كيفية حساب الارتباط الذاتي في إكسيل

تُعد السلاسل الزمنية إحدى الركائز الجوهرية في التحليل الإحصائي الحديث، حيث تمتد تطبيقاتها عبر طيف واسع من العلوم الطبيعية، الاقتصادية، السلوكية، والنفسية. وفي خضم تحليل الظواهر المتغيرة عبر الزمن، يبرز مفهوم الارتباط الذاتي (Autocorrelation) كأداة تشخيصية وتحليلية لا غنى عنها لفهم البنية الداخلية للبيانات. يتيح قياس الارتباط الذاتي للباحثين والمحللين استكشاف مدى ارتباط القيم الحالية للمتغير بقيمه السابقة عبر فترات زمنية متفاوتة، مما يوفر رؤى دقيقة حول الذاكرة التاريخية للعملية المولدة للبيانات، وتحديد ما إذا كانت التغيرات الملاحظة تخضع لأنماط منتظمة أو تكرارات موسمية أو تقلبات عشوائية خالصة.

وعلى الرغم من توافر حزم برمجية متخصصة في التحليل القياسي مثل R و Python و SPSS، فإن برنامج مايكروسوفت إكسيل (Microsoft Excel) يظل البيئة الأكثر انتشاراً ومرونة لمعالجة البيانات الأولية وبناء النماذج المالية والتحليلية. ومع ذلك، يواجه الكثير من الباحثين تحدياً منهجياً يتمثل في غياب دالة مدمجة ومباشرة تحمل اسم دالة الارتباط الذاتي داخل إكسيل بالصورة النمطية المعتادة، مما يستلزم فهماً عميقاً للأسس الرياضية لبناء الصيغ التكرارية واستخدام مصفوفات الدوال بكفاءة رياضية دقيقة.

يهدف هذا الدليل المرجعي الشامل إلى تقديم تفكيك مفاهيمي ورياضي وتطبيقي متكامل لكيفية حساب وتفسير دالة الارتباط الذاتي (ACF) داخل بيئة إكسيل. سنتناول في هذا المقال الجذور النظرية والمعادلات الرياضية الصارمة، مروراً بالتطبيقات الحيوية في أبحاث القياس النفسي والسلوكي، وصولاً إلى الخطوات الحسابية التفصيلية عبر ثلاث طرق مختلفة، وبناء مخطط الارتباط الذاتي البياني (Correlogram)، واختبار الفرضيات الإحصائية المرافقة مثل اختباري داربن-واتسون وليونغ-بوكس، مع تقديم دراسة حالة تطبيقية متكاملة تضمن تمكين القارئ من إجراء هذا التحليل المتقدم بكل ثقة ودقة أكاديمية.

1. مقدمة نظرية: مفهوم الارتباط الذاتي (Autocorrelation) وأهميته الإحصائية

1.1 التعريف العلمي للارتباط الذاتي والارتباط التسلسلي

يُعرَّف الارتباط الذاتي (Autocorrelation) إحصائياً بأنه معامل الارتباط الرياضي المحسوب بين سلسلة زمنية معينة ونسخة مزاحة زمنياً (Lagged Version) من نفس السلسلة. وبمعنى آخر، هو مقياس يقيس درجة التشابه الخطي والتكرار النمطي بين المشاهدات المتتالية لنفس المتغير عبر فواصل زمنية متتابعة. إذا كان معامل ارتباط بيرسون التقليدي يقيس قوة واتجاه العلاقة الخطية بين متغيرين مختلفين تماماً (X و Y) تم قياسهما في اللحظة الزمنية ذاتها، فإن الارتباط الذاتي يدرس العلاقة بين المتغير ونفسه، ولكن عند نقطتين زمنيتين متمايزتين تفصل بينهما فترة إبطاء زمني تُعرف رياضياً بـ (Lag k).

من الناحية الدلالية والمفاهيمية، يُستخدم مصطلح الارتباط الذاتي (Autocorrelation) ومصطلح الارتباط التسلسلي (Serial Correlation) بشكل مترادف في معظم الأدبيات الإحصائية والاقتصادية القياسية. ومع ذلك، يميل بعض علماء القياس إلى تخصيص مصطلح “الارتباط التسلسلي” للإشارة تحديداً إلى وجود ارتباط بين الأخطاء العشوائية أو البواقي (Residuals) في نماذج الانحدار عبر الزمن، في حين يُستخدم مصطلح “الارتباط الذاتي” لوصف السلسلة الزمنية للمتغير الأصلي ذاته بغض النظر عن سياق النمذجة الانحدارية.

ترتكز المعادلة النظرية للارتباط الذاتي على مفهوم التغاير المشترك الذاتي (Autocovariance). فبالنسبة لسلسلة زمنية مستقرة ذات متوسط حسابي ثابت، يُعرَّف التغاير الذاتي عند فترة إبطاء k بأنه القيمة المتوقعة لضرب انحراف المشاهدة عند اللحظة t عن المتوسط الكلي في انحراف المشاهدة عند اللحظة t-k عن ذات المتوسط. ومن خلال قسمة هذا التغاير الذاتي على التباين الكلي للسلسلة (والذي يمثل التغاير الذاتي عند فترة إبطاء تساوي صفراً)، نحصل على معامل الارتباط الذاتي كقيمة قياسية لا تتأثر بوحدات القياس.

1.2 أهمية قياس الارتباط الذاتي في النمذجة والتنبؤ

يلعب تحليل الارتباط الذاتي دوراً محورياً وحاسماً في مرحلة استكشاف البيانات والتحقق من افتراضات النمذجة الرياضية والتنبؤ المستقبلي. تكمن الأهمية الأولى في اختبار استقرارية السلاسل الزمنية (Stationarity)؛ حيث تتسم السلاسل الزمنية المستقرة بضعف ارتباطها الذاتي وتناقصه السريع نحو الصفر مع تزايد فترات الإبطاء الزمني. وفي المقابل، إذا ظلت معاملات الارتباط الذاتي مرتفعة جداً وتتلاشى ببطء شديد عبر فترات زمنية طويلة، فإن هذا يُعد مؤشراً حاسماً على عدم استقرار السلسلة ووجود اتجاه عام (Trend) غير ثابت أو جذر وحدة (Unit Root) يستوجب المعالجة الإحصائية.

علاوة على ذلك، تُعد دالة الارتباط الذاتي أداة كشف بصرية ورياضية بالغة الفعالية في تحديد الأنماط الدورية والموسمية (Seasonality). فعند تحليل بيانات يومية أو شهرية تظهر طفرات متكررة في معاملات الارتباط الذاتي عند فترات إبطاء محددة (مثل k = 7 للبيانات اليومية ذات الدورة الأسبوعية، أو k = 12 للبيانات الشهرية ذات الدورة السنوية)، يمكن للباحث الاستدلال بدقة على وجود هيكل موسمي متجذر يفرض نفسه على حركة المتغير عبر الزمن.

وفي سياق نماذج الانحدار الخطي الكلاسيكية (OLS)، يُعد فحص الارتباط الذاتي في البواقي شرطاً جوهرياً للتحقق من صحة فرضيات مبرهنة غاوس-ماركوف (Gauss-Markov Theorem). إن وجود ارتباط ذاتي بين حدود الخطأ العشوائي يؤدي إلى بقاء المقدرات غير متحيزة ولكنها تفقد خاصية الكفاءة (Efficiency)، مما يترتب عليه تقليل مضلل في قيم الأخطاء المعيارية المحسوبة وتضخيم قيم إحصاءات t و F، وهو ما قد يقود الباحث إلى قبول علاقات ارتباطية وهمية والانزلاق في فخ الانحدار الزائف (Spurious Regression).

1.3 الارتباط الذاتي الإيجابي مقابل الارتباط الذاتي السلبي

يتخذ معامل الارتباط الذاتي قيماً تقع في المجال المغلق المحصور بين -1 و +1، ويحمل كل اتجاه دلالات سلوكية ورياضية خاصة بالظاهرة الخاضعة للقياس. يتميز الارتباط الذاتي الإيجابي (Positive Autocorrelation) بوجود ميل قوي لدى القيم المتتالية لأن تتبع بعضها البعض في نفس الاتجاه؛ أي أن المشاهدة ذات القيمة العالية يعقبها على الأرجح مشاهدة أخرى ذات قيمة عالية، والمشاهدة المنخفضة تتبعها مشاهدة منخفضة. وتُعرف هذه الخاصية في أدبيات السلاسل الزمنية والتحليل السلوكي بظاهرة الاستمرارية أو القصور الذاتي (Persistence / Inertia)، وهي تمنح الرسم البياني مظهراً انسيابياً تتوالى فيه التموجات الهادئة فوق وتحت خط المتوسط الحسابي لفترات ممتدة.

في المقابل، يمثل الارتباط الذاتي السلبي (Negative Autocorrelation) حالة تناوب سريعة ومستمرة بين القيم، حيث تميل المشاهدة ذات القيمة الأعلى من المتوسط إلى أن تُتبع مباشرة بمشاهدة ذات قيمة أقل من المتوسط في الفترة الزمنية التالية، والعكس صحيح. يُضفي هذا النمط على السلسلة الزمنية مظهراً متعرجاً فوضوياً يتميز بالتذبذب المتسارع (Sawtooth Pattern)، ويظهر هذا السلوك بشكل متكرر في العمليات التي تخضع لآليات تصحيح ذاتي فورية أو نظم ردود الفعل السلبية الصارمة.

أما عندما يقترب معامل الارتباط الذاتي من الصفر عند مختلف فترات الإبطاء، فإن ذلك يشير إلى غياب أي اعتمادية خطية زمنية داخل السلسلة، وهو ما يتطابق مع مفهوم الضوضاء البيضاء (White Noise). في هذه الحالة، تكون المشاهدات مستقلة إحصائياً وموزعة عشوائياً، وتفقد المعلومات التاريخية قدرتها على تقديم أي ميزة تنبؤية للقيم المستقبلية، مما يجعل التنبؤ معتمداً فقط على المتوسط الحسابي والتباين العام للظاهرة.

