الإحصاء القياسيتحليل البياناتمايكروسوفت إكسيل

كيفية إجراء التمهيد الأسي في إكسيل

دليل أكاديمي شامل يشرح بالتفصيل كيفية إجراء التمهيد الأسي للسلاسل الزمنية في مايكروسوفت إكسيل خطوة بخطوة مع ضبط المعاملات وتقييم دقة التنبؤ.

تاريخ النشر

تُعد السلاسل الزمنية ركيزة جوهرية في التحليل الإحصائي الحديث والنمذجة التنبؤية عبر مختلف العلوم، من الاقتصاد القياسي وإدارة سلاسل الإمداد إلى الأرصاد الجوية والعلوم السلوكية. وتواجه هذه السلاسل في الواقع التطبيقي تحدياً دائماً يتمثل في تداخل الإشارات الحقيقية المعبرة عن الاتجاه الجوهري مع تشويش عشوائي وتقلبات ظرفية ناتجة عن ضوضاء القياس أو الصدمات المؤقتة. ومن هنا تبرز تقنيات التمهيد أو التنعيم الإحصائي، وعلى رأسها أسلوب التمهيد الأسي (Exponential Smoothing)، كأدوات رياضية فعالة لاستخلاص الأنماط الحقيقية وفصلها عن التذبذبات العشوائية، مما يمنح متخذي القرار والباحثين رؤية أوضح وأكثر استقراراً لسلوك الظواهر المدروسة وتطورها المستقبلي.

يتفوق التمهيد الأسي على أساليب المتوسطات الحسابية التقليدية بفضل مرونته الرياضية المستندة إلى مبدأ تناقص الأوزان هندسياً؛ حيث يُعطي الأولوية القصوى للمشاهدات الحديثة بوصفها الأكثر تعبيراً عن الحاضر والمستقبل القريب، مع التدرج السلس في خفض وزن المشاهدات الأقدم دون إهمالها كلياً. ويتميز هذا النموذج بكفاءته الحسابية وبساطة تطبيقه وقدرته التكيفية العالية مع التغيرات التدريجية في بنية السلسلة، الأمر الذي جعله من أكثر المناهج التنبؤية انتشاراً واعتماداً في بيئات الأعمال والمؤسسات الأكاديمية والبحثية حول العالم.

يُمثل برنامج مايكروسوفت إكسيل (Microsoft Excel) منصة مثالية لتنفيذ نماذج التمهيد الأسي بمختلف درجات تعقيدها، بدءاً من النماذج البسيطة أحادية المعامل وحتى النماذج المتقدمة التي تراعي الاتجاه العام والموسمية. يتيح البرنامج للمحللين الجمع بين المرونة الفائقة للصيغ اليدوية والقدرات الآلية لأداة تحليل البيانات (Data Analysis ToolPak) والدوال الحديثة المتطورة مثل FORECAST.ETS، فضلاً عن إمكانية التحسين الرياضي الدقيق للمعلمات باستخدام أداة Solver. يقدم هذا الدليل الشامل تفكيكاً نظرياً وتطبيقياً شاملاً لتقنيات التمهيد الأسي في إكسيل، موفراً مساراً تعليمياً متكاملاً يتناول الأسس الرياضية، والخطوات التطبيقية، وطرق تقييم الدقة، ومعالجة الأخطاء الشائعة وفق أعلى المعايير المنهجية.

جدول المحتويات

1. مقدمة شاملة حول التمهيد الأسي في تحليل السلاسل الزمنية

1.1 مفهوم التمهيد الأسي وأهميته الإحصائية

يُعرَّف التمهيد الأسي (Exponential Smoothing) بأنه خوارزمية إحصائية تكرارية تُستخدم في تنقية البيانات الزمنية من التذبذبات العشوائية غير المنتظمة لعزل الاتجاه الحقيقي الكامن وراء الظاهرة. نشأ هذا المفهوم في أواخر خمسينيات القرن العشرين بفضل أعمال علماء الإحصاء مثل روبرت جودل براون وتشارلز هولت، وتطور ليصبح حجر زاوية في علم النمذجة التنبؤية والتنقية الرقمية للإشارات. المبدأ الأساسي للتمهيد الأسي يقوم على فكرة أن كل نقطة تنبؤية جديدة هي مزيج مرجح بين القيمة الفعلية الأخيرة الملاحظة والتنبؤ السابق، مما يضمن استمرارية تدفق المعلومات عبر الزمن وتخفيف حدة الصدمات المفاجئة.

يكمن الاختلاف الجوهري بين التمهيد الأسي وطرق المتوسطات المتحركة البسيطة (Simple Moving Averages – SMA) في بنية توزيع الأوزان. في المتوسطات المتحركة، يتم إعطاء وزن متساوٍ لكافة المشاهدات الواقعة ضمن نافذة زمنية محددة ($k$)، مع تجاهل تام لكافة البيانات التي تسبق تلك النافذة. هذا التوزيع المتساوي يعاني من قصور منطقي، إذ يفترض أن مشاهدة حدثت قبل عام تمتلك التأثير نفسه لحدث سُجل بالأمس. في المقابل، يمنح التمهيد الأسي وزناً يتناقص أسيّاً كلما تراجعنا في الزمن، مما يحقق استجابة واقعية وديناميكية للتغيرات الهيكلية الحديثة مع الحفاظ على الذاكرة التراكمية التاريخية للبيانات.

تتجلى أهمية هذا الأسلوب في النمذجة التنبؤية قصيرة ومتوسطة المدى في القطاعات المالية، وتخطيط المخزون، وتقدير الطلب الاستهلاكي، والتحليلات السلوكية والنفسية التي تتطلب تتبع التغيرات المزاجية أو الاتجاهات الاجتماعية المتغيرة عبر فترات زمنية متقاربة. من الناحية الإحصائية، تعمل آلية التمهيد على امتصاص القمم والانخفاضات الحادة (Peaks and Valleys) الناتجة عن أخطاء القياس أو الظروف الاستثنائية العابرة، كالعواصف الجوية المؤقتة أو التوقف الطارئ لخطوط الإنتاج، مما يتيح للمحلل رؤية النمط الجوهري للظاهرة دون الانجرار وراء الضجيج الإحصائي المضلل.

1.2 أنواع نماذج التمهيد الأسي ومجالات تطبيقها

تتفرع خوارزميات التمهيد الأسي إلى ثلاثة نماذج رئيسية تختلف فيما بينها بناءً على الخصائص التركيبية للسلسلة الزمنية الخاضعة للدراسة. النموذج الأول هو التمهيد الأسي البسيط (Simple Exponential Smoothing – SES)، والمعروف أيضاً بنموذج النقطة الواحدة؛ ويُستخدم حصرياً مع السلاسل الزمنية المستقرة (Stationary) التي لا تُظهر اتجاهاً عاماً صاعداً أو هابطاً (Trend-free) وتخلو تماماً من التغيرات الدورية الموسمية (Seasonality). يُعد هذا النموذج ممتازاً في إدارة المخزون للسلع الأساسية ذات الطلب المستقر، مثل المواد التموينية والمستلزمات الطبية الروتينية.

النموذج الثاني هو التمهيد الأسي المزدوج أو نموذج هولت للاتجاه الخطي (Holt’s Linear Trend Model). يمتلك هذا النموذج معلمتين للتنعيم: الأولى للمستوى الأساسي للبيانات ($\alpha$) والثانية لميل الاتجاه العام ($\beta$). يُطبق هذا النموذج عندما تظهر السلسلة الزمنية مساراً تصاعدياً أو تنازلياً مستمراً عبر الزمن، كما في حالات مبيعات الشركات الناشئة سريعة النمو أو معدلات استهلاك الطاقة في المدن المتوسعة عمرانياً، حيث يعجز النموذج البسيط عن ملاحقة الاتجاه ويقع في فخ التأخر التنبؤي المزمن (Systematic Lag).

النموذج الثالث والأكثر تعقيداً هو التمهيد الأسي الثلاثي أو نموذج هولت-وينترز (Holt-Winters)، والذي يضيف معلماً ثالثاً ($\gamma$) لضبط التغيرات الموسمية المنتظمة التي تتكرر على فترات زمنية ثابتة (مثل مبيعات التجزئة خلال الأعياد أو استهلاك الكهرباء بين الصيف والشتاء). ينقسم هذا النموذج إلى نمطين: النمط الجمعي (Additive) عندما يكون حجم التغير الموسمي ثابتاً بغض النظر عن مستوى السلسلة، والنمط الضربي (Multiplicative) عندما يتسع مدى التغير الموسمي أو يضيق طردياً مع ارتفاع أو انخفاض مستوى السلسلة، مما يوفر مرونة فائقة لمعالجة أكثر الظواهر الاقتصادية تعقيداً.

Exponential smoothing in Excel
Exponential smoothing in Excel

1.3 الافتراضات الأساسية للبيانات قبل تطبيق التمهيد الأسي

يتطلب النجاح الرياضي والتطبيقي للتمهيد الأسي استيفاء مجموعة من الفروض الهيكلية في السلسلة الزمنية قيد الفحص. الشرط الأول والأهم هو انتظام الفترات الزمنية وثبات الفواصل بين نقاط الملاحظة (Equidistant Time Intervals). يجب أن تكون المشاهدات مسجلة على فترات دورية متسقة وموحدة، كأن تكون يومية، أو أسبوعية، أو شهرية، أو ربع سنوية؛ ذلك لأن خوارزميات التمهيد تفترض ثبات الفجوة الزمنية بين $t$ و $t-1$، وأي تباين في هذه المسافات يؤدي إلى تشويه معدل التناقص الأسي للأوزان الإحصائية.

الشرط الثاني يتعلق بسلامة واستمرارية البيانات؛ إذ ينبغي معالجة القيم المفقودة (Missing Values) بدقة بالغة قبل بدء عملية النمذجة. بما أن معادلة التمهيد تعتمد على القيمة التنبؤية والفعلية للفترة السابقة مباشرة، فإن وجود خلية فارغة يؤدي إلى كسر السلسلة الحسابية وتوقف عملية الإسقاط المستقبلي. تشتمل الطرق الإحصائية للتعامل مع المشاهدات المفقودة على الاستكمال الخطي (Linear Interpolation) أو التعويض بمتوسط الفترات المتناظرة، مع تفادي حذف الفترات الزمنية لتجنب الإخلال بالترتيب الزمني المنتظم للسلسلة.

