كيفية حساب الارتباط الذاتي في R

تُعد دراسة السلاسل الزمنية والظواهر الديناميكية عبر الزمن من الركائز الأساسية في التحليل الإحصائي الحديث والنمذجة الرياضية المتقدمة. في العديد من العلوم التطبيقية—بدءاً من القياسات النفسية والاقتصاد القياسي وعلم الأوبئة، وصولاً إلى الهندسة البيئية وعلوم البيانات—لا تأتي المشاهدات معزولة أو مستقلة عن بعضها البعض، بل ترتبط بسياق زمني تتابعي تتأثر فيه القيمة اللحظية بما سبقها من قيم. هذا النمط من الاعتماد التتابعي يُمثل جوهر ما يُعرف في الأدبيات الإحصائية باسم الارتباط الذاتي (Autocorrelation) أو الارتباط التسلسلي، وهو المفهوم الذي يُعيد صياغة كيفية تعاملنا مع البيانات وفهمنا للبنية العميقة الموّلدة لها.

تكمن قوة لغة البرمجة الإحصائية R في توفيرها لترسانة برمجية وبيئة حسابية متكاملة تتيح للمحللين والباحثين تفكيك بنية السلاسل الزمنية وقياس الارتباط الذاتي بدقة فائقة. من خلال حزمها الإحصائية الأساسية والمتقدمة، تُمكننا لغة R من استكشاف الأنماط الكامنة، واختبار فرضيات الاستقلالية، وتشخيص السلاسل المستقرة وغير المستقرة، وبناء النماذج التنبؤية والتفسيرية مثل نماذج الانحدار الذاتي والمتوسطات المتحركة (ARIMA). إن فهم وتطبيق دوال الارتباط الذاتي في R ليس مجرد مهارة برمجية روتينية، بل هو أداة منهجية حاسمة لتجنب الوقوع في الاستدلال الإحصائي المضلل وضمان تماسك النماذج الرياضية المبنية على البيانات الطولية.

يهدف هذا الدليل الأكاديمي الموسع إلى تقديم مراجعة شاملة ومعمقة لكيفية حساب وتفسير واختبار الارتباط الذاتي باستخدام بيئة R الإحصائية. سنستعرض عبر فصول هذا المقال الأسس النظرية والرياضية لدوال الارتباط والتغاير الذاتي، ونستكشف كيفية توظيف الدوال الأساسية مثل acf وpacf، بالإضافة إلى الحزم التخصصية المتقدمة، وصولاً إلى دراسة التطبيقات السلوكية والنفسية، واستراتيجيات المعالجة المنهجية للارتباط الذاتي داخل النماذج متعددة المستويات، مع الالتزام بأرقى معايير التوثيق وإعادة الإنتاجية العلمية.

1. مقدمة شاملة حول الارتباط الذاتي ومفاهيمه الأساسية

1.1 تعريف الارتباط الذاتي والسلسلة الزمنية

تُعرَّف السلسلة الزمنية (Time Series) إحصائياً بأنها تتابع منظم لمجموعة من المشاهدات أو القياسات الرقمية المأخوذة عند فترات زمنية متتالية ومنتظمة في الغالب. ويشكل الترتيب الزمني في هذه السلاسل بعداً جوهرياً لا يمكن إغفاله؛ إذ إن إعادة ترتيب المشاهدات بصورة عشوائية يؤدي إلى فقدان البنية الديناميكية للمعلومات التي تحتويها البيانات بالكامل. ومن هذا المنطلق، يبرز مفهوم الارتباط الذاتي—والذي يُشار إليه أحياناً بالارتباط التسلسلي (Serial Correlation)—ليصف العلاقة الرياضية والاعتمادية الخطية المتبادلة بين قيم نفس المتغير المقاسة عند نقاط زمنية مختلفة.

تاريخياً، ركزت الإحصاءات الكلاسيكية على تحليل الارتباط الخطي البسيط (Pearson Correlation) بين متغيرين منفصلين (X و Y) تم قياسهما بشكل متزامن. في المقابل، يُحول الارتباط الذاتي التركيز نحو دراسة سلوك المتغير الواحد عبر الزمن، حيث يتم حساب معامل الارتباط بين المتغير في الزمن الحالي والمتغير ذاته بعد إزاحته بفترة زمنية محددة. إن إدراك هذه التبعية الزمنية يُمكّن الباحث من فهم مدى استمرارية الظاهرة واستقرارها عبر الزمن، وتحديد ما إذا كانت التغيرات الحالية مجرد تذبذبات عشوائية أم نتيجة لتأثيرات متراكمة تمتد جذورها إلى الماضي القريب أو البعيد.

تتجلى الفروق الجوهرية بين الارتباط الكلاسيكي والارتباط الذاتي في طبيعة التباين والتغاير المشترك؛ فبينما يفترض الارتباط الخطي القياسي استقلالية المشاهدات الفردية داخل العينة وتوزيعها بشكل متماثل ومستقل (i.i.d)، ينطلق تحليل الارتباط الذاتي من الفرضية النقيضة التي تقر بوجود اعتمادية نظامية متبادلة تحكم المشاهدات المتتالية، مما يجعل أساليب التحليل الإحصائي التقليدية غير صالحة للاستخدام المباشر دون تعديلات منهجية دقيقة.

1.2 الأهمية المنهجية لتحليل الارتباط الذاتي في البحوث الإحصائية

يمثل فحص الارتباط الذاتي خطوة منهجية بالغة الأهمية في تقييم مدى صحة الافتراضات الإحصائية التي تقوم عليها النماذج الخطية العامة ونماذج الانحدار الخطي العادي (Ordinary Least Squares – OLS). عندما تحتوي بواقي الانحدار (Residuals) على ارتباط ذاتي غير معالج، تظل تقديرات المعاملات الخطية غير متحيزة ولكنها تفقد كفاءتها الإحصائية (Efficiency)، مما يؤدي إلى التقليل من قيمة الخطأ المعياري التقديري، وبالتالي تضخيم قيم اختبارات (t) و(F) والوقوع في الخطأ من النوع الأول (Type I Error) برفض الفرضية الصفرية رغم صحتها.

علاوة على تشخيص المشكلات في النماذج الخطية، يلعب الارتباط الذاتي دوراً تأسيسياً في بناء النماذج التنبؤية للسلاسل الزمنية. فمن خلال تحليل البنية الزمنية للارتباط، يستطيع المحلل تحديد المكونات الجوهرية للظاهرة، مثل الاتجاهات العامة طويلة المدى (Trends)، والدورات الموسمية المنتظمة (Seasonality)، والتقلبات الدورية المعقدة. إن وجود ارتباط ذاتي مرتفع عند فترات إبطاء محددة يقدم دليلاً رياضياً قاطعاً على النمط الزمني الذي تسلكه السلسلة، وهو ما يُعتمد عليه في تحديد الرتب الملائمة لنماذج الانحدار الذاتي والتنبؤ بالمستقبل.

يمتد هذا التحليل أيضاً ليشمل العلوم الإنسانية والسلوكية؛ حيث يُستخدم قياس الارتباط الذاتي لفهم استقرار السمات والأنماط النفسية عبر فترات زمنية ممتدة. ففي دراسات قياس المشاعر والتوتر والسلوك البشري عبر الأيام أو الساعات، يعكس الارتباط الذاتي مستوى “القصور الذاتي” أو المقاومة للتغير، مما يجعله ليس مجرد إحصائية وصفية، بل مفهوماً نظرياً وخصيصة سيكومترية ذات دلالة إكلينيكية ونفسية عميقة في فهم الطبيعة البشرية.

1.3 أنواع فترات الإبطاء (Lags) ودورها في التحليل

يُقصد بفترة الإبطاء الزمني (Lag Structure) مقدار الإزاحة الزمنية التي يتم تطبيقها على السلسلة الأصلية لمقارنتها مع نفسها عبر نقاط زمنية متباعدة. إذا رمزنا للمشاهدة المقاسة في الزمن $t$ بالرمز $X_t$، فإن المشاهدة المقاسة في الخطوة الزمنية السابقة مباشرة تُعرف بإبطاء مقداره خطوة واحدة ويرمز لها بالرمز $X_{t-1}$ (Lag 1)، بينما تمثل المشاهدة المقاسة قبل $k$ من الفترات الزمنية الإبطاء $X_{t-k}$ (Lag k).

تتم عملية تشكيل أزواج البيانات المتأخرة زمنياً من خلال مواءمة السلسلة الأصلية مع نسختها المزاحة زمنياً؛ حيث يتم تكوين مصفوفة ثنائية الأبعاد تضم المتجهات المتتالية. على سبيل المثال، لحساب الارتباط عند الإبطاء 1، يتم استبعاد المشاهدة الأولى من السلسلة الحالية والمشاهدة الأخيرة من السلسلة المزاحة للحصول على أزواج متطابقة في الطول. وتتكرر هذه الإزاحة الحسابية لكل قيمة من قيم $k$، مما ينتج عنه سلسلة من معاملات الارتباط التي ترسم مسار التلاشي أو الاستمرار في الاعتماد الزمني.

