كيفية إجراء اختبار KPSS في بايثون

تُعد دراسة السلاسل الزمنية وتحليل ديناميكياتها من الركائز الأساسية في الإحصاء التطبيقي، والاقتصاد القياسي، وعلم البيانات السلوكية، والعلوم المالية. فعند التعامل مع البيانات المجمعة عبر فترات زمنية متتالية، يبرز افتراض محوري يحكم مدى صحة وموثوقية النماذج التنبؤية والاستدلالية، وهو افتراض السكون أو الاستقرار الإحصائي. إن غياب الاستقرار في السلسلة الزمنية يجرّد العديد من الأدوات الإحصائية التقليدية من صلاحيتها، ويقود الباحثين إلى الوقوع في فخ الانحدار الزائف والعلاقات الوهمية التي لا تعكس ارتباطاً حقيقياً في الواقع، بل تنشأ نتيجة اشتراك السلاسل في اتجاهات عامة متزامنة أو مسارات عشوائية متباعدة.

وللتحقق من طبيعة السلاسل الزمنية وضمان كفاءة التقديرات، طوّر الإحصائيون طيفاً واسعاً من الاختبارات القياسية التي تبحث في خصائص السكون ووجود جذور الوحدة. ومن بين هذه الأدوات المنهجية المتقدمة، يبرز اختبار كفاياتكوفسكي-فيليبس-شميت-شين، المعروف اختصاراً باختبار KPSS، بوصفه أحد أهم الاختبارات التكاملية التي قلبت المنطق التقليدي لاختبارات جذر الوحدة؛ إذ ينطلق هذا الاختبار من فرضية مبدئية تفترض استقرار السلسلة الزمنية ما لم يثبت العكس، مما يجعله مكملاً جوهرياً لاختبارات أخرى مثل اختبار ديكي-فولر المعزز. يتيح هذا الاختبار للباحثين فحص الفرضيات بدقة متناهية وفصل السلاسل المستقرة حول اتجاه محدد عن تلك التي تتطلب أخذ الفروق لمعالجتها.

يهدف هذا الدليل المرجعي الشامل إلى تقديم تفكيك نظري وتطبيقي عميق لاختبار KPSS بالاعتماد على لغة بايثون ومنظومتها الإحصائية المتطورة مثل مكتبة Statsmodels. سنتناول في هذا المقال الأسس الرياضية للاختبار، وتفسير الفرضيات الإحصائية، وكيفية تنفيذ الأكواد البرمجية خطوة بخطوة، مع تقديم استراتيجيات متقدمة للدمج بين الاختبارات المتعددة، وتطبيق هذه المفاهيم على البيانات الاقتصادية والبيانات السلوكية والنفسية، مع تفصيل كامل لأفضل الممارسات المنهجية لتجنب الأخطاء الشائعة في التحليل القياسي.

1. مقدمة إلى مفهوم السكون واستقرار السلاسل الزمنية

1.1 تعريف السلاسل الزمنية المستقرة وأهميتها في التحليل الإحصائي

يُمثل السكون الخاصية الإحصائية التي تجعل السلسلة الزمنية قابلة للنمذجة والتنبؤ العلمي الرصين، حيث يعني ببساطة أن الخصائص التوليدية للعملية العشوائية لا تتغير عبر الزمن. ينقسم السكون في الأدبيات الإحصائية إلى مستويين رئيسيين: السكون الصارم، والسكون الضعيف أو سكون التغاير. يتطلب السكون الصارم أن يكون التوزيع الاحتمالي المشترك لأي مجموعة من المشاهدات ثابتاً تماماً بغض النظر عن إزاحة الزمن، وهو شرط يصعب تحققه واختباره في التطبيقات العملية المعاصرة، مما يدفع المحللين إلى الاعتماد على السكون الضعيف.

يقوم السكون الضعيف على ثلاثة شروط أساسية لا بد من استيفائها: ثبات المتوسط الحسابي عبر الزمن دون وجود اتجاه صاعد أو هابط، وثبات التباين مما يضمن عدم اتساع أو تضيق مدى التذبذبات مع مرور الوقت، واعتماد دالة الارتباط الذاتي والتغاير المشترك بين نقطتين زمنيتين على الفاصل الزمني بينهما فقط وليس على النقطة الزمنية المطلقة. إن الإخلال بأي من هذه الشروط يُفقد السلسلة استقرارها ويجعل مقاييس النزعة المركزية والتشتت المحسوبة من العينة غير ممثلة للمجتمع الإحصائي المستقبلي.