2. المفاهيم الرياضية الأساسية: فترات الإبطاء ودالة الارتباط الذاتي

2.1 مفهوم فترة الإبطاء الزمني (Lag Operator)

يُشكل مفهوم فترة الإبطاء الزمني (Lag) الوحدة البنائية لتحليل السلاسل الزمنية. رياضياً، إذا كانت لدينا سلسلة زمنية ممثلة بالمتغير $y_t$ حيث يمثل $t$ الفهرس الزمني للمشاهدة ($t = 1, 2, …, N$)، فإن متغير الإبطاء من الرتبة الأولى (Lag 1) يُرمز له بالرمز $y_{t-1}$، وهو يمثل قيمة السلسلة في الفترة الزمنية السابقة مباشرة. وبالتعميم، فإن متغير الإبطاء من الرتبة $k$ يُرمز له بالرمز $y_{t-k}$ ويعبر عن قيمة الظاهرة بعد إزاحتها إلى الوراء بمقدار $k$ من الفترات الزمنية المنتظمة.

تترتب على عملية الإزاحة الزمنية هذه نتيجة إحصائية بالغة الأهمية تتعلق بحجم العينة الفعالة المستخدمة في التقدير. فعند مقارنة السلسلة الأصلية $y_t$ مع نسختها المزاحة $y_{t-k}$، ينخفض عدد أزواج المشاهدات المتزامنة المتاحة للحساب من $N$ إلى $N – k$. فكلما زادت قيمة فترة الإبطاء $k$، تناقص عدد المشاهدات المشتركة، مما يؤدي إلى زيادة تباين المقدر الإحصائي وانخفاض دقته وقوته الاختبارية.

بناءً على هذه الخاصية التناقصية، توصي الأدبيات الإحصائية المرجعية، ولا سيما أعمال بوكس وجينكينز (Box & Jenkins)، بوضع سقف أعلى منطقي لعدد فترات الإبطاء المراد دراستها. وكقاعدة عامة، يُنصح بألا يتجاوز الحد الأقصى لفترة الإبطاء $K_{\max}$ ربع إلى ثلث حجم العينة الكلي (أي $k le N/4$ إلى $N/3$)، مع ضرورة ألا يقل حجم العينة الإجمالي عن 50 مشاهدة لضمان الحصول على تقديرات مستقرة وموثوقة لدالة الارتباط الذاتي.

2.2 البنية الرياضية لدالة الارتباط الذاتي (ACF)

تُعرَّف دالة الارتباط الذاتي للعينة (Sample Autocorrelation Function – SACF)، والتي يُرمز لمعاملها عند فترة الإبطاء $k$ بالرمز $r_k$ أو $\hat{\rho}_k$، من خلال الصيغة المعيارية الأكثر قبولاً في الإحصاء الرياضي وبرمجيات التحليل القياسي، وتُصاغ كالتالي:

$$r_k = \frac{\sum_{t=k+1}^{N} (y_t – \bar{y})(y_{t-k} – \bar{y})}{\sum_{t=1}^{N} (y_t – \bar{y})^2}$$

حيث يمثل $\bar{y}$ المتوسط الحسابي العام للسلسلة الزمنية بأكملها محسوباً على جميع المشاهدات البالغ عددها $N$ وفق الصيغة المعيارية $\bar{y} = \frac{1}{N}\sum_{t=1}^{N} y_t$. يمثل بسط المعادلة التقدير القياسي لـ التغاير الذاتي للعينة (Sample Autocovariance – $c_k$) عند فترة الإبطاء $k$، بينما يمثل المقام مجموع المربعات الكلية للانحرافات عن المتوسط، والذي يرتبط ارتباطاً مباشراً بتباين العينة الإجمالي ($c_0$).

من الأهمية بمكان الإشارة إلى فارق رياضي دقيق بين هذه الصيغة المعيارية وبين الصيغة التقليدية لحساب معامل ارتباط بيرسون الثنائي. في دالة الارتباط الذاتي القياسية لبوكس وجينكينز، يتم استخدام المتوسط الحسابي الكلي للسلسلة $\bar{y}$ في جميع أطراف المعادلة (سواء للقيم المتزامنة أو المزاحة)، ويتم استخدام المقام الكلي الثابت $\sum (y_t – \bar{y})^2$ لجميع قيم $k$. يضمن هذا الهيكل الرياضي بقاء مصفوفة التغاير الذاتي موجبة شبه محددة (Positive Semi-Definite)، مما يمنع رياضياً الحصول على معاملات ارتباط ذاتي تتجاوز الحدود المنطقية [-1, +1]، ويمنحها خاصية الاتساق الإحصائي.

2.3 الافتراضات الإحصائية الواجب توفرها قبل القياس

لكي يكون لحساب وتفسير دالة الارتباط الذاتي معنى إحصائي دقيق وقابل للتعميم، يجب أن تستوفي السلسلة الزمنية الخاضعة للتحليل مجموعة من الافتراضات الصارمة، والتي يأتي في مقدمتها شرط الاستقرارية بالمعنى الضعيف (Weak-Sense Stationarity) أو الاستقرارية من الدرجة الثانية. يتطلب هذا الشرط استيفاء ثلاثة معايير متزامنة:

• ثبات المتوسط الحسابي: يجب أن يكون التوقع الرياضي للسلسلة ثابتاً عبر الزمن ولا يعتمد على اللحظة $t$، أي$E[y_t] = mu$ لجميع فترات الزمن.
• ثبات التباين: يجب أن يكون تباين السلسلة محدوداً وثابتاً عبر الزمن ولا يتضخم أو ينكمش مع تقدم الوقت، أي $Var(y_t) = \sigma^2 < \infty$.
• اعتماد التغاير الذاتي على الإبطاء فقط: يجب ألا يعتمد التغاير المشترك الذاتي بين أي نقطتين زمنيتين $y_t$ و $y_{t-k}$ على اللحظة الزمنية الفعلية $t$، بل يعتمد حصراً على المسافة الزمنية أو الإبطاء$k$ الفاصل بينهما.

بالإضافة إلى متطلبات الاستقرارية، تفترض خوارزميات دالة الارتباط الذاتي وجود فواصل زمنية منتظمة ومتساوية تماماً (Equidistant Time Intervals) بين المشاهدات المتتالية (مثل قياسات كل دقيقة، أو كل ساعة، أو قياس يومي ثابت في ذات التوقيت). إن وجود بيانات مفقودة (Missing Data) أو عدم انتظام في فترات الرصد يكسر البنية الهيكلية لمتغير الإبطاء $y_{t-k}$، مما يتطلب تدخلاً مسبقاً لمعالجة الفجوات الزمنية قبل تطبيق الحسابات في إكسيل.

3. تطبيقات الارتباط الذاتي في أبحاث القياس النفسي والسلوكي

3.1 تحليل تتبع الحالة المزاجية والاستقرار العاطفي عبر الزمن

شهدت السنوات الأخيرة ثورة منهجية في أبحاث علم النفس الإكلينيكي وعلم النفس السلوكي بفضل اعتماد منهجيات التقييم اللحظي البيئي (Ecological Momentary Assessment – EMA)، والتي تتيح جمع سلاسل زمنية مكثفة من القياسات اليومية المتكررة للمشاعر والانفعالات الإنسانية داخل البيئة الطبيعية للفرد. وفي هذا السياق، برز معامل الارتباط الذاتي عند الإبطاء الأول ($r_1$) كأحد أهم المؤشرات الكمية لقياس ما يُعرف سيكولوجياً بـ الجمود الانفعالي (Emotional Inertia).

يُعبر الجمود الانفعالي عن بطء الفرد في استعادة توازنه العاطفي بعد التعرض لتغيرات مزاجية، وهو يُقاس إحصائياً بمدى قدرة الحالة المزاجية في اللحظة $t-1$ على التنبؤ بالحالة المزاجية في اللحظة الحالية $t$. تشير الدراسات النفسية الصادرة عن دوريات مرموقة مثل American Psychological Association (APA) إلى أن ارتفاع معامل الارتباط الذاتي للمشاعر السلبية (مثل الحزن، القلق، أو التوتر) يُعد علامة بيومترية دالة على الهشاشة النفسية، ويرتبط ارتباطاً وثيقاً بالاكتئاب السريري واضطرابات الشخصية الحدية، حيث يعكس عجز النظام التنظيمي العاطفي عن التكيف الديناميكي والعودة السريعة إلى خط الأساس.

في المقابل، فإن تقلب قيم الارتباط الذاتي وتغير بنيتها الزمنية عبر أسابيع المتابعة يُمكّن المعالجين النفسيين من رصد مسار التعافي وتحديد مدى استجابة المريض للبروتوكولات العلاجية المعرفية السلوكية، حيث تتزامن استعادة المرونة النفسية عادةً مع انخفاض تدريجي في معامل الارتباط الذاتي للمشاعر السلبية نحو مستويات متوازنة تحاكي الاستقرار الديناميكي الطبيعي.

3.2 رصد السلوكيات التكرارية والاستجابات النفسية الفسيولوجية

يمتد تطبيق دالة الارتباط الذاتي بعمق إلى مجالات علم النفس الفسيولوجي والعلوم العصبية السلوكية، ولا سيما في تحليل الإشارات الحيوية الممتدة عبر الزمن مثل بيانات تقلب معدل ضربات القلب (Heart Rate Variability – HRV) ومستويات النشاط الحركي المسجلة عبر أجهزة قياس التسارع (Actigraphy). تتيح دالة الارتباط الذاتي للباحثين استكشاف مدى انتظام أو اضطراب الدورات البيولوجية اليومية، والمعروفة بـ الإيقاعات اليومية (Circadian Rhythms).