يتميز كل إبطاء زمني بدلالة إحصائية وتطبيقية خاصة؛ فالإبطاء الصفري (Lag 0) يمثل ارتباط السلسلة بنفسها في نفس اللحظة الزمنية وتكون قيمته دائماً مساوية تماماً للواحد الصحيح (+1.0). بينما يكشف الإبطاء الأول (Lag 1) عن الذاكرة قصيرة المدى للسلسلة، في حين تُظهر فترات الإبطاء الأعلى (مثل Lag 7 في البيانات اليومية أو Lag 12 في البيانات الشهرية) مدى تكرار الأنماط الدورية والموسمية التي تؤثر في ديناميكية النظام المدروس.

2. الأسس الرياضية والإحصائية لدالة الارتباط الذاتي (ACF)

2.1 الصيغة الرياضية لمعامل التغاير الذاتي (Autocovariance)

يُعد التغاير الذاتي الأساس الحسابي الذي تُبنى عليه دالة الارتباط الذاتي بأكملها. يُمثل التغاير الذاتي لعينة إحصائية عند الإبطاء الزمني $k$ (والذي يُرمز له بالرمز $\gamma_k$ أو $c_k$) متوسط حاصل ضرب انحرافات المشاهدات عن المتوسط الحسابي العام للسلسلة عبر الفجوة الزمنية المحددة. وتُصاغ المعادلة الرياضية لتقدير التغاير الذاتي لعينة مكونة من $N$ مشاهدة على النحو التالي:

$$\gamma_k = \frac{1}{N} \sum_{t=1}^{N-k} (X_t – \bar{X})(X_{t+k} – \bar{X})$$

حيث تمثل $\bar{X}$ المتوسط الحسابي الإجمالي للسلسلة الزمنية، والذي يُحسب من خلال المعادلة الكلاسيكية لجمع كافة المشاهدات وقسمتها على حجم العينة $N$. تجدر الإشارة إلى أن استخدام المقام $N$ بدلاً من $N-k$ في تقدير التغاير الذاتي هو العرف الرياضي القياسي المتبع في معظم البرمجيات الإحصائية (بما في ذلك لغة R)؛ وذلك لضمان أن تكون مصفوفة التباين والتغاير الناتجة موجبة شبه معرفة (Positive Semi-Definite)، مما يمنع الحصول على تقديرات غير منطقية لمعاملات الارتباط.

يرتكز هذا الحساب الإحصائي على افتراض محوري يُعرف في الأدبيات باسم الاستقرارية الضعيفة أو الاستقرارية من الدرجة الثانية (Weak Stationarity). ويشترط هذا المفهوم الرياضي ثبات المتوسط الحسابي للسلسلة عبر الزمن، وثبات التباين الكلي، وأن يعتمد التغاير بين أي نقطتين زمنيتين حصرياً على المسافة الزمنية أو الإبطاء $k$ بينهما، دون أن يتأثر بالنقطة الزمنية الفعلية المطلقة $t$.

2.2 المعادلة الرياضية لمعامل الارتباط الذاتي (ACF)

يُعرَّف معامل الارتباط الذاتي عند الإبطاء $k$ (والذي يُرمز له بالرمز $\rho_k$ أو $r_k$) بأنه النسبة المعيارية بين التغاير الذاتي عند الإبطاء $k$ والتباين الإجمالي للسلسلة الزمنية (والذي يمثل التغاير الذاتي عند الإبطاء الصفري $\gamma_0$). من خلال هذه القسمة المعيارية، يتم التخلص من وحدات القياس الفيزيائية أو السلوكية للمتغير، مما ينتج مقياساً نقياً موحداً يمكن مقارنته بين مختلف الدراسات والسلاسل. وتُكتب المعادلة بالصيغة الآتية:

$$\rho_k = \frac{\gamma_k}{\gamma_0} = \frac{\sum_{t=1}^{N-k} (X_t – \bar{X})(X_{t+k} – \bar{X})}{\sum_{t=1}^{N} (X_t – \bar{X})^2}$$

تتمتع دالة الارتباط الذاتي (Autocorrelation Function – ACF) بمجموعة من الخصائص الرياضية الصارمة؛ إذ تنحصر قيمتها دوماً داخل المجال المغلق بين سالب واحد وموجب واحد، أي $-1 le \rho_k le 1$. بالإضافة إلى ذلك، تتميز الدالة بصفة التماثل الرياضي (Symmetry)، حيث إن $\rho_k = \rho_{-k}$؛ مما يعني أن الارتباط إلى الوراء في الزمن يكافئ تماماً الارتباط إلى الأمام بنفس المقدار من الإبطاء الزمني في العمليات المستقرة.

يُشير معامل الارتباط الذاتي الإيجابي المرتفع (القريب من +1) إلى استمرارية اتجاه السلسلة؛ حيث تميل القيم المرتفعة إلى أن تتبعها قيم مرتفعة، والقيم المنخفضة تتبعها قيم منخفضة عبر الإبطاء $k$. في المقابل، يدل المعامل السلبي العكسي (القريب من -1) على وجود نمط تذبذبي متناوب؛ حيث تتعاقب القيم العالية والمنخفضة بشكل دوري ومتبادل عبر الزمن، مما يعكس ارتداداً مستمراً للمتغير حول متوسطه الحسابي.

2.3 حساب فترات الثقة وحدود الدلالة الإحصائية

لا يكتفي التحليل الإحصائي الرصين بحساب القيم الرقمية لمعاملات الارتباط الذاتي، بل يتعين اختبار دلالتها الإحصائية للتأكد من أنها لا تعكس مجرد تقلبات عشوائية ناتجة عن خطأ المعاينة. استند الإحصائي البريطاني موريس بارتليت في اشتقاق الخطأ المعياري لمعاملات الارتباط الذاتي إلى نظريته الشهيرة (Bartlett’s Formula) للسلاسل الزمنية المستقلة، والتي تنص على أنه بالنسبة لعملية التشويش الأبيض العشوائية (White Noise)، يتوزع معامل الارتباط الذاتي تقاربياً وفق التوزيع الطبيعي بمتوسط صفري وتباين مقداره مقلوب حجم العينة ($1/N$).

بناءً على هذا التأصيل الرياضي، يُحسب الخطأ المعياري التقريبي لمعامل الارتباط الذاتي عند أي إبطاء $k$ بالمعادلة البسيطة:

$$SE(r_k) \approx \frac{1}{\sqrt{N}}$$

ومن ثم، يتم اشتقاق حدود فترة الثقة بمستوى دلالة 95% ($\alpha = 0.05$) من خلال ضرب الخطأ المعياري في القيمة الحرجة للتوزيع الطبيعي المعياري ($Z_{0.975} \approx 1.96$)، فتصبح الحدود الحرجة العلوية والسفلية محددة بالقيمة:

$$\text{Critical Value} = \pm \frac{1.96}{\sqrt{N}}$$

إذا تجاوزت قيمة معامل الارتباط الذاتي المحسوبة هذه الحدود الحرجة، تُرفض الفرضية الصفرية التي تدعي استقلالية المشاهدات، ويُعتبر الارتباط الذاتي عند ذلك الإبطاء ذا دلالة إحصائية حقيقية تعكس بنية ديناميكية داخل البيانات وليست مجرد تشويش أبيض عشوائي.

3. إعداد بيئة العمل واستيراد البيانات في لغة R

3.1 تهيئة بيئة R وتثبيت الحزم الإحصائية المطلوبة

لبدء العمل التطبيقي في تحليل الارتباط الذاتي، من الضروري إعداد بيئة الحوسبة الإحصائية R من خلال واجهة التطوير المتكاملة RStudio. يجب في البداية التحقق من تحديث إصدار R إلى أحدث نسخة مستقرة لضمان التوافقية الكاملة مع الحزم البرمجية الحديثة، والتأكد من ضبط مسار مجلد العمل (Working Directory) عبر الدالة الأساسية لتوجيه حفظ واستيراد الملفات بسلاسة.

تحتوي قاعدة R الأساسية على حزمة stats المدمجة تلقائياً، والتي تتضمن الدوال الأساسية لحساب الارتباط الذاتي. ومع ذلك، تتطلب التحليلات الموسعة والاحترافية تثبيت مجموعة من الحزم الخارجية المتخصصة مثل حزمة forecast للنمذجة والتنبؤ، وحزمة tseries للتحليل المالي والاختبارات الإحصائية المتقدمة، بالإضافة إلى حزمة ggplot2 لإنتاج الرسوم البيانية المتوافقة مع معايير النشر العلمي.