تكمن الأهمية الحاسمة للسكون في تفادي ظاهرة الانحدار الزائف، وهي معضلة إحصائية كلاسيكية أوضحها جرانجر ونيوبولد؛ حيث يؤدي انحدار سلسلة غير مستقرة على سلسلة أخرى غير مستقرة إلى الحصول على معاملات تحديد مرتفعة وقيم اختبار تائية ذات دلالة إحصائية وهمية، بينما لا توجد أي علاقة سببية أو منطقية تربط بين المتغيرين في الواقع. لذلك، يُشكل التحقق من السكون الخطوة المنهجية الإلزامية الأولى قبل الشروع في بناء أي نموذج قياسي أو تنبؤي.

1.2 أنواع الاستقرار: استقرار الاتجاه مقابل استقرار الفروق

تتعدد صور عدم الاستقرار في السلاسل الزمنية، مما يستوجب التمييز الدقيق بين نمطين هيكليين للاستقرار: السلاسل المستقرة حول اتجاه عام، والسلاسل المستقرة بعد أخذ الفروق. يُشير استقرار الاتجاه إلى أن السلسلة الزمنية تمتلك اتجاهاً حتمياً واضحاً، كأن تنمو بمعدل خطي أو أسي ثابت عبر الزمن، ولكن بمجرد عزل هذا الاتجاه الحتمي وطرحه من البيانات، تتحول السلسلة المتبقية إلى عملية مستقرة ذات متوسط ثابت وتباين مستقر ودوال ارتباط ذاتي متلاشية بسرعة.

في المقابل، تمثل السلاسل المستقرة بالفروق عمليات عشوائية متراكمة تحتوي على ما يُعرف في الأدبيات بجذر الوحدة، حيث لا يكون الاتجاه فيها حتمياً بل عشوائياً ناتجاً عن تراكم الصدمات التاريخية. في هذه العمليات، لا تفقد الصدمات العشوائية أثرها بمرور الوقت بل تظل مدمجة في المستوى المستقبلي للسلسلة إلى الأبد، مما يجعل التباين يزداد خطياً مع الزمن مقترباً من اللانهاية. لعلاج هذا النوع وتحويله إلى سكون، يلزم أخذ الفروق المتتالية من خلال طرح القيمة السابقة من القيمة الحالية.

يترتب على الخلط المنهجي بين هذين النوعين عواقب وخيمة في التحليل القياسي؛ فإذا طُبقت الفروق على سلسلة مستقرة حول اتجاه، فإننا نقع في خطأ يُعرف بالإفراط في أخذ الفروق، مما يُدخل أخطاء متحركة اصطناعية ويعقد بنية الارتباط الذاتي. أما إذا تم الاكتفاء بحذف الاتجاه الخطي من سلسلة تحتوي على جذر الوحدة، فإن البواقي الناتجة تظل غير مستقرة وتعطي تنبؤات مضللة بالكامل. ومن هنا تبرز الحاجة إلى اختبارات مخصصة قادرة على التمييز بين الاستقرار الحتمي والاستقرار الفروقي.

1.3 دور الاختبارات الإحصائية في فحص السلاسل الزمنية

كان التحليل التاريخي للسلاسل الزمنية يعتمد بشكل واسع على الفحص البصري للمخططات البيانية ودراسة دوال الارتباط الذاتي والارتباط الذاتي الجزئي. ورغم أن المعاينة البصرية تقدم رؤى أولية قيمة وتكشف عن الأنماط الموسمية والتحولات الحادة، إلا أنها تظل عرضة للتحيز الذاتي والتقدير غير الدقيق، خاصة عندما تكون السلسلة قريبة من حدود الاستقرار أو تحتوي على مكونات تذبذبية معقدة يصعب فصلها بالعين المجردة.