عند رسم دالة الارتباط الذاتي لبيانات النوم واليقظة أو النشاط الحركي المجمعة على مدار أسابيع متتالية، يؤدي النمط الإيقاعي السليم إلى ظهور قمم ارتباط ذاتي دورية وواضحة عند فترات إبطاء تعادل 24 ساعة ومضاعفاتها (48 و 72 ساعة). يشير تسطح هذه القمم أو اضمحلالها السريع في مخطط الارتباط الذاتي إلى تدهور التزامن البيولوجي الداخلي، وهو ما يُعد مؤشراً فسيولوجياً حرجاً في دراسات اضطرابات النوم، والعمل بنظام النوبات الليلية، والاضطراب ثنائي القطب.

كما تُستخدم دالة الارتباط الذاتي في تجارب علم النفس المعرفي لفحص أزمنة الاستجابة (Reaction Times) في مهام الانتباه المستمر والتحكم التنفيذي. إن وجود ارتباط ذاتي مرتفع عبر المحاولات المتكررة (Trials) يكشف عن ظواهر معرفية مركبة مثل التعب الذهني المتراكم، أو الانجراف التدريجي في مستوى التركيز (Attentional Drift)، أو استراتيجيات التعلم التكيفي التي يتبعها المفحوص عبر التجربة.

3.3 تقييم فاعلية التدخلات العلاجية وتصميم الحالات الفردية (N-of-1)

تُعد تصميمات الحالات الفردية (Single-Case Experimental Designs / N-of-1) المعيار الذهبي في تقييم فاعلية التدخلات السلوكية والعلاجية المخصصة على مستوى الفرد الواحد. تعتمد هذه التصميمات على جمع قياسات متكررة ومتقاربة زمنياً لسلوك مستهدف قبل بدء التدخل (خط الأساس – Phase A) وأثناء أو بعد تطبيق التدخل (مرحلة العلاج – Phase B). وتُمثل التبعية التسلسلية (Serial Dependency)، المتمثلة في وجود ارتباط ذاتي بين القياسات المتتالية، التحدي الإحصائي الأكبر الذي يواجه الباحثين في هذا المجال.

إذا تم تجاهل الارتباط الذاتي الكامن في بيانات الحالة الفردية واستخدام اختبارات المقارنة الكلاسيكية (مثل اختبار t للعينات المستقلة أو تحليل التباين ANOVA)، فإن ذلك يؤدي إلى تضخيم فادح في معدل الخطأ من النوع الأول (Type I Error Rate)، مما يجعل الباحث يستنتج وجود أثر علاجي ذي دلالة إحصائية بينما التغير الملاحظ ليس سوى نتاج الاستمرارية الذاتية للبيانات. يوضح الجدول التالي خطورة تجاهل الارتباط الذاتي وتأثيره على معدلات الخطأ الإحصائي:

معامل الارتباط الذاتي الحقيقي ($r_1$)	مستوى الدلالة الاسمي المتوقع ($\alpha$)	معدل الخطأ الفعلي من النوع الأول (Actual Type I Error)	التشخيص الإحصائي والتأثير السلوكي
0.00 (استقلال تام)	0.05	5%	النتائج سليمة والاختبارات الكلاسيكية تعمل بدقة تامة.
+0.20 (ارتباط إيجابي منخفض)	0.05	10% – 15%	تضاعف فرصة استنتاج فاعلية علاجية وهمية غير موجودة.
+0.50 (ارتباط إيجابي متوسط)	0.05	25% – 40%	تشوه جوهري في البواقي وفقدان تام لموثوقية اختبار t.
+0.80 (ارتباط إيجابي قوي)	0.05	> 60%	أغلب التغيرات المنسوبة للعلاج ناتجة عن القصور الذاتي للبيانات.

لذلك، يُعد حساب معامل الارتباط الذاتي في إكسيل خطوة إجبارية تسبق أي تحليل مقارن لبيانات الحالات الفردية، حيث يُحدد وجود الارتباط الذاتي ما إذا كان يتوجب على الباحث استخدام تحليلات متخصصة مثل نماذج المحاكاة العشوائية (Randomization Tests) أو تحويلات الفروق الذاتية لضبط البنية التسلسلية قبل إصدار الأحكام السريرية.

4. إعداد وهيكلة البيانات الزمنية في برنامج إكسيل (Excel)

4.1 تنظيم جدول البيانات والتحقق من الترتيب الزمني

يبدأ التحليل الإحصائي السليم في برنامج إكسيل من التأسيس الهيكلي المحكم لورقة العمل (Worksheet). لحساب الارتباط الذاتي بكفاءة، يجب تنظيم البيانات في جدول ثنائي الأبعاد يحتوي على عمودين رئيسيين على الأقل:

• العمود الزمني (Time / Date / Session): يُخصص العمود الأول (مثلاً العمود A) لتسجيل الطابع الزمني للقياس (تاريخ، توقيت دقيق، أو رقم تسلسلي للمحاولات والجلسات). يجب التأكد من ضبط تنسيق الخلايا إلى تنسيق تاريخ/وقت صالح، وتطبيق فرز تصاعدي صارم (Sort Oldest to Newest) لضمان أن كل صف يمثل النقطة الزمنية $t$ التي تلي مباشرة النقطة $t-1$.
• عمود المتغير المقاس (Observations / Values): يُخصص العمود الثاني (مثلاً العمود B) لتسجيل القيم العددية للمتغير الخاضع للدراسة ($y_t$). يجب التحقق من تنسيق الخلايا كقيم رقمية (Numeric) وتجنب وجود أي مسافات مخفية أو نصوص قد تعطل العمليات الحسابية لمصفوفات إكسيل.

لرفع كفاءة بناء المعادلات وتسهيل قراءتها وتجنب الوقوع في أخطاء مراجع الخلايا عند تثبيت النطاقات، يُوصى بشدة باستخدام مدير الأسماء (Name Manager) في إكسيل. يمكن تحديد نطاق القيم الأصلية (مثل `B2:B101`) وتسميته باسم وصفي ثابت مثل `TimeSeriesData`. تتيح هذه التسمية كتابة صيغ رياضية واضحة ومباشرة داخل الدوال الإحصائية اللاحقة.

4.2 معالجة البيانات المفقودة والقيم الشاذة في إكسيل

تُمثل البيانات المفقودة (Missing Values) إحدى أكبر العقبات التقنية عند حساب الارتباط الذاتي؛ نظراً لأن دوال المصفوفات وعمليات ضرب السلاسل المزاحة تتطلب تطابقاً تاماً في أبعاد النطاقات. إذا كانت السلسلة الزمنية تحتوي على خلايا فارغة نتيجة غياب القياس في يوم أو جلسة معينة، فإن هناك خيارين منهجيين لمعالجة المشكلة داخل إكسيل:

• الاستكمال الخطي (Linear Interpolation): في حال كانت الفجوة الزمنية معزولة وصغيرة (مشاهدة واحدة مفقودة بين مشاهدتين معلومتين)، يمكن تقدير القيمة المفقودة بحساب المتوسط الحسابي بين القيمة السابقة واللاحقة باستخدام معادلة بسيطة مثل `=AVERAGE(B3, B5)` في الخلية `B4`، مما يحافظ على استمرارية الإطار الزمني دون تشويه عنيف للخصائص الإحصائية.
• إعادة فهرسة السلسلة أو حذف المشاهدات: إذا كانت الفجوات واسعة ومتكررة، فإن الاستكمال قد يضخم معامل الارتباط الذاتي اصطناعياً. في هذه الحالة، يجب حذف الفترات الزمنية المعطوبة ودراسة السلسلة كقطع زمنية منفصلة أو استخدام نماذج معالجة السلاسل غير المنتظمة.

أما فيما يخص القيم المتطرفة والشاذة (Outliers)، فإن دالة الارتباط الذاتي حساسة جداً للانحرافات الحادة؛ لأن التغاير الذاتي يعتمد على ضرب الانحرافات التربيعية. يمكن اكتشاف القيم الشاذة في إكسيل بحساب الدرجات المعيارية (Z-Scores) عبر تطبيق المعادلة `=(B2 – AVERAGE($B$2:$B$101)) / STDEV.S($B$2:$B$101)`، فإذا تجاوزت القيمة المطلقة للدرجة المعيارية 3، يجب فحص المشاهدة للتحقق من كونها خطأ في الإدخال أو ظاهرة سلوكية حقيقية تستدعي المعالجة قبل المتابعة.

4.3 التحقق من الفواصل الزمنية المنتظمة

لا تفترض معادلات الارتباط الذاتي الترتيب التسلسلي للأرقام فحسب، بل تفترض تساوياً دقيقاً في المسافات الفاصلة بين كل قياس وآخر ($\Delta t = constant$). للتأكد من خلو البيانات من أي فجوات زمنية خفية، يمكن إنشاء عمود مساعد للفروق الزمنية (Time Differences) بجانب عمود التواريخ، وتطبيق معادلة الطرح البسيطة `=A3 – A2` وسحبها على كامل الجدول.

إذا كانت البيانات مسجلة يومياً، يجب أن تُنتج هذه المعادلة القيمة (1) في جميع الخلايا دون استثناء. وفي حال ظهور قيم مثل 2 أو 3، فإن ذلك يكشف فوراً عن أيام غابت فيها عمليات الرصد (مثل عطلات نهاية الأسبوع). عند اكتشاف ذلك، يجب إدراج صفوف لتلك التواريخ الغائبة واتخاذ القرار المنهجي إما بملئها بالطرق الإحصائية المعتمدة أو ضبط فترات الإبطاء لتعكس الواقع الزمني بدقة متناهية.

