تحليل السلاسل الزمنية: التنبؤ والتحكّم

مع نهاية الستينيات كان مجال التنبؤ بالسلاسل الزمنية أشبه بفسيفساء من أدوات لا رابط بينها. المهندس يلجأ إلى التمهيد الأُسّي، والاقتصادي يفكّك الاتجاه والدورة يدوياً، والإحصائي يدرس النماذج الانحدارية الذاتية على الورق دون أن يملك وصفة واضحة لتطبيقها على بيانات فعلية.

كانت هناك أسئلة أساسية لم يجد لها أحد إجابة موحّدة:

• كم من الماضي ينبغي أن يدخل في التنبؤ؟
• كيف نتخلّص من الاتجاهات والموسمية بشكل منظّم؟
• بعد بناء النموذج، كيف نعرف أنه يعكس بنية البيانات حقاً ولا يغفل شيئاً جوهرياً؟

ما كان ينقص الجميع هو منهجية شاملة: إطار واحد يأخذ بيد المحلل من البيانات الخام حتى تنبؤ موثوق وقابل للتفسير.

قبل أن تبني أي نموذج، لا بد أن تكون السلسلة مستقرة: أي أن متوسطها وتباينها لا يتغيّران بمرور الزمن. فكّر في السلسلة المستقرة كإنسان يمشي حول نقطة واحدة — يبتعد قليلاً ثم يعود. أما السلسلة غير المستقرة فهي كشخص يسير في اتجاه واحد دون توقّف — المستوى نفسه ينزاح باستمرار.

في الواقع معظم السلاسل غير مستقرة: أسعار الأسهم تصعد مع الوقت، والمبيعات لها قمم موسمية، ودرجات الحرارة تتبع دورات سنوية. الحيلة التي يستخدمها ARIMA هي أخذ الفروق: اطرح كل قيمة من سابقتها. إذا كانت السلسلة الأصلية $y_t$ فيها اتجاه صاعد مثلاً، فسلسلة الفروق $y_t - y_{t-1}$ تتخلّص منه غالباً. عدد مرات أخذ الفروق يُسمّى رتبة التكامل $d$ — وهو ما يمثّله حرف «I» في ARIMA.

الفكرة وراء المُركَّب الانحداري الذاتي بسيطة: القيمة الحالية ما هي إلا مزيج موزون من قيم سابقة. في نموذج AR(1) نقول: «قيمة اليوم تساوي نسبة من قيمة الأمس زائد ضوضاء عشوائية». وفي AR(2) نُضيف يوماً آخر: «اليوم يعتمد على الأمس وأول أمس معاً».

تخيّل الأمر كقصور ذاتي: يوم حار غالباً يتبعه يوم حار آخر، لا موجة برد مفاجئة. المعامل $\phi$ يحدّد قوة هذه الذاكرة. حين يكون $|\phi| < 1$ تضعف الذاكرة تدريجياً والسلسلة تعود دائماً إلى متوسطها — أي أنها مستقرة. لكن حين يبلغ $|\phi| = 1$ تتحوّل السلسلة إلى مسيرة عشوائية تتجوّل بلا عودة، وهذا بالضبط ما نعنيه بعدم الاستقرارية.

المُركَّب الانحداري الذاتي يتذكّر القيم السابقة، أما مُركَّب المتوسط المتحرك فيتذكّر المفاجآت السابقة — أي أخطاء التنبؤ. نموذج MA(1) يقول: «قيمة اليوم تساوي المتوسط زائد نسبة من مفاجأة الأمس».

فكّر في الأمر كحجر يسقط في بركة: الصدمة ($\varepsilon_{t-1}$) تُحدث تموّجات تؤثر في السطح لبضع خطوات زمنية ثم تختفي. هنا يكمن الفرق الجوهري عن المُركَّب الانحداري الذاتي: صدمات المتوسط المتحرك لها ذاكرة محدودة. نموذج MA(q) ينسى أي صدمة وقعت قبل أكثر من q خطوة مهما كانت ضخمة.