الشرط الثالث يتضمن فحص استقرار التباين (Homoscedasticity) والتعامل مع القيم المتطرفة الشاذة (Outliers). على الرغم من أن التمهيد الأسي مصمم لتقليل أثر التقلبات العشوائية، إلا أن وجود نقاط شاذة حادة ناتجة عن أخطاء إدخال أو كوارث غير متكررة قد يُحرف مسار التنبؤ لفترات متتالية. يجب إخضاع البيانات لاختبارات الكشف عن القيم الشاذة، كفحص درجات المعيارية ($Z\text{-score}$) أو المدى الربيعي (IQR)، وإجراء التعديلات اللازمة مثل المعايرة (Winsorization) لضمان عدم انجراف النموذج وراء أحداث عشوائية غير معبرة عن السلوك الطبيعي للمتغير.

2. الأسس الرياضية والنظرية لمعادلة التمهيد الأسي البسيط

2.1 تفكيك المعادلة الرياضية الأساسية

ترتكز بنية التمهيد الأسي البسيط على معادلة تكرارية تجمع بين الواقع المشاهد والتوقع التراكمي السابق. تُكتب الصيغة القياسية لهذه المعادلة على النحو الآتي:

$$F_{t+1} = \alpha y_t + (1 – \alpha) F_t$$

أو بصيغة التعديل الزمني للفترة الحالية:

$$S_t = \alpha y_t + (1 – \alpha) S_{t-1}$$

حيث يمثل $S_t$ (أو $F_{t+1}$) القيمة الممهدة الجديدة أو التنبؤ للفترة القادمة، ويمثل $y_t$ القيمة الفعلية الملاحظة في الفترة الحالية، بينما يمثل $S_{t-1}$ (أو $F_t$) القيمة الممهدة للفترة السابقة، في حين يمثل $\alpha$ (ألفا) معامل أو ثابت التمهيد الذي ينحصر مجاله الرياضي بين $0$ و $1$.

تؤدي القيمة التنبؤية السابقة $S_{t-1}$ دور المستودع التراكمي للذاكرة التاريخية للبيانات، إذ إنها لا تعبر فقط عن نقطة زمنية واحدة، بل تختزل بداخلها كافة المشاهدات السابقة من الفترات $y_{t-1}, y_{t-2}, dots, y_1$. ومن جهة أخرى، تُسهم القيمة الفعلية $y_t$ في تقديم جرعة تصحيحية فورية تُجبر التنبؤ على التكيف مع ما طرأ حديثاً على أرض الواقع. يمكن إعادة صياغة المعادلة رياضياً لتصبح:

$$S_t = S_{t-1} + \alpha (y_t – S_{t-1}) = S_{t-1} + \alpha e_t$$

حيث يمثل $e_t = y_t – S_{t-1}$ خطأ التنبؤ في الفترة $t$. يوضح هذا الشكل البديل أن التنبؤ الجديد هو ببساطة التنبؤ القديم مضافاً إليه نسبة$alpha$ من خطأ التنبؤ الأخير، وهو مفهوم متطابق مع آليات التحكم في النظم الهندسية والتغذية الراجعة التكيفية.

عند فك المعادلة التكرارية تعويضياً، نصل إلى الإثبات الرياضي لظاهرة الانحدار الهندسي وتلاشي الأوزان الأسي:

$$S_t = \alpha y_t + \alpha (1-\alpha) y_{t-1} + \alpha (1-\alpha)^2 y_{t-2} + dots + \alpha (1-\alpha)^{t-1} y_1 + (1-\alpha)^t S_0$$

يتضح جلياً من هذا التفكيك أن معامل كل قيمة فعلية سابقة يأخذ صورة متوالية هندسية أساسها $(1-\alpha)$. ونظراً لأن $(1-\alpha) < 1$، فإن القيمة المرفوعة للأس تتناقص بمعدل أسي كلما زادت الفجوة الزمنية، مما يثبت رياضياً تراجع الأثر النسبي للماضي البعيد لصالح الحاضر القريب.

2.2 تأثير التوزيع الأوزاني التنازلي على التنبؤ

يوفر التوزيع الأوزاني التنازلي إطاراً مثالياً للتعامل مع الطبيعة الديناميكية للظواهر الواقعية. ففي بيئات الأعمال المتغيرة، تحمل المشاهدات الحديثة معلومات نوعية عن اتجاهات السوق، وسلوك المستهلكين، والمؤشرات الاقتصادية المستجدة، بينما تعكس البيانات القديمة سياقات وظروفاً قد تكون اندثرت. يضمن التمهيد الأسي استخلاص أقصى فائدة من المعلومات الراهنة مع المحافظة على التراكم المعرفي الكلي للسلسلة دون إقصاء قسري لأي جزء من التاريخ.

من الناحية الرياضية، تخضع هذه الأوزان لشرط الاحتمالية والشمول؛ حيث يُشترط أن يكون مجموع الأوزان المخصصة لكافة الفترات مساوياً للواحد الصحيح لضمان عدم وجود انحياز نظامي في التقدير. يمكن إثبات ذلك رياضياً باستخدام قانون مجموع المتسلسلة الهندسية اللانهائية:

$$\sum_{i=0}^{\infty} \alpha (1-\alpha)^i = \alpha \sum_{i=0}^{\infty} (1-\alpha)^i = \alpha \left( \frac{1}{1 – (1 – \alpha)} \right) = \alpha \left( \frac{1}{\alpha} \right) = 1$$

يوضح هذا البرهان أن النموذج يمثل متوسطاً مرجحاً حقيقياً ومكتمل الأركان الرياضية، حيث تذهب حصة الأسد للبيانات الراهنة وتتوزع النسبة المتبقية تدريجياً على الماضي السحيق.

يوضح الجدول التالي كيف يتغير معدل اضمحلال الأوزان المخصصة للمشاهدات التاريخية السابقة بناءً على اختلاف قيمة معامل التمهيد $\alpha$، مما يبرز التباين الحاد في عمق الذاكرة الزمنية للنموذج:

الفترة التاريخية المتراجعة صيغة الوزن الرياضي الوزن عند $\alpha = 0.2$ الوزن عند $\alpha = 0.5$ الوزن عند $\alpha = 0.8$
الفترة الحالية ($y_t$) $\alpha$ 0.2000 (20.0%) 0.5000 (50.0%) 0.8000 (80.0%)
السابقة بـ 1 فترة ($y_{t-1}$) $\alpha(1-\alpha)$ 0.1600 (16.0%) 0.2500 (25.0%) 0.1600 (16.0%)
السابقة بـ 2 فترات ($y_{t-2}$) $\alpha(1-\alpha)^2$ 0.1280 (12.8%) 0.1250 (12.5%) 0.0320 (3.2%)
السابقة بـ 3 فترات ($y_{t-3}$) $\alpha(1-\alpha)^3$ 0.1024 (10.2%) 0.0625 (6.3%) 0.0064 (0.6%)
السابقة بـ 4 فترات ($y_{t-4}$) $\alpha(1-\alpha)^4$ 0.0819 (8.2%) 0.0313 (3.1%) 0.0013 (0.1%)

2.3 تحديد القيمة الابتدائية (Initial Value) للتنبؤ

تُمثل القيمة الابتدائية $S_0$ أو $F_1$ معضلة إجرائية في تطبيق التمهيد الأسي؛ فنظراً للطبيعة التكرارية للمعادلة، لا يمكن حساب التنبؤ للفترة الأولى دون وجود قيمة تنبؤية ابتدائية سابقة لتلك الفترة. تُعد هذه القيمة بمثابة الشرط الحدي (Boundary Condition) الذي تنطلق منه السلسلة الحسابية بأكملها. على الرغم من أن تأثير القيمة الابتدائية يتلاشى تدريجياً مع تقدم الزمن بفضل الضرب في المقدار $(1-\alpha)^t$، إلا أن اختيارها الخاطئ قد يولد تشوهات ملحوظة في الفترات الأولى، خاصة في السلاسل الزمنية القصيرة أو عند استخدام قيم $\alpha$ منخفضة.

توجد منهجيتان شائعتان أكاديمياً ومهنياً لتحديد القيمة الابتدائية:

  • تعيين القيمة الفعلية الأولى مباشرة كقيمة ابتدائية ($S_0 = y_1$): تُعد هذه الطريقة الأكثر بساطة وتطبيقاً، وهي المنهجية المعتمدة تلقائياً في العديد من الخوارزميات البرمجية المدمجة. ميزتها الأساسية هي عدم الحاجة إلى حسابات مسبقة، إلا أن عيبها يكمن في تأثر النموذج الشديد إذا كانت المشاهدة الأولى مشوهة أو شاذة إحصائياً.
  • استخدام المتوسط الحسابي لأول مجموعة من المشاهدات: يقوم هذا المدخل على حساب المتوسط لعينة ابتدائية تتراوح غالباً بين أول $4$ إلى $6$ مشاهدات ($S_0 = \frac{1}{m}\sum_{i=1}^{m} y_i$). يُسهم هذا الخيار في تنعيم الصدمات الأولية وتوفير نقطة انطلاق أكثر اتزاناً ورصانة للسلسلة، وهو الخيار المفضل في التحليلات الإحصائية المتقدمة لتفادي حساسية البدايات.

يؤثر خيار القيمة الابتدائية بصورة مباشرة على سرعة تقارب السلسلة (Convergence Rate) واستقرارها الإحصائي؛ فعند اختيار قيمة ابتدائية بعيدة عن المستوى العام للبيانات مع قيمة ألفا صغيرة (مثل $\alpha = 0.1$)، قد يحتاج النموذج إلى أكثر من $15$ إلى $20$ فترة زمنية ليتخلص من انحياز البداية ويصل إلى مسار الاستقرار، وهو ما يفرض توخي الدقة عند التعامل مع سلاسل البيانات المحدودة.