5. الطريقة الأولى: الحساب باستخدام المعادلة الشاملة (SUMPRODUCT و VAR.P)

5.1 التشريح الدقيق لصيغة SUMPRODUCT لحساب الارتباط الذاتي

تُعد هذه الطريقة هي الأكثر دقة وتطابقاً مع التعريف الرياضي المعياري لدالة الارتباط الذاتي لبوكس وجينكينز، حيث تتيح حساب معامل الارتباط الذاتي داخل خلية واحدة مباشرة دون الحاجة لإنشاء أي أعمدة مساعدة للإزاحة. تعتمد الصيغة على دمج دالتي SUMPRODUCT و VAR.P (أو دالة AVERAGE و COUNT).

لفهم الآلية البرمجية، نفترض أن بيانات السلسلة الزمنية تقع في النطاق `B2:B16` (بإجمالي 15 مشاهدة). تُكتب صيغة حساب معامل الارتباط الذاتي عند فترة الإبطاء الأولى ($k = 1$) كالتالي:

=SUMPRODUCT(B2:B15 – AVERAGE(B$2:B$16), B3:B16 – AVERAGE(B$2:B$16)) / (COUNT(B$2:B$16) * VAR.P(B$2:B$16))

يقوم هذا التركيب البرمجي بالعمليات الرياضية التالية بالتتابع الدقيق:

• النطاق الأول المزاح `B2:B15`: يمثل قيم السلسلة من المشاهدة الأولى وحتى المشاهدة قبل الأخيرة ($y_t$).
• طرح المتوسط الكلي `AVERAGE(B$2:B$16)`: يتم طرح المتوسط الحسابي العام لكامل السلسلة الأصلية (المثبت بعلامات الدولار `$`) من كل عنصر في النطاق الأول.
• النطاق الثاني المتقدم `B3:B16`: يمثل قيم السلسلة من المشاهدة الثانية وحتى الأخيرة ($y_{t+1}$ أو المقابل لـ $y_{t-1}$ بعد المحاذاة).
• دالة SUMPRODUCT: تقوم بضرب كل انحراف في النطاق الأول بالانحراف المقابل له تماماً في النطاق الثاني، ثم تجمع نواتج الضرب معاً، وهو ما يمثل بدقة بسط معادلة التغاير الذاتي للعينة.
• المقام `COUNT(B$2:B$16) * VAR.P(B$2:B$16)`: يمثل مجموع مربعات الانحرافات الإجمالية لكامل السلسلة، حيث إن ضرب عدد المشاهدات الكلي في التباين السكاني يُعيد إنتاج $\sum_{t=1}^{N}(y_t – \bar{y})^2$، مما يضمن تقييس المعامل وضبطه رياضياً في المجال الصحيح.

5.2 تطبيق الصيغة لحساب الارتباط الذاتي عند الإبطاء k = 1 و k = 2

لتطبيق هذه المنهجية عملياً، دعنا نوضح القواعد الصارمة لضبط أطراف النطاقات لكل مستوى إبطاء. في جدول يتكون من $N$ صفاً (يبدأ من الصف 2 وينتهي عند الصف 101، أي $N = 100$):

لحساب الارتباط الذاتي عند الإبطاء الأول ($k = 1$):
يتم تقليص صف واحد من نهاية النطاق الأول وبداية النطاق الثاني:

=SUMPRODUCT(B2:B100 – AVERAGE(B$2:B$101), B3:B101 – AVERAGE(B$2:B$101)) / (COUNT(B$2:B$101) * VAR.P(B$2:B$101))

لحساب الارتباط الذاتي عند الإبطاء الثاني ($k = 2$):
يتم تقليص صفين من نهاية النطاق الأول، ويبدأ النطاق الثاني بعد إزاحة صفين (أي من الصف 4):

=SUMPRODUCT(B2:B99 – AVERAGE(B$2:B$101), B4:B101 – AVERAGE(B$2:B$101)) / (COUNT(B$2:B$101) * VAR.P(B$2:B$101))

نلاحظ دائماً أن طول النطاقين المتطابقين داخل دالة SUMPRODUCT يجب أن يكون متساوياً تماماً (في حالة الإبطاء 2، يحتوي النطاق `B2:B99` على 98 خلية، ويحتوي النطاق `B4:B101` على 98 خلية أيضاً). إن أي اختلال في عدد الخلايا بين المصفوفة الأولى والمصفوفة الثانية سيؤدي فوراً إلى ظهور خطأ القيمة `#VALUE!` في برنامج إكسيل.

5.3 تعميم الصيغة لفترات الإبطاء الأعلى (k = 3, 4, 5)

يمكن تعميم هذه القاعدة الحسابية الرياضية لأي فترة إبطاء $k$ بالاستناد إلى المبدأ التالي: يبدأ النطاق الأول دائماً من الخلية الأولى للبيانات (`B2`) ويمتد حتى الخلية ذات الترتيب $(N – k + 1)$، بينما يبدأ النطاق الثاني المقارن من الخلية ذات الترتيب $(2 + k)$ ويمتد حتى نهاية بيانات السلسلة في الخلية $(N + 1)$.

يوضح الجدول التالي صياغة النطاقات لفترات إبطاء متعددة لسلسلة بيانات تمتد في النطاق `B2:B101`:

فترة الإبطاء ($k$)	النطاق الأول ($y_t$)	النطاق الثاني المزاح ($y_{t-k}$)	عدد الخلايا المتزامنة ($N – k$)	الصيغة الكاملة في إكسيل
$k = 3$	`B2:B98`	`B5:B101`	97	`=SUMPRODUCT(B2:B98-AVERAGE(B$2:B$101), B5:B101-AVERAGE(B$2:B$101))/(COUNT(B$2:B$101)*VAR.P(B$2:B$101))`
$k = 4$	`B2:B97`	`B6:B101`	96	`=SUMPRODUCT(B2:B97-AVERAGE(B$2:B$101), B6:B101-AVERAGE(B$2:B$101))/(COUNT(B$2:B$101)*VAR.P(B$2:B$101))`
$k = 5$	`B2:B96`	`B7:B101`	95	`=SUMPRODUCT(B2:B96-AVERAGE(B$2:B$101), B7:B101-AVERAGE(B$2:B$101))/(COUNT(B$2:B$101)*VAR.P(B$2:B$101))`

تتطابق مخرجات هذه الصيغة الشاملة بشكل تام وبدقة متناهية مع النتائج الصادرة عن كبرى لغات البرمجة الإحصائية مثل دالة `acf()` في لغة R أو دالة `plot_acf()` في مكتبة Statsmodels في بايثون، مما يجعلها المعيار الأكثر رصانة للأبحاث العلمية والتحليلات الأكاديمية.

6. الطريقة الثانية: الحساب عبر إنشاء أعمدة الإبطاء ودالة CORREL

6.1 بناء أعمدة الإزاحة الزمنية (Lagged Columns) يدوياً

تُعد طريقة أعمدة الإزاحة الزمنية المقاربة الأكثر وضوحاً وتفضيلاً للمحللين الذين يرغبون في الفحص البصري التفاعلي للعلاقة بين المشاهدات المتزامنة وملاحظة التغيرات صفاً بصف. تعتمد هذه الطريقة على استنساخ بيانات المتغير الأصلي في أعمدة جديدة مجاورة مع إزاحتها يدوياً لأسفل بمقدار صف واحد لكل مستوى إبطاء.

لتنفيذ ذلك خطوة بخطوة في إكسيل:

• إذا كانت البيانات الأصلية $y_t$ في النطاق `B2:B101`، يتم تسمية العمود C بالعنوان `Lag_1`.
• يتم نسخ البيانات من الخلية `B2` وحتى `B100` ولصقها في العمود C بدءاً من الخلية `C3`. نلاحظ هنا أن الخلية `C2` تظل فارغة؛ لأنه لا توجد مشاهدة سابقة للمشاهدة الأولى في السلسلة.
• لإنشاء عمود الإبطاء الثاني `Lag_2` في العمود D، يتم نسخ البيانات من `B2:B99` ولصقها بدءاً من الخلية `D4`، وتظل الخليتان `D2` و `D3` فارغتين.
• تتكرر هذه العملية للأعمدة اللاحقة ($Lag_3, Lag_4, …$) مع زيادة صف إزاحة إضافي لكل عمود.

تؤدي هذه الإزاحة إلى محاذاة كل مشاهدة زمنية $y_t$ في العمود B مع قيمتها السابقة $y_{t-1}$ في العمود C على نفس مستوى الصف، مما يتيح إجراء مقارنات ثنائية مباشرة أو حتى رسم مخططات التشتت المباشرة (Lag Plots) لفحص العلاقات غير الخطية بصرياً.

6.2 استخدام دالة CORREL للارتباط الثنائي بين النطاقات

بمجرد إنشاء أعمدة الإبطاء، يمكن حساب معامل الارتباط مباشرة باستخدام دالة بيرسون المدمجة في إكسيل CORREL. لحساب الارتباط عند الإبطاء الأول بين العمود الأصلي والعمود المزاح الأول، تُكتب المعادلة التالية في خلية النتائج:

=CORREL(B3:B101, C3:C101)

تتميز دالة `CORREL` بالبساطة والسهولة الشديدة، إلا أنه من الضروري جداً فهم الآلية الرياضية التي تعمل بها؛ حيث تأخذ الدالة مصفوفتين وتطبق معادلة معامل ارتباط بيرسون القياسية:

r_{CORREL} = frac{sum (y_t – bar{y}_1)(y_{t-1} – bar{y}_2)}{sqrt{sum (y_t – bar{y}_1)^2 sum (y_{t-1} – bar{y}_2)^2}}

حيث يمثل $\bar{y}_1$ المتوسط الحسابي للنطاق المقتطع `B3:B101`، ويمثل $\bar{y}_2$ المتوسط الحسابي لنطاق الإبطاء المقتطع `C3:C101`. إن الدالة تقوم بتعديل المتوسط والانحراف المعياري محلياً (Local Sample Mean and Variance) لكل عمود على حدة بناءً على عدد الخلايا المشتركة فقط.

