‫طريقة مقترحة لتشخيص نماذج السللسل‬

‫الزمنية‬

‫أ‪ .‬د عبيد محمود محسن الزوبعي‬

 ‫طريقة مقترحة لتشخيص نماذج السللسل الزمنية‬

‫أ‪ .‬د عبيد محمود محسن‬

‫*‬
‫الزوبعي‬

‫‪ 1-0‬مقدمة ‪: Introduction‬‬
‫يعد موضوع تحليل السللسل الزمنية من المواضيع الحصائية المهمة التي‬
‫تتناول لسلوك الظواهر‪ ،‬وتفسرها عبر حقب محددة‪ .‬ويمكن إجمال أهداف تحليل‬
‫السللسل الزمنية بالحصول على وصف دقيق للملمح الخاصة للعملية التي تتولد‬
‫منها السلسلة الزمنية‪ ،‬وبناء نموذج لتفسير لسلوك السلسلة الزمنية والستخدام‬
‫النتائج للتكهن بسلوك السلسلة في المستقبل‪ ،‬إضافة إلى التحكم في العملية‬
‫التي تتولد منها السلسلة الزمنية بفحص ما يمكن حدوثه عند تغيير بعض معلمات‬
‫النموذج‪ .‬ولتحقيق ذلك يتطلب المر درالسة تحليلية وافية لنماذج السللسل الزمنية‬
‫بالعتماد على اللساليب الحصائية والرياضية‪.‬‬
‫‪ 1-1‬تحليل السللسل الزمنية ‪:Time Series Anlaysis‬‬
‫يتكون تحليل السللسل الزمنية من مراحل متسلسلة تبدأ بمرحلة التشخيص‬
‫للنموذج والتي تعد المرحلة الهم‪ .‬وتليها مرحلة تقدير المعلمات للنموذج‪ ،‬ومن ثم‬
‫مرحلة فحص مدى الملءمة للنموذج‪ .‬وتأتي المرحلة اليخيرة وهي مرحلة التكهن‬
‫أو التنبؤ‪) .‬كما في المخطط النسيابي(‪.‬‬
‫السلسلة الزمنية هي مجموعة من المشاهدات الخاصة بظاهرة معينة يخلل‬
‫حقب متعاقبة وبحدود متتابعة‪ .‬وتكون السلسلة الزمنية }‪{yt‬على نوعين متصلة‬
‫‪ continuous‬ومنفصلة ‪ discrete‬بحسب ما تأيخذه قيم ‪ . t‬ويمكن أن تكون مستقرة‬
‫‪ stationary‬إذا كانت الخصائص الحتمالية ل تتأثر بالزمن أو غير مستقرة ‪non-‬‬
‫‪.stationary‬‬
‫ونموذج السلسلة الزمنية ‪ Time Series Model‬هو الدالة التي تربط قيم‬
‫السلسلة الزمنية بالقيم السابقة لها وأيخطائها ‪.‬‬
‫إن إحدى طرق تحليل السللسل الزمنية تتم من يخلل تمثيلها بنموذج يخطي‬
‫عام هو النموذج المختلط ‪ ، Mixed Model‬حيث إن الكثير من السللسل الزمنية ل‬
‫يمكن تمثيلها‪ -‬بنموذج انحدار ذاتي )‪ AR) Autoregressive model‬فقط‪ ،‬أو نموذج‬
‫ولسط متحرك )‪MA) Moving Average Model‬فقط‪ ،‬لنه غالبا ً ما يكون للسلسلة‬
‫يخواص كل النموذجين وبذلك تمثل بالنموذج المختلط )انحدار ذاتي – ولسط‬
‫ً‬
‫متحرك( )‪ ;ARMA) Autoregressive Moving Average Mode‬ويكتب ايختصارا ))‪p,q‬‬
‫‪ ARMA‬حيث ‪ P‬تمثل رتبة النحدار الذاتي‪ q ،‬تمثل رتبة الولسط المتحرك‪.‬‬

‫* السودان – الخرطوم – عميد كلية الجريف شرق التقنية‬

‫‪E-mail: obead79@yahoo.com‬‬
‫‪Mobile: +249912175280‬‬

‫‪2‬‬
 ‫البيانات المتاحة عن‬
‫ظاهرة ما‬

‫تطبيق أدوات‬ ‫‪1‬‬

‫رلسم السلسلة‬
‫التشخيص‬ ‫التشخيص لمعرفة‬
‫‪Identification‬‬ ‫‪2‬‬ ‫نوع النموذج‬

‫تخمين الشكل‬
‫اقتراح النموذج‬
‫الدالي )تحديد رتبة‬
‫‪3‬‬ ‫النموذج(‬ ‫‪4‬‬

‫التقدير‬
‫‪Estimation‬‬
‫‪5‬‬ ‫تقدير معلمات النموذج‬

‫فحص مدى‬ ‫فحص مدى الملءمة‬

‫الملءمة‬ ‫غير مقنع‬
‫‪Diagnostic‬‬ ‫‪6‬‬
‫‪checking‬‬ ‫مقنع‬

‫ايختبار المحاكاة‬
‫‪7‬‬ ‫غير مقنع‬

‫مقنع‬
‫التكهن أو التنبؤ‬
‫‪Forecasting‬‬ ‫‪8‬‬ ‫التكهن أو التنبؤ‬

‫المخطط النسيابي لتحليل‬

‫السلسلة الزمنية‬

‫‪3‬‬
 ‫وللسلسلة } ‪ { y t‬المستقرة تكون صيغة )‪: p,q) ARMA‬‬
‫‪φ( B ) yt = θ ( B ) at‬‬ ‫)‪------- (1‬‬
‫‪where‬‬
‫‪φ( B ) t =1 −φ1 B −1 −φ2 B 2 −...... −1 −φp B p‬‬
‫‪θ( B ) =1 −θ1 B −1 −θ2 B 2 −...... −1 −θq B q‬‬
‫‪B j at = at − j‬‬
‫}‪ {at‬لسلسلة اليخطاء العشوائية المستقلة وتسمى التشويش البيض ‪white noise‬‬
‫والنماذج )‪ P) AR، (q) MA‬يمكن اعتبارها حالت يخاصة من النموذج ))‪P,q‬‬
‫‪.ARMA‬‬
‫‪ 1-2‬التشخيص ‪: Identification‬‬
‫تعد مرحلة التشخيص المرحلة الهم في تحليل السللسل الزمنية‪ .‬وتشمل‬
‫معرفة نوع النموذج وتحديد الرتبة للنموذج المحدد‪ ،‬ولذلك تعد مرحلة التشخيص‬
‫علما ً وفنا ً لكونها تحتاج إلى مهارة أيضًا‪ ،‬وتطبيق العديد من الجراءات لتأشير نوع‬
‫النموذج وتحديد رتبته‪.‬‬
‫وتتضمن مرحلة التشخيص الخطوات التية‪:‬‬
‫‪ -1‬نرلسم بيانات السلسلة ويعد رلسم البيانات الخطوة الولى في تحليل أية‬
‫لسلسلة زمنية ومن يخلل الرلسم تكون لدينا فكرة جيدة عن احتواء‬
‫السلسلة على مولسمية أو اتجاه عام أو قيم شاذة أو عدم اللستقرارية الذي‬
‫يقود إلى التحويلت الممكنة على البيانات‪ ،‬لذلك فإن رلسم السلسلة يبين‬
‫حاجتها إلى التحويل المنالسب لتستقر في متولسطها أو تبايناتها قبل أي‬
‫تحليل‪.‬‬
‫‪ -2‬نحسب ونفحص ‪ IACF,PACE,ACF‬للعينة المسحوبة من السلسلة الصلية‬
‫لتحديد درجة الفروق )في حالة عدم اللستقرارية(‪ ،‬فإذا كانت ‪ ACF‬للعينة‬
‫تنحدر ببطء شديد‪ IACF, PACF ،‬للعينة تقطع بعد الزاحة الولى )أو‬
‫بالعكس( فإن هذا يستوجب أيخذ الفرق الول ‪ .(yt(1-B‬وللتخلص من عدم‬
‫اللستقرارية نحتاج إلى أيخذ أعلى رتبة من الفروق ‪ (dyt(1-B‬حيث ‪d>0‬‬
‫)وغالبا ً ما تكون ‪ .(d=0,1,2‬وإن النتائج المترتبة على الستخدام الفروق غير‬
‫الضروري تكون أقل يخطورة من النتائج المترتبة على التقليل من أهمية‬
‫الفروق‪.‬‬
‫‪ -3‬نحسب ونفحص ‪ IACF, PACF, ACF‬للعينة لتشخيص النموذج‪ ،‬وتوجد ثنائية‬
‫ما بين نماذج )‪ ARMA(1,0‬أو )‪ AR(1‬ونماذج )‪ ARMA(0,1‬أو )‪MA(1‬‬
‫وفقا ً للدوال الثل‪.‬ث‪ .‬وتزداد المشكلة تعقيدا ً في حالة النماذج المختلطة )‬
‫‪ ، p,q)ARMA‬لن العتماد على ‪ IACF, PACF , ACF‬لتشخيص النموذج‬
‫ل‪ ،‬كون الدوال أعله في هذه الحالة تسلك لسلوكا ً‬ ‫وتحديد رتبته ل يكون فاع ً‬
‫متشابها ً هو لسلوك التناقص التدريجي‪.‬‬