3. أهمية ثابت التمهيد (ألفا α) وتأثيره الإحصائي

3.1 المدى الرياضي لثابت التمهيد ألفا

يُمثل ثابت التمهيد $\alpha$ (Alpha) المتغير الحاكم في معادلة التمهيد الأسي البسيط، وتتحدد قيمته رياضياً في المدى المفتوح $0 < alpha < 1$، على الرغم من إمكانية دراسة الحالات الحدية المغلقة$[0, 1]$ تحليلياً. يحدد هذا المعامل النسبة المئوية التي يتم بها ترجيح القيمة الحالية مقابل التراكم التاريخي؛ لذا فإن اختياره يتحكم في طبيعة استجابة النموذج بأكمله.

عند دراسة السلوك الحدي عندما تقترب قيمة $\alpha$ من الصفر المطلق ($\alpha to 0$):

$$\lim_{\alpha to 0} S_t = S_{t-1} = S_0$$

في هذه الحالة، يصبح النموذج غير مبالٍ تماماً بالمشاهدات الفعلية الجديدة، ويتحول إلى خط مستقيم ثابت يساوي القيمة الابتدائية $S_0$. يمثل هذا الإفراط الأقصى في التنعيم، حيث يتم التعامل مع كافة التغيرات الواقعية على أنها ضوضاء عشوائية لا قيمة لها. في المقابل، عندما تقترب قيمة $\alpha$ من الواحد الصحيح ($\alpha to 1$):

$$\lim_{\alpha to 1} S_t = y_t$$

يتحول النموذج هنا إلى نموذج التنبؤ البسيط أو الساذج (Naïve Model)، حيث يصبح التنبؤ للفترة القادمة مطابقاً تماماً للقيمة الفعلية للفترة الحالية ($F_{t+1} = y_t$). في هذه الحالة، تنعدم وظيفة التمهيد تماماً، وينساق النموذج خلف كل تقلب حاد أو خطأ عشوائي في البيانات دون أي تصفية.

ترتبط قيمة ألفا طردياً بدرجة حساسية النموذج للتغيرات الفجائية؛ فالقيم العالية تجعل النموذج سريع التكيف مع التحولات الحقيقية في مسار الظاهرة ولكنه أكثر عرضة للتشويش بالضوضاء، في حين توفر القيم المنخفضة استقراراً ممتازاً ولكنها تعاني من بطء شديد وتأخر زمني (Lagging) عند حدوث تغيرات هيكلية حقيقية في البيانات.

3.2 مفهوم عامل التخميد (Damping Factor) وعلاقته بألفا في إكسيل

يواجه العديد من مستخدمي برنامج إكسيل إرباكاً اصطلاحياً كبيراً ناتجاً عن الخلط بين “ثابت التمهيد” (Smoothing Factor – $\alpha$) و”عامل التخميد” (Damping Factor). في الأدبيات الإحصائية والأكاديمية، يُشار دائماً إلى $\alpha$ كمعامل تمهيد يعبر عن وزن المشاهدة الحديثة. غير أن شركة مايكروسوفت عند تصميمها لأداة التمهيد الأسي ضمن حزمة تحليل البيانات (Data Analysis ToolPak) اعتمدت إدخال “عامل التخميد” المعرف رياضياً بالمتمم الحسابي لثابت التمهيد:

$$\text{Damping Factor} = 1 – \alpha$$

يترتب على هذا التباين الإجرائي خطأ فادح يقع فيه الكثير من المحللين؛ فإذا رغب الباحث في تطبيق تمهيد أسي بقيمة $\alpha = 0.2$، فإن إدخال الرقم $0.2$ في مربع حوار أداة إكسيل سيعني تطبيق عامل تخميد مقداره $0.2$، مما يجعل قيمة ثابت التمهيد الفعلي هي$alpha = 1 – 0.2 = 0.8$. يؤدي هذا إلى عكس النتائج بالكامل، حيث يتحول النموذج من نموذج محافظ بطيء الاستجابة إلى نموذج فائق الحساسية للتقلبات العشوائية.

لذا، فإن القاعدة الذهبية عند استخدام حزمة Data Analysis ToolPak في إكسيل هي التحويل المسبق للمعلمة المطلوبة وفق العلاقة:

$$\text{Excel Input} = 1 – \alpha_{\text{desired}}$$

أما عند بناء النماذج يدوياً عبر الصيغ البرمجية في خلايا إكسيل، فيتم استخدام قيمة $\alpha$ المباشرة دون الحاجة لأي تحويل متمم.

3.3 المفاضلة بين الاستجابة السريعة وتنعيم الضوضاء

يخضع ضبط معامل ألفا لنظرية المفاضلة بين الانحياز والتباين (Bias-Variance Tradeoff)، وهي إحدى الركائز الأساسية في الإحصاء والتعلم الآلي. يتمثل الانحياز هنا في الخطأ المنهجي الناجم عن بطء النموذج في مواكبة التحولات الفعلية للظاهرة، بينما يتمثل التباين في الحساسية المفرطة للنموذج تجاه العينات العشوائية والتذبذبات المؤقتة.

تُعد قيم ألفا المرتفعة (التي تتراوح عادة بين $0.7$ و $0.9$) خياراً مناسباً في البيئات عالية الديناميكية وسريعة التغير، كما في الأسواق المالية الناشئة، أو عند إطلاق منتجات تقنية جديدة لا تمتلك تاريخاً طويلاً وتتغير أنماط مبيعاتها أسبوعياً. في هذه الحالات، يكون التكليف المترتب على تفويت تغير حقيقي في الاتجاه أعلى بكثير من تكلفة التأثر ببعض الضوضاء العشوائية، مما يبرر التضحية باستقرار المنحنى لصالح سرعة الاستجابة.

على النقيض من ذلك، تُفضل قيم ألفا المنخفضة (بين $0.1$ و $0.3$) في السلاسل الزمنية التي تتميز بمستويات ضوضاء عشوائية مكثفة ولكنها تتبع مساراً عاماً مستقراً طويل الأجل، كإنتاج المواد البتروكيماوية أو استهلاك المياه في البلديات الكبرى. يساعد انخفاض المعامل على ترشيح التقلبات اليومية غير المجدية وتجنب اتخاذ قرارات تشغيلية متسرعة بناءً على تغيرات عابرة. يتطلب الوصول إلى التوازن المثالي استخدام مقاييس دقة إحصائية وخوارزميات تحسين رياضية دقيقة سنتناولها بالتفصيل لاحقاً.

4. إعداد وتنظيم البيانات داخل برنامج مايكروسوفت إكسيل

4.1 هيكلة جدول البيانات وفق المعايير القياسية

تبدأ كفاءة التحليل الإحصائي في إكسيل من جودة التنظيم الهيكلي لجدول البيانات؛ فالبيانات غير المنظمة تؤدي إلى أخطاء في تحديد النطاقات وتعطل التحديث التلقائي للصيغ. يقتضي البناء المعياري للسلاسل الزمنية في إكسيل تخصيص العمود الأول (العمود $A$) للمتغير المستقل الممثل للفترات الزمنية (التاريخ، الشهر، الربع السنوي، أو الرقم الترتيبي$t = 1, 2, 3, dots$). يجب التأكد من ضبط تنسيق خلايا هذا العمود على هيئة Date أو Number وتجنب النصوص غير القياسية التي قد تعيق خوارزميات الفرز والتحليل.

يُخصص العمود الثاني (العمود $B$) للقيم الفعلية الملاحظة ($y_t$) للظاهرة قيد الدراسة، ويُفضل تسميته بوضوح مثل “المبيعات الفعلية” أو “درجة الحرارة المشاهدة”. ينبغي تنسيق هذا العمود رقمياً (Number Format) مع تحديد عدد ثابت من المنازل العشرية، والتأكد من خلوه من أي رموز نصية أو مسافات خفية ناتجة عن عمليات التصدير من قواعد البيانات الخارجية، حيث تتسبب هذه الرموز في حدوث خطأ #VALUE! عند تطبيق المعادلات الرياضية.

من أفضل الممارسات المنهجية تجهيز أعمدة تالية مسبقاً قبل الشروع في التحليل؛ كأن يُخصص العمود $C$ للقيم الممهدة ($F_t$)، والعمود $D$ لحساب خطأ التنبؤ ($e_t = y_t – F_t$)، والعمود $E$ لحساب مطلق الخطأ ($|e_t|$)، والعمود $F$ لمربع الخطأ ($e_t^2$). كما يُستحسن تخصيص خلايا علوية منفصلة ومثبتة (مثلاً الخلايا $B1$ و $B2$) لكتابة المعلمات الأساسية مثل قيمة ثابت التمهيد $\alpha$ وقيمة عامل التخميد، مما يُسهل ربط وتثبيت المراجع المطلقة في الصيغ الحسابية.

Example of exponential smoothing in Excel
Example of exponential smoothing in Excel

4.2 تنظيف السلاسل الزمنية والتحقق من جودتها

قبل الشروع في تطبيق أي معادلة رياضية، يجب إخضاع السلسلة الزمنية لبروتوكول تنظيف صارم للتأكد من استيفائها لشروط الاتساق الإحصائي. تتضمن الخطوة الأولى الكشف عن أي انقطاع زمني أو تواريخ مفقودة. يمكن استخدام صيغة تسلسل منطقية في عمود مجاور للتأكد من أن الفارق بين كل تاريخ والتاريخ الذي يليه ثابت، على سبيل المثال: =A3-A2 للتحقق من انتظام السلسلة اليومية.

إذا وُجدت فترات زمنية مفقودة تفتقر للبيانات الفعلية، يُمكن معالجتها باستخدام صيغة الاستكمال الخطي (Linear Interpolation) داخل إكسيل. إذا كانت الخلية $B5$ مفقودة بين $B4$ و $B6$، تُحسب القيمة التعويضية بالصيغة:

=B4 + ((B6 - B4) / (A6 - A4)) * (A5 - A4)

تضمن هذه المعالجة عدم انقطاع الحساب التكراري لنموذج التمهيد الأسي.

الخطوة التالية هي استكشاف وتحديد القيم الشاذة المتطرفة. يمكن تطبيق التنسيق الشرطي (Conditional Formatting) لتمييز الخلايا التي تتجاوز درجاتها المعيارية ثلاثة انحرافات معيارية عن المتوسط العام للسلسلة. يتم حساب ذلك بالمعادلة:

=ABS((B2 - AVERAGE($B$2:$B$100)) / STDEV.S($B$2:$B$100)) > 3

عند اكتشاف قيم متطرفة ناتجة عن أخطاء إدخال، يجب تصحيحها فوراً، أما إذا كانت ناتجة عن أحداث ظرفية شاذة تماماً، فيُستحسن تنعيمها موضعياً لتجنب حرف النموذج عن مساره الطبيعي.