6.3 مقارنة الدقة بين طريقة CORREL وطريقة المعادلة الشاملة

يطرح الكثير من الباحثين تساؤلاً جوهرياً: هل هناك فرق بين النتيجة المستخرجة عبر دالة `CORREL` والنتيجة المستخرجة عبر صيغة `SUMPRODUCT` المعيارية؟

من الناحية النظرية، هناك فارق طفيف ينبع من كيفية معالجة المتوسط والتباين:

• طريقة SUMPRODUCT (المعيارية لـ Box-Jenkins): تستخدم المتوسط الحسابي الكلي للسلسلة بأكملها $\bar{y}_{Total}$ والتباين الإجمالي الثابت في المقام لجميع مستويات الإبطاء، مع قسمة المجموع على $N$ الكلية.
• طريقة CORREL: تُعيد حساب متوسط وتباين فرعيين مقتطعين لكل إبطاء، وتعتمد على حجم العينة المصغر المتبقي ($N – k$).

في العينات الكبيرة ($N > 100$)، يكون هذا الفارق متناهي الصغر ولا يكاد يظهر إلا في المراتب العشرية الثالثة أو الرابعة، وتكون النتائج متطابقة عملياً. أما في العينات الصغيرة جداً ($N < 30$)، فإن طريقة `CORREL` تميل إلى إعطاء قيم أعلى قليلاً بسبب تعديل المتوسط الفرعي. يُفضل دائماً في الأبحاث الأكاديمية الصارمة استخدام طريقة `SUMPRODUCT` للالتزام بالمعايير الإحصائية القياسية لدوال السلاسل الزمنية، بينما تظل طريقة `CORREL` ممتازة للتحليلات الاستكشافية السريعة والتقارير التنفيذية.

7. الطريقة الثالثة: استخدام أدوات التحليل الإحصائي المتقدمة ومصفوفة الارتباط

7.1 تفعيل واستخدام حزمة تحليل البيانات (Analysis ToolPak)

يوفر برنامج إكسيل حزمة برمجية متخصصة ومتقدمة للتحليل الإحصائي تُعرف باسم Analysis ToolPak. تتيح هذه الحزمة توليد مصفوفات الارتباط الكاملة لعدة متغيرات أو أعمدة دفعة واحدة بضغطة زر واحدة. إذا لم تكن الأداة مفعلة في شريط البيانات، يمكن تفعيلها بسهولة باتباع المسار التالي:

1. النقر على قائمة ملف (File) ثم اختيار خيارات (Options).
2. من النافذة الجانبية، اختر الوظائف الإضافية (Add-ins).
3. في أسفل النافذة عند قائمة إدارة (Manage)، تأكد من اختيار Excel Add-ins ثم انقر على زر انتقال (Go…).
4. ضع علامة صح أمام خيار Analysis ToolPak ثم انقر على موافق (OK).

بمجرد التفعيل، سيظهر زر جديد باسم تحليل البيانات (Data Analysis) في أقصى يمين تبويب بيانات (Data). عند النقر عليه، تظهر قائمة غنية بالأدوات الإحصائية، ومن ضمنها أداة الارتباط (Correlation) وأداة التغاير (Covariance).

7.2 استخراج معاملات الارتباط الذاتي من مصفوفة الارتباط

لحساب مصفوفة الارتباط الذاتي لعدة إبطاءات باستخدام هذه الأداة:

• يجب أولاً تجهيز جدول يحتوي على العمود الأصلي وأعمدة الإبطاء المتعددة المجهزة مسبقاً (كما تم شرحه في القسم 6.1)، مع حذف الصفوف العلوية التي تحتوي على خلايا فارغة لضمان اكتمال مصفوفة البيانات المتوازية.
• فتح أداة Data Analysis واختيار Correlation.
• في حقل Input Range، يتم تحديد نطاق كافة الأعمدة معاً (مثلاً `$B$4:$F$100` والتي تشمل الأصل والإبطاءات من 1 إلى 4).
• تحديد خيار التجميع حسب الأعمدة (Grouped By: Columns)، وتفعيل خيار تسميات الصف الأول (Labels in First Row) إذا تم تضمين العناوين.
• تحديد موضع المخرجات والنقر على OK.

يولد إكسيل جدولاً مصفوفياً متماثلاً تقع فيه القيم (1.00) على القطر الرئيسي. يمثل العمود الأول من هذا الجدول معاملات الارتباط بين السلسلة الأصلية وكافة الإبطاءات بالترتيب: حيث تمثل الخلية الأولى أسفل الواحد معامل $r_1$، والخلية التي تليها $r_2$، وهكذا. يمكن استخراج هذه القيم برمجياً وربطها بنماذج ديناميكية باستخدام دوال البحث والإشارة مثل `INDEX` و `MATCH`.

7.3 استخدام دوال المصفوفات الحديثة في Microsoft 365 (دالة LET و LAMBDA)

مع إطلاق محرك الحسابات المصفوفية الديناميكية في إصدارات Microsoft 365 و Excel 2021، أصبح بالإمكان كتابة دوال مخصصة فائقة القوة تحسب مصفوفة الارتباط الذاتي بالكامل دون الحاجة لأي أعمدة مساعدة أو إضافات خارجية، وذلك بالاستعانة بدالتي LET و LAMBDA ودالة SEQUENCE.

يمكن كتابة صيغة حديثة ومتطورة في خلية واحدة لتوليد معاملات الارتباط الذاتي للإبطاءات من 1 إلى $K$ تلقائياً كالتالي:

=LET(
  data, B2:B101,
  n, COUNT(data),
  mu, AVERAGE(data),
  varP, VAR.P(data),
  maxLag, 10,
  lags, SEQUENCE(maxLag),
  MAP(lags, LAMBDA(k,
    SUM((TAKE(data, n – k) – mu) * (DROP(data, k) – mu)) / (n * varP)
  ))
)

تُجري هذه المعادلة المتقدمة العمليات التالية بكفاءة خوارزمية مذهلة:

• تُعرف متغيرات السلسلة الزمنية وحجمها ومتوسطها وتباينها محلياً داخل بيئة دالة `LET` لتجنب تكرار الحسابات وتوفير الذاكرة.
• تنشئ دالة `SEQUENCE(maxLag)` مصفوفة عمودية تمثل فترات الإبطاء المطلوبة من 1 إلى 10.
• تقوم دالة `TAKE(data, n – k)` باقتطاع الجزء العلوي من البيانات، بينما تقوم دالة `DROP(data, k)` بإسقاط أول $k$ عناصر لمحاكاة الإزاحة الزمنية بصورة برمجية بحتة.
• تطبق دالة `LAMBDA` حساب التغاير الذاتي المعياري على كل فترة إبطاء وتقسم على التباين الكلي، لتنسكب النتائج تلقائياً في عمود ممتد يمثل دالة الارتباط الذاتي (Dynamic Array Spill).

8. بناء جدول دالة الارتباط الذاتي (ACF Table) لمستويات إبطاء متعددة

8.1 تصميم الهيكل الجدولي لحساب معاملات الإبطاء المتعددة

لإجراء تشخيص زمني منهجي وشامل، يحتاج الباحث إلى بناء جدول إحصائي متكامل يُعرف بـ جدول دالة الارتباط الذاتي (ACF Table). يتكون هذا الجدول من عدة أعمدة تخصصية تقدم قراءة إحصائية واختبارية متزامنة لكل مستوى إبطاء.

يجب أن يتضمن الجدول الأعمدة الهيكلية التالية:

• العمود 1 – فترة الإبطاء ($k$): يحتوي على الأرقام التسلسلية للإبطاء ($1, 2, 3, …, K$).
• العمود 2 – معامل الارتباط الذاتي ($r_k$): المحسوب بالصيغة المعيارية.
• العمود 3 – الخطأ المعياري ($SE_k$): مقياس عدم اليقين المرتبط بالتقدير.
• العمود 4 – الحد الأدنى للثقة 95% (Lower CI): العتبة الإحصائية السفلية لاختبار الفرضية الصفرية.
• العمود 5 – الحد الأعلى للثقة 95% (Upper CI): العتبة الإحصائية العلوية لاختبار الفرضية الصفرية.

لبناء معادلة ديناميكية موحدة لحساب $r_k$ يمكن سحبها بسهولة للأسفل في العمود الثاني، يمكن دمج دالة OFFSET داخل معادلة `SUMPRODUCT`. إذا كانت فترة الإبطاء $k$ مسجلة في الخلية `D2`، والبيانات في النطاق `B$2:B$101`، تُكتب المعادلة كالتالي:

=SUMPRODUCT((OFFSET(B$2, 0, 0, COUNT(B$2:B$101)-D2, 1) – AVERAGE(B$2:B$101)) * (OFFSET(B$2, D2, 0, COUNT(B$2:B$101)-D2, 1) – AVERAGE(B$2:B$101))) / (COUNT(B$2:B$101) * VAR.P(B$2:B$101))

8.2 حساب الخطأ المعياري للارتباط الذاتي وفق معادلة بارتليت (Bartlett)

لا تكتمل القيمة العلمية لمعامل الارتباط الذاتي دون حساب الخطأ المعياري (Standard Error) المرافق له لتقييم دقته. استناداً إلى النظرية الإحصائية الكلاسيكية لعالم الإحصاء موريس بارتليت (Maurice Bartlett)، في ظل الفرضية الصفرية القائلة بأن السلسلة الزمنية عبارة عن ضوضاء بيضاء عشوائية نقية (أي أن جميع معاملات الارتباط الذاتي الحقيقية تساوي صفراً)، فإن توزيع معاملات الارتباط الذاتي للعينة يقترب تقاربياً من التوزيع الطبيعي بمتوسط صفر وخطأ معياري يُحسب كالتالي:

SE(r_k) = frac{1}{sqrt{N}}

تُكتب هذه الصيغة البسيطة والأساسية في إكسيل في عمود الخطأ المعياري (بافتراض أن حجم العينة يتم حسابه ديناميكياً من عمود البيانات) كالتالي:

=1 / SQRT(COUNT($B$2:$B$101))

وفي الحالات الأكثر تقدماً التي يفترض فيها الباحث أن السلسلة تتبع نموذج انحدار ذاتي من رتبة معينة وتوجد معاملات ارتباط ذاتي معنوية سابقة، وضع بارتليت معادلة معدلة تأخذ في الاعتبار تضخم الخطأ المعياري للإبطاءات اللاحقة نتيجة ارتباطها بالإبطاءات السابقة، وفق الصيغة:

SE(r_k) = sqrt{frac{1 + 2sum_{i=1}^{k-1} r_i^2}{N}}

يمكن تطبيق هذه الصيغة المعدلة في إكسيل باستخدام دالة `SUMSQ` للمستويات المتقدمة من الإبطاء لحساب حدود ثقة أكثر دقة وواقعية.