تتم عملية تثبيت هذه الحزم واستدعائها برمجياً داخل جلسة العمل عبر أوامر برمجية مباشرة؛ حيث يتم التحقق من تثبيت الحزم مرة واحدة، ثم يتم استدعاؤها في كل جلسة تحليل جديدة باستخدام دالة التحميل القياسية، مع تهيئة خيارات العرض الإحصائي لتجنب طباعة الأرقام بالترميز العلمي المعقد وضبط عدد الخانات العشرية المعروضة لتسهيل القراءة والتفسير.

3.2 إنشاء وهيكلة كائنات السلاسل الزمنية (ts objects)

تتعامل لغة R مع البيانات المتتابعة زمنياً من خلال كائن برمجي مخصص يُعرف بكائن السلسلة الزمنية (ts). لا يقتصر هذا الكائن على تخزين القيم الرقمية للمشاهدات فحسب، بل يقوم أيضاً بدمج البيانات الوصفية الزمنية (Metadata) مثل تاريخ بداية القياس، وتاريخ نهايته، والتردد الزمني للقياسات (Frequency)، مما يسمح لكافة الدوال التحليلية والبيانية بالتعرف على الطبيعة الدورية للبيانات تلقائياً.

لتحويل متجه رقمي عادي إلى كائن سلسلة زمنية متكامل، تُستخدم الدالة القياسية ts() مع تمرير الوسائط الأساسية:

• data: المتجه أو المصفوفة الرقمية التي تحتوي على قراءات المتغير المرصود.
• start: نقطة البداية الزمنية للسلسلة، ويمكن تحديدها كرقم مفرد (مثل السنة: 2020) أو كمتجه ثنائي (مثل: السنة والشهر c(2020, 1)).
• end: النقطة الزمنية لنهاية السلسلة، ويتم حسابها تلقائياً إذا تم تحديد البداية والتردد.
• frequency: التردد الزمني الذي يحدد عدد المشاهدات في كل وحدة زمنية كاملة (مثلاً: 1 للبيانات السنوية، 4 للبيانات الربع سنوية، 12 للبيانات الشهرية، و52 للبيانات الأسبوعية).

يضمن بناء كائن ts بهذه الطريقة المحكمة دقة حساب فترات الإبطاء وربطها بالدورات الزمنية الواقعية؛ فعند حساب الارتباط الذاتي لسلسلة شهرية بتردد 12، سيتمكن النظام من محاذاة فترات الإبطاء مع الأشهر الفعلية، مما يُظهر الارتباط الموسمي عند الإبطاء 12 و24 بصورة واضحة ومباشرة دون الحاجة إلى إعادة ضبط المحاور يدوياً.

3.3 استيراد وتنظيف مجموعات البيانات الخارجية

في الممارسة البحثية الواقعية، نادراً ما يتم إنشاء البيانات يدوياً داخل R، بل يتم استيرادها من مصادر وقواعد بيانات خارجية مثل ملفات القيم المفصولة بفواصل (CSV) أو جداول Excel أو قواعد بيانات SQL. تتيح حزم R الحديثة مثل readr وreadxl استيراد هذه الملفات بكفاءة وسرعة عالية مع الحفاظ على التنسيقات التاريخية والزمنية للأعمدة.

تُعد مرحلة تنظيف البيانات وفحص سلامتها شرطاً لازماً قبل الشروع في حساب الارتباط الذاتي؛ فالارتباط التسلسلي حساس للغاية لوجود القيم المفقودة (Missing Values). لا تستطيع دوال الارتباط الذاتي القياسية التعامل مع الفجوات الزمنية أو القيم غير المعرفة ($NA$) دون معالجة مسبقة؛ إذ يؤدي وجود قيمة مفقودة واحدة إلى إفساد حسابات التغاير عبر عدة فترات إبطاء متتالية. وتشمل استراتيجيات المعالجة الاستيفاء الخطي (Linear Interpolation) باستخدام دوال متخصصة مثل na.interp() من حزمة forecast، أو التعويض المعتمد على المتوسط المتحرك الموضعي.

بالإضافة إلى ذلك، يجب التحقق من انتظام الفواصل الزمنية بين المشاهدات. إذا كانت البيانات النفسية أو السلوكية تم جمعها بفواصل عشوائية غير متساوية، فإن مفهوم الإبطاء الزمني الثابت $k$ يفقد دقته الرياضية، مما يستوجب إعادة تجميع البيانات (Resampling) في أطر زمنية منتظمة ومتساوية قبل إدخالها في دوال التحليل الذاتي.

4. حساب الارتباط الذاتي باستخدام الدالة الأساسية acf() في R

4.1 بنية وتفاصيل الدالة acf() والوسائط التابعة لها

تُمثل الدالة acf() في لغة R الحجر الأساس لحساب وتوليد دوال الارتباط والتغاير الذاتي. صُممت هذه الدالة لتتعامل بكفاءة مع متجهات الأرقام البسيطة وكائنات السلاسل الزمنية، وتوفر مرونة عالية من خلال مجموعة مدروسة من الوسائط البرمجية التي تتيح التحكم الدقيق في مجريات التحليل ومخرجاته الرياضية والبيانية.

تتضمن البنية العامة للدالة acf() الوسائط التالية ذات الأهمية المنهجية:

• x: كائن السلسلة الزمنية أو المتجه الرقمي المراد حساب الارتباط الذاتي لبياناته.
• lag.max: عدد صحيح يحدد الحد الأقصى لفترات الإبطاء الزمني المطلوب حسابها. في حال عدم تحديده، تطبق الدالة معادلة افتراضية تعتمد على طول السلسلة لحساب حد أقصى مناسب.
• type: يحدد نوع المخرج الإحصائي المطلوب حسابه، ويقبل ثلاثة خيارات رئيسية: "correlation" لحساب الارتباط الذاتي المعياري (وهو الخيار الافتراضي)، أو "covariance" لحساب التغاير الذاتي غير المعياري، أو "partial" لحساب الارتباط الذاتي الجزئي.
• plot: متغير منطقي (Logical: TRUE أو FALSE)؛ عند ضبطه على TRUE يتم رسم مخطط الارتباط تلقائياً، بينما يؤدي ضبطه على FALSE إلى منع الرسم وإرجاع القيم العددية فقط.
• na.action: الدالة المخصصة للتعامل مع القيم المفقودة، والقيمة الافتراضية الموصى بها هي na.fail أو na.pass مع التنبيه لضرورة المعالجة المسبقة.

يتيح فهم هذه الوسائط للمحلل توجيه الدالة بدقة لتناسب الغرض البحثي؛ سواء كان الهدف استكشافاً بيانياً سريعاً أو استخراجاً لمصفوفات رقمية تفصيلية لاستخدامها في نماذج إحصائية لاحقة أو كتابة تقارير مخصصة.

4.2 التطبيق العملي خطوة بخطوة على سلسلة بيانات افتراضية

لتوضيح الآلية البرمجية لحساب الارتباط الذاتي، نفترض وجود سلسلة زمنية تمثل قراءات أسبوعية لمتغير نفسي أو اقتصادي ممتد على مدار 50 أسبوعاً. يتم أولاً تعريف السلسلة واستدعاء الدالة الأساسية مع منع الرسم التلقائي لاستخراج النتائج العددية الخالصة:

عند تنفيذ الأمر البرمجي acf_results <- acf(my_data, lag.max = 10, plot = FALSE)، يقوم محرك R الداخلي بحساب المتوسط العام والانحرافات المعيارية، ثم يطبق معادلة التغاير الذاتي عبر فترات الإبطاء من 0 إلى 10، ويقسم كل قيمة تغاير على التباين الإجمالي للسلسلة. يتم تخزين هذه المخرجات في كائن مركب من فئة acf يحتوي على مصفوفات ثلاثية الأبعاد تمثل قيم المعاملات وفترات الإبطاء المناظرة لها.

يمكن استعراض محتويات هذا الكائن المخرَج باستخدام الدوال الاستكشافية مثل str(acf_results)، حيث يتضح أن الكائن يشتمل على مكونات أساسية تشمل: acf (مصفوفة قيم الارتباط الذاتي)، وlag (فترات الإبطاء المقابلة لكل معامل)، وn.used (عدد المشاهدات الفعلية المستخدمة في الحساب بعد استبعاد أي فجوات)، بالإضافة إلى اسم المتغير ونوع الحساب المطبق.

4.3 استخراج وتنسيق قيم الارتباط الذاتي كمخرجات جدولية

على الرغم من أن طباعة كائن acf في شاشة الكونسول تعطي نظرة سريعة على النتائج، إلا أن إعداد التقارير العلمية يتطلب تحويل هذه القيم إلى جداول إحصائية منظمة ذات دقة عشرية محددة. يمكن تحقيق ذلك بسهولة من خلال استخراج متجه القيم وتحويله إلى إطار بيانات (Data Frame) باستخدام دوال المعالجة الهيكلية في R.