4.3 تفعيل حزمة أدوات تحليل البيانات (Data Analysis Toolpak)

تحتوي برمجية إكسيل على ملحق إحصائي متقدم يُعرف باسم Analysis ToolPak، والذي يوفر أدوات معالجة آلية للعديد من الاختبارات والنماذج الإحصائية بما فيها التمهيد الأسي. هذا الملحق موجود بشكل افتراضي في نظام التثبيت ولكنه غير مفعل تلقائياً، ويحتاج المستخدم إلى تفعيله يدوياً لمرة واحدة ليظهر في واجهة البرنامج.

لتفعيل الحزمة على نظام تشغيل Windows، يتم اتباع الخطوات التالية:

  1. النقر على تبويب ملف (File) في الزاوية العلوية ثم اختيار خيارات (Options).
  2. من القائمة الجانبية لنافذة الخيارات، يتم الضغط على الوظائف الإضافية (Add-ins).
  3. في أسفل النافذة، عند حقل إدارة (Manage)، التأكد من تحديد Excel Add-ins ثم النقر على زر الانتقال (Go…).
  4. في مربع الحوار المنبثق، وضع علامة صح بجانب Analysis ToolPak ثم النقر على موافق (OK).

أما على نظام تشغيل macOS، يتم الوصول إليها عبر القائمة العلوية باختيار Tools ثم Excel Add-ins، وتفعيل خيار Analysis ToolPak والضغط على OK.

بمجرد اكتمال التفعيل، سيظهر زر جديد يحمل اسم تحليل البيانات (Data Analysis) في أقصى يمين تبويب بيانات (Data) ضمن شريط الأدوات الرئيسي، وهو المدخل المباشر لتشغيل أدوات التمهيد الأسي الإحصائية الجاهزة.

Data analysis toolpak in Excel
Data analysis toolpak in Excel

5. تطبيق التمهيد الأسي باستخدام أداة تحليل البيانات في إكسيل

5.1 خطوات استدعاء نافذة أداة التمهيد الأسي

لبدء تطبيق النموذج عبر الحزمة الإحصائية المدمجة، يتم التوجه إلى تبويب بيانات (Data) ثم النقر على زر تحليل البيانات (Data Analysis). ستظهر قائمة منسدلة تحتوي على مختلف الأدوات الإحصائية القياسية؛ يتم التمرير لأسفل واختيار التمهيد الأسي (Exponential Smoothing) ثم الضغط على زر موافق (OK) لفتح نافذة الإعدادات الخاصة بالأداة.

تحتوي هذه النافذة على حقول إدخال دقيقة يجب ملؤها بعناية فائقة:

  • نطاق الإدخال (Input Range): يتم فيه تحديد نطاق الخلايا التي تحتوي على السلسلة الزمنية الفعلية (مثلاً $B$1:$B$50). من الأخطاء الشائعة تحديد عمود التواريخ مع عمود القيم؛ إذ يجب تحديد عمود الأرقام الفعلية فقط.
  • خيار التسميات (Labels): إذا كان النطاق المحدد يشتمل على اسم العمود في الصف الأول (مثل الخلية $B$1)، فيجب تفعيل هذا الخيار عبر وضع علامة صح في المربع المخصص. يُخبر هذا الخيار البرنامج بأن أول قيمة هي نص وصفي وليست قيمة رقمية، مما يمنع حدوث إزاحة في خلايا المخرجات أو ظهور أخطاء عدم توافق الأنواع.

5.2 إدخال عامل التخميد وتحديد نطاق المخرجات

الحقل الحاسم في نافذة التمهيد الأسي هو حقل عامل التخميد (Damping factor). كما تم توضيحه نظرياً في القسم (3.2)، يتطلب إكسيل إدخال القيمة المتممة لثابت التمهيد المطلوب. فإذا كان الهدف هو اختبار نموذج تمهيد بمعامل $\alpha = 0.3$، يجب كتابة 0.7 في هذا الحقل. وإذا تُرك هذا الحقل فارغاً، فإن إكسيل يعتمد القيمة الافتراضية لعامل التخميد وهي $0.5$ (المناظرة لثابت تمهيد $\alpha = 0.5$).

في قسم خيارات الإخراج (Output options)، يتوفر للمحلل تحديد موضع ظهور النتائج:

  • نطاق الإخراج (Output Range): تحديد الخلية العلوية الأولى التي سيبدأ منها تدفق النتائج (مثلاً $C$2 أو $C$1 حسب تضمين العناوين). يجب التأكد من أن العمود المخصص للمخرجات فارغ تماماً لتجنب الكتابة فوق بيانات سابقة وفقدانها دون إمكانية التراجع أحياناً.
  • إخراج المخطط البياني (Chart Output): يُتيح وضع علامة صح على هذا الخيار قيام إكسيل بإنشاء رسم بياني خطي مدمج تلقائياً يقارن بين السلسلة الفعلية والسلسلة الممهدة الناتجة، وهو خيار ممتاز للمعاينة البصرية السريعة.
  • الأخطاء المعيارية (Standard Errors): يُنشئ هذا الخيار عموداً إضافياً يحتوي على تقديرات الأخطاء المعيارية لكل فترة، مما يُفيد في بناء حدود وفترات الثقة الإحصائية حول التنبؤات.
Exponential Smoothing example in Excel
Exponential Smoothing example in Excel

5.3 فهم مخرجات الأداة ومعالجة خطأ #N/A الأولي

بمجرد النقر على زر “موافق”، يقوم إكسيل بملء نطاق المخرجات المحدد بمصفوفة التنبؤات الممهدة. الملاحظة الأولى والأساسية التي يواجهها كافة المستخدمين هي ظهور رمز الخطأ #N/A في الخلية الأولى من عمود النتائج (المقابلة للمشاهدة الفعلية الأولى).

يحمل هذا الرمز تفسيراً إحصائياً دقيقاً وليس خطأً برمجياً في النظام؛ فالتمهيد الأسي يعتمد على معادلة تكرارية تتطلب قيمة فعلية سابقة وقيمة ممهدة سابقة ($F_t = \alpha y_{t-1} + (1-\alpha) F_{t-1}$). وبما أن الفترة الأولى لا تمتلك أي مشاهدات سابقة مسجلة قبلها، فإن الخوارزمية تعلن عجزها الرياضي عن توليد تنبؤ لهذه الفترة وتُرجع القيمة “غير متاح” (Not Available).

تتم معالجة هذه المسألة إجرائياً عبر استبدال الخلية التي تحتوي على #N/A بالقيمة الفعلية الأولى نفسها ($y_1$) أو بمتوسط أول بضع فترات لتكون بمثابة القيمة الابتدائية الموجهة لباقي السلسلة، مع ملاحظة أن الخلية الثانية ستأخذ تنبؤها بناءً على هذه القيمة الابتدائية والقيمة الفعلية الأولى. بعد هذا التعديل، تتكامل السلسلة الحسابية وتصبح مصفوفة التنبؤات متطابقة زمنياً مع كل نقطة مشاهدة.

6. حساب التمهيد الأسي يدوياً باستخدام معادلات إكسيل المخصصة

6.1 صياغة الصيغة الرياضية داخل خلايا إكسيل

على الرغم من سهولة استخدام أداة Data Analysis ToolPak، إلا أن النمذجة المتقدمة والاحترافية تفضل الاعتماد على بناء الصيغ الرياضية المباشرة داخل خلايا ورقة العمل. تتيح هذه الطريقة السيطرة الرياضية المطلقة على تدفق الحسابات وتوفر مرونة غير محدودة في التعديل والتخصيص.

لبناء نموذج التمهيد الأسي يدوياً، نتبع التوزيع الهيكلي التالي للخلايا:

  • الخلية $E$1: نكتب فيها قيمة ثابت التمهيد $\alpha$ المباشرة (ولتكن 0.3 على سبيل المثال).
  • العمود A (ابتداءً من A2): يحوي الفترات الزمنية ($1, 2, 3, dots$).
  • العمود B (ابتداءً من B2): يحوي المشاهدات الفعلية ($y_t$).
  • العمود C (ابتداءً من C2): سيحوي السلسلة الممهدة ($F_t$).

تبدأ الخطوة التنفيذية بوضع القيمة الابتدائية في أول خلية تنبؤية؛ فنكتب في الخلية C2 الصيغة: =B2 (أو متوسط أول عدة خلايا: =AVERAGE(B2:B5)). بعد ذلك، ننتقل إلى الخلية C3 لنكتب الصيغة المركزية للتمهيد الأسي مع استخدام المراجع المطلقة (علامة $) لتثبيت خلية معامل ألفا:

=($E$1 * B2) + ((1 - $E$1) * C2)

تُترجم هذه الصيغة بدقة المعادلة: “ألفا مضروبة في القيمة الفعلية للفترة السابقة زائد (واحد ناقص ألفا) مضروباً في القيمة الممهدة للفترة السابقة”. بمجرد إدخال هذه الصيغة في C3، يتم النقر المزدوج على مقبض التعبئة التلقائية (AutoFill Handle) في الزاوية السفلية اليسرى للخلية ليتم سحب وتطبيق المعادلة على كافة صفوف السلسلة حتى نهايتها.