8.3 حساب حدود الثقة الإحصائية (Confidence Intervals)

تُستخدم حدود الثقة الإحصائية (عادة عند مستوى ثقة 95% ومستوى دلالة $\alpha = 0.05$) كمعيار حاسم للحكم على المعنوية الإحصائية لمعامل الارتباط الذاتي. بالاعتماد على خصائص التوزيع الطبيعي المعياري، حيث تقع 95% من المساحة تحت المنحنى بين $\pm 1.96$ انحراف معياري، يتم حساب حدود الثقة في إكسيل كالتالي:

عمود الحد الأعلى للثقة 95% (Upper Bound):

=+1.96 * (1 / SQRT(COUNT($B$2:$B$101)))

عمود الحد الأدنى للثقة 95% (Lower Bound):

=-1.96 * (1 / SQRT(COUNT($B$2:$B$101)))

تُرسي هذه الحدود “منطقة القبول الإحصائي” للفرضية الصفرية. إذا وقع معامل الارتباط الذاتي المحسوب $r_k$ داخل النطاق المحصور بين الحد الأدنى والحد الأعلى، يُعتبر المعامل غير دال إحصائياً ولا يختلف جوهرياً عن الصفر (أي أنه نتاج تقلبات عشوائية). أما إذا اخترق المعامل أحد الحدين صعوداً أو هبوطاً، فإنه يُعد دالاً إحصائياً عند مستوى ثقة 95%، مما يثبت وجود اعتمادية زمنية حقيقية تتطلب التفسير والنمذجة.

9. التمثيل البياني: إنشاء مخطط الارتباط الذاتي (Correlogram) في إكسيل

9.1 إنشاء المخطط البياني الشريطي لدالة الارتباط الذاتي

يُعد مخطط الارتباط الذاتي (Correlogram) التمثيل البصري القياسي المعترف به عالمياً في تحليل السلاسل الزمنية. يقوم المخطط بعرض قيم معاملات الارتباط الذاتي على المحور الرأسي مقابل فترات الإبطاء على المحور الأفقي، محاطة بخطوط فواصل الثقة الإحصائية.

لإنشاء الهيكل الأساسي للمخطط في إكسيل:

1. تحديد عمود معاملات الارتباط الذاتي المحسوبة ($r_k$) من جدول ACF.
2. الانتقال إلى تبويب إدراج (Insert)، ومن مجموعة المخططات (Charts)، اختيار مخطط عمودي مجمع (2D Clustered Column).
3. النقر بالزر الأيمن على المحور الأفقي واختيار تحديد البيانات (Select Data)، ثم تحرير تسميات المحور الأفقي (Horizontal Axis Labels) وتحديد عمود فترات الإبطاء ($k = 1, 2, 3, …$) لتبدأ الأرقام بشكل صحيح من 1 بدلاً من الترقيم التلقائي.
4. تنسيق سلاسل الأعمدة بالنقر المزدوج عليها وتعديل عرض الفجوة (Gap Width) إلى حوالي 300% – 400%؛ وذلك لجعل الأعمدة رفيعة وأشبه بالخطوط الرأسية المستقيمة (Spike Plot)، وهو المظهر الأكاديمي القياسي للـ Correlogram.

9.2 إضافة خطوط فواصل الثقة (Confidence Bands) على الرسم

لإضفاء الطابع التشخيصي الكامل على الرسم، يجب دمج خطوط حدود الثقة العليا والدنيا على نفس المخطط، ويتم ذلك عبر ميزة المخططات المشتركة (Combo Charts):

1. النقر بالزر الأيمن على المخطط واختيار تغيير نوع المخطط (Change Chart Type).
2. اختيار مخطط مختلط (Combo) من القائمة الجانبية.
3. ضبط نوع المخطط لسلسلة معامل الارتباط الذاتي ($r_k$) كـ عمود مجمع (Clustered Column).
4. ضبط نوع المخطط لسلسلة الحد الأعلى للثقة وسلسلة الحد الأدنى للثقة كـ مخطط خطي (Line Chart)، مع التأكد من عدم تفعيل خيار المحور الثانوي (Secondary Axis) لتظل جميع السلاسل مرتبطة بنفس المقياس الرأسي.
5. تنسيق خطوط الثقة بالنقر عليها وتغيير لونها إلى اللون الأحمر أو الأزرق الداكن، واختيار نمط الخط المتقطع (Dashed Line) وتجريدها من أي نقاط علام (No Markers).

يمنح هذا الدمج الباحث القدرة على التحقق البصري الفوري؛ حيث تبرز أي أعمدة تخترق الخطوط المتقطعة كنقاط ذات دلالة إحصائية واضحة تستوجب التركيز التحليلي.

9.3 تخصيص المظهر الجمالي وفق المعايير الأكاديمية (APA Style)

لنشر المخطط في تقرير مهني أو ورقة بحثية محكمة، يجب ضبط التنسيقات البصرية بما يتوافق مع معايير الجمعية الأمريكية لعلم النفس (APA Publication Manual):

• ضبط حدود المحور الرأسي: النقر المزدوج على المحور الرأسي وضبط الحد الأدنى الثابت (Minimum) على `-1.0` والحد الأقصى الثابت (Maximum) على `+1.0`، وتحديد الفواصل الرئيسية (Major Units) بمقدار `0.2` أو `0.5`.
• إبراز خط الصفر الأفقي: التأكد من تنسيق خط الصفر الأساسي بلون رمادي داكن أو أسود ليفصل بوضوح بين الارتباطات الإيجابية والارتباطات السلبية.
• إزالة خطوط الشبكة الخلفية: حذف خطوط الشبكة الأفقية والعمودية الزائدة لإبقاء خلفية الرسم بيضاء نقية وواضحة.
• إضافة العناوين المعيارية: تسمية المحور الرأسي بـ “Autocorrelation Coefficient (r)” والمحور الأفقي بـ “Lag (k)”، مع إضافة عنوان توضيحي موجز في أعلى الرسم يحدد اسم المتغير وسياق السلسلة الزمنية.
• تطبيق التنسيق الشرطي البصري: يمكن للمحترفين استخدام ميزة التلوين التلقائي لتغيير لون العمود إلى لون مميز إذا تجاوزت قيمته المطلقة حد الثقة، مما يعزز المقروئية البصرية للتقرير.

10. تفسير النتائج وفحص الدلالة الإحصائية واختبار الفرضيات

10.1 قراءة وتفسير أنماط مخطط الارتباط الذاتي (Correlogram Patterns)

يُمثل التفسير البصري لمخطط الارتباط الذاتي الخطوة الأكثر أهمية في تحديد البنية الديناميكية للسلسلة الزمنية وتحديد النموذج التنبؤي الأنسب. تتلخص الأنماط الإحصائية الكلاسيكية في ثلاثة أشكال رئيسية:

• النمط التنازلي الأسي الموجه (Exponential / Geometric Decay): يتميز هذا النمط بوجود معامل ارتباط ذاتي قوي وموجب عند الإبطاء الأول ($r_1$)، ثم تتناقص المعاملات تدريجياً وبشكل أسي ناعم مقتربة من الصفر مع زيادة فترات الإبطاء. يُعد هذا النمط البصمة المميزة لـ نماذج الانحدار الذاتي من الرتبة الأولى AR(1)، ويعكس في السياق السلوكي ظاهرة “الذاكرة قصيرة المدى” والجمود الانفعالي المستقر.
• النمط الجيبي المتناوب (Sinusoidal / Oscillating Pattern): تتقلب فيه معاملات الارتباط الذاتي بانتظام بين القيم الموجبة والقيم السلبية على شكل موجة جيبية متناغمة. يشير هذا النمط إلى وجود عمليات انحدار ذاتي من رتب أعلى AR(2) بجذور مركبة، أو يعكس دورات سلوكية وفسيولوجية متناوبة تخضع لآليات استثارة وتثبيط منتظمة.
• الانقطاع المفاجئ (Sharp Cutoff): تظهر فيه معاملات الارتباط الذاتي معنوية إحصائياً حتى فترة إبطاء محددة $q$، ثم تهبط فوراً وبشكل حاد إلى داخل منطقة عدم الدلالة لجميع فترات الإبطاء اللاحقة ($k > q$). يُشير هذا السلوك إلى أن السلسلة تتبع نموذج المتوسطات المتحركة من الرتبة q، أي MA(q)، حيث تتلاشى الصدمات العشوائية تماماً بعد مرور $q$ من الفترات الزمنية.