من خلال استخلاص المكون acf_results$acf[, , 1] والمكون acf_results$lag[, , 1]، نتمكن من دمج الإبطاءات والمعاملات المناظرة لها في جدول منظم. يوضح الجدول التالي نموذجاً افتراضياً لمخرجات دالة الارتباط الذاتي لسلسلة زمنية نموذجية عبر فترات الإبطاء العشر الأولى مع حدود الخطأ المعياري المقابلة:

فترة الإبطاء (Lag)	معامل الارتباط الذاتي (ACF)	الخطأ المعياري (SE)	الحد الأدنى للثقة (95%)	الحد الأعلى للثقة (95%)	الدلالة الإحصائية ($p < .05$)
0	1.0000	–	–	–	– (مرجعي)
1	0.7245	0.1414	-0.2772	+0.2772	دال إحصائياً
2	0.5120	0.1414	-0.2772	+0.2772	دال إحصائياً
3	0.3489	0.1414	-0.2772	+0.2772	دال إحصائياً
4	0.1850	0.1414	-0.2772	+0.2772	غير دال
5	0.0421	0.1414	-0.2772	+0.2772	غير دال

يسهل هذا التنسيق الرقمي عمليات التصدير المباشر إلى ملفات CSV أو دمجها في مستندات النشر الأكاديمي مثل R Markdown أو Quarto بصيغة جداول تفاعلية وأنيقة تلبي المعايير المنهجية المتبعة في الدوريات العلمية المرموقة.

5. تفسير المخرجات الرقمية لدالة الارتباط الذاتي

5.1 فهم الارتباط الذاتي عند الإبطاء الصفري (Lag 0)

عند فحص المخرجات الرقمية أو الرسومية لدالة acf() في R، يلاحظ الباحث دوماً أن القيمة الأولى المناظرة لفترة الإبطاء صفر (Lag 0) تساوي تماماً القيمة 1.0000. يعود السبب الرياضي المباشر وراء هذه النتيجة إلى الصيغة الرياضية للدالة نفسها؛ حيث إن التغاير الذاتي عند الإبطاء صفر ($\gamma_0$) يمثل تباين السلسلة مع نفسها دون أي إزاحة زمنية، وقسمة هذا التغاير على التباين الكلي ينتج بالضرورة قسيمة رياضية تساوي الواحد الصحيح ($\gamma_0 / \gamma_0 = 1$).

من الناحية النظرية، يمثل Lag 0 مطابقة المتغير التامة مع ذاته في نفس اللحظة الزمنية. وعلى الرغم من أهميته الرياضية كقيمة مرجعية يُقاس عليها تباين السلسلة، إلا أنه لا يحمل أي معلومة استدلالية بخصوص الاعتمادية الزمنية عبر الفترات المختلفة. لذلك، فإن الخطأ الأكثر شيوعاً بين المبتدئين في التحليل الإحصائي هو محاولة تفسير Lag 0 كدليل على وجود ارتباط ذاتي قوي في الظاهرة المدروسة.

لذلك، يجب استبعاد قيمة Lag 0 بصرياً وتحليلياً عند تقييم الذاكرة الزمنية للسلسلة؛ والبدء الفعلي في تقييم السلوك الديناميكي للبيانات انطلاقاً من معامل الإبطاء الأول (Lag 1) وما يليه من فترات، وهو ما توفره بعض الحزم المتقدمة تلقائياً كما سنرى في الأقسام اللاحقة.

5.2 تحليل معاملات الارتباط عبر فترات الإبطاء المتتابعة

يُمثل المسار الذي تسلكه معاملات الارتباط عبر فترات الإبطاء المتتابعة بصمة رياضية تميز طبيعة السلسلة الزمنية. في معظم السلاسل الواقعية المستقرة، يُلاحظ نمط التناقص التدريجي (Decaying ACF)؛ حيث يبدأ المعامل بقيمة مرتفعة عند الإبطاء الأول ثم يتلاشى تدريجياً وبصورة أسية أو خطية كلما زادت فترة الإبطاء، وصولاً إلى قيم تقترب من الصفر الإحصائي، مما يعكس تضاؤل تأثير الأحداث الماضية على السلوك الحاضر مع مرور الوقت.

في حالات أخرى، قد تُظهر السلسلة تحولاً منهجياً من معاملات ارتباط إيجابية قوية عند الإبطاءات الأولى إلى معاملات سلبية دالة عند إبطاءات لاحقة. يدل هذا التحول العكسي على وجود ديناميكية تذبذبية أو نمط دوري عكسي؛ حيث تدفع القيمة المرتفعة في مرحلة معينة النظام إلى ارتداد تصحيحي نحو الأسفل في المراحل اللاحقة، وهو ما يُلاحظ بكثرة في سلاسل الاستجابة والتعافي الفسيولوجي والسلوكي.

يتم تقييم قوة العلاقة التنبؤية للسلسلة بناءً على مقدار هذه المعاملات؛ فإذا ظلت معاملات الارتباط مرتفعة وتتجاوز حدود الدلالة الإحصائية لعدد كبير من فترات الإبطاء، فإن ذلك يُشير إلى “ذاكرة طويلة المدى” (Long Memory Process) تتمتع فيها السلسلة بقدرة عالية على الاحتفاظ بآثار الصدمات والتغيرات السابقة، مما يمنح النماذج التنبؤية دقة تنبؤية فائقة بالاعتماد على القيم التاريخية وحدها.

5.3 تحديد طبيعة السلسلة الزمنية من خلال قيم ACF

تُعد دالة الارتباط الذاتي أداة تشخيصية رئيسية للكشف عن الخصائص الهيكلية للبيانات. يوضح الجدول والتحليل الآتي كيفية الاستدلال على الخصائص الهيكلية من خلال مسار قيم ACF:

• الاتجاه العام (Trend): إذا أظهرت قيم ACF انخفاضاً بطيئاً وشبه خطي واستمرت المعاملات موجبة ومرتفعة جداً لعدد كبير من فترات الإبطاء دون أن تتلاشى سريعاً، فهذا مؤشر قاطع على عدم استقرار السلسلة ووجود اتجاه عام صاعد أو هابط يهيمن على حركتها.
• السلوك الموسمي والدوري (Seasonality): إذا أظهرت معاملات الارتباط تموجات منتظمة وقمماً متكررة عند فترات إبطاء محددة ومضاعفاتها (مثل 12، 24، 36 في البيانات الشهرية)، فإن ذلك يدل بوضوح على نمط موسمي سنوي يتكرر بدقة ويتطلب نمذجة موسمية خاصة.
• السير العشوائي (Random Walk): في سلاسل السير العشوائي، تكون قيمة الارتباط عند Lag 1 قريبة جداً من 1.0 (مثل 0.95 أو أعلى)، وتتراجع القيم اللاحقة ببطء شديد للغاية، مما يعكس عدم وجود متوسط ثابت تعود إليه السلسلة بمرور الوقت.
• التشويش الأبيض المستقر (Stationary White Noise): تتميز السلسلة المستقرة تماماً والخالية من أي اعتمادية زمنية بانخفاض فوري لمعاملات الارتباط إلى الصفر الإحصائي عند كافة فترات الإبطاء (باستثناء Lag 0)، ووقوع جميع المعاملات داخل حدود الثقة العشوائية.

6. التمثيل البياني لدالة الارتباط الذاتي (Correlogram) وتحليله

6.1 توليد الرسم البياني التلقائي باستخدام acf()

يُعرف الرسم البياني لدالة الارتباط الذاتي في الأدبيات الإحصائية باسم مخطط الارتباط الذاتي أو الكوريلوجرام (Correlogram). عند استدعاء دالة acf(x, plot = TRUE) في R، تقوم الدالة تلقائياً بتوليد هذا المخطط الذي يرسم فترات الإبطاء على المحور الأفقي (X-axis) وقيم معاملات الارتباط الذاتي المقابلة على المحور الرأسي (Y-axis).

تظهر معاملات الارتباط في المخطط على هيئة أشرطة أو أعمدة رأسية تخرج من خط الصفر المرجعي (Vertical Spikes). تشير الأشرطة الممتدة نحو الأعلى إلى ارتباطات إيجابية، في حين تشير الأشرطة الممتدة نحو الأسفل إلى ارتباطات عكسية سالبة. يتيح الفحص البصري الفوري لهذه الأشرطة استيعاباً حدسياً مباشراً للبنية الديناميكية للبيانات دون الحاجة إلى التدقيق المضني في الجداول الرقمية المعقدة.

تتيح الدالة أيضاً إمكانية تخصيص المخطط البياني المولد عبر تمرير وسائط التحكم في المظهر الرسومي؛ حيث يمكن تعديل عنوان المخطط باستخدام الوسيط main، وتسمية المحاور باستخدام xlab وylab، وضبط حدود المحور الرأسي عبر ylim = c(-1, 1) لضمان ظهور كامل النطاق النظري لمعاملات الارتباط بوضوح.