أدى ذلك إلى تطوير الاختبارات الإحصائية التكاملية الصارمة التي تستند إلى نظريات التوزيع الاحتمالي لتحديد ما إذا كانت السلسلة تتبع مساراً عشوائياً أم أنها مستقرة حول متوسط أو اتجاه. توفر هذه الاختبارات معايير كمية حاسمة مثل الإحصائيات المحسوبة والقيم الحرجة والقيم الاحتمالية، مما يُمكّن الباحث من اتخاذ قرارات نمذجة قابلة لإعادة الإنتاج ومستندة إلى براهين رياضية صلبة بدلاً من الانطباعات الشكلية.

يحتل اختبار كفاياتكوفسكي-فيليبس-شميت-شين مكانة فريدة ضمن هذه المنظومة الإحصائية؛ فبينما تسعى معظم الاختبارات التقليدية إلى إثبات وجود جذر الوحدة عبر محاولة رفض فرضية العدم التي تنص على عدم السكون، يأتي اختبار KPSS ليعمل من الاتجاه المعاكس تماماً، حيث يختبر ما إذا كانت البيانات تتوافق مع فرضية السكون كفرضية عدم. يتيح هذا الموقع المنهجي المزدوج استخدام KPSS جنباً إلى جنب مع الاختبارات الكلاسيكية لتحقيق تأكيد قاطع حول الخصائص الديناميكية للسلسلة الزمنية موضوع الدراسة.

2. الأسس النظرية لاختبار كفاياتكوفسكي-فيليبس-شميت-شين (KPSS)

2.1 الخلفية التاريخية والرياضية لاختبار KPSS

تم تقديم اختبار KPSS لأول مرة في عام 1992 عبر ورقة بحثية رائدة نشرها الباحثون دينيس كفاياتكوفسكي، وبيتر فيليبس، وبيتر شميت، ويونغشين شين في Journal of Econometrics. جاء تطوير هذا الاختبار استجابة مباشرة للقصور الملحوظ في قوة اختبارات جذور الوحدة التقليدية السائدة آنذاك، والتي كانت تعاني من ضعف القدرة الإحصائية على التمييز بين العمليات المستقرة والعمليات القريبة جداً من جذر الوحدة، لا سيما في العينات الصغيرة ومتوسطة الحجم.

يقوم الأساس الرياضي للاختبار على تفكيك السلسلة الزمنية المشاهدة إلى ثلاثة مكونات هيكلية منفصلة وفق النموذج الخطي التالي: تتكون السلسلة من اتجاه حتمي، ومسار عشوائي نقي، وحد خطأ عشوائي مستقر. يتم التعبير عن المسار العشوائي كعملية تراكمية لصدمات عشوائية مستقلة ومتماثلة التوزيع بمتوسط صفري وتباين محدد. بناءً على هذا التفكيك، تصبح مسألة استقرار السلسلة الزمنية مكافئة لاختبار ما إذا كان تباين صدمات المسار العشوائي مساوياً للصفر تماماً؛ فإذا كان التباين صفراً، يتلاشى المسار العشوائي ويتحول إلى مجرد قيمة ثابتة، وتصبح السلسلة مستقرة حول اتجاهها الحتمي.

إذا كان تباين صدمات المسار العشوائي أكبر من الصفر، فإن هذا المكون يكتسب ديناميكية عشوائية تراكمية تجعل السلسلة غير مستقرة وتحتوي على جذر الوحدة. وبذلك استطاع الباحثون تحويل مسألة اختبار السكون إلى اختبار فرضية تقييد معلمة التباين في إطار نماذج المكونات غير المشاهدة، مما أتاح إطاراً تحليلياً متيناً يعتمد على نظرية اختبار مضاعف لاجرانج في تقدير المعلمات ونمذجة السلاسل الزمنية.

2.2 آلية عمل إحصائية الاختبار

تبدأ آلية عمل إحصائية اختبار KPSS بتقدير انحدار المربعات الصغرى العادية للسلسلة الزمنية على حد ثابت بمفرده، أو على حد ثابت مع اتجاه زمني خطي، لاستخراج سلسلة البواقي الناتجة. بعد الحصول على هذه البواقي، يتم حساب متتالية المجاميع التراكمية للبواقي الجزئية من بداية العينة وحتى كل نقطة زمنية متتالية. يعكس هذا المجموع التراكمي مدى تركز الانحرافات عن خط الانحدار وتراكمها بشكل غير عشوائي عبر مسار السلسلة.