10.2 إجراء اختبار داربن-واتسون (Durbin-Watson Test) في إكسيل

يُعد اختبار داربن-واتسون (Durbin-Watson Test) الاختبار القياسي الأكثر شهرة واستخداماً لفحص وجود الارتباط الذاتي التسلسلي من الرتبة الأولى ($k = 1$) في بواقي نماذج الانحدار الخطي. تُعرَّف إحصاءة الاختبار $d$ رياضياً بالمعادلة التالية:

d = frac{sum_{t=2}^{N} (e_t – e_{t-1})^2}{sum_{t=1}^{N} e_t^2}

حيث يمثل $e_t$ البواقي (Residuals) الناتجة عن نموذج الانحدار عند اللحظة الزمنية $t$. لحساب هذه الإحصاءة في إكسيل:

1. تخصيص العمود `E` للبواقي $e_t$ الناتجة من معادلة الانحدار (القيم الفعلية ناقصاً القيم المتوقعة).
2. إنشاء عمود مساعد `F` لحساب مربع الفروق المتتالية، بكتابة المعادلة `=(E3 – E2)^2` في الخلية `F3` وسحبها للأسفل.
3. إنشاء عمود مساعد `G` لمربعات البواقي، بكتابة `=E2^2` في الخلية `G2` وسحبها للأسفل.
4. حساب إحصاءة $d$ بقسمة مجموع العمود `F` على مجموع العمود `G`: `=SUM(F3:F101) / SUM(G2:G101)`.

تتراوح قيمة $d$ دائماً بين 0 و 4، وتُفسر النتائج وفق القواعد التالية:

• إذا كانت قيمة $d \approx 2$، فهذا يثبت غياب أي ارتباط ذاتي تسلسلي في البواقي، وهو الوضع المثالي للنماذج الانحدارية.
• إذا اقتربت قيمة $d$ من الصفر ($d < 1.5$)، فهذا يشير إلى وجود ارتباط ذاتي إيجابي قوي بين البواقي يستوجب المعالجة.
• إذا اقتربت قيمة $d$ من 4 ($d > 2.5$)، فهذا يشير إلى وجود ارتباط ذاتي سلبي قوي.

10.3 إجراء اختبار ليونغ-بوكس (Ljung-Box Test) لفحص العشوائية الشاملة

بينما يقتصر اختبار داربن-واتسون على فحص الإبطاء الأول فقط، يُستخدم اختبار ليونغ-بوكس (Ljung-Box Portmanteau Test) لاختبار الفرضية الصفرية القائلة بأن مجموعة معاملات الارتباط الذاتي حتى فترة إبطاء مجمعة $m$ تساوي صفراً بشكل مشترك (Joint Hypothesis of White Noise). تُحسب إحصاءة $Q$ بالمعادلة التالية:

Q_{LB} = N(N + 2) sum_{k=1}^{m} frac{r_k^2}{N – k}

لتطبيق هذا الاختبار المتقدم في إكسيل لعدد إبطاءات مثلاً $m = 10$:

1. في جدول ACF، يتم إضافة عمود جديد يحسب القيمة الجزئية لكل إبطاء بالمعادلة `=(r_k^2) / (N – k)`، حيث يمثل $r_k$ معامل الارتباط للإبطاء، و $k$ رقم الإبطاء، و $N$ حجم العينة الكلي.
2. جمع نواتج هذا العمود وضرب المجموع في المعامل الثابت `N * (N + 2)` للحصول على قيمة إحصاءة $Q_{LB}$.
3. حساب القيمة الاحتمالية ($p-value$) المقابلة باستخدام دالة التوزيع الاحتمالي لكاي تربيع في إكسيل:

   =CHISQ.DIST.RT(Q_value, m)

إذا كانت القيمة الاحتمالية المحسوبة أصغر من مستوى الدلالة المعتمد ($p < 0.05$)، يتم رفض الفرضية الصفرية القائلة بالعشوائية، ويُستنتج وجود بنية زمنية مركبة واعتمادية إحصائية متبقية في السلسلة الزمنية.

11. الأخطاء الشائعة والتشخيص الإحصائي عند الحساب في إكسيل

11.1 أخطاء مطابقة النطاقات وفقدان المراجع في المعادلات

يقع مستخدمو إكسيل في مجموعة من الأخطاء التقنية المتكررة أثناء بناء صيغ الارتباط الذاتي المعقدة يدويّاً، والتي تؤدي إما إلى إرجاع قيم خطأ صريحة أو إعطاء نتائج مضللة بصمت دون تنبيه. من أبرز هذه الأخطاء:

• عدم تكافؤ أبعاد المصفوفات داخل SUMPRODUCT: يحدث هذا عندما يحدد المستخدم نطاقاً أولياً بطول معين (مثلاً `B2:B99` بعدد 98 خلية) ونطاقاً مزاحاً بطول مختلف (مثلاً `B4:B100` بعدد 97 خلية). يُرجع إكسيل في هذه الحالة فوراً خطأ `#VALUE!`. يجب دائماً التأكد من أن عدد الصفوف المقتطعة من البداية يتطابق تماماً مع عدد الصفوف المقتطعة من النهاية.
• نسيان التثبيت المطلق لمراجع المتوسط والتباين: عند نسخ معادلة الارتباط وسحبها عبر خلايا الإبطاءات المتعددة، يؤدي إغفال علامة الدولار `$` في `AVERAGE(B$2:B$101)` أو `VAR.P(B$2:B$101)` إلى انزلاق النطاق المرجعي للأسفل، مما يشوه قيم المتوسط والتباين المستخدمة في التوحيد القياسي.
• الخلط بين تباين المجتمع VAR.P وتباين العينة VAR.S: تتطلب الصيغة المعيارية لـ Box-Jenkins استخدام التباين السكاني `VAR.P` (المقسوم على $N$). إن استخدام `VAR.S` (المقسوم على$N-1$) يؤدي إلى تصغير طفيف غير صحيح في معاملات الارتباط الذاتي الناتجة.

11.2 التشخيص الخاطئ الناتج عن عدم استقرار السلسلة الزمنية

من الأخطاء التحليلية الجسيمة في الإحصاء التطبيقي حساب دالة الارتباط الذاتي مباشرة لسلسلة زمنية غير مستقرة تحتوي على اتجاه عام قوي (Deterministic or Stochastic Trend). يُظهر مخطط الارتباط الذاتي في هذه الحالة معاملات مرتفعة جداً تقترب من +1 عند الإبطاء الأول وتهبط ببطء شديد وبشكل خطي شبه مستقيم عبر عشرات الإبطاءات.

إن هذا النمط لا يعكس ارتباطاً ذاتياً حقيقياً نابعاً من الذاكرة الديناميكية للظاهرة، بل هو ارتباط ذاتي زائف (Spurious Autocorrelation) ناجم عن كون القيم في بداية السلسلة تقع كلها تحت المتوسط الكلي والقيم في نهاية السلسلة تقع كلها فوق المتوسط الكلي بسبب الصعود المستمر للاتجاه العام.

لعلاج هذا التشخيص الخاطئ في إكسيل:

• يجب أولاً تحويل السلسلة إلى سلسلة مستقرة عبر تطبيق الفروق الأولى (First Differencing)، بإنشاء عمود جديد يطبق المعادلة `=B3 – B2`.
• أو إزالة الاتجاه العام خطياً (Detrending) عبر استخراج بواقي انحدار المتغير على الزمن.
• حساب دالة الارتباط الذاتي على السلسلة المحولة الجديدة؛ فإذا اختفت الارتباطات المرتفعة، يثبت أن الارتباط السابق كان نتيجة للاتجاه العام فقط.

11.3 أخطاء التفسير في العينات النفسية والسلوكية الصغيرة

يواجه الباحثون في مجالات العلوم النفسية والسلوكية قيوداً ترتبط بصغر حجم العينات الزمنية المتاحة (مثلاً متابعة مريض لمدة 15 إلى 20 يوماً فقط). في مثل هذه البيئات المحدودة، تبرز محاذير تفسيرية حرجة:

• المبالغة في تفسير الإبطاءات المتقدمة: عند وجود 20 مشاهدة فقط، فإن حساب الارتباط عند الإبطاء الخامس ($k = 5$) يعتمد على 15 زوجاً فقط من المشاهدات. يرتفع تباين التقدير في هذه الحالة بشكل هائل، ويصبح معامل الارتباط غير مستقر وعرضة للتأثر الشديد بأي تقلب عشوائي فردي.
• تضخم الخطأ الإجمالي (Family-Wise Error Rate): عند فحص 10 أو 15 معامل ارتباط ذاتي معاً عند مستوى ثقة 95% لكل معامل بشكل منفصل، تزداد احتمالية الحصول على معامل واحد على الأقل دال إحصائياً بالصدفة البحتة (False Positive) لتتجاوز 40%، مما يستوجب استخدام تصحيحات إحصائية أو الاعتماد على اختبار ليونغ-بوكس الشامل.
• الخلط بين ACF و PACF: يقيس الارتباط الذاتي البسيط (ACF) التأثير الكلي للإبطاء شاملاً التأثيرات غير المباشرة المنقولة عبر فترات الإبطاء البينية. لفصل التأثير المباشر الصافي لفترة إبطاء معينة، يجب حساب دالة الارتباط الذاتي الجزئي (Partial Autocorrelation Function – PACF)، والتي تتطلب تقدير معادلات انحدار ذاتي متعددة.

12. دراسة حالة تطبيقية متكاملة: تحليل سلسلة زمنية لقياسات المزاج اليومي

12.1 عرض بيانات الحالة وإدخال القياسات اليومية في إكسيل

لتجسيد كافة المفاهيم والمعادلات السابقة في سياق عملي واقعي، سنقوم بإجراء تحليل تطبيقي متكامل لسلسلة زمنية افتراضية تحاكي متابعة إكلينيكية يومية لمريض تم تشخيصه باضطراب اكتئابي، حيث قام بتسجيل تقييم يومي لحالته المزاجية على مقياس مقنن يتراوح من (1 = مزاج منخفض جداً / حزن شديد) إلى (100 = مزاج إيجابي جداً / ابتهاج) لمدة 60 يوماً متتالية ($N = 60$).

