تريد التنبؤ بمعدل التضخم أو سعر الصرف أو الناتج المحلي للسنوات القادمة في رسالتك، والمشرف يطلب «نموذج ARIMA مع التشخيص». من أين تبدأ؟ تحليل السلاسل الزمنية يختلف عن تحليل الاستبانات؛ فالمشاهدات مرتبة زمنيًا ويعتمد بعضها على بعض، وأي انحدار عادي عليها قد يعطي نتائج مضللة. يشرح هذا الدليل منهجية Box-Jenkins لبناء نموذج ARIMA في ست خطوات، مع القرارات التي يجب تبريرها في الرسالة، والأخطاء التي تُرصد عادة في المناقشة.
هذا المقال جزء من دليل كتابة رسالة الماجستير الذي يُعدّه فريق Mastermind PhD، ويرتبط بخدمة التحليل الإحصائي. آخر تحقق من المصادر: نوفمبر 2026.
ما هي السلاسل الزمنية ونموذج ARIMA؟ السلسلة الزمنية مجموعة مشاهدات لمتغير واحد مسجلة على فترات منتظمة (سنوية أو ربع سنوية أو شهرية). ونموذج ARIMA(p,d,q) يفسر قيمة المتغير الحالية بقيمه السابقة (الجزء الانحداري الذاتي AR برتبة p) وبأخطاء التنبؤ السابقة (جزء المتوسط المتحرك MA برتبة q)، بعد أخذ الفروق d مرة لجعل السلسلة مستقرة.
متى يناسب نموذج ARIMA رسالتك ومتى لا يناسبها؟
نموذج ARIMA نموذج أحادي المتغير: يتنبأ بالسلسلة من تاريخها هي فقط، ولا يفسر أثر متغيرات أخرى. لذلك يناسب الأسئلة من نوع «ما القيم المتوقعة لمعدل التضخم في مصر حتى 2030؟»، ولا يناسب وحده أسئلة من نوع «ما أثر عرض النقود على التضخم؟».
| سؤال الدراسة | النموذج الأقرب |
|---|---|
| التنبؤ بمتغير واحد من تاريخه | ARIMA، أو SARIMA إذا وُجدت موسمية |
| أثر متغير أو أكثر في الأجل القصير والطويل | ARDL أو VAR أو VECM |
| علاقة توازنية طويلة الأجل بين سلاسل غير مستقرة | اختبارات التكامل المشترك (Engle-Granger أو Johansen) |
| تقلبات وعدم ثبات التباين عبر الزمن (أسواق مالية) | نماذج ARCH وGARCH |
طول السلسلة مهم كذلك. السلاسل السنوية القصيرة (20 أو 25 مشاهدة) تجعل تقدير الرتب ضعيفًا والتنبؤ غير موثوق، والقاعدة الشائعة المنسوبة إلى Box وJenkins أن تتوفر نحو 50 مشاهدة على الأقل. إذا كانت بياناتك قصيرة فناقش استخدام بيانات ربع سنوية أو شهرية، أو اذكر القيد صراحة في حدود الدراسة.
الخطوة 1: كيف تبدأ برسم السلاسل الزمنية وفحصها بصريًا؟
قبل أي اختبار، ارسم السلسلة عبر الزمن. الرسم يكشف ثلاثة أشياء: الاتجاه العام (صعود أو هبوط مستمر)، والموسمية (نمط يتكرر كل 12 شهرًا أو كل 4 أرباع)، والكسور الهيكلية (قفزة مفاجئة بسبب تعويم العملة أو أزمة مالية). كل واحد منها يغير خطوات التحليل التالية، ويُستحسن عرض الرسم في فصل النتائج مع تعليق قصير.
📱 اسأل مختصًا إحصائيًا عن بياناتك — أرسل وصف أداة الدراسة وحجم العينة على واتساب، ونرد عليك بخطة التحليل المناسبة. مع كل تحليل تستلم ملف SPSS الخام وتقرير النتائج.
الخطوة 2: كيف تختبر استقرارية السلاسل الزمنية؟
السلسلة المستقرة لها متوسط وتباين ثابتان تقريبًا عبر الزمن. أغلب السلاسل الاقتصادية في مستواها غير مستقرة، لذلك تُختبر بـ:
- اختبار ديكي فولر الموسع ADF: فرضيته الصفرية وجود جذر وحدة (عدم الاستقرار). دلالة أقل من 0.05 تعني رفض الفرضية الصفرية، أي أن السلسلة مستقرة.
- اختبار فيليبس بيرون PP: الفرضية الصفرية نفسها مع معالجة مختلفة للارتباط الذاتي.
- اختبار KPSS: فرضيته الصفرية عكسية (السلسلة مستقرة)، ويُستخدم للتأكيد.
إذا كانت السلسلة غير مستقرة في المستوى فخذ الفروق الأولى وأعد الاختبار. عدد مرات أخذ الفروق حتى تستقر السلسلة هو الرتبة d، ونادرًا ما تتجاوز 2 في السلاسل الاقتصادية. وكثير من الباحثين يأخذون لوغاريتم السلسلة أولًا لتثبيت التباين.
الخطوة 3: كيف تحدد الرتب p وq؟
بعد الاستقرار، ارسم دالة الارتباط الذاتي ACF ودالة الارتباط الذاتي الجزئي PACF للسلسلة المستقرة:
| نمط ACF | نمط PACF | النموذج المرشح |
|---|---|---|
| يتلاشى تدريجيًا | ينقطع بعد الإبطاء p | AR(p) |
| ينقطع بعد الإبطاء q | يتلاشى تدريجيًا | MA(q) |
| يتلاشى تدريجيًا | يتلاشى تدريجيًا | ARMA(p,q) |
الأنماط في البيانات الحقيقية نادرًا ما تكون بهذا الوضوح، لذلك جرّب عدة نماذج مرشحة صغيرة الرتب (مثل (1,1,0) و(0,1,1) و(1,1,1))، وقارن بينها بمعياري المعلومات AIC وBIC: الأقل أفضل، بشرط اجتياز التشخيص.
الخطوة 4: كيف تقدّر النموذج وتقرأ المعاملات؟
تقدّر النماذج المرشحة في البرنامج الذي يقبله قسمك: في Stata بالأمر arima y, arima(1,1,1)، وفي EViews من نافذة Equation، وفي R بالدالة Arima() أو auto.arima() من حزمة forecast، وفي SPSS من قائمة Forecasting. افحص دلالة كل معامل، وتأكد أن معاملات AR وMA تحقق شروط الاستقرار والانعكاسية (القيم المطلقة أقل من 1 في النماذج من الرتبة الأولى). الدالة التلقائية في R مفيدة كنقطة بداية، لكن لا تكتفِ بها؛ اللجنة تسأل لماذا اخترت هذه الرتب.
الخطوة 5: لماذا يُعد تشخيص البواقي إلزاميًا؟
النموذج الجيد يترك بواقي تشبه الضوضاء البيضاء: لا ارتباط ذاتي فيها، ومتوسطها قريب من الصفر. أهم الفحوص:
- اختبار Ljung-Box (Q): فرضيته الصفرية عدم وجود ارتباط ذاتي في البواقي؛ دلالة أكبر من 0.05 مطلوبة.
- رسم ACF للبواقي: يجب أن تقع كل الأعمدة تقريبًا داخل حدود الثقة.
- فحص التوزيع وثبات التباين: رسم البواقي واختبار ARCH إذا ظهرت تقلبات متجمعة.
إذا فشل التشخيص فارجع إلى الخطوة 3 وجرّب رتبًا أخرى. هذه الدورة (تعرّف، تقدير، تشخيص) هي جوهر منهجية Box-Jenkins في تحليل السلاسل الزمنية.
الخطوة 6: كيف تتنبأ وتقيّم دقة التنبؤ؟
قسّم البيانات قبل التنبؤ: قدّر النموذج على الجزء الأول (مثل 1990–2018) واختبره على السنوات الأخيرة (2019–2023). قارن التنبؤ بالقيم الفعلية بمقاييس الدقة مثل RMSE وMAE وMAPE، ثم أعد التقدير على السلسلة كاملة وتنبأ بالمستقبل مع فترات الثقة.
اعرض التنبؤ في جدول وفي رسم يجمع القيم الفعلية والمتنبأ بها. ولاحظ أن فترات الثقة تتسع كلما ابتعد أفق التنبؤ، فالتنبؤ لعشر سنوات قادمة من سلسلة سنوية قصيرة يحتاج تحفظًا واضحًا في المناقشة.
مثال توضيحي لمسار القرار
المثال التالي افتراضي لتوضيح تسلسل القرارات، وأرقامه ليست من دراسة حقيقية. باحث لديه سلسلة شهرية لمؤشر أسعار المستهلك على مدى 12 سنة، أي 144 مشاهدة. أظهر الرسم اتجاهًا صاعدًا ونمطًا موسميًا خفيفًا في أشهر رمضان والأعياد. أخذ الباحث لوغاريتم السلسلة، فلم يرفض اختبار ADF فرضية جذر الوحدة في المستوى، ورفضها بعد الفروق الأولى، فكانت d = 1.