تُعرّف إحصائية الاختبار الرياضية بأنها حاصل قسمة المجموع الموزون لمربعات هذه المجاميع التراكمية مقسوماً على مربع حجم العينة ومقسوماً أيضاً على تقدير متسق لتباين المدى الطويل لأخطاء الانحدار. يلعب تباين المدى الطويل دوراً محورياً في معادلة الاختبار؛ إذ إنه لا يكتفي بحساب التباين المتزامن للأخطاء، بل يصحح بصورة غير معلَمية للارتباط الذاتي المحتمل عبر الفترات الزمنية المختلفة، مما يضمن ثبات التوزيع التقاربي للإحصائية تحت فرضية العدم.

لتقدير تباين المدى الطويل بشكل غير معلَمي، يُستخدم عادة مقدر نيووي-ويست الذي يعتمد على دوال الترجيح الطيفية مثل نواة بارتليت. تقوم نواة بارتليت بإعطاء أوزان متناقصة خطياً للتغايرات الذاتية كلما زادت فترة الإبطاء الزمني، مما يضمن الحصول على تقدير موجب وثابت لتباين المدى الطويل حتى مع وجود ارتباطات ذاتية معقدة في البواقي، وبما يكفل دقة الإحصائية المحسوبة ومطابقتها للتوزيعات المقاربة النظرية.

2.3 الافتراضات الأساسية التي يقوم عليها الاختبار

يستند اختبار KPSS إلى مجموعة من الافتراضات الإحصائية الصارمة التي تحدد نطاق تطبيقه وصحة استنتاجاته. يُفترض أولاً أن الأخطاء العشوائية الناتجة عن نموذج الانحدار مستقرة وتخضع لشروط الانتظام والتوزيع المقارب، بحيث تتلاشى الارتباطات الذاتية بين الأخطاء المتباعدة زمنياً بسرعة كافية تسمح بانطباق نظرية الغايات المركزية الوظيفية. كما يُفترض أن العلاقة بين المتغير والزمن علاقة خطية منتظمة تحت نموذج استقرار الاتجاه.

يتأثر الاختبار بشكل ملحوظ بحجم العينة المتاحة للتحليل؛ ففي العينات الصغيرة جداً، قد يواجه تقدير تباين المدى الطويل تشوهاً بسبب قلة درجات الحرية وصعوبة التقاط الارتباطات الذاتية العميقة، مما قد يؤدي إلى تضخيم معدل الخطأ من النوع الأول أو انخفاض القوة الإحصائية. علاوة على ذلك، فإن اختيار عرض الحزمة أو عدد فترات الإبطاء في نواة بارتليت يمثل موازنة دقيقة بين التحيز والتباين في تقدير الإحصائية المحسوبة.

تُعد حساسية اختبار KPSS لوجود الفواصل الهيكلية في البيانات من أهم محدداته النظرية؛ إذ أثبتت الدراسات القياسية أن وجود انكسار هيكلي مفاجئ في المتوسط أو الاتجاه العام داخل السلسلة المستقرة يؤدي إلى سلوك البواقي وكأنها مسار عشوائي متراكم. ينتج عن ذلك تضخيم هائل في إحصائية KPSS المحسوبة، مما يقود إلى رفض فرضية السكون بشكل زائف والاعتقاد الخاطئ بوجود جذر الوحدة، وهي ظاهرة تستوجب فحص استقرار البنية الهيكلية قبل الجزم بنتائج الاختبار.