ARIMA يدمج الأفكار الثلاث في نموذج واحد. الخطوة الأولى: خُذ الفروق $d$ مرة حتى تصبح السلسلة مستقرة. الخطوة الثانية: عامل السلسلة المفروقة كعملية ARMA(p, q) تجمع ذاكرة القيم السابقة مع أثر الصدمات.

الترميز ARIMA(p, d, q) يلخّص كل شيء:

• p = عدد حدود AR (مدى الذاكرة الزمنية)
• d = عدد مرات أخذ الفروق (كم مرة نطرح لإزالة الاتجاه)
• q = عدد حدود MA (كم صدمة سابقة لا يزال أثرها محسوساً)

مثلاً ARIMA(1,1,1) معناه: خُذ فرقاً واحداً لإزالة الاتجاه، ثم صِف ما تبقّى بحدّ AR واحد وحدّ MA واحد. رغم بساطة هذا التوصيف، يتبيّن أنه يعمل بشكل ممتاز مع سلاسل واقعية كثيرة.

الإسهام الأعمق لبوكس وجينكنز لم يكن النموذج الرياضي بحدّ ذاته، بل المنهجية — دورة عمل منضبطة وقابلة للتكرار. فكّر فيها كمنهج علمي مصمَّم للتنبؤ:

الخطوة 1 — التعرّف: ارسم دالة الارتباط الذاتي (ACF) ودالة الارتباط الذاتي الجزئي (PACF) لتستنتج الرُّتب p وd وq. الأولى تقيس الارتباط الكلي عند كل تأخير، والثانية تعزل التأثير المباشر لكل تأخير بعد حذف أثر التأخيرات الوسيطة. الشكلان معاً يُعطيانك بصمة تدلّك على فئة النموذج.

الخطوة 2 — التقدير: قدّر المعاملات (φ وθ) بأسلوب الإمكانية العظمى، الذي يبحث عن القيم التي تجعل ظهور البيانات المُلاحَظة أكثر ترجيحاً في ظل النموذج.

الخطوة 3 — التشخيص: افحص البواقي. إن كان النموذج جيداً فستبدو البواقي كضوضاء بيضاء — بلا ارتباط ذاتي ولا أنماط ظاهرة. وإن بقيت فيها بنية، عُد إلى الخطوة الأولى ونقّح النموذج.

هذه الدورة — كرِّر حتى تنظف البواقي — هي ما حوّل بوكس-جينكنز من صيغة رياضية إلى منهجية حقيقية.

دالتا الارتباط الذاتي (ACF) والارتباط الذاتي الجزئي (PACF) هما الأداتان الأساسيتان لتحديد رُتب نموذج ARIMA. يمكنك اعتبارهما بصمتين تكشفان عن الهوية الزمنية للسلسلة.

في عملية AR(p) نقية، يُظهر PACF قمماً واضحة عند التأخيرات من 1 إلى p ثم يسقط إلى الصفر مباشرة — تماماً كقطع دومينو تنتهي عند العمق p. في المقابل يتلاشى ACF تدريجياً بشكل أُسّي أو بتذبذبات خامدة.

في عملية MA(q) نقية ينعكس المشهد: ACF هو من يُظهر قمماً حادة حتى التأخير q ثم ينقطع، بينما PACF يتلاشى ببطء.

أما في العمليات المختلطة ARMA(p,q) فكلتا الدالتين تتلاشيان تدريجياً — وهنا يصعب التعرّف بالعين ويصبح الاعتماد على الخبرة ومعايير المعلومات مثل AIC ضرورياً.

بمجرد اختيار الرُّتب المرشّحة (p, d, q) ننتقل إلى التقدير. الأسلوب الذي تبنّاه بوكس وجينكنز هو تقدير الإمكانية العظمى (MLE): نبحث عن قيم المعاملات $\hat\phi$ و$\hat\theta$ التي تجعل البيانات المُلاحَظة أكثر ترجيحاً في ظل النموذج. في الحالة الغاوسية يتلخّص الأمر عملياً في تصغير مجموع مربعات أخطاء التنبؤ بخطوة واحدة إلى الأمام.