أظهرت دالة PACF للسلسلة بعد الفروق قمة واضحة عند الإبطاء الأول ثم انقطاعًا، وظهرت قمة عند الإبطاء 12 في ACF. جرّب الباحث ثلاثة نماذج، واختار النموذج الموسمي ذا أقل قيمة AIC الذي اجتاز اختبار Ljung-Box. ثم قدّره على أول عشر سنوات واختبره على السنتين الأخيرتين قبل التنبؤ.
قيمة هذا المثال ليست في الأرقام، بل في أن كل قرار فيه (اللوغاريتم، الفروق، الجزء الموسمي، النموذج المختار) له اختبار أو رسم يبرره ويمكن عرضه أمام اللجنة.
كيف تكتب تحليل السلاسل الزمنية في فصل النتائج؟
رتّب العرض وفق الخطوات: رسم السلسلة، جدول اختبارات الاستقرارية في المستوى والفروق، رسوم ACF وPACF، جدول مقارنة النماذج المرشحة بمعايير AIC وBIC، معاملات النموذج المختار، نتائج التشخيص، ثم جدول التنبؤ ومقاييس الدقة. كل جدول يسبقه سطر يقول ماذا يختبر ويليه سطر يقول ماذا يعني.
أخطاء متكررة في الرسائل: تقدير ARIMA على سلسلة غير مستقرة، اختيار الرتب دون عرض البدائل، إغفال تشخيص البواقي، تجاهل الموسمية في البيانات الشهرية، والتنبؤ لأفق طويل دون فترات ثقة. وإذا أردت مراجعة النموذج أو تنفيذه مع جلسة تشرح لك كل قرار، فخدمة التحليل الإحصائي تشمل الاقتصاد القياسي مع ملفات الأوامر والمخرجات.
📱 استفسر الآن على واتساب — 5 سنوات خبرة في كل التخصصات و14 خدمة أكاديمية. الدفع على مرحلتين (80/20)، والتعديلات مجانية حتى اعتماد المشرف في حدود 30% من الفصل.
الأسئلة الشائعة
ما الفرق بين ARIMA وSARIMA؟
SARIMA يضيف جزءًا موسميًا برتب خاصة (P,D,Q) وطول موسم s، مثل 12 للبيانات الشهرية. إذا أظهر الرسم أو ACF نمطًا يتكرر كل سنة فـSARIMA أنسب من ARIMA العادي.
هل يمكن إضافة متغيرات مستقلة إلى ARIMA؟
نعم عبر نموذج ARIMAX أو الانحدار مع أخطاء ARIMA، لكن إذا كان هدف الرسالة تفسير أثر المتغيرات فنماذج ARDL أو VAR غالبًا أنسب. حدّد الهدف أولًا مع المشرف.
ماذا أفعل إذا أعطت اختبارات الاستقرارية نتائج متعارضة؟
هذا يحدث، خاصة في السلاسل القصيرة. اعرض نتائج ADF وPP وKPSS معًا، واذكر أي قرار اتخذت ولماذا، وفكر في وجود كسر هيكلي يحتاج اختبارًا مخصصًا مثل Zivot-Andrews.
أي برنامج أفضل لتحليل السلاسل الزمنية؟
EViews وStata وR كلها مناسبة. EViews سهل للمبتدئ، وR مجاني ومرن، وStata قوي في الجمع بين السلاسل الزمنية وبيانات البانل. اختر ما يقبله القسم واحفظ الأوامر.
كم مشاهدة أحتاج للتنبؤ بنموذج ARIMA؟
كلما زادت المشاهدات كان التقدير أدق. القاعدة الشائعة نحو 50 مشاهدة على الأقل، ومع السلاسل الأقصر يجب التحفظ في التنبؤ وذكر ذلك ضمن حدود الدراسة.
المصادر
- Box, G. E. P., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time Series Analysis: Forecasting and Control (5th ed.). Wiley.
- Hyndman, R. J., & Athanasopoulos, G. (2021). Forecasting: Principles and Practice (3rd ed.). OTexts. https://otexts.com/fpp3/
- Enders, W. (2015). Applied Econometric Time Series (4th ed.). Wiley.
- Dickey, D. A., & Fuller, W. A. (1979). Distribution of the estimators for autoregressive time series with a unit root. Journal of the American Statistical Association, 74(366), 427–431. https://doi.org/10.1080/01621459.1979.10482531
- Ljung, G. M., & Box, G. E. P. (1978). On a measure of lack of fit in time series models. Biometrika, 65(2), 297–303. https://doi.org/10.1093/biomet/65.2.297
- StataCorp. Stata Time-Series Reference Manual. https://www.stata.com/manuals/ts.pdf
آخر تحقق من المصادر: نوفمبر 2026. المقال تعليمي عام ولا يغني عن لائحة جامعتك أو توجيهات مشرفك. كيف نُعد محتوانا.