6.2 مزايا الحساب عبر الصيغ المباشرة مقارنة بالأداة الجاهزة

يتفوق مدخل الصياغة اليدوية المباشرة على الأداة الجاهزة في عدة جوانب جوهرية تجعله الخيار القياسي للمحللين الماليين وعلماء البيانات:

  • الديناميكية والتحديث الفوري (Real-Time Recalculation): تُنتج أداة Data Analysis مخرجات إحصائية مصمتة وثابتة (Static Numbers)؛ فإذا تغيرت أي مشاهدة فعلية في السلسلة الأصلية، تظل النتائج المخرجة دون تغيير وتتطلب إعادة تشغيل الأداة يدوياً من البداية. في المقابل، ترتبط الصيغ الحسابية بعلاقات حية ديناميكية، مما يجعل أي تعديل في البيانات التاريخية ينعكس فوراً وتلقائياً على كامل السلسلة الممهدة ونماذج الأخطاء المرتبطة بها.
  • اختبار الحساسية اللحظي (Interactive Sensitivity Analysis): يتيح ربط الصيغة بخلية ألفا المستقلة ($E$1) للمحلل إمكانية تغيير قيمة $\alpha$ (مثلاً من $0.2$ إلى $0.7$) ورؤية التأثير اللحظي المباشر على المنحنى التنبؤي ومؤشرات الدقة دون الحاجة لفتح أي نوافذ حوارية إضافية.
  • الدمج البرمجي المتقدم: تسمح الصيغ اليدوية بدمج دوال منطقية متقدمة مثل IF للتعامل مع السيناريوهات الشرطية، أو دالة IFERROR لتجاوز المشكلات الحسابية، فضلاً عن سهولة توظيفها داخل نماذج التحسين الآلي (Solver).

6.3 توسيع المعادلة للتنبؤ المستقبلي خارج نطاق المشاهدات

الهدف النهائي من بناء النموذج هو توليد تنبؤات لفترات مستقبلية مجهولة تقع خارج نطاق البيانات التاريخية المتاحة ($t+1, t+2, dots, t+k$). في إطار نموذج التمهيد الأسي البسيط، إذا كانت آخر مشاهدة فعلية مسجلة هي $y_n$ عند الفترة $n$، وكان آخر تنبؤ ممهد محسوب هو$F_n$، فإن التنبؤ للفترة القادمة مباشرة ($n+1$) يُحسب بالمعادلة:

F_{n+1} = ($E$1 * B_n) + ((1 - $E$1) * C_n)

أما عند الرغبة في مد التنبؤ لعدة فترات مستقبلية قادمة ($n+2, n+3, dots, n+k$) حيث لا تتوفر أي قيم فعلية مشاهدة جديدة، فإن معادلة التمهيد الأسي البسيط تفترض ثبات المستوى المستقبلي عند آخر قيمة ممهدة تم الوصول إليها:

$$F_{n+k} = F_{n+1} \quad \forall k ge 1$$

يُعرف هذا السلوك رياضياً بـ “التنبؤ المسطح” (Flat Forecast). يُعد هذا القيد أحد أهم محددات التمهيد الأسي البسيط؛ فهو يفترض ضمناً أن أفضل تقدير لأي نقطة في المستقبل البعيد هو المستوى المتوازن الأخير الذي استقرت عنده السلسلة، معتبراً أن أي ميل إضافي غير مبرر إحصائياً في غياب نماذج الاتجاه المتقدمة.

7. التمهيد الأسي المتقدم: دمج الاتجاه والموسمية (نماذج هولت وهولت-وينترز) في إكسيل

7.1 تطبيق نموذج هولت الخطي ثنائي المعاملات (Holt’s Linear)

عندما تشتمل السلسلة الزمنية على مسار تصاعدي أو تنازلي مستمر، يعجز التمهيد البسيط عن مواكبة هذا المسار ويتخلف عنه باستمرار. طور الإحصائي تشارلز هولت توسيعاً رياضياً يعالج هذا القصور عبر تفكيك السلسلة إلى مكونين ديناميكيين: المستوى الأساسي (Level – $L_t$) وتتحكم فيه المعلمة $\alpha$، وميل الاتجاه العام (Trend – $T_t$) وتتحكم فيه المعلمة $\beta$ (بيتا). تتراوح كلتا المعلمتين في المدى بين $0$ و $1$.

تخضع هذه المنظومة لثلاث معادلات رياضية متكاملة تُبنى داخل أعمدة إكسيل على النحو الآتي:

  1. معادلة تقدير المستوى الأساسي ($L_t$):

    $$L_t = \alpha y_t + (1 – \alpha) (L_{t-1} + T_{t-1})$$

    صيغة إكسيل في الخلية C3: =($Alpha * B3) + ((1 -$Alpha) * (C2 + D2))

  2. معادلة تقدير ميل الاتجاه ($T_t$):

    $$T_t = \beta (L_t – L_{t-1}) + (1 – \beta) T_{t-1}$$

    صيغة إكسيل في الخلية D3: =($Beta * (C3 - C2)) + ((1 -$Beta) * D2)

  3. معادلة التنبؤ لفترة أو عدة فترات قادمة ($F_{t+k}$):

    $$F_{t+k} = L_t + k \cdot T_t$$

    صيغة إكسيل للتنبؤ للفترة القادمة مباشرة ($k=1$): =C3 + D3

لتشغيل النموذج، يتم وضع قيم ابتدائية في الصف الأول للسلسلة (الصف 2): المستوى الابتدائي $L_1 = y_1$، وميل الاتجاه الابتدائي $T_1 = y_2 – y_1$ (أو متوسط الفروق لأول عدة فترات). يتيح هذا النموذج لإكسيل إسقاط مسارات تنبؤية مائلة ومستجيبة للنمو أو التراجع الخطي بدقة متناهية.

Exponential smoothing example
Exponential smoothing example

7.2 تطبيق نموذج هولت-وينترز الموسمي ثلاثي المعاملات (Holt-Winters)

يُعد نموذج هولت-وينترز الإطار الرياضي الأشمل للتعامل مع السلاسل الزمنية التي تُظهر اتجاهاً عاماً وتكرارات موسمية منتظمة في آن واحد. يضيف هذا النموذج مكوناً ثالثاً يسمى المعامل الموسمي (Seasonal Component – $S_t$) يُضبط بواسطة المعلمة $\gamma$ (جاما)، وتتكرر دورته كل $m$ من الفترات (حيث $m=12$ للبيانات الشهرية، و $m=4$ للبيانات الربع سنوية).

في النموذج الضربي (Multiplicative Holt-Winters)، الذي يُعد الأكثر استخداماً في العلوم التجارية والاقتصادية، تتفاعل المكونات وفق المعادلات التالية:

  • المستوى الأساسي:

    $$L_t = \alpha \left( \frac{y_t}{S_{t-m}} \right) + (1 – \alpha) (L_{t-1} + T_{t-1})$$

  • ميل الاتجاه:

    $$T_t = \beta (L_t – L_{t-1}) + (1 – \beta) T_{t-1}$$

  • المؤشر الموسمي:

    $$S_t = \gamma \left( \frac{y_t}{L_t} \right) + (1 – \gamma) S_{t-m}$$

  • معادلة التنبؤ المستقبلي لعدد $k$ من الخطوات:

    $$F_{t+k} = (L_t + k \cdot T_t) \cdot S_{t+k-m}$$

يتطلب بناء هذا النموذج في إكسيل مصفوفة أعمدة منظمة تشمل: عمود المشاهدات الفعلية، عمود المستوى الأساسي، عمود ميل الاتجاه، عمود المؤشرات الموسمية، وعمود التنبؤ النهائي المركب. تبدأ المؤشرات الموسمية الأولية بحساب نسبة كل مشاهدة إلى المتوسط السنوي لدورتها، مما يخلق وزناً نسبياً يرتفع فوق الواحد في مواسم الذروة وينخفض دونه في مواسم الركود.

7.3 مقارنة منهجية بين النماذج الأحادية والثنائية والثلاثية

تخضع عملية الاختيار بين نماذج التمهيد الأسي لقاعدة التوفير الإحصائي (Statistical Parsimony) المعروفة بـ نصل أوكام؛ والتي تنص على أن النموذج الأبسط هو الأفضل دائماً ما لم يثبت النموذج الأكثر تعقيداً تفوقاً ذا دلالة إحصائية في دقة التنبؤ.

يوضح الجدول المنهجي التالي الفروق الجوهرية وسيناريوهات التطبيق المثلى لكل نموذج من النماذج الثلاثة:

النموذج الإحصائي عدد المعلمات الحاكمة الخصائص الهيكلية المطلوبة للسلسلة مستوى التعقيد الحسابي المخاطر الإحصائية المحتملة
التمهيد الأسي البسيط (SES) معلمة واحدة ($\alpha$) مستقرة، خالية من الاتجاه والموسمية منخفض جداً (صيغة أحادية) التأخر التنبؤي عند ظهور اتجاه مفاجئ
نموذج هولت الخطي (Holt’s) معلمتان ($\alpha, \beta$) تحتوي على اتجاه عام دون موسمية متوسط (معادلتان متزامنتان) المبالغة في التنبؤات طويلة المدى
نموذج هولت-وينترز (HW) ثلاث معلمات ($\alpha, \beta, \gamma$) تحتوي على اتجاه عام وتقلبات موسمية مرتفع (معادلات مركبة متعددة) الإفراط في الملاءمة (Overfitting)

تزداد مخاطر الإفراط في الملاءمة (Overfitting) كلما ارتفع عدد المعلمات التقديرية في النموذج؛ حيث يصبح النموذج قادراً على تتبع عينة التدريب التاريخية بدقة مصطنعة ولكنه يفشل بصورة كارثية عند اختباره على بيانات مستقبلية حقيقية. لذا، يجب مقارنة النماذج دوماً عبر مقاييس الأخطاء المستقلة واختبارات الدلالة الإحصائية.

8. استخدام دالة FORECAST.ETS المدمجة في الإصدارات الحديثة من إكسيل

8.1 البنية التركيبية ومحددات دالة FORECAST.ETS

بدءاً من إصدار Microsoft Excel 2016 والإصدارات السحابية اللاحقة ضمن Microsoft 365، قدمت مايكروسوفت قفزة نوعية في خوارزميات التنبؤ عبر إدراج عائلة دوال FORECAST.ETS. تعتمد هذه الدوال على خوارزمية مساحة حالة التمهيد الأسي المتقدمة (Error, Trend, Seasonal – ETS framework)، والتي طُوّرت استناداً إلى أبحاث الإحصائي الأسترالي روب هايندمن (Rob J. Hyndman) وزملائه.

تأتي الصيغة العامة لبناء الدالة على النحو الآتي:

=FORECAST.ETS(target_date, values, timeline, [seasonality], [data_completion], [aggregation])

تتضمن هذه الدالة وسائط إلزامية وخيارات متقدمة قابلة للتخصيص:

  • target_date (إلزامي): النقطة أو التاريخ الزمني المستهدف الذي نريد حساب التنبؤ له.
  • values (إلزامي): نطاق القيم التاريخية الفعلية المشاهدة ($y_t$).
  • timeline (إلزامي): نطاق الفترات الزمنية أو التواريخ المقابلة للقيم التاريخية، ويشترط أن يكون متساوياً في الطول مع نطاق القيم.
  • [seasonality] (اختياري): رقم يحدد طول الدورة الموسمية. إذا كُتب 1 (وهو الافتراضي)، يكتشف إكسيل الموسمية تلقائياً باستخدام خوارزمية الارتباط الذاتي. وإذا كُتب 0، يُلغي البرنامج الموسمية ويطبق تمهيداً خطياً بسيطاً. وإذا حُدد رقم صحيح موجب مثل 12 أو 4، يُلزم البرنامج بتلك الدورة المحددة.
  • [data_completion] (اختياري): يتحكم في معالجة النقاط المفقودة؛ حيث تُمثل القيمة 1 (الافتراضية) تعويض النقاط المفقودة بالاستكمال الخطي، بينما تُعامل القيمة 0 النقاط المفقودة كأصفار مطلقة.
  • [aggregation] (اختياري): يحدد طريقة دمج المشاهدات التي تتشارك في التاريخ نفسه (مثل: 1 للمتوسط AVERAGE، 2 للعدد COUNT، 6 للوسيط MEDIAN، 7 للمجموع SUM).
Exponential smoothing in Excel
Exponential smoothing in Excel

8.2 استخراج إحصاءات الدقة باستخدام FORECAST.ETS.STAT

لا تقتصر منظومة ETS في إكسيل على توليد التنبؤات الرقمية المباشرة، بل تتيح استخراج التشخيص الإحصائي الكامل للنموذج عبر الدالة التابعة المتخصصة FORECAST.ETS.STAT. تُكتب الدالة بالصيغة:

=FORECAST.ETS.STAT(values, timeline, statistic_type, [seasonality], [data_completion], [aggregation])

تتيح وسيطة statistic_type للمحلل استدعاء المقاييس والمعلمات المثلى التي استنتجتها الخوارزمية تلقائياً من خلال تمرير رقم إحصائي محدد من $1$ إلى $8$:

  • الرقم 1 (Alpha): استخراج قيمة معامل تمهيد المستوى الأساسي المثلى ($\alpha$) التي اعتمدها النموذج.
  • الرقم 2 (Beta): استخراج قيمة معامل تمهيد ميل الاتجاه المثلى ($\beta$).
  • الرقم 3 (Gamma): استخراج قيمة معامل تمهيد المكون الموسمي المثلى ($\gamma$).
  • الرقم 4 (MASE): استخراج مقياس متوسط خطأ القياس المنسوب (Mean Absolute Scaled Error)، وهو مقياس متقدم لمقارنة دقة السلاسل الزمنية.
  • الرقم 5 (SMAPE): استخراج متوسط النسبة المئوية للخطأ المتماثل (Symmetric Mean Absolute Percentage Error).
  • الرقم 6 (MAE): استخراج متوسط الخطأ المطلق المحسوب ذاتياً.
  • الرقم 7 (RMSE): استخراج جذر متوسط مربعات الخطأ للنموذج الداخلي.
  • الرقم 8 (Step size): استخراج حجم الخطوة الزمنية المكتشفة بين نقاط السلسلة.

يوفر هذا التكامل البرمجي وصولاً فورياً إلى كفاءة النمذجة المتقدمة دون الحاجة لبناء خوارزميات التحسين اليدوية المعقدة من الصفر.

8.3 حساب فترات الثقة باستخدام دالة FORECAST.ETS.CONFINT

يمثل التنبؤ بنقطة وحيدة (Point Forecast) مجرد تقدير احتمالي لمتوسط التوزيع المتوقع؛ لذا تتطلب الدراسات الأكاديمية والتقارير التنفيذية تقديم مدى احتمالي يُعبر عن عدم اليقين المستقبلي. توفر إكسيل دالة FORECAST.ETS.CONFINT لحساب نصف قطر فترة الثقة الإحصائية (Confidence Interval Margin) عند مستوى معنوية محدد:

=FORECAST.ETS.CONFINT(target_date, values, timeline, [confidence_level], [seasonality], [data_completion], [aggregation])

تُحدد وسيطة confidence_level درجة الثقة المطلوبة، حيث تُعد القيمة 0.95 (95%) هي المعيار الإحصائي الافتراضي، ويمكن رفعها إلى 0.99 (99%) في التطبيقات الحساسة. تُرجع الدالة قيمة عددية تمثل هامش الخطأ ($Margin$).

يتم بناء النطاق التنبؤي الكامل في جدول البيانات عبر معادلتين:

  • الحد التنبؤي الأعلى (Upper Bound): =FORECAST.ETS(...) + FORECAST.ETS.CONFINT(...)
  • الحد التنبؤي الأدنى (Lower Bound): =FORECAST.ETS(...) - FORECAST.ETS.CONFINT(...)

من الناحية الرياضية، يتسع نطاق عدم اليقين (فترة الثقة) بصورة طردية وتدريجية كلما ابتعدنا في الأفق الزمني المستقبلي نحو الأمام؛ مما يعكس زيادة المخاطر وتراكم الأخطاء العشوائية مع امتداد أفق التنبؤ، وهو ما يمنح متخذي القرار تقييماً واقعياً للمخاطر المحتملة.

9. تقييم دقة التنبؤ وقياس الأخطاء الإحصائية في إكسيل

9.1 حساب متوسط الخطأ المطلق (MAD / MAE)

يُعد تقييم جودة النموذج التنبؤي ركيزة لا غنى عنها في التحليل الإحصائي؛ فالنموذج الذي لا يتم قياس دقته لا يمكن الوثوق بإسقاطاته المستقبلية. يُعرف المقياس الأول بمتوسط الانحراف المطلق (Mean Absolute Deviation – MAD)، والذي يُسمى أيضاً في الأدبيات الإحصائية بمتوسط الخطأ المطلق (Mean Absolute Error – MAE). يقيس هذا المؤشر الحجم المتوسط للأخطاء التنبؤية بالوحدات الأصلية نفسها للبيانات، دون النظر إلى إشارة الخطأ (سواء كان التنبؤ أعلى أو أقل من الواقع).

تُعطى الصيغة الرياضية للمقياس بالعلاقة:

$$\text{MAD} = \frac{1}{n} \sum_{t=1}^{n} |y_t – F_t|$$

لتطبيق هذا المقياس في إكسيل، يتم تخصيص عمود (ولتكن خلاياه D2:D50) لحساب الأخطاء المطلقة لكل فترة بكتابة الصيغة: =ABS(B2 - C2)، ثم حساب المتوسط في خلية التقييم بالصيغة: =AVERAGE(D2:D50). كما يمكن حسابه مباشرة دون الحاجة لعمود مساعد عبر صيغة المصفوفات المتقدمة:

=AVERAGE(ABS(B2:B50 - C2:C50))

يتميز مقياس MAD بسهولة تفسيره المباشر؛ فإذا كانت دراستنا تتناول التنبؤ بإنتاج الصناديق وبلغت قيمة MAD تساوي $15$، فهذا يعني أن تنبؤات النموذج تنحرف في المتوسط بمقدار $15$ صندوقاً عن الواقع الفعلي.

9.2 حساب متوسط مربعات الخطأ (MSE) وجذر متوسط المربعات (RMSE)

يُعد متوسط مربعات الخطأ (Mean Squared Error – MSE) المقياس الرياضي الأكثر حساسية للأخطاء الكبيرة؛ إذ يقوم بتربيع كل خطأ قبل جمع الأخطاء وحساب متوسطها، مما يفرض عقوبة تصاعدية قاسية على الانحرافات التنبؤية الضخمة مقارنة بالانحرافات الطفيفة.

تُصاغ المعادلة الرياضية لـ MSE كما يلي:

$$\text{MSE} = \frac{1}{n} \sum_{t=1}^{n} (y_t – F_t)^2$$

تُكتب صيغة إكسيل المباشرة لحساب MSE باستخدام دالة مجموع المربعات:

=SUMSQ(B2:B50 - C2:C50) / COUNT(B2:B50)

أو عبر صيغة المصفوفات: =AVERAGE((B2:B50 - C2:C50)^2).

يعيب مقياس MSE أن وحدات قياسه تكون مربعة (مثل: دولار مربع، أو وحدة مربعة)، مما يُصعب تفسيره الواقعي. ومن هنا يبرز مقياس جذر متوسط مربعات الخطأ (Root Mean Squared Error – RMSE)، والذي يعيد المقياس إلى وحدات القياس الأصلية نفسها عبر أخذ الجذر التربيعي لـ MSE:

$$\text{RMSE} = \sqrt{\text{MSE}} = \sqrt{\frac{1}{n} \sum_{t=1}^{n} (y_t – F_t)^2}$$

تُكتب صيغة حسابه في إكسيل بدمج دالة الجذر التربيعي SQRT:

=SQRT(AVERAGE((B2:B50 - C2:C50)^2))

يُعتبر RMSE المقياس المفضل في الأبحاث الإحصائية القياسية ونماذج التعلم الآلي؛ نظراً لتوافقه الرياضي مع خصائص التوزيع الطبيعي للأخطاء وقدرته الفائقة على كشف النماذج غير المستقرة التي ترتكب أخطاء فردية فادحة.

9.3 حساب متوسط النسبة المئوية للخطأ المطلق (MAPE)

على الرغم من القوة الرياضية لمقاييس MAD و RMSE، إلا أنها تظل مقاييس مطلقة مرتبطة بحجم ووحدات المتغير المدروس، مما يجعلها غير صالحة للمقارنة بين سلاسل زمنية ذات مقاييس مختلفة (مثل مقارنة دقة التنبؤ بمبيعات متجر محلي صغير بمبيعات شركة دولية عملاقة). هنا تبرز الأهمية القصوى لمقياس متوسط النسبة المئوية للخطأ المطلق (Mean Absolute Percentage Error – MAPE)، والذي يحول الخطأ إلى نسبة مئوية لا بعدية ومجردة من الوحدات.

تُكتب المعادلة الرياضية لـ MAPE على النحو الآتي:

$$\text{MAPE} = \frac{1}{n} \sum_{t=1}^{n} left| \frac{y_t – F_t}{y_t} right| \times 100%$$

يتم تطبيق هذا المقياس في إكسيل عبر صيغة المصفوفات التالية (مع الضغط على Ctrl+Shift+Enter في الإصدارات القديمة من إكسيل):

=AVERAGE(ABS((B2:B50 - C2:C50) / B2:B50)) * 100

أو عبر إنشاء عمود مساعد مخصص يحسب النسبة النسبية لكل صف بالصيغة: =ABS((B2 - C2) / B2) ثم أخذ المتوسط وضبط تنسيق الخلية على النمط المئوي (Percentage Format).

يوفر الجدول المعياري التالي إطاراً أكاديمياً معتمداً ومقبولاً في دراسات التنبؤ القياسية للحكم على كفاءة وجودة النموذج التنبؤي بناءً على قيمة مقياس MAPE المستخرجة:

مدى قيمة مقياس MAPE (%) التقييم الإحصائي لجودة النموذج التفسير المنهجي والتطبيقي
أقل من 10% ($\text{MAPE} < 10%$) تنبؤ عالي الدقة (Highly Accurate) تطابق ممتاز بين النموذج والواقع؛ ملاءمة مثالية للقرارات الحساسة
من 10% إلى 20% تنبؤ جيد ومقبول (Good Forecasting) دقة ملائمة لمعظم التطبيقات التجارية والتخطيط التشغيلي القياسي
من 20% إلى 50% تنبؤ معقول ومعتدل (Reasonable) مقبول للقرارات طويلة الأجل، ولكن يُستحسن البحث عن نماذج محسنة
أكبر من 50% ($\text{MAPE} > 50%$) تنبؤ غير دقيق وضعيف (Inaccurate) النموذج غير صالح للتنبؤ؛ هيكل السلسلة يتطلب نموذجاً مختلفاً كلياً

10. تحسين قيمة ألفا المثلى باستخدام أداة Solver في إكسيل

10.1 إعداد نموذج التحسين الرياضي (Optimization Model)

بدلاً من الاعتماد على التخمين العشوائي أو الاختيار التجريبي لقيمة ثابت التمهيد $\alpha$، يوفر إكسيل أداة تحسين رياضي فائقة القدرة تُعرف باسم Solver. تتيح هذه الأداة البحث الخوارزمي المنهجي عن القيمة الدقيقة لثابت التمهيد (أو معلمات هولت وهولت-وينترز مجتمعة) التي تحقق أدنى خطأ تنبؤي ممكن على البيانات التاريخية، محولة عملية النمذجة من اجتهاد شخصي إلى حل استمثالي صارم (Mathematical Optimization).

يتطلب إعداد مسألة التحسين في ورقة عمل إكسيل ضبط ثلاثة أركان أساسية:

  1. الخلية الهدف (Objective Cell): وهي الخلية التي تحتوي على صيغة حساب مقياس الخطأ المراد تصغيره إلى أدنى حد ممكن، ويُفضل دائماً اختيار خلية حساب MSE أو RMSE أو MAE (مثلاً الخلية $G$1).
  2. طبيعة الهدف (Target Goal): ضبط الخيار على تصغير إلى أدنى حد (Minimizing – Min) للخلية الهدف.
  3. الخلايا المتغيرة (Changing Variable Cells): وهي الخلية أو الخلايا التي تحتوي على معلمات التمهيد المراد تحسينها وتعديلها تلقائياً بواسطة الخوارزمية (مثلاً الخلية $E$1 المحتوية على قيمة $\alpha$).
Exponential smoothing examples in Excel
Exponential smoothing examples in Excel

10.2 تطبيق القيود الرياضية (Constraints) وتشغيل Solver

لضمان بقاء الحل المحسوب ضمن الحدود الإحصائية والمنطقية الصحيحة، يجب فرض مجموعة من القيود الرياضية (Constraints) الصارمة داخل نافذة Solver قبل إطلاق الخوارزمية:

  • القيد الأول (الحد الأدنى): $E$1 >= 0.0001 (لضمان بقاء قيمة ألفا موجبة وأكبر من الصفر لتفادي تجميد النموذج).
  • القيد الثاني (الحد الأعلى): $E$1 <= 0.9999 (لضمان بقاء قيمة ألفا أصغر من الواحد وتفادي التحول للنموذج الساذج).

تتم خطوات التشغيل التفصيلية على النحو التالي:

  1. التوجه إلى تبويب بيانات (Data) ثم النقر على زر Solver في أقصى اليمين (إذا لم تكن الأداة مفعلة، يتم تفعيلها عبر Excel Add-ins بالطريقة نفسها الموضحة في القسم 4.3).
  2. في حقل Set Objective، يتم تحديد خلية مقياس الخطأ $G$1.
  3. اختيار زر الاختيار Min.
  4. في حقل By Changing Variable Cells، تحديد الخلية $E$1.
  5. الضغط على زر إضافة (Add) لإدخال القيدين الرياضيين المذكورين أعلاه واحداً تلو الآخر.
  6. في حقل طريقة الحل (Select a Solving Method)، اختيار خوارزمية GRG Nonlinear (وهي الخوارزمية المتخصصة في حل مسائل التحسين غير الخطية السلسة ذات التدرج التراجعي).
  7. الضغط على زر حل (Solve).

سيقوم محرك إكسيل باختبار مئات التباديل الحسابية في أجزاء من الثانية، ثم يُظهر رسالة تؤكد العثور على الحل الأمثل الذي يجعل خطأ التنبؤ في أدنى نقطة ممكنة رياضياً. يتم النقر على حفظ حل أداة Solver (Keep Solver Solution) لتثبيت القيمة المثلى المستخرجة في خلية ألفا.

10.3 تحليل حساسية النتائج واستقرار المعاملات المثلى

عقب استخراج المعلمة المثلى عبر أداة Solver، يجب إخضاع النموذج لاختبارات التحقق الإحصائي لتقييم مدى استقرار ومتانة هذه القيمة. توفر أداة Solver خيار إنشاء تقرير الحساسية (Sensitivity Report) الذي يوضح مدى استجابة دالة الخطأ لأي تذبذب طفيف حول القيمة المثلى.

من أفضل الممارسات المنهجية المتبعة لتفادي الإفراط في الملاءمة تقسيم البيانات التاريخية إلى مجموعتين مستقلتين:

  • عينة التدريب والبناء (In-Sample Training Set): وتُمثل عادة من $70%$ إلى $80%$ من البيانات الأولى للسلسلة، وتُستخدم حصرياً بواسطة Solver لاستنتاج قيمة $\alpha$ المثلى.
  • عينة الاختبار والتحقق (Out-of-Sample Testing Set): وتُمثل النسبة المتبقية ($20%$ إلى $30%$) من البيانات الحديثة، وتُطبق عليها قيمة ألفا المستخرجة دون أي تعديل لاختبار قدرة النموذج على التنبؤ ببيانات حقيقية لم تدخل في عملية التحسين الأصلية.

إذا أظهرت مؤشرات الدقة (مثل RMSE و MAPE) تقارباً كبيراً بين عينة التدريب وعينة الاختبار، يُعد النموذج متزناً ورصيناً وصالحاً للاستخدام التنبؤي التشغيلي بثقة كاملة.

11. التمثيل البياني وتفسير النتائج البصرية للسلاسل الزمنية الممهدة

11.1 إنشاء مخطط خطي متقدم للمقارنة البصرية

يُمثل العرض البصري الجسر الرابط بين المعادلات الرياضية الجافة والرؤية التحليلية الواضحة التي يحتاجها متخذو القرار. يتيح التمثيل البياني المقارن اكتشاف الأنماط، وملاحظة الفجوات الزمنية، وتقييم مدى جودة التمهيد في التخلص من التذبذبات الشديدة دون التأخر عن المنحنى العام.

لإنشاء مخطط خطي احترافي في إكسيل، يتم اتباع الخطوات المنهجية التالية:

  1. تحديد الأعمدة الثلاثة الرئيسية معاً: عمود التواريخ ($A$)، عمود البيانات الفعلية ($B$)، وعمود التنبؤات الممهدة ($C$).
  2. التوجه إلى تبويب إدراج (Insert)، ومن مجموعة مخططات (Charts) يتم اختيار مخطط خطي ثنائي الأبعاد (2-D Line Chart with Markers).
  3. تنسيق خط السلسلة الفعلية (Actual): يُفضل اختياره بخط رفيع أو منقط بلون رمادي داكن أو أزرق خافت، مع إظهار علامات النقاط الفردية لتمثيل المشاهدات الواقعية المشوشة.
  4. تنسيق خط السلسلة الممهدة (Forecast): يُفضل اختياره بخط سميك وواضح بلون مميز (مثل البرتقالي الداكن أو الأحمر الياقوتي) وبدون علامات نقاط، ليعكس بوضوح الاتجاه السلس المصقول للظاهرة.
  5. إضافة وسيلة الإيضاح (Legend) في موضع واضح (أعلى أو أسفل المخطط) لتمييز السلاسل، وتسمية محاور الرسم بدقة مع كتابة عنوان معبر مثل “تحليل التمهيد الأسي للطلب الشهري للفترة 2020-2024”.

11.2 التحليل البصري لمخلفات النموذج (Residuals Analysis)

لا يكتمل التقييم الإحصائي دون فحص سلوك المتبقيات أو المخلفات (Residuals)، والمعرفة بالفروق المباشرة بين القيمة الفعلية والقيمة التنبؤية الممهدة ($e_t = y_t – F_t$). يهدف هذا التحليل إلى التحقق من أن ما تبقى بعد عملية التمهيد هو مجرد “ضوضاء بيضاء عشوائية” (White Noise) لا تحتوي على أي أنماط منتظمة أو معلومات مهملة.

يتم إنشاء مخطط مخصص للمتبقيات برسم قيم عمود الخطأ ($e_t$) على المحور الرأسي مقابل محور الزمن الأفقي، مع إضافة خط أفقي مركزي يمثل الصفر ($y=0$). يتم تقييم المخطط بصرياً وإحصائياً وفق المعايير التالية:

  • التوزيع العشوائي التام: يجب أن تتوزع النقاط عشوائياً فوق وتحت خط الصفر دون أي انتظام، مما يدل على كفاءة النموذج في استخلاص كافة المعلومات المنهجية من السلسلة.
  • غياب الارتباط الذاتي (No Autocorrelation): إذا أظهر المخطط توالياً لنقاط موجبة متتالية لفترة طويلة تليها نقاط سالبة متتالية (نمط موجي)، فهذا مؤشر قاطع على وجود مشكلة ارتباط ذاتي للمخلفات، مما يعني أن النموذج المستخدم يفتقر لمعامل اتجاه أو موسمية وعاجز عن استيعاب بنية البيانات الحقيقية.
  • ثبات التباين: يجب ألا يتسع تشتت نقاط الأخطاء مع تقدم الزمن (غياب الشكل القمعي Funnel Shape)، لضمان استقرار تباين النموذج عبر الزمن.

11.3 تفسير النتائج وتقديم التقارير الأكاديمية

تقتضي المعايير الأكاديمية والمهنية صياغة مخرجات التحليل ضمن تقرير منهجي متكامل يربط الأرقام المجردة بالسياق النظري والتطبيقي للظاهرة. يجب أن يتضمن التقرير توثيقاً دقيقاً لكافة المعلمات المفترضة والمحسوبة، بما في ذلك قيمة ثابت التمهيد $\alpha$ المعتمدة، وطريقة تحديد القيمة الابتدائية، والأساس المنطقي الذي بُني عليه هذا الاختيار.

يتم تنظيم نتائج التقييم الإحصائي في جداول منسقة وفق معايير النشر العلمي (مثل دليل أسلوب APA)، تتضمن جداول مقارنة توضح قيم MAD و RMSE و MAPE للنموذج المعتمد مقارنة بالنماذج البديلة (مثل المتوسطات المتحركة أو نماذج الاتجاه الخطي). كما يجب أن يختتم التقرير ببيان استنتاجي يوضح المسار المستقبلي المتوقع للظاهرة، مع الإشارة الصريحة إلى حدود النموذج وفترات عدم اليقين والمخاطر المحتملة التي قد تؤثر على دقة التنبؤ خارج النطاق الزمني المرصود.

12. الأخطاء الشائعة، التحديات العملية، وأفضل الممارسات

12.1 الأخطاء الفنية الشائعة في إكسيل وكيفية تصحيحها

يواجه الممارسون أثناء بناء نماذج التمهيد الأسي في إكسيل مجموعة من العثرات الفنية المتكررة التي تؤدي إلى تشويه النتائج أو تعطل العمليات الحسابية. يوضح التحليل التالي أبرز هذه الأخطاء وسبل معالجتها:

  • الخلط بين $\alpha$ وعامل التخميد ($1-alpha$): يُعد هذا الخطأ الأكثر شيوعاً عند استخدام نافذة Data Analysis؛ حيث يؤدي إدخال قيمة ألفا مباشرة في حقل عامل التخميد إلى قلب النموذج بالكامل. العلاج الدائم هو التحقق من مراجعة الحقل وإدخال المتمم الحسابي دائماً ($1-alpha$).
  • أخطاء المراجع الدائرية (Circular References): تحدث عند صياغة المعادلات اليدوية إذا تمت الإشارة بطريق الخطأ إلى الخلية الحالية نفسها داخل صيغتها الحسابية، أو عدم إدخال قيمة ابتدائية مستقلة ومصمتة في الصف الأول. يتم تصحيح ذلك بفصل القيمة الابتدائية تماماً في الصف $2$ وبدء الصيغ التكرارية الحقيقية من الصف $3$.
  • خطأ القسمة على الصفر (#DIV/0!) في حسابات MAPE: إذا كانت السلسلة الزمنية تشتمل على مشاهدة فعلية قيمتها صفر ($y_t = 0$)، فإن معادلة MAPE ستنهار بسبب القسمة على صفر. يُعالج هذا فَنياً باستخدام الدالة الشرطية لتجاوز الأصفار:

    =IF(B2=0, "", ABS((B2 - C2) / B2))

    أو بالاعتماد على مقاييس بديلة متقدمة مثل SMAPE أو MASE التي لا تتأثر بالقيم الصفرية.

  • نسيان التثبيت المطلق (Absolute Referencing): يؤدي سحب الصيغة الحسابية دون تثبيت خلية ألفا (باستخدام $ مثل $E$1) إلى انزلاق مرجع المعلمة نحو خلايا فارغة بالأسفل، مما يُرجع قيماً صفرية مشوهة للسلسلة بأكملها.

12.2 محدودية التمهيد الأسي البسيط والحلول البديلة

على الرغم من البساطة والأناقة الرياضية لنموذج التمهيد الأسي البسيط، إلا أنه يمتلك حدوداً هيكلية صارمة تحتم على المحلل معرفة متى يجب التوقف عن استخدامه والانتقال إلى أطر نمذجة أكثر تقدماً:

تتمثل المحدودية الأولى في العجز التام أمام التغيرات الهيكلية والانكسارات الحادة (Structural Breaks)؛ فإذا تعرض النظام لصدمة دائمة غيرت مستواه العام بصورة جذرية وفورية، يحتاج النموذج لفترات طويلة للتكيف تدريجياً، مما يولد أخطاء تنبؤية تراكمية كبيرة. والمحدودية الثانية هي قيد “التنبؤ المسطح” الذي يمنع استخدام النموذج في التنبؤات طويلة ومتوسطة الأجل عند وجود نمو أو تراجع مستمر في الظاهرة.

عند مواجهة هذه التحديات، يجب الترقية إلى النماذج البديلة التالية:

  • الانتقال إلى نماذج هولت وهولت-وينترز عند وجود اتجاهات واضحة أو تقلبات موسمية منتظمة.
  • الانتقال إلى نماذج أريما الانحدارية (ARIMA Models) عند وجود ارتباطات ذاتية معقدة وديناميكيات عشوائية غير خطية في السلسلة الزمنية.
  • الاعتماد على خوارزميات التعلم الآلي والشبكات العصبية المتكررة (LSTM Networks) عند التعامل مع سلاسل زمنية ضخمة وعالية التردد تتضمن متغيرات تفسيرية خارجية متعددة وغير خطية.

12.3 أفضل الممارسات لضمان موثوقية التحليل الإحصائي

لتحقيق أقصى درجات الموثوقية والرصانة في التحليلات التنبؤية المبنية على التمهيد الأسي داخل إكسيل، يُوصى بالالتزام بمصفوفة القواعد المنهجية التالية:

  1. إعادة المعايرة والضبط الدوري (Periodic Recalibration): المعلمات المثلى ليست حقائق أبدية ثابتة؛ إذ يجب إعادة تشغيل أداة التحسين (Solver) أو إعادة تقدير قيم $\alpha, \beta, \gamma$ بصفة دورية منتظمة (شهرياً أو ربع سنوياً) مع تدفق مشاهدات حقيقية جديدة إلى السلسلة لضمان استمرار تكيف النموذج مع المستجدات.
  2. تطبيق التحقق المتقاطع للسلاسل الزمنية (Time Series Cross-Validation): يُعرف أيضاً بأسلوب النافذة المتدحرجة (Rolling-Origin Evaluation)؛ حيث يتم اختبار النموذج عبر نقاط زمنية متعددة متعاقبة للتأكد من استقرار دقته الإحصائية عبر مختلف الظروف والتقلبات التاريخية.
  3. التوثيق المنهجي والشفافية الحسابية: الاحتفاظ بنسخة نظيفة وموثقة من ورقة عمل إكسيل تتضمن شرحاً واضحاً للصيغ، ومصادر البيانات الأصلية، والافتراضات المعتمدة، مما يضمن قابلية تكرار التجربة ومراجعتها المستقلة (Reproducibility) وفق أعلى معايير الحوكمة والبحث العلمي.

الخاتمة

يُمثل التمهيد الأسي أسلوباً إحصائياً يجمع بين البساطة الرياضية والفاعلية التطبيقية في تحليل واستشراف السلاسل الزمنية. يوفر هذا الأسلوب حلاً لمعضلة التمييز بين الاتجاهات الجوهرية والضوضاء العشوائية عبر مبدأ التناقص الأسي للأوزان التاريخية، مما يمنح وزناً أكبر للحاضر دون قطع الصلة مع التراكم المعرفي للماضي.

يُبرز التطبيق العملي داخل مايكروسوفت إكسيل تنوعاً في أدوات النمذجة؛ بدءاً من استخدام الصيغ اليدوية المباشرة التي تتيح تحكماً في البنية الحسابية، مروراً بالأدوات الإحصائية الجاهزة في حزمة تحليل البيانات، ووصولاً إلى الدوال المتقدمة مثل FORECAST.ETS والمحركات الاستمثالية كأداة Solver. هذا التنوع يُمكّن المحلل من ضبط النماذج لتلائم طبيعة البيانات، سواء كانت مستقرة أو تتضمن اتجاهات عامة أو تكرارات موسمية.

تعتمد كفاءة النموذج التنبؤي على دقة الاختيار المنهجي؛ فالتحقق الصارم من الفروض الإحصائية، وتنظيف البيانات، واختيار النموذج المتوافق مع بنية السلسلة، واستخدام مقاييس الأخطاء المركبة، هي خطوات متكاملة لضمان الحصول على نتائج موثوقة تدعم اتخاذ القرارات في البيئات الأكاديمية والتطبيقية.

المراجع (References)

اقتباس هذا المقال

looti, M. (2026, أغسطس 26). كيفية إجراء التمهيد الأسي في إكسيل. عرب سايكلوجي. https://arabpsychology.com/statistics/how-to-perform-exponential-smoothing-in-excel/
looti, Mohammed. “كيفية إجراء التمهيد الأسي في إكسيل.” عرب سايكلوجي, 26 أغسطس 2026, https://arabpsychology.com/statistics/how-to-perform-exponential-smoothing-in-excel/.
looti, Mohammed. “كيفية إجراء التمهيد الأسي في إكسيل.” عرب سايكلوجي. أغسطس 26, 2026. https://arabpsychology.com/statistics/how-to-perform-exponential-smoothing-in-excel/.