3. الفرضيات الإحصائية لاختبار KPSS وقواعد اتخاذ القرار

3.1 صياغة فرضية العدم والفرضية البديلة

تتميز البنية المنطقية لاختبار KPSS بتباين فلسفي جذري مقارنة باختبارات جذور الوحدة التقليدية مثل اختبار ديكي-فولر المعزز أو اختبار فيليبس-بيرون. ففي الاختبارات الكلاسيكية، تُمثل فرضية العدم الحالة السلبية التي تفترض أن السلسلة تحتوي على جذر الوحدة وغير مستقرة، ولا يتم استنتاج السكون إلا عند توافر أدلة إحصائية قاطعة ترفض هذا العدم. أما في اختبار KPSS، فتُصاغ الفرضيات على النحو المقابل تماماً:

• فرضية العدم: السلسلة الزمنية مستقرة تماماً حول مستوى ثابت أو مستقرة حول اتجاه عام خطي محدد، أي أن تباين الصدمات العشوائية التراكمية يساوي الصفر.
• الفرضية البديلة: السلسلة الزمنية غير مستقرة وتحتوي على جذر الوحدة، مما يعني أن تباين الصدمات العشوائية التراكمية أكبر قطعاً من الصفر وأن السلسلة تتبع مساراً عشوائياً.

يوفر هذا التأسيس المنهجي حماية قوية ضد إعلان عدم الاستقرار دون مبرر إحصائي كافٍ؛ إذ يتعامل الاختبار مع السكون بوصفه الوضع الطبيعي المفترض للظاهرة ما لم تظهر البيانات نمطاً عشوائياً تراكمياً يرجح كفة الفرضية البديلة. ويُعد هذا التوجه مفيداً جداً في العلوم التي تفترض نظرياً وجود قوى توازنية تعيد المتغيرات إلى مساراتها الطبيعية بعد التعرض للصدمات المؤقتة.

3.2 معايير رفض وقبول فرضية العدم

يرتكز اتخاذ القرار الإحصائي في اختبار KPSS على مقارنة القيمة المحسوبة لإحصائية الاختبار بالقيم الحرجة المستخرجة من التوزيعات الاحتمالية غير المعيارية التي وثقها كفاياتكوفسكي وزملاؤه عبر المحاكاة الرقمية. نظراً لأن التوزيع المقارب لإحصائية الاختبار يعتمد على تكاملات جسور براون، فإن التوزيع الناتج يكون ملتفاً نحو اليمين ومختلفاً عن التوزيعات الكلاسيكية مثل توزيع ستيودنت أو التوزيع الطبيعي.

تتم عملية اتخاذ القرار من خلال فحص ما إذا كانت الإحصائية المحسوبة تتجاوز القيمة الحرجة عند مستوى الدلالة المختار؛ فإذا كانت إحصائية الاختبار أكبر من القيمة الحرجة المقابلة لمستوى دلالة محدد (مثل 5% أو 1%)، فإن الباحث يرفض فرضية العدم ويستنتج أن السلسلة غير مستقرة وتحتوي على جذر الوحدة. أما إذا كانت الإحصائية المحسوبة أصغر من القيمة الحرجة، فإن الباحث يفشل في رفض فرضية العدم ويقبل فرضية استقرار السلسلة.

تتكامل هذه المقارنة مع استخدام القيمة الاحتمالية، حيث تشير القيمة الاحتمالية الصغرى، التي تقل عن مستوى الدلالة الاسمي المعتمد، إلى وجود أدلة إحصائية كافية لرفض السكون. توفر الجداول القياسية قيماً حرجة محددة تختلف بحسب طبيعة النموذج المفترض، سواء كان نموذج الاستقرار حول المستوى الثابت الذي تكون قيمه الحرجة أعلى نسبياً، أو نموذج الاستقرار حول الاتجاه الذي يخضع لمعايير توزيعية مختلفة تماماً تناسب وجود المتغير الزمني الخطي.

3.3 مصفوفة القرارات والنتائج المحتملة

يتطلب التحليل الدقيق لبنية القرارات الإحصائية في اختبار KPSS فهماً عميقاً للمصفوفة الاحتمالية التي تحكم قبول أو رفض فرضية السكون، وإدارة المخاطر المرتبطة بالخطأ من النوع الأول والنوع الثاني. يمثل الخطأ من النوع الأول هنا رفض فرضية السكون بينما السلسلة في الواقع مستقرة، وهو ما قد يدفع الباحث إلى تطبيق تحويلات غير ضرورية مثل الفروق التي تشوه خواص البيانات الأصلية وتفقد النموذج معلومات المدى الطويل.