‫‪ 1-3‬طريقة مقترحة للتشخيص ‪:Proposed Method‬‬

‫‪4‬‬
 ‫من الممكن اعتماد مبدأ دالة الرتباط الذاتي المولسعة للعينة ))‪ESACF‬‬
‫‪ Extended Sample Autocorrelation Function‬بالستخدام دالة الرتباط الذاتي‬
‫المعكوس ‪ Inverse IACF Autocorrelation Function‬بدل ً من الرتباط الذاتي‬
‫‪ ،ACF‬التي يمكن أن تسمى دالة الرتباط الذاتي المعكوس المولسعة للعينة‬
‫‪ ، Extended Sample Inverse Autocorrelation Function‬ويمكن أن نرمز لها‬
‫ايختصارا ً )‪ ،(ESIACF‬وذلك بالستخدام النحدارات المكررة ليجاد مقدارات معلمات‬
‫النحدار الذاتي‪.‬‬
‫فإذا كانت لدينا السلسلة } ‪ { yt‬بـ ‪ n‬من المشاهدات وتتبع النموذج )‬
‫‪ ،p,q)ARMA‬ولتحديد الرتبة الحقيقية للنموذج المختلط نقوم كخطوة أولى بإجراء‬
‫النحدارات المكررة بالعتماد على اعتبار النموذج )‪ P)AR‬وصيغته‪:‬‬
‫‪p‬‬
‫‪yt = ∑φt yt −τ + et‬‬ ‫‪t= p+1,…,n‬‬ ‫)‪(2‬‬
‫‪τ =1‬‬

‫حيث ‪ P :‬رتبة النموذج‪ et ،‬حد الخطأ العشوائي‪.‬‬

‫) (‬
‫ونجد مقدرات )‪ φτ∧ (OLS‬لـ ‪ φτ , τ =1,2,..., p‬التي لستكون غير متسقة )‬
‫‪0‬‬

‫‪ ،(inconsistent‬واليخطاء المقدرة هي‪:‬‬

‫‪p‬‬
‫‪= yt − ∑φt∧ yt −τ‬‬
‫)‪( 0‬‬ ‫)‪( 0‬‬
‫∧‪et‬‬ ‫)‪(3‬‬
‫‪τ =1‬‬

‫حيث )‪ (0‬تشير إلى النحدار العتيادي‪ ،‬والتي )أي اليخطاء المقدرة( لسوف ل تكون‬
‫تشويشا ً أبيض ‪ ، White noise‬إذا كانت ‪ ،q≥1‬لذا فإن القيم المزاحة‪:‬‬
‫) (‬
‫‪ ، et∧−τ ;τ =1,2,..., q‬لسوف تحتوي على بعض المعلومات حول العملية ‪ yt‬وهذا يقودنا‬
‫‪0‬‬

‫إلى النحدار المكرر الول أو نعد النحدار)‪ p)AR‬مضافا ً له الحد ‪ et∧−1‬أي‪:‬‬

‫) (‬ ‫‪0‬‬

‫‪p‬‬
‫)‪yt = ∑φτ(1) yt −τ + β1( 1) et∧−1 + et(1‬‬
‫)‪( 0‬‬
‫‪t=p+2,…,n‬‬ ‫)‪(4‬‬
‫‪τ =1‬‬