6.2 تفسير خطوط الثقة الزرقاء المتقطعة (Dashed Blue Lines)

العنصر الأكثر حساسية وأهمية في قراءة مخطط الكوريلوجرام هو الخطوط الأفقية المتقطعة التي ترسمها لغة R باللون الأزرق الفاتح أعلى وأسفل خط الصفر. تمثل هذه الخطوط حدود الثقة الإحصائية عند مستوى دلالة 95% تحت الفرضية الصفرية القائلة بأن السلسلة الزمنية تمثل عملية تشويش أبيض عشوائية مستقلة.

تُحسب هذه الخطوط برمجياً ورياضياً بالمعادلة $\pm 1.96 / \sqrt{N}$؛ حيث تعبر المساحة المحصورة بين الخطين الأزرقين عن “منطقة القبول العشوائي”. إذا كان الشريط الرأسي لأي فترة إبطاء يقع بالكامل داخل هذه الحدود الزرقاء، فإننا نفشل في رفض الفرضية الصفرية، ويُعتبر الارتباط عند ذلك الإبطاء غير ذي دلالة إحصائية ويمكن أن يُعزى إلى الصدفة وأخطاء المعاينة العشوائية.

في المقابل، إذا اخترق الشريط الرأسي الحدود الزرقاء وامتد خارجها، يُعد الارتباط الذاتي عند ذلك الإبطاء دالاً إحصائياً عند مستوى ثقة 95%. ينبغي للمحلل الحذر عند التعامل مع المشاهدات التي تتجاوز حدود الثقة بمقدار طفيف جداً؛ فبما أننا نختبر عدداً كبيراً من فترات الإبطاء في وقت واحد، فإن احتمال ظهور معامل واحد متجاوز للحدود بالصدفة البحتة (False Positive) يظل وارداً بنسبة 5% وفقاً لطبيعة فترات الثقة المتعددة.

6.3 إنشاء مخططات متقدمة باستخدام حزمة ggplot2 وggfortify

على الرغم من كفاءة الرسوم البيانية الافتراضية في R الأساسية، إلا أنها تفتقر إلى المرونة الجمالية والخيارات التنسيقية المتقدمة التي تتطلبها التقارير المؤسسية والأوراق البحثية المنشورة وفق معايير جمعية علم النفس الأمريكية (APA). للتغلب على هذا القصور، تُوفر حزم التصوير البياني الحديثة مثل ggplot2 بالتكامل مع حزمة ggfortify إمكانات مذهلة لتحويل كائنات السلاسل الزمنية إلى لوحات بصرية فائقة الدقة.

تتيح دالة autoplot() المدمجة في حزمة ggfortify رسم كائن acf بأسلوب ggplot2 مباشرة؛ حيث تتعرف الدالة على فترات الإبطاء وخطوط الثقة وتولد مخططاً نظيفاً وقابلاً للتخصيص الكامل. يمكن للباحث تعديل السمات اللونية، وتغيير نوع الخطوط، وتطبيق ثيمات النشر الأكاديمي مثل theme_bw() أو theme_classic()، وإضافة شروح توضيحية لنقاط التحول الحرجة.

علاوة على ذلك، يتيح هذا النهج المتقدم إمكانية دمج مخططات ACF متعددة جنباً إلى جنب لمقارنة مجموعات تجريبية مختلفة أو مقارنة السلسلة قبل وبعد إزالة الاتجاه العام باستخدام حزمة patchwork أو دالة facet_wrap()، مما يوفر رؤية مقارنة شاملة تدعم الحجج المنهجية للبحث بصرياً وإحصائياً.

7. الارتباط الذاتي الجزئي (PACF): المفهوم وطريقة الحساب في R

7.1 الفرق النظري بين الارتباط الذاتي التام (ACF) والجزئي (PACF)

يقيس معامل الارتباط الذاتي التام (ACF) عند الإبطاء $k$ الارتباط الإجمالي بين المشاهدة الحالية $X_t$ والمشاهدة السابقة $X_{t-k}$. وتكمن المعضلة المنهجية هنا في أن هذا الارتباط التام يتضمن التأثيرات المباشرة بين النقطتين، بالإضافة إلى التأثيرات غير المباشرة المتراكمة والمركبة عبر جميع الفترات الزمنية البينية الواقعة بينهما ($X_{t-1}, X_{t-2}, dots, X_{t-k+1}$).

هنا تبرز الأهمية الرياضية لـ دالة الارتباط الذاتي الجزئي (Partial Autocorrelation Function – PACF). تقوم هذه الدالة بعزل وإلغاء الارتباط الناتج عن الفترات الزمنية الوسيطة، وحساب العلاقة الارتباطية المباشرة والخالصة بين $X_t$ و $X_{t-k}$ بعد التحكم الإحصائي التام في تأثير جميع الإبطاءات الأقصر. رياضياً، يكافئ معامل PACF عند الإبطاء $k$ معامل الانحدار الأخير ($\phi_{kk}$) في نموذج انحدار ذاتي من الرتبة $k$ يتضمن كافة الفترات السابقة.

يلعب PACF دوراً محورياً وحاسماً في تشخيص وتحديد رتبة نماذج الانحدار الذاتي الصرفة (Autoregressive Models – AR). فبينما يستمر ACF في التلاشي التدريجي دون إظهار نقطة انقطاع واضحة في عمليات AR، يُظهر PACF انقطاعاً حاداً ومفاجئاً (Sharp Cut-off) بعد الرتبة الفعلية مباشرة، مما يجعله المعيار الذهبي لتحديد عدد المعلمات المطلوبة في النموذج.

7.2 حساب ورسم PACF باستخدام دالة pacf() في R

توفر لغة R دالة مخصصة وسهلة الاستخدام لحساب الارتباط الذاتي الجزئي وهي دالة pacf(). تشبه هذه الدالة في بنيتها ووسائطها البرمجية دالة acf() الأساسية، إلا أنها تركز حصرياً على حساب معاملات الارتباط المعزولة وحجب تأثير المتغيرات البينية.

يمكن استدعاء الدالة وحساب المخرجات عبر الأوامر البرمجية القياسية:

• pacf(x, lag.max = 20, plot = TRUE): لتوليد المخطط البياني المباشر لدالة PACF مع خطوط الثقة المتقاطعة.
• pacf(x, lag.max = 20, plot = FALSE): لاستخراج مصفوفة المعاملات الرقمية الصرفة دون رسم.

تتميز مخرجات دالة pacf() بخاصية فريدة مقارنة بـ acf()؛ حيث تبدأ مخرجات PACF دائماً من الإبطاء الأول (Lag 1) وتستبعد الإبطاء الصفري تلقائياً؛ وذلك لأن الارتباط الجزئي عند الإبطاء صفر ليس له تعريف رياضي مستقل عن الارتباط التام. ويتم تفسير خطوط الثقة الزرقاء في مخطط PACF بنفس الطريقة الإحصائية المتبعة في ACF؛ حيث يُعد أي معامل يمتد خارج الخطوط المتقطعة دالاً إحصائياً ومؤشراً على علاقة سببية مباشرة عبر ذلك الإبطاء الزمني المحدد.

7.3 تكامل دالتي ACF وPACF في تشخيص النماذج الإحصائية

يمثل الاستخدام المتزامن لمخططي ACF وPACF الركيزة الأساسية لمنهجية “بوكس-جينكينز” (Box-Jenkins Methodology) الشهيرة في التعرف على رتب ونوع نماذج السلاسل الزمنية الخطية. يمكن للمحلل من خلال قراءة السلوك التكاملي للدالتين تحديد ما إذا كانت السلسلة تتبع نموذج انحدار ذاتي (AR)، أو نموذج متوسطات متحركة (MA)، أو نموذجاً مختلطاً (ARMA)، وفق القواعد الإحصائية الراسخة الموضحة في الجدول الآتي:

نوع النموذج المستهدف	سلوك دالة الارتباط الذاتي (ACF)	سلوك دالة الارتباط الذاتي الجزئي (PACF)
الانحدار الذاتي: AR(p)	تلاشٍ تدريجي مستمر (أسي أو موجي جيبي)	انقطاع حاد بعد الإبطاء $p$ (تصبح القيم مساوية للصفر)
المتوسطات المتحركة: MA(q)	انقطاع حاد بعد الإبطاء $q$ (تصبح القيم مساوية للصفر)	تلاشٍ تدريجي مستمر (أسي أو موجي جيبي)
المختلط: ARMA(p, q)	تلاشٍ تدريجي يبدأ بعد الإبطاء $q$	تلاشٍ تدريجي يبدأ بعد الإبطاء $p$
التشويش الأبيض (White Noise)	تنعدم الدلالة عند كافة الإبطاءات ($k > 0$)	تنعدم الدلالة عند كافة الإبطاءات ($k > 0$)

تُظهر هذه القواعد المنهجية كيف يكمل المخططان بعضهما البعض؛ فعندما يرى المحلل تلاشياً تدريجياً في ACF مصحوباً بقمم دالة عند الإبطاء 1 و 2 فقط في PACF ثم تنقطع الدلالة تماماً، يستنتج بيقين رياضي أن السلسلة تتبع نموذج انحدار ذاتي من الدرجة الثانية AR(2)، وهو ما يوجه بناء النماذج الرياضية بكفاءة عالية وبأقل عدد ممكن من المعلمات (Principle of Parsimony).