في المقابل، يتمثل الخطأ من النوع الثاني في الفشل في رفض فرضية السكون عندما تكون السلسلة في الحقيقة غير مستقرة وتحتوي على جذر الوحدة، وتزداد احتمالية هذا الخطأ في العينات الصغيرة أو عند اختيار عدد مفرط من فترات الإبطاء في تقدير تباين المدى الطويل، مما يؤدي إلى انخفاض مصطنع في قيمة إحصائية الاختبار وقبول زائف للاستقرار، وبالتالي بناء نماذج تنبؤية غير متسقة تعاني من الانحدار الزائف.

لتوضيح قواعد اتخاذ القرار بشكل قاطع، يلخص الجدول المنهجي التالي الاستنتاجات الإحصائية المترتبة على مخرجات الاختبار ومستويات المقارنة المعيارية:

• الحالة الأولى: إحصائية الاختبار أقل من القيمة الحرجة عند مستوى 5% (والقيمة الاحتمالية أكبر من أو تساوي 0.05). القرار: الفشل في رفض فرضية العدم، والاستنتاج أن السلسلة مستقرة إحصائياً عند مستوى الثقة 95%.
• الحالة الثانية: إحصائية الاختبار أكبر من القيمة الحرجة عند مستوى 5% (والقيمة الاحتمالية أقل من 0.05). القرار: رفض فرضية العدم، والاستنتاج أن السلسلة غير مستقرة وتحتوي على جذر الوحدة.
• الحالة الثالثة: إحصائية الاختبار تقع بين القيمة الحرجة لمستوى 10% ومستوى 1%. يقتضي ذلك توخي الحذر الشديد وفحص حساسية النموذج، مع الاستعانة باختبارات مكملة لحسم الموقف.

4. إعداد بيئة بايثون وتجهيز المكتبات الإحصائية اللازمة

4.1 تثبيت وضبط بيئة العمل البرمجية

تتطلب المعالجة الإحصائية المتقدمة للسلاسل الزمنية إعداد بيئة برمجية متكاملة تضمن دقة العمليات الحسابية وتوفر إمكانيات التحليل الرياضي والتصوير البياني عالي الجودة. تُعد لغة بايثون البيئة الرائدة عالمياً في هذا المضمار بفضل منظومتها الغنية بالمكتبات العلمية المتخصصة. لتنفيذ اختبار KPSS والنماذج المرافقة له، نعتمد على أربع حزم أساسية تشكل العمود الفقري للتحليل الإحصائي الحديث.

تتمثل هذه الحزم في مكتبة NumPy المخصصة للعمليات الجبرية ومصفوفات البيانات متعددة الأبعاد، ومكتبة Pandas التي تقدم هياكل بيانات مرنة مثل السلاسل الزمنية وجداول البيانات مع أدوات فائقة للتعامل مع الفهارس الزمنية، ومكتبة Matplotlib وSeaborn لإنشاء المخططات والرسوم البيانية التشخيصية، ومكتبة Statsmodels التي تُعتبر الحزمة القياسية الأهم للنمذجة الإحصائية واختبارات الاقتصاد القياسي في بايثون.

لضمان استقرار العمل البرمجي وتفادي تضارب الإصدارات، يُوصى بإنشاء بيئة افتراضية معزولة باستخدام أدوات مثل Conda أو venv، والتحقق من تنصيب إصدارات متوافقة مع بايثون 3.8 فما فوق. كما يُفضل استخدام بيئات تفاعلية مثل Jupyter Notebook أو JupyterLab التي تسمح بتشغيل الأكواد بصورة مجزأة وتوثيق الملاحظات الإحصائية وتوليد الرسوم البيانية في تدفق تحليلي متصل وسهل المراجعة.

4.2 استيراد الدوال الخاصة باختبار KPSS

بعد تجهيز بيئة العمل، تأتي خطوة استيراد الدوال والأدوات المحددة التي سنعتمد عليها في التحليل. تحتوي وحدة الأدوات الإحصائية للسلاسل الزمنية داخل مكتبة Statsmodels على دالة مخصصة لاختبار KPSS تُعرف بالاسم البرمجي الدقيق المباشر. يتم استيراد هذه الدالة بالتوازي مع استيراد الأدوات المساعدة للتعامل مع الأرقام العشوائية وتوليد السلاسل الزمنية المعيارية التي سنستخدمها في التطبيقات العملية اللاحقة.

يتطلب العمل العلمي القابل لإعادة الإنتاج ضبط المولد العشوائي للأرقام في بايثون عبر تعيين قيمة بذرة عشوائية محددة باستخدام مكتبة NumPy. يضمن هذا الإجراء المنهجي حصول أي باحث أو مراجع خارجي على نفس السلاسل الرقمية الدقيقة ونفس نتائج الاختبارات الإحصائية عند تنفيذ الأكواد، مما يرسخ مبدأ الشفافية وإمكانية التحقق في البحث العلمي والتحليل الإحصائي.

يتضمن الإعداد البرمجي أيضاً ضبط تفضيلات العرض لمكتبة الرسوم البيانية، مثل اختيار الأنماط الجمالية الواضحة وضبط دقة المخططات وحجم الخطوط، لضمان ظهور الرسوم البيانية التشخيصية للسلاسل الزمنية والمجاميع التراكمية للبواقي بأعلى درجات الوضوح والاحترافية الأكاديمية.

5. التطبيق العملي: إجراء اختبار KPSS على سلسلة زمنية مستقرة في بايثون

5.1 توليد ورسم البيانات المستقرة عشوائياً

لتطبيق اختبار KPSS عملياً وفهم سلوك مخرجاته على البيانات المستقرة، سنقوم أولاً بتوليد سلسلة زمنية معيارية تمثل عملية ضوضاء بيضاء مستقرة تماماً. تتكون هذه السلسلة من مشاهدات عشوائية مستقلة مستخرجة من توزيع طبيعي قياسي بمتوسط حسابي يساوي صفراً وانحراف معياري يساوي واحداً، مع اختيار حجم عينة مناسب يبلغ 500 مشاهدة زمنية متتالية لتمثيل سلوك العينات المتوسطة والكبيرة.

عند رسم هذه السلسلة بيانياً مقابل الزمن، يلاحظ المحلل تذبذب المشاهدات باستمرار حول خط الصفر الأفقي دون وجود أي انحراف مستمر أو اتجاه تصاعدي أو تنازلي طويل الأجل. كما يظهر التباين ثابتاً تماماً عبر كامل النطاق الزمني، حيث تنحصر الغالبية العظمى من التذبذبات ضمن النطاق المتوقع للتوزيع الطبيعي، مما يؤكد بصرياً أن الخصائص التوليدية للعملية لا تتبع مساراً تراكمياً بل تعود دائماً وبسرعة إلى مستوى توازنها الأصلي.

تُعد هذه السلسلة المثال النمطي للعملية المستقرة من الدرجة الصفرية، حيث تكون جميع الارتباطات الذاتية النظرية عند فترات الإبطاء الأكبر من الصفر مساوية تماماً للصفر، مما يجعلها الحالة المثالية لفحص كفاءة اختبار KPSS في تأكيد فرضية العدم المتعلقة بالسكون.

5.2 تنفيذ دالة kpss وتمرير المعاملات المحددة

يتم تنفيذ الاختبار الإحصائي في بايثون من خلال استدعاء الدالة المباشرة وتمرير مصفوفة البيانات الزمنية التي تم توليدها. تتطلب الدالة تحديد نوع الانحدار المراد استخدامه كمعامل أساسي؛ وبما أن السلسلة تتذبذب حول متوسط ثابت بدون اتجاه عام، فإننا نحدد خيار الانحدار ليكون الاستقرار حول المستوى الثابت فقط عبر تمرير المعامل البرمجي المخصص للثابت.

تقوم الدالة بمعالجة السلسلة داخلياً عبر تقدير انحدار المربعات الصغرى على الحد الثابت، واستخراج البواقي، وحساب المجاميع التراكمية، ومن ثم تقدير تباين المدى الطويل باستخدام نواة بارتليت وضبط عدد فترات الإبطاء آلياً وفق الخوارزمية القياسية المتضمنة في الحزمة الإحصائية. تُرجع الدالة بعد انتهاء الحسابات بنية بيانات تحتوي على أربعة عناصر متتالية تلخص نتائج الاختبار بدقة.

تتمثل هذه العناصر الأربعة في: القيمة العددية لإحصائية اختبار KPSS المحسوبة، والقيمة الاحتمالية التقريبية الناتجة عن مقارنة الإحصائية بجداول التوزيع المقارب، وعدد فترات الإبطاء المستخدمة فعلياً في تقدير تباين المدى الطويل، وقاموس بايثون متكامل يضم القيم الحرجة النظرية المناظرة لمستويات الدلالة الإحصائية الأكثر شيوعاً، وهي 10% و5% و2.5% و1%.

5.3 تحليل وتفسير مخرجات السلسلة المستقرة

عند فحص المخرجات الرقمية الناتجة عن تنفيذ الاختبار على سلسلة الضوضاء البيضاء، تظهر إحصائية الاختبار المحسوبة بقيمة منخفضة جداً تقترب من الصفر، وهي قيمة تقل بمراحل عن القيمة الحرجة عند مستوى دلالة 5% (والتي تبلغ حوالي 0.463 لنموذج الثابت). يتزامن هذا الانخفاض الكبير في قيمة الإحصائية مع حصولنا على قيمة احتمالية مرتفعة تتجاوز بكثير العتبة القياسية 0.05، وغالباً ما تسجل الدالة القيمة القصوى المجدولة التي تبلغ 0.10.

يقود هذا التقييم الإحصائي إلى قرار حاسم لا لبس فيه: الفشل في رفض فرضية العدم. وبما أن فرضية العدم في اختبار KPSS تنص صراحة على أن السلسلة مستقرة، فإن الفشل في رفضها يمثل دليلاً إحصائياً قوياً يدعم استقرار السلسلة الزمنية وملاءمتها للنمذجة المباشرة دون الحاجة إلى تطبيق أي عمليات تفريق أو معالجة لتحويل البيانات.

يؤكد هذا التطبيق العملي التناغم التام بين الفحص البصري الأولي والمخرجات الكمية الدقيقة للاختبار؛ حيث أثبت الاختبار أن الانحرافات اللحظية للبواقي لم تتراكم بمرور الوقت ولم تشكل مساراً عشوائياً، مما يجعل السلسلة مثالاً نموذجياً للاستقرار حول المتوسط الثابت القابل للتنبؤ الإحصائي المتسق.

6. التطبيق العملي: إجراء اختبار KPSS على سلسلة زمنية غير مستقرة

6.1 بناء سلسلة زمنية غير مستقرة ذات اتجاه عام ومسار عشوائي

لفحص الجانب الآخر من قدرة الاختبار الإحصائية، سنقوم الآن ببناء سلسلة زمنية غير مستقرة تحاكي السلوك الديناميكي الشائع في المتغيرات الاقتصادية والمالية الكلية مثل أسعار الأسهم أو الناتج المحلي الإجمالي. يتم توليد هذه السلسلة من خلال بناء مسار عشوائي تراكمي، حيث تُحسب كل نقطة زمنية جديدة بوصفها حاصل جمع القيمة السابقة مضافاً إليها صدمة عشوائية جديدة، مع إضافة حد انجراف خطي طفيف يعطي السلسلة اتجاهاً عاماً تصاعدياً عبر الزمن.

رياضياً، تُمثل هذه العملية سلسلة زمنية متكاملة من الدرجة الأولى، حيث تمتلك جذراً أحادياً حقيقياً يجعل تأثير الصدمات العشوائية مستمراً ولا يتلاشى أبداً. عند تمثيل هذه السلسلة بيانياً، يظهر بوضوح ابتعاد المسار الزمني عن خط البداية بشكل متزايد ومستمر، وتغير المتوسط الحسابي عبر الفترات الزمنية المختلفة، مع اتساع نطاق التذبذبات مقارنة بنقطة الانطلاق الأصلية.

يكشف الفحص البصري لهذه السلسلة بوضوح عن غياب السكون بمفهوميه الصارم والضعيف؛ إذ إن المتوسط ليس ثابتاً، والتباين يتزايد بصورة طردية مع تقدم الزمن، ودالة الارتباط الذاتي لا تتلاشى بسرعة بل تظل مرتفعة جداً وقريبة من الواحد الصحيح لفترات إبطاء طويلة، مما يجعلها بيئة اختبارية مثالية للتحقق من قدرة دالة KPSS على كشف عدم الاستقