Y 4 : MRAE = 28.90‬‬
‫‪Y 1:U = 0.009, Y 2 :U = 0.46, Y 3:U = 0.009, Y 4 :U = 0.17‬‬ ‫• معامل ‪:Theil‬‬
‫كما ذكرنا سابقا‪ ،‬قلنا بأن كل هذه املؤشرات تستعمل في دقة التنبؤ غير ان أفضلها هو معامل ‪Theil‬‬
‫وكلما أقترب هذا املعامل من ‪ 0‬كلما كان التنبؤ جيدا وكلما اقترب من ‪ 1‬كان ضعيف جدا‪ ،‬فمعامل ‪Theil‬‬
‫لكل متغير يقترب أكثر من ‪ 0‬ومنها ماينعدم اال املتغير ‪ Y3‬هو اقل من املتوسط ولكن يعتبر على العموم‬
‫له دقة لبأس بها‪ ،‬مما يعني ان التنبؤات املقدمة لهذا النموذج املقدر هي جيدة ويعتمد عليها مستقبال‪.‬‬
‫‪ -‬الحظ ان القيم التنبؤية لكل من املتغيرات ‪ Y1, Y2, Y3‬تتخذ الشكل التناقص ي للسنوات ‪ 05‬القادمة‬
‫حسب منحنياتها‪ ،‬بينما املتغير ‪ Y4‬له اتجاه تصاعدي‪ .‬وسنعرضها أيضا في الشكل املوالي‪ ،‬حيث نقوم‬
‫بالضغط على ايقونة ‪ ،Forecast‬من الواجهة السابقة فنتحصل على املربع الحواري التالي‪:‬‬

‫• 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

‫• نالحظ أيضا ان معامالت ‪ Theil‬لدقة التنبؤ تحسنت أكثر جدا‪.‬‬

‫• بالعودة الى واجهة عرض برنامج ‪ EViews‬للنموذج ‪ ،VECM‬نقوم باالمر التالي‪:‬‬
‫‪ ،Wiew → Select by Filtre‬كما هو مبين في املربع الحواري ادناه‪:‬‬

‫• يظهر لنا املربع الحواري التالي‪:‬‬

‫‪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:‬‬

‫• نضغط على ‪ ،OK‬فنتحصل على القيم التنبؤية للمتغيرات‪:‬‬

‫‪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

‫‪ .1‬جدول توزيع ‪Laplace-Gauss‬‬

‫‪ .2‬جدول توزيع ‪Student‬‬
‫‪ .3‬جدول توزيع ‪Chi-Deux‬‬
‫‪ .4‬جدول توزيع ‪Fisher-Snedecor‬‬
‫‪ .5‬جدول توزيع ‪Dickey-Fuller‬‬
‫‪ .6‬جدول توزيع ‪Durbin-Watson‬‬

‫‪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.‬‬

‫▪ الصنوي‪ ،‬ع (‪ .)2013‬مادة ‪ EViews‬في االقتصاد القياس ي‪ .‬جامعة صنعاء‪ ،‬اليمن‪.‬‬

‫▪ 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