8. استخدام حزم R المتقدمة لتحليل السلاسل الزمنية

8.1 التحليل المتقدم باستخدام حزمة forecast

تُعد حزمة forecast التي طورها البروفيسور روب هايندمن (Rob Hyndman) واحدة من أقوى الحزم الإحصائية وأكثرها انتشاراً في تحليل وتوقع السلاسل الزمنية داخل بيئة R. تقدم الحزمة دالتين مخصصتين هما Acf() وPacf() (بحرف كبير في البداية) كبدائل محسنة جذرياً للدوال الأساسية المدمجة في R.

تتميز دالة Acf() بحزمة forecast بميزة منهجية جوهرية؛ حيث تقوم تلقائياً بحذف معامل الإبطاء الصفري (Lag 0) من الرسم البياني والمخرجات الحسابية المعروضة. يحل هذا التعديل البسيط مشكلة التشويه البصري الشائعة في الدوال الأساسية، والتي تؤدي فيها القيمة الثابتة (+1.0) عند Lag 0 إلى ضغط مقياس الرسم الرأسي، مما يجعل قراءة معاملات الإبطاء اللاحقة الصغيرة أكثر صعوبة وإرباكاً للباحث.

بالإضافة إلى ذلك، توفر الحزمة دالة استكشافية متقدمة للغاية تُدعى tsdisplay(). تقوم هذه الدالة برسم السلسلة الزمنية الأصلية، ومخطط ACF المحسن، ومخطط PACF في لوحة رسومية واحدة منسقة بدقة فائقة بمجرد استدعاء أمر واحد، مما يمنح الباحث نظرة تشخيصية ثلاثية الأبعاد تمكنه من اتخاذ قرارات سريعة ودقيقة حول استقرار السلسلة وبنيتها التراجعية.

8.2 التحليل الطيفي والارتباط الذاتي عبر حزمة tseries

توفر حزمة tseries بيئة متطورة للتحليل الإحصائي المالي والسلوكي المتقدم، وتشتمل على أدوات دقيقة لاختبار الارتباط الذاتي في ظل تقلبات التباين والأنماط المعقدة. تمتاز الحزمة بتكاملها مع اختبارات الاستقرارية الجذرية مثل اختبار ديكي-فولر المعزز (ADF Test) واختبار فيليبس-بيرون (PP Test)، والتي تُجرى جنباً إلى جنب مع تحليل الارتباط الذاتي لتحديد ما إذا كان تلاشي ACF البطيء ناتجاً عن جذر الوحدة (Unit Root) أم عن اتجاه حتمي.

تسمح الدوال المتقدمة في tseries بحساب الارتباط الذاتي في السلاسل المالية والسلوكية المتقلبة التي تعاني من ظاهرة “عناقيد التقلب” (Volatility Clustering)، حيث يكون المتغير ذاته غير مرتبط ذاتياً ولكن مربعات قيمه (Squared Returns or Innovations) تظهر ارتباطاً ذاتياً قوياً للغاية، مما يستدعي نمذجة تباين الخطأ المشروط باستخدام نماذج GARCH وARCH.

كما تدمج الحزمة خوارزميات لتقدير فترات الإبطاء المثلى تلقائياً بناءً على معايير المعلومات النظرية، مما يجنب المحلل الوقوع في خطأ التخمين اليدوي لعدد فترات الإبطاء الواجب تضمينها في الفحص التشخيصي للبيانات المعقدة.

8.3 التحليل الاستكشافي المتقدم بحزمة astsa

تم تصميم حزمة astsa (Applied Statistical Time Series Analysis) لترافق الأدبيات الأكاديمية الرصينة في تحليل السلاسل الزمنية. وتأتي الحزمة محملة بوظائف تحليلية صممت خصيصاً لتيسير التحليل الاستكشافي والنمذجة الرياضية المتقدمة لطلاب الدراسات العليا والباحثين المتخصصين.

تُعد دالة acf2() المدمجة في حزمة astsa من أشهر الدوال وأكثرها استخداماً في التطبيقات الأكاديمية؛ حيث تقوم هذه الدالة المبتكرة بإنتاج مصفوفة عددية موحدة ومخطط ثنائي رأسي متزامن يجمع بين دالتي ACF و PACF معاً بعد حذف Lag 0 تلقائياً وضبط حدود الثقة بدقة رياضية متناهية، مع طباعة معاملات الارتباط لكلتا الدالتين جنباً إلى جنب في شاشة الكونسول.

تتعامل الحزمة بكفاءة عالية مع السلاسل متعددة المتغيرات وتحليل الارتباط الذاتي المتبادل (Cross-Correlation Function – CCF)، مما يتيح للباحث فحص التبعية الزمنية ليس فقط داخل السلسلة الواحدة، بل وبين سلسلتين زمنيتين مختلفتين لتحديد ما إذا كان متغير معين يسبق أو يتأخر عن متغير آخر في الاستجابة الديناميكية عبر الزمن.

9. اختبارات الدلالة الإحصائية للارتباط الذاتي

9.1 اختبار ليونغ-بوكس (Ljung-Box Test) في R

لا يقتصر فحص الارتباط الذاتي على تقييم كل فترة إبطاء بشكل منفرد، بل يتطلب التحليل الإحصائي المتكامل إجراء اختبارات كلية أو إجمالية (Portmanteau Tests) لتقييم ما إذا كانت مجموعة من معاملات الارتباط الذاتي الأولى مجتمعة تختلف معنوياً عن الصفر. ويُعد اختبار ليونغ-بوكس (Ljung-Box Test) الاختبار الأكثر قوة وموثوقية لهذا الغرض في العينات الصغيرة والمتوسطة.

تُصاغ الفرضيات الإحصائية لاختبار ليونغ-بوكس كما يلي:
تنص الفرضية الصفرية ($H_0$) على أن السلسلة تتصف بالاستقلالية التامة ولا تحتوي على أي ارتباط ذاتي حتى الإبطاء $k$ المختار (أي أن $\rho_1 = \rho_2 = dots = \rho_k = 0$). في المقابل، تنص الفرضية البديلة ($H_1$) على أن واحداً على الأقل من معاملات الارتباط الذاتي يختلف جوهرياً عن الصفر.

يتم تنفيذ الاختبار في لغة R باستخدام الدالة القياسية المدمجة:

• Box.test(x, lag = k, type = "Ljung-Box")

حيث تُرجع الدالة إحصائية الاختبار المحسوبة ($Q$) ودرجات الحرية المقابلة، بالإضافة إلى القيمة الاحتمالية (p-value). إذا كانت القيمة الاحتمالية الناتجة أقل من مستوى الدلالة المعتمد ($p < 0.05$)، تُرفض الفرضية الصفرية ويُستنتج وجود ارتباط ذاتي تسلسلي دال إحصائياً في السلسلة ككل حتى ذلك الإبطاء.

9.2 اختبار بوكس-بيرس (Box-Pierce Test)

يُمثل اختبار بوكس-بيرس (Box-Pierce Test) الصيغة الأصلية لاختبارات الارتباط الذاتي الكلية، والتي طورها الإحصائيان جورج بوكس وديفيد بيرس في أوائل سبعينيات القرن العشرين. يستند الاختبار إلى حساب مجموع مربعات معاملات الارتباط الذاتي المعاينة مضروبة في حجم العينة لتوليد إحصائية تتبع توزيع مربع كاي ($\chi^2$).

ومع ذلك، أثبتت الدراسات الرياضية اللاحقة أن إحصائية بوكس-بيرس تعاني من حساسية منخفضة وتميل إلى التقليل من الدلالة الحقيقية في العينات المحدودة الحجم؛ حيث تكون قيمتها المحسوبة أقل من التوزيع النظري الحقيقي، مما يرفع من احتمالية ارتكاب الخطأ من النوع الثاني (Type II Error) بقبول الفرضية الصفرية الخاطئة. وقد جاء تعديل ليونغ-بوكس اللاحق ليعالج هذا القصور عبر إدخال وزن تصحيحي يراعي حجم العينة وفترات الإبطاء بدقة أكبر.

يمكن إجراء اختبار بوكس-بيرس في R عبر تغيير وسيط الدالة إلى type = "Box-Pierce" داخل الأمر Box.test(). وعلى الرغم من أهميته التاريخية والتنظيرية، يفضل المحللون والإحصائيون دائماً الاعتماد على اختبار ليونغ-بوكس في الأوراق البحثية والتطبيقات العملية نظراً لقوته الإحصائية المتفوقة وثبات خصائصه التقاربية.