تم إدخال البيانات في ورقة عمل إكسيل بالهيكلية التالية:

• العمود `A` (الخلايا `A2:A61`): يمثل رقم اليوم المتسلسل (اليوم 1، اليوم 2، …، اليوم 60).
• العمود `B` (الخلايا `B2:B61`): يمثل درجة المزاج اليومي المسجلة ($Mood_t$).

أظهر الفحص الإحصائي الوصفي الأولي للبيانات أن المتوسط الحسابي العام للمزاج يبلغ $\bar{y} = 48.5$ درجة، مع انحراف معياري قدره $SD = 12.4$ درجة، والتباين السكاني `VAR.P` يبلغ $151.25$. وأكد الرسم البياني الخطي الأولي استقرار متوسط السلسلة حول خط الأساس مع وجود تموجات سلوكية متكررة تستدعي التحليل الرياضي المعمق.

12.2 التطبيق العملي لحساب مصفوفة الارتباط الذاتي من Lag 1 إلى Lag 7

تم بناء جدول دالة الارتباط الذاتي (ACF Table) في ورقة العمل لتغطية فترات الإبطاء لأسبوع كامل (من $k = 1$ إلى $k = 7$). تم تطبيق صيغة `SUMPRODUCT` المعيارية، وحساب الخطأ المعياري لبارتليت ($SE = 1/\sqrt{60} \approx 0.1291$)، وحدود الثقة 95% ($\pm 1.96 \times 0.1291 = \pm 0.2530$).

يوضح الجدول التالي المخرجات الحسابية الدقيقة المحسوبة في إكسيل:

فترة الإبطاء ($k$)	معامل الارتباط الذاتي ($r_k$)	الخطأ المعياري ($SE$)	الحد الأدنى للثقة 95%	الحد الأعلى للثقة 95%	الدلالة الإحصائية ($p < 0.05$)
Lag 1 (يوم واحد)	+0.642	0.1291	-0.2530	+0.2530	دال إحصائياً (موجب قوي)
Lag 2 (يومان)	+0.418	0.1291	-0.2530	+0.2530	دال إحصائياً (موجب متوسط)
Lag 3 (3 أيام)	+0.221	0.1291	-0.2530	+0.2530	غير دال (داخل حدود الثقة)
Lag 4 (4 أيام)	+0.085	0.1291	-0.2530	+0.2530	غير دال إحصائياً
Lag 5 (5 أيام)	+0.112	0.1291	-0.2530	+0.2530	غير دال إحصائياً
Lag 6 (6 أيام)	+0.289	0.1291	-0.2530	+0.2530	دال إحصائياً (اخترق الحد الأعلى)
Lag 7 (أسبوع كامل)	+0.531	0.1291	-0.2530	+0.2530	دال إحصائياً (قمة دورية قوية)

تم بناء مخطط Correlogram داخل إكسيل بدمج هذه الأعمدة مع خطوط الثقة المتقطعة، مما أظهر بوضوح اختراق العمودين الأول والثاني لحاجز الثقة، يليهما انخفاض، ثم ارتداد قوي وصعود بارز عند الإبطاءين السادس والسابع.

12.3 التقرير الإحصائي وتفسير النتائج في السياق النفسي الإكلينيكي

يقدم التحليل الإحصائي المنجز في إكسيل كنزاً من المؤشرات السريرية الدقيقة التي تتيح صياغة تقرير تشخيصي متكامل للحالة:

• تشخيص الجمود الانفعالي المرتفع ($r_1 = 0.642$): يُشير معامل الارتباط الذاتي القوي والموجب عند الإبطاء الأول، والذي يتجاوز بشكل كبير عتبة الدلالة الإحصائية ($0.642 > 0.253$)، إلى وجود جمود انفعالي ملحوظ لدى المريض. يعكس هذا الرقم استمرارية واستقرارية عالية للمشاعر اليومية؛ مما يعني أن الحالة المزاجية لليوم السابق تفرض تأثيراً طاغياً على مزاج اليوم التالي، وتكشف عن بطء جهاز التنظيم الذاتي للمريض في امتصاص الصدمات النفسية اليومية وتجاوز الحالات المزاجية المنخفضة.
• اضمحلال الذاكرة قصيرة المدى (Lags 1-4): يُظهر التناقص التدريجي المنتظم من $r_1 = 0.642$ إلى $r_2 = 0.418$ ثم اختفاء المعنوية عند $r_3$ و $r_4$ أن السلسلة تتبع نموذج انحدار ذاتي مستقر من الدرجة الأولى AR(1)، مما يؤكد أن التأثير المباشر للصدمات النفسية اليومية يستمر في المتوسط لمدة يومين إلى ثلاثة أيام قبل أن يتلاشى أثره الفوري.
• اكتشاف النمط الدوري الأسبوعي ($r_7 = 0.531$): يُعد الارتفاع المفاجئ والقوي في معامل الارتباط الذاتي عند الإبطاء السابع ($r_7 = 0.531$) كشفاً تشخيصياً فائق الأهمية. يثبت هذا المعامل وجود دورة مزاجية أسبوعية متكررة (Weekly Circadian / Social Rhythm). بمراجعة التواريخ، تبين أن مزاج المريض يشهد انخفاضاً متكرراً ومنتظماً في أيام محددة من الأسبوع (تتزامن مع بداية أسبوع العمل وضغوطه المهنية) وارتفاعاً في أيام العطلة الأسبوعية.

التوصيات العلاجية المستندة إلى التحليل:
بناءً على هذه المعطيات الرقمية الدقيقة، يمكن للفريق المعالج توجيه خطة التدخل السلوكي المعرفي (CBT) نحو: أولاً، تدريب المريض على استراتيجيات تنظيم انفعالي فورية لكسر الجمود المزاجي وتخفيض قيمة $r_1$ لتقليل انتقال الحزن من يوم لآخر؛ وثانياً، إعادة هيكلة الجدول الأنشطة الأسبوعي (Behavioral Activation) وتوزيع الأنشطة المبهجة على مدار أيام الأسبوع لتقليل التذبذب الدوري الحاد الملاحظ عند الإبطاء السابع.

خاتمة

يمثل حساب وتفسير الارتباط الذاتي في برنامج إكسيل جسراً منهجياً متيناً يربط بين البنية الرياضية الصارمة لتحليل السلاسل الزمنية والتطبيقات التشخيصية المعمقة في مجالات القياس النفسي والسلوكي والاقتصادي. وعلى الرغم من افتقار إكسيل إلى زر مباشر ومخصص لدالة الارتباط الذاتي، فإن مرونة البرنامج تتيح للمحللين بناء نماذج متكاملة وفائقة الدقة تبدأ من الصيغ الشاملة باستخدام دالتي `SUMPRODUCT` و `VAR.P`، مروراً بأعمدة الإزاحة ودالة `CORREL`، وصولاً إلى دوال المصفوفات الديناميكية الحديثة `LET` و `LAMBDA`.

إن إتقان بناء جدول دالة الارتباط الذاتي (ACF Table)، وحساب الخطأ المعياري وفق معادلات بارتليت، وتوليد مخطط الارتباط الذاتي (Correlogram) المزود بفواصل الثقة 95%، وإجراء الاختبارات التشخيصية المرافقة مثل داربن-واتسون وليونغ-بوكس، يمنح الباحثين أداة تحليلية لا تقل في كفاءتها وموثوقيتها عن أعقد البرمجيات الإحصائية المتخصصة. ويظل الفهم الواعي للافتراضات الإحصائية الكامنة، ومعالجة قضايا الاستقرارية والفواصل الزمنية، وتفادي فخاخ الانحدار الزائف، هو الضمانة الحقيقية لتحويل الأرقام الخام المنسكبة في جداول إكسيل إلى رؤى معرفية وتطبيقات سريرية وعملية بالغة القيمة والأثر.

References

• Bartlett, M. S. (1946). On the theoretical specification and sampling properties of autocorrelated time-series. Journal of the Royal Statistical Society, 8(1), 27–41. https://doi.org/10.2307/2983611
• Box, G. E., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time series analysis: Forecasting and control (5th ed.). John Wiley & Sons. https://www.wiley.com/en-us/Time+Series+Analysis%3A+Forecasting+and+Control%2C+5th+Edition-p-9781118675021
• Durbin, J., & Watson, G. S. (1950). Testing for serial correlation in least squares regression: I. Biometrika, 37(3/4), 409–428. https://doi.org/10.2307/2332388
• Koval, P., & Kuppens, P. (2012). Changing minds: Tracking the dynamics of emotional inertia and cognitive flexibility in daily life. Emotion, 12(6), 1414–1423. https://doi.org/10.1037/a0028442
• Kuppens, P., Allen, N. B., & Sheeber, L. B. (2010). Emotional inertia and psychological maladjustment. Psychological Science, 21(7), 984–991. https://doi.org/10.1177/0956797610372634
• Ljung, G. M., & Box, G. E. (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
• Microsoft Corporation. (2024). Excel functions (alphabetical and by category). Microsoft Support. https://support.microsoft.com/en-us/office/excel-functions-alphabetical-b3944572-255d-4efb-bb96-c6d52874e455
• National Institute of Standards and Technology. (2012). Autocorrelation plot: NIST/SEMATECH e-Handbook of Statistical Methods. NIST. https://www.itl.nist.gov/div898/handbook/eda/section3/autocopl.htm
• Trull, T. J., & Ebner-Priemer, U. W. (2013). Ambulatory assessment in psychopathology research: Current achievements and future trends. Current Directions in Psychological Science, 22(5), 353–358. https://doi.org/10.1177/0963721413484042
• Shumway, R. H., & Stoffer, D. S. (2017). Time series analysis and its applications: With R examples (4th ed.). Springer. https://doi.org/10.1007/978-3-319-52452-8