Professional Documents
Culture Documents
الزمنية
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.
2
البيانات المتاحة عن
ظاهرة ما
تخمين الشكل
اقتراح النموذج
الدالي )تحديد رتبة
3 النموذج( 4
التقدير
Estimation
5 تقدير معلمات النموذج
ايختبار المحاكاة
7 غير مقنع
مقنع
التكهن أو التنبؤ
Forecasting 8 التكهن أو التنبؤ
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.
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 ) (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
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
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
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
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