9.3 اختبار دوربين-واتسون (Durbin-Watson Test) للبواقي

عند بناء نماذج الانحدار الخطي الكلاسيكي، يُعد التحقق من استقلالية الأخطاء العشوائية أو البواقي (Residuals) شرطاً أساسياً لضمان صحة الاستدلال الإحصائي. ويُعتبر اختبار دوربين-واتسون (Durbin-Watson Test) الأداة الأكثر شهرة واستخداماً للكشف عن وجود ارتباط ذاتي من الدرجة الأولى (AR1) داخل بواقي نماذج الانحدار.

يتم تنفيذ هذا الاختبار في R من خلال حزمة lmtest باستخدام الدالة المتخصصة dwtest() بتمرير كائن نموذج الانحدار الخطي lm_model مباشرة. تتراوح قيمة إحصائية دوربين-واتسون ($d$) نظرياً بين 0 و 4، ويتم تفسيرها إحصائياً وفق القواعد التالية:

• إذا كانت قيمة الإحصائية قريبة من 2.0، فإن ذلك يدل على خلو البواقي تماماً من الارتباط الذاتي واستيفاء النموذج لفرضية الاستقلالية.
• إذا كانت القيمة تقترب من الصفر (أقل من 1.5)، فإنها تشير إلى وجود ارتباط ذاتي إيجابي قوي بين البواقي المتتالية.
• إذا كانت القيمة تقترب من 4 (أعلى من 2.5)، فإنها تدل على وجود ارتباط ذاتي سلبي عكسي بين البواقي.

يُعد تطبيق dwtest() خطوة تشخيصية إلزامية في كافة التصاميم التجريبية والارتباطية التي تعتمد على بيانات مجمعة عبر الزمن؛ لضمان أن العلاقات المكتشفة بين المتغيرات المستقلة والتابعة حقيقية وليست ناجمة عن تحيز تسلسلي كامن في البواقي.

10. الارتباط الذاتي في الدراسات النفسية والسلوكية عبر الزمن

10.1 طبيعة البيانات النفسية الطولية وتحدي الارتباط الذاتي

شهدت العلوم النفسية والسلوكية في السنوات الأخيرة ثورة منهجية كبرى تمثلت في التحول نحو أساليب جمع البيانات المكثفة عبر الزمن، مثل منهجية التقييم اللحظي البيئي (Ecological Momentary Assessment – EMA) وطريقة أخذ عينات الخبرة (Experience Sampling Method – ESM). في هذه التصاميم، يقوم المشاركون بتسجيل استجاباتهم المزاجية والسلوكية والفسيولوجية عدة مرات يومياً عبر الهواتف الذكية لأسابيع متتالية.

تولد هذه البروتوكولات بيانات طولية مكثفة تتميز بدرجة عالية جداً من التبعية الزمنية؛ إذ إن الحالة النفسية أو الانفعالية للفرد في لحظة معينة ($t$) ليست مستقلة عن حالته في اللحظة السابقة ($t-1$). تُعرف هذه الظاهرة في علم النفس الديناميكي باسم “القصور الذاتي الانفعالي” (Emotional Inertia)، والتي تصف ميل المشاعر الإيجابية أو السلبية إلى الاستمرار ومقاومة التغير والتفريغ السريع عبر الزمن.

يفرض هذا الواقع على الباحثين النفسيين ضرورة استخدام لغة R لحساب معاملات الارتباط الذاتي الفردية بدقة؛ حيث إن تجاهل هذه البنية التسلسلية يؤدي إلى انتهاك افتراض الاستقلالية الكلاسيكي وتشويه نتائج التحليلات الإحصائية المعتادة، مما قد يقود إلى استنتاجات خاطئة حول فاعلية التدخلات العلاجية أو محددات السلوك.

10.2 تصاميم الحالة الفردية (Single-Case Experimental Designs)

تُعد تصاميم الحالة الفردية ($N=1$ Designs) وتصاميم القياس المتكرر عبر الخطوط القاعدية المتعددة ركيزة أساسية في أبحاث علم النفس الإكلينيكي والتربية الخاصة والتحليل السلوكي التطبيقي. يعتمد الباحث في هذه التصاميم على تتبع سلوك فرد واحد أو مجموعة صغيرة جداً من الأفراد عبر قياسات متكررة قبل وأثناء وبعد تطبيق التدخل العلاجي.

يمثل الارتباط الذاتي التحدي المنهجي الأكبر في تصاميم الحالة الفردية؛ إذ أثبتت الدراسات المنهجية أن وجود ارتباط ذاتي طفيف في بيانات الخط القاعدي (Baseline) يتسبب في تضخم هائل لمعدلات الخطأ من النوع الأول عند استخدام اختبارات الفروق التقليدية مثل اختبار (t) أو تحليل التباين (ANOVA). يؤدي هذا التضخم إلى إعلان نجاح العلاج أو التدخل السلوكي ونسب التحسن إليه في حين أنه قد يكون مجرد اتجاه زمني طبيعي تحركه ديناميكية الارتباط التسلسلي.

توفر بيئة R أدوات متقدمة لفحص وتقييم الاستقرار السلوكي في مرحلة الخط القاعدي عبر حساب دالة ACF وتطبيق اختبارات الاستقلالية للبواقي، مما يتيح للباحث التحقق الإحصائي من ثبات السلوك وخلوه من الاتجاهات التسلسلية المضللة قبل اتخاذ قرار الانتقال إلى مرحلة التدخل العلاجي.

10.3 الارتباط الذاتي كمتغير نفسي ذي دلالة سريرية

في تطور نوعي بارز في الأدبيات الإكلينيكية الحديثة، لم يعد يُنظر إلى الارتباط الذاتي كمجرد “إزعاج إحصائي” يجب التخلص منه، بل تحول إلى متغير نفسي ومؤشر بيولوجي وسلوكي قائم بذاته يحمل دلالات تشخيصية وتنبؤية بالغة الأهمية. أصبح معامل الارتباط الذاتي عند الإبطاء الأول (Lag 1 Autocorrelation) يُستخدم كمعيار كمي لقياس الجمود والصلابة النفسية (Psychological Rigidity).

أظهرت الأبحاث الإكلينيكية أن الأفراد الذين يعانون من اضطرابات الاكتئاب الشديد أو اضطرابات القلق المزمن يُظهرون مستويات مرتفعة بشكل دال إحصائياً من الارتباط الذاتي للمشاعر السلبية عبر الزمن؛ مما يعني أن المزاج السيئ يميل إلى “التعلق” والاستمرار لفترات طويلة دون قدرة النظام النفسي على العودة السريعة إلى خط التوازن الطبيعي (Emotional Homeostasis).

تتيح لغة R كتابة أكواد برمجية مخصصة لأتمتة استخراج معاملات الارتباط الذاتي (Lag 1) لكل مشارك على حدة من ملفات البيانات الضخمة، ثم استخدام هذه المعاملات كمحددات أو متغيرات مستقلة في نماذج إحصائية متقدمة للتنبؤ بفرص الانتكاس الإكلينيكي أو قياس مدى استجابة المريض لجلسات العلاج النفسي والسلوكي.

11. معالجة وتصحيح الارتباط الذاتي في النماذج الإحصائية

11.1 إزالة الاتجاه والتفرقة الزمنية (Differencing)

عند اكتشاف ارتباط ذاتي قوي وممتد ناتج عن عدم استقرار السلسلة ووجود اتجاه عام صاعد أو هابط، تكون الخطوة المنهجية الأولى هي تحويل السلسلة إلى الحالة المستقرة (Stationary) من خلال تقنية التفرقة الزمنية (Differencing). تقوم هذه العملية الحسابية على طرح كل مشاهدة زمنية من المشاهدة التي تسبقها مباشرة ($Y_t = X_t – X_{t-1}$).

توفر لغة R دالة بسيطة وفعالة لتنفيذ هذه العملية وهي دالة diff(). بعد تطبيق التفرقة الأولى، يتم إعادة حساب ورسم دالة acf(diff(x)) للتأكد من زوال الاتجاه العام وتلاشي معاملات الارتباط الذاتي المرتفعة وعودتها إلى داخل حدود الثقة العشوائية.

ينبغي للمحلل الحذر من الوقوع في مأزق “الإفراط في التفرقة” (Over-differencing)؛ حيث يؤدي تطبيق التفرقة لمرات متعددة دون حاجة إحصائية حقيقية إلى إدخال ارتباط ذاتي سلبي مصطنع ومعقد في السلسلة (تظهر قمم سلبية دالة عند Lag 1)، مما يشوه بنية البيانات ويزيد من تعقيد النماذج التنبؤية اللاحقة دون مبرر.

11.2 استخدام نماذج ARIMA ونماذج الفروق التراجعية

عندما تشتمل السلسلة على ارتباط ذاتي أصيل يمثل الذاكرة الحركية للظاهرة وليس مجرد اتجاه عام بسيط، تصبح نمذجة نماذج ARIMA (Autoregressive Integrated Moving Average) الحل الإحصائي الأمثل والأكثر شمولاً. تجمع هذه النماذج بين التفرقة لإزالة عدم الاستقرار (I)، ونمذجة الارتباط التراجعي المباشر (AR)، ونمذجة صدمات الأخطاء التراكمية (MA).