‫حيث )‪ (1‬تشير إلى أول انحدار مكرر )‪ et(1‬تشير إلى حد الخطأ المناظر‪.‬‬
‫) (‬ ‫‪1‬‬
‫ولستكون مقدرات )‪ φτ∧ (OLS‬متسقة ‪ consistent‬إذا كانت ‪ ،q=1‬وإذا‬
‫)‪( 1‬‬
‫كانت ‪ q>1‬فإن ∧ ‪ φτ‬لستكون غير متسقة ‪ inconsistent‬وإن مقدرات البواقي‬
‫∧‪ et‬ل تكون تشويشا ً أبيض ‪ ،white noise‬والقيم المزاحة ‪ et∧−1‬لستكون محتوية‬
‫) (‬ ‫‪1‬‬ ‫) (‬ ‫‪1‬‬

‫على بعض المعلومات حول العملية }‪ ، {yt‬لذا يجب أن نأيخذ النحدار المكرر‬
‫الثاني‪:‬‬
‫‪ρ‬‬
‫) ‪yt = ∑ φτ( 2 ) yt −τ + β1( 2 ) et∧−1 + β 2( 2 ) et∧− 2 + et( 2‬‬
‫)‪( 1‬‬ ‫)‪( 0‬‬
‫‪t = p + 3,..., n‬‬ ‫)‪(5‬‬
‫‪τ =1‬‬
‫)‪( 2‬‬
‫∧‪ φτ‬متسقة إذا كانت ‪ ، q=2‬وعندما ‪ q>2‬لستكون هذه‬ ‫ولستكون مقدرات )‪(OLS‬‬
‫المقدرات غير متسقة‪.‬‬
‫وللوصول إلى مقدرات متسقة نكرر النحدار‪ ،‬حيث تكون الحالة العامة‬
‫للنحدارات المكررة كالتي‪:‬‬
‫‪ρ‬‬ ‫‪q‬‬
‫‪y t = ∑φτ( q ) yt −τ + ∑ β1( q ) et∧−τ‬‬
‫) ‪( q −τ‬‬
‫) ‪+ eτ( q‬‬ ‫‪t = p + q +1,...., n‬‬ ‫)‪(6‬‬
‫‪τ =1‬‬ ‫‪τ =1‬‬

‫‪5‬‬
‫‪where‬‬
‫التكرار هو ‪.…,q=0,1,2‬‬
‫رتبة النموذج ‪.…p= 1,2‬‬
‫) (‬
‫∧‪ et‬مقدرات البواقي لنموذج النحدار من الرتبة ‪ p‬حيث ‪:‬‬
‫‪j‬‬

‫‪p‬‬ ‫‪q‬‬
‫) ‪= yt − ∑φτ∧ yt −τ − ∑ βτ∧ et −(τj −τ‬‬
‫)‪( j‬‬ ‫)‪( j‬‬ ‫)‪( j‬‬ ‫∧‬
‫∧‪et‬‬ ‫)‪(7‬‬
‫‪τ =1‬‬ ‫‪τ =1‬‬
‫)‪( j‬‬ ‫)‪( j‬‬
‫∧‪ βτ∧ , φτ‬مقدرات المربعات الصغرى المناظرة‪.‬‬
‫) ‪( m) ( I‬‬ ‫)‪( m ) ( I 1‬‬
‫∧‪ ρτ‬تمثل دالة‬ ‫∧‪ ρτ‬حيث‬ ‫ثم نجد دالة الرتباط الذاتي المعكولسة ‪IACF‬‬
‫)‪( m ) ( 1‬‬
‫∧‪ρτ‬‬ ‫الرتباط الذاتي المعكولسة المولسعة للعينة )‪ …,ESIACF)، m=0,1,2‬وأن‬
‫يستخرج كالتي‪:‬‬
‫‪‬‬ ‫‪‬‬
‫)‪( 1‬‬
‫‪‬‬ ‫)‪( m‬‬ ‫)‪( m‬‬ ‫)‪( m‬‬ ‫)‪( m‬‬ ‫)‪( m‬‬
‫‪‬‬ ‫‪τ =1,2,..., k‬‬
‫‪ m‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬
‫‪‬‬ ‫∧‪ − φ ∧ + φ1∧ φτ∧+1 + ... + φk∧−τ φk‬‬ ‫‪‬‬
‫∧‪ρτ‬‬ ‫‪= τ‬‬ ‫‪k‬‬ ‫‪‬‬
‫∧‪1 + ∑φτ‬‬
‫) ‪2( m‬‬
‫‪‬‬ ‫‪‬‬
‫‪‬‬ ‫‪τ =1‬‬ ‫‪‬‬
‫‪‬‬ ‫‪0‬‬ ‫‪‬‬

‫‪=0‬‬ ‫‪τ >k‬‬

‫)‪( 1‬‬
‫وأن التشخيص بالستخدام هذه الطريقة )‪ (ESIACF‬يتم من يخلل ترتيب قيم ) ( ∧‪ ρτ‬في‬
‫‪m‬‬

‫جدول ذي اتجاهين حيث تشير الصفوف إلى رتبة ‪ MA‬وترقم ‪ ،…,0,1,2‬وتشير العمدة‬
‫إلى رتبة ‪ AR‬وترقم ‪ ، …,0,1,2‬وكالتي‪:‬‬
‫‪MA‬‬
‫‪0‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪...‬‬
‫)‪( 1‬‬
‫)‪( 0 ) ( 1‬‬ ‫)‪( 0 ) ( 1‬‬ ‫)‪( 0 ) ( 1‬‬
‫‪0‬‬ ‫∧‪ρ 1‬‬
‫)‪( 0‬‬
‫∧‪ρ 2‬‬ ‫∧‪ρ 3‬‬ ‫∧‪ρ 4‬‬ ‫‪...‬‬
‫‪AR‬‬ ‫)‪( 1‬‬
‫)‪( 1) ( 1‬‬ ‫)‪( 1) ( 1‬‬ ‫)‪( 1) ( 1‬‬
‫‪1‬‬ ‫∧‪ρ1‬‬
‫)‪( 1‬‬
‫∧‪ρ 2‬‬ ‫∧‪ρ 3‬‬ ‫∧‪ρ 4‬‬ ‫‪...‬‬
‫)‪( 1‬‬
‫)‪( 2 ) ( 1‬‬ ‫)‪( 2 ) ( 1‬‬ ‫)‪( 2 ) ( 1‬‬
‫‪2‬‬ ‫∧‪ρ1‬‬
‫)‪( 2‬‬
‫∧‪ρ 2‬‬ ‫∧‪ρ 3‬‬ ‫∧‪ρ 4‬‬
‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬
‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬
‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬ ‫‪.‬‬
‫حيث أن‪:‬‬
‫) (‬ ‫‪1‬‬

‫) ( ∧‪ : ρτ‬الصف الول يمثل ‪ SIACF‬للسلسلة الصلية ‪. yt‬‬ ‫‪0‬‬

‫∧‪.( yt‬‬ ‫‪ :‬الصف الثاني يمثل ‪ ESIACF‬الولى )يمثل ‪ IACF‬للسلسلة } {‬

‫)‪( 1‬‬
‫∧‪ρτ‬‬
‫)‪( 1‬‬
‫)‪( 1‬‬

‫‪ :‬الصف الثالث يمثل ‪ ESIACF‬الثانية )يمثل ‪ IACF‬للسلسلة } ‪( { y‬‬

‫)‪( 1‬‬
‫)‪∧( 2‬‬ ‫)‪( 2‬‬
‫‪t‬‬ ‫∧‪ρτ‬‬
‫)‪( 1‬‬
‫( ∧‪ ρτ‬بالضبط‪ .‬فتبنى ‪ ESIACF‬بإعطاء‬ ‫)‪m‬‬
‫وفي التطبيق العملي قد تكون ‪≠ 0‬‬
‫)‪( 1‬‬
‫( ∧‪ ρτ‬أكبر أو أقل من )‪ (±2‬انحرافات معيارية‪،‬‬ ‫)‪m‬‬
‫الرمز )‪ (x‬للشارة إلى أن قيم‬
‫)‪( 1‬‬
‫وإعطاء )‪ (0‬للشارة إلى أن قيم ) ( ∧‪ ρτ‬واقعة بينهما‪ .‬وتحدد الرتبة للنموذج )‬ ‫‪m‬‬

‫‪ p,q)ARMA‬من يخلل رأس المثلث المشكل من الصفار من جهة اليمين اللسفل‬

‫من الجدول‪.‬‬

‫‪6‬‬
 ‫وللنموذج )‪ ARMA(1,1‬يكون الجدول كالتي‪:‬‬
‫‪p‬‬ ‫‪q‬‬ ‫‪MA‬‬ ‫‪1‬‬ ‫‪2‬‬ ‫‪3‬‬ ‫‪4‬‬
‫‪0‬‬
‫‪AR 0‬‬ ‫‪X‬‬ ‫‪X‬‬ ‫‪X‬‬ ‫‪X‬‬ ‫‪X‬‬
‫‪1‬‬ ‫‪X‬‬ ‫*‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬
‫‪2‬‬ ‫‪X‬‬ ‫‪X‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬
‫‪3‬‬ ‫‪X‬‬ ‫‪X‬‬ ‫‪X‬‬ ‫‪0‬‬ ‫‪0‬‬
‫‪4‬‬ ‫‪X‬‬ ‫‪X‬‬ ‫‪X‬‬ ‫‪X‬‬ ‫‪0‬‬

‫وتصلح هذه الطريقة للنماذج ‪ (ARMA(1,0), ARMA(0,1‬أيضًا‪.‬‬

‫‪7‬‬
 ‫‪ 1-4‬التطبيق العملي‪:‬‬
‫تم تصميم تجربة محاكاة بالستعمال حجوم عينات )‪ (n=50,100,150‬حيث‬
‫تم أيخذ السلسلة الزمنية الخاصة باليخطاء العشوائية } ‪ {at‬ولقيم معلمات‬
‫افتراضية تحقق شرطي اللستقرارية والنعكالسية )‪ (| φ1|<1،| θ1|<1‬وتم توليد‬
‫السلسلة } ‪ {yt‬للنموذج )‪.ARMA(1,1‬‬
‫تم إيجاد التوزيع التكراري للتشخيص بتكرار التجربة )‪ (1000‬مرة للقيم‬
‫المختلفة للمعلمات ‪ φ1 ,θ1‬وللحجوم المختلفة للعينات جدول رقم )‪ (5-1‬وتمت‬
‫مقارنة بين أدوات التشخيص المعروفة مع الطريقة المقترحة من يخلل إيجاد‬
‫نسبة التشخيص الصحيحة ‪ (Ratio Of true selection (RTS‬حيث ‪:‬‬
‫‪RTS = No. of correct identification‬‬
‫‪No. of replicates‬‬
‫وتم الحصول على النتائج‪-:‬‬
‫جدول رقم )‪:(5-1‬‬
‫التوزيع التكراري للتشخيص بالستعمال الدوات ‪ESIACF, c-table, ESACF‬‬
‫للنموذج ‪:(ARMA(1,1‬‬
‫‪θ1‬‬
‫‪n‬‬ ‫‪φ1‬‬ ‫‪ESACF‬‬ ‫‪C-table‬‬ ‫‪ESIACF‬‬
‫‪957‬‬ ‫‪966‬‬ ‫‪966‬‬
‫‪50‬‬ ‫‪962‬‬ ‫‪969‬‬ ‫‪969‬‬
‫‪.4‬‬ ‫‪-.7‬‬
‫‪964‬‬ ‫‪967‬‬ ‫‪967‬‬
‫‪-.6‬‬ ‫‪.9‬‬ ‫‪975‬‬ ‫‪984‬‬ ‫‪984‬‬
‫‪100‬‬ ‫‪978‬‬ ‫‪987‬‬ ‫‪987‬‬
‫‪975‬‬ ‫‪985‬‬ ‫‪985‬‬
‫‪-.8‬‬ ‫‪.5‬‬ ‫‪986‬‬ ‫‪994‬‬ ‫‪994‬‬
‫‪150‬‬ ‫‪989‬‬ ‫‪996‬‬ ‫‪996‬‬
‫‪992‬‬ ‫‪997‬‬ ‫‪997‬‬
‫جدول رقم )‪(5-2‬‬
‫نسبة التشخيص الصحيح ‪ RTS‬للنموذج ‪(ARMA(1,1‬‬
‫‪RTS‬‬
‫‪θ1‬‬
‫‪n‬‬ ‫‪ESACF‬‬ ‫‪C-table‬‬ ‫)المقترحة(‪ESICF‬‬
‫‪φ1‬‬
‫‪0.957‬‬ ‫‪0.966‬‬ ‫‪0.966‬‬
‫‪50‬‬ ‫‪0.962‬‬ ‫‪0.969‬‬ ‫‪0.969‬‬
‫‪.4‬‬ ‫‪-.7‬‬
‫‪0.964‬‬ ‫‪0.967‬‬ ‫‪0.967‬‬
‫‪-.6‬‬ ‫‪.9‬‬ ‫‪0.975‬‬ ‫‪0.984‬‬ ‫‪0.984‬‬
‫‪100‬‬ ‫‪0.978‬‬ ‫‪0.987‬‬ ‫‪0.987‬‬
‫‪0.975‬‬ ‫‪0.985‬‬ ‫‪0.985‬‬
‫‪-.8‬‬ ‫‪.5‬‬ ‫‪0.986‬‬ ‫‪0.994‬‬ ‫‪0.994‬‬
‫‪150‬‬ ‫‪0.989‬‬ ‫‪0.996‬‬ ‫‪0.996‬‬
‫‪0.992‬‬ ‫‪0.997‬‬ ‫‪0.997‬‬
‫‪ 1-6‬مناقشة النتائج‪:‬‬

‫‪8‬‬
‫من يخلل التطبيق نلحظ أن الداة المقترحة ‪ ESIACF‬هي الفضل )نسبيًا(‬ ‫‪-1‬‬
‫في التشخيص تليها طريقة كولديب كومار ‪ c-table‬وطريقة الرتباط الذاتي‬
‫المولسعة ‪.ESACF‬‬
‫أثبتت الطريقة المقترحة كفاءة عالية في معرفة نوع النموذج وتحديد رتبته‬ ‫‪-2‬‬
‫شأنها شأن الدوات اليخرى‪.‬‬
‫زيادة حجم السلسلة يجعل الدارة أفضل في التشخيص وبالتالي فإن ‪RTS‬‬ ‫‪-3‬‬
‫تزداد في الغالب )تكون أقرب إلى الواحد الصحيح( بزيادة حجم السلسلة‪.‬‬
‫ل تؤثر قيم المعلمات تأثيرا ً كبيرا ً على التكرارات*‪.‬‬ ‫‪-4‬‬

‫* المقصود قيم المعلمات ضمن المدى الذي يحقق شرطي الستقرارية والعنعكاسية‬

‫‪9‬‬
References
1- Anderson, T.W. (1971) (The statistical Analysis of Time series) John Wily,
Newyork.
2- Box, Jenkins (1976) (Time Series Analysis forecasting & control Holdon-
Day inc U.S.A
3- Bhanasali, R.J (Autoregressive and window Estimates of the inverse
correlation function) Biometrika vol (67) No. (3) pp. (551-556).
4- Dankit, Nassiuma (1993) (Non-stationary autoregressive Moving Average
processes with Infinite Variance) Journal of time series Analysis vol (14) No.
(3) pp. (297-304) .
5- Glasbey. C.A. (1982) ( A Generalizations of partial Autocorrelation useful in
identifying ARMA Models) Technometrics vol. (24) No. (3).
6- Gatean Caklo (2000) (subset ARMA Model Identification using genetic
Algorithms) Journal of time series Analysis Vol. (21) No. (5) pp.(559-570).
7- Hamilton (1970) (Multiple Time series) John Willy New York U.S.A
8- Kumar, K (1987) (On the identification of ARMA model ) Bulletin of the
International Stationary statistical institute (Nether Lands) Vol. (11) Book (2)
pp. (377-389).
9- Teles, Paulo & Wei William W.S (2002) ( The use of Aggregate Time Series
in Testing For Gaussianity ) Journal of Time Series Analysis Vo. (23) P (95) .
10- Vuattoux, J.L. & Carpentier. LE (2002) (None Casual ARMA Model
Identification by Maximizing Kurtosis (by internet).
11- Wegman, Eduard, J (1998) (Time series Analysis Theory Data Analysis and
Computation).
12- Wei, William, W.S (1989) (Time Series Analysis, Univariat and Multivariate
Methods) addison- Wesley Publishing compony ine.
13- ‫() تشخيص وفحص مدى الملءمة لنماذج‬2005) ‫الزوبعي – عبيد محمود‬
‫السللسل الزمنية المختلطة ذات الرتب الدنيا( أطروحة دكتوراه في‬
– ‫الحصاء –كلية الدارة والقتصاد‬ ‫جامعة‬
‫بغداد‬.

10