الخطوة الأهم تأتي بعد التقدير: فحص البواقي $\hat\varepsilon_t = y_t - \hat{y}_t$. النموذج الجيد يترك بواقي تشبه ضوضاء بيضاء — قيم عشوائية مستقلة لا نمط فيها. للتحقق من ذلك نستخدم مخطط ACF للبواقي (لا ينبغي أن تظهر فيه قمم ذات دلالة)، واختبار لجنغ-بوكس (اختبار إحصائي صريح للارتباط الذاتي المتبقي)، ومخططات QQ (للتحقق من اعتدالية التوزيع).

إذا ظهرت مشكلات — كارتباط ذاتي لم يُلتقط أو تباين غير ثابت — نعود إلى نقطة البداية: نعدّل الرُّتب ونُعيد التقدير ثم الفحص. تتكرر الدورة حتى تصبح البواقي نظيفة تماماً.

حين يجتاز النموذج مرحلة التشخيص يصبح جاهزاً للتنبؤ. تنبؤات ARIMA مِثالية بمعنى دقيق: من بين جميع المتنبّئات الخطية، تعطي أقل متوسط مربع خطأ إذا كانت العملية الحقيقية فعلاً ARIMA.

الميزة الكبرى هنا أن ARIMA لا يعطيك رقماً واحداً بل يرفقه بفترات تنبؤ. كلما ابتعد الأفق الزمني اتّسعت هذه الفترات تعبيراً عن تنامي حالة عدم اليقين. هذا الاعتراف الصريح بالارتياب كان قفزة كبيرة مقارنة بالأساليب الأقدم التي كانت تُخرج أرقاماً نقطية دون أي مؤشر على مدى موثوقيتها.

في عمليات AR المستقرة يتقارب التنبؤ سريعاً نحو المتوسط. أما في العمليات المتكاملة (d ≥ 1) فيتّبع التنبؤ آخر اتجاه مُلاحَظ وتتّسع فترات التنبؤ بلا سقف — كأن النموذج يقول بصراحة: لا أستطيع التنبؤ بعيداً لأن السلسلة ليس لها مستوى ثابت تعود إليه.

سلاسل كثيرة في الواقع تحمل نمطاً موسمياً: مبيعات التجزئة تبلغ ذروتها في ديسمبر، واستهلاك الكهرباء يقفز كل صيف، وأعداد ركاب الطيران تتكرر بدورة سنوية. لذلك وسّع بوكس وجينكنز النموذج إلى ARIMA الموسمي، ويُكتب ARIMA(p,d,q)(P,D,Q)ₘ حيث m هو طول الموسم (مثلاً 12 لبيانات شهرية أو 4 لبيانات فصلية).

الفكرة أنيقة في بساطتها: طبّق منطق AR-I-MA نفسه على مقياسين في آنٍ واحد. الجزء غير الموسمي (p,d,q) يتعامل مع الارتباطات قصيرة المدى داخل الموسم الواحد، بينما الجزء الموسمي (P,D,Q) يتعامل مع الارتباطات عبر المواسم — كيف يرتبط يناير هذا العام بيناير السنة الماضية مثلاً. والفروق الموسمية (طرح القيمة الحالية من نظيرتها قبل m خطوة) تُزيل النمط الموسمي تماماً كما تُزيل الفروق العادية الاتجاه.

المثال الشهير هو «نموذج الطيران» ARIMA(0,1,1)(0,1,1)₁₂ الذي استخدمه بوكس وجينكنز كنموذج استعراضي: حدّ MA واحد غير موسمي، وحدّ MA موسمي واحد، وفرق عادي وفرق موسمي. رغم بساطته الشديدة، يصف بيانات ركاب الطيران الدوليين بدقة لافتة ولا يزال يُستخدم كمعيار مرجعي حتى اليوم.

كلّما رأيت نموذج تنبؤ يفصل السلسلة إلى اتجاه وموسمية، أو يفحص البواقي بحثاً عن أنماط لم تُلتقط، أو يُرفق تنبؤاته بفترات ارتياب — فأنت ترى بصمة بوكس وجينكنز. ARIMA كان البذرة التي نبت منها مجال التنبؤ المنهجي بالسلاسل الزمنية بأكمله.