تتيح حزمة forecast تنفيذ هذه الخوارزمية تلقائياً وبأعلى كفاءة عبر دالة auto.arima(). تقوم هذه الدالة بإجراء مسح منهجي واستكشاف كافة التباديل الممكنة لرتب النموذج، واختيار النموذج الأمثل بناءً على معايير المعلومات النظرية الأكثر صرامة مثل معيار أكايكي للمعلومات المصحح (AICc) ومعيار بايز للمعلومات (BIC).

بعد ملائمة النموذج، تأتي مرحلة التشخيص الحاسم للبواقي؛ حيث يتم تطبيق checkresiduals(model) لفحص بواقي النموذج والتأكد التام من تحولها إلى تشويش أبيض مستقل يخلو تماماً من أي ارتباط ذاتي متبقٍ، مما يضمن كفاءة النموذج وقدرته التنبؤية الفائقة.

11.3 النماذج الخطية متعددة المستويات وتراكيب الارتباط الذاتي

في الدراسات الطولية متعددة المستويات التي تحتوي على قياسات متكررة متداخلة داخل أفراد (Repeated Measures nested within Individuals)، يُعد استخدام النماذج الخطية متعددة المستويات (Multilevel Models / Linear Mixed Models) المعيار الذهبي للتحليل. في هذه البيئة المعقدة، توفر حزمة nlme عبر دالتي lme() وgls() إمكانات متطورة للنمذجة الصريحة لمصفوفة الارتباط الذاتي داخل البواقي.

تسمح الحزمة بإضافة وسيط الارتباط المباشر correlation = corAR1(form = ~ time | subject_id) داخل معادلة النموذج الخطي. يقوم هذا الإجراء بإعلام النموذج بوجود ارتباط ذاتي من الدرجة الأولى بين المشاهدات المتتالية لنفس الفرد، وتعديل حسابات الأخطاء المعيارية واختبارات الدلالة بناءً على ذلك.

يمكن للباحث بعد ذلك مقارنة النموذج المعدل المتضمن لهيكل الارتباط الذاتي (AR1) مع النموذج التقليدي المستقل باستخدام اختبار نسبة الإمكان (Likelihood Ratio Test) عبر دالة anova(model_indep, model_ar1). يوضح انخفاض قيمة معيار AIC في النموذج المعدل مدى التحسن الجوهري في جودة ملائمة البيانات ومصداقية النتائج الإحصائية المستخرجة.

12. الأخطاء الشائعة وأفضل الممارسات البرمجية والتحليلية في R

12.1 المزالق المنهجية والبرمجية الشائعة

يقع العديد من المحللين في مجموعة من المزالق المنهجية الشائعة عند التعامل مع الارتباط الذاتي في بيئة R. من أبرز هذه الأخطاء الخلط البصري والتفسيري بين مخرجات Lag 0 والارتباط الفعلي لفترات الإبطاء التالية، مما يدفع البعض إلى تقديم تقارير غير دقيقة تدعي وجود ارتباط ذاتي تام في بيانات عشوائية تماماً.

من الأخطاء الجوهرية الأخرى تطبيق حسابات acf() الكلاسيكية على بيانات سلاسل زمنية تحتوي على فواصل زمنية متقطعة أو غير منتظمة دون إشارة أو معالجة مسبقة. تفترض الدالة القياسية تباعداً زمنياً متساوياً وثابتاً بين كل نقطتين متتاليتين، وإذا تم تجاهل هذا الافتراض، فإن معاملات الإبطاء الناتجة تصبح بلا معنى إحصائي واضح وتعبر عن خليط مشوه من التباعدات الزمنية المختلفة.

كذلك، يُهمل الكثير من الباحثين فحص تأثير القيم الشاذة المتطرفة (Outliers) على دالة الارتباط الذاتي. يمكن لقيمة شاذة مفردة ناجمة عن خطأ في القياس أو صدمة خارجية حادة أن ترفع أو تخفض قيم التغاير الذاتي بشكل مصطنع عبر عدة فترات إبطاء، مما يستوجب استخدام أساليب فحص المتانة (Robust ACF) أو تنظيف وتنعيم السلسلة قبل الشروع في التحليل النهائي.

12.2 أفضل الممارسات لتوليد تحليلات قابلة لإعادة الإنتاج (Reproducibility)

لضمان الشفافية العلمية وإمكانية إعادة إنتاج التحليلات الإحصائية بدقة، يجب على الباحثين اتباع بروتوكولات صارمة في كتابة وهيكلة نصوص R البرمجية (R Scripts). يتضمن ذلك التوثيق الدقيق لكل خطوة تحليلية، واستخدام أسماء واضحة ودلالية للمتغيرات والكائنات، وتجنب التعديلات اليدوية المعزولة داخل البيئة التفاعلية.

عند تضمين محاكاة حاسوبية لتوليد سلاسل زمنية عشوائية أو تقييم قوة الاختبارات، يجب استخدام دالة تثبيت البذور العشوائية set.seed() برقم محدد في بداية الكود. يضمن هذا الإجراء حصول أي باحث آخر يعيد تشغيل النص البرمجي على نفس النتائج والأرقام والرسوم البيانية بدقة متناهية ودون أي تفاوت ناتج عن التوليد العشوائي الداخلي للنظام.

يُنصح أيضاً بكتابة دوال برمجية مخصصة (Custom Functions) لأتمتة عمليات استخراج وتنسيق واختبار الارتباط الذاتي عبر متغيرات متعددة أو أفراد متعددين، واستخدام حزم إدارة المشروعات وحفظ بيئات العمل مثل renv لتوثيق إصدارات الحزم ولغة R المستخدمة، مما يحمي المشروع البحثي من مشاكل عدم التوافق البرمجي في المستقبل.

12.3 دليل إرشادي لكتابة وتوثيق النتائج وفق المعايير الأكاديمية

يتطلب توثيق نتائج الارتباط الذاتي في المجلات العلمية الرصينة صياغة دقيقة تجمع بين الأرقام الإحصائية والاختبارات الدلالية والتمثيل البصري المحكم. لا يكفي ذكر أن “البيانات تحتوي على ارتباط ذاتي”، بل يجب تفصيل الرتب وفترات الإبطاء الدالة بدقة وقيم المعاملات المناظرة لها.

عند الإبلاغ عن اختبارات الاستقلالية الكلية، ينبغي كتابة نتائج اختبار ليونغ-بوكس بصيغة أكاديمية واضحة تتضمن إحصائية الاختبار ودرجات الحرية والقيمة الاحتمالية، على سبيل المثال: “أظهر اختبار ليونغ-بوكس وجود ارتباط ذاتي كلي دال إحصائياً في السلسلة حتى الإبطاء العاشر ($Q(10) = 28.45, p = .002$)”.

كما يُوصى بإدراج مخططات الكوريلوجرام المحسنة كأشكال رئيسية في متن البحث أو كملحقات تكميلية، مع التأكد من وضوح خطوط الثقة وتسمية المحاور بدقة، وتضمين وصف تفصيلي في عنوان الشكل يوضح حجم العينة وعدد فترات الإبطاء المستخدمة وما إذا كان قد تم تطبيق أي معالجات تفرقة زمنية أو إزالة للاتجاه العام قبل الرسم.

خاتمة

يمثل تحليل الارتباط الذاتي في لغة R حجر الزاوية لفهم ودراسة الظواهر الديناميكية عبر الزمن في شتى الحقول العلمية والتطبيقية. من خلال الأسس الرياضية الرصينة لدوال التغاير والارتباط الذاتي، والأدوات البرمجية المتنوعة التي تتيحها بيئة R—بدءاً من الدوال الأساسية ووصولاً إلى الحزم التخصصية مثل forecast وtseries وastsa—يمتلك الباحثون ترسانة متكاملة تمكنهم من تشخيص السلاسل الزمنية، والكشف عن الأنماط الدورية والموسمية، وضمان استيفاء النماذج الإحصائية لأدق شروط الاستدلال والمصداقية العلمية. إن الإلمام العميق بكيفية حساب وتفسير وتصحيح الارتباط الذاتي هو ما يُمكّن الباحث من تحويل البيانات الطولية المعقدة إلى رؤى علمية دقيقة ونماذج تنبؤية فائقة الكفاءة.

المراجع (References)

• Bartlett, M. S. (1946). On the theoretical specification and sampling properties of autocorrelated time-series. Supplement to the 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/
• 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
• Hyndman, R. J., & Athanasopoulos, G. (2021). Forecasting: Principles and practice (3rd ed.). OTexts. https://otexts.com/fpp3/
• 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
• Pinheiro, J. C., & Bates, D. M. (2000). Mixed-effects models in S and S-PLUS. Springer Science & Business Media. https://doi.org/10.1007/b98882
• R Core Team. (2023). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. https://www.R-project.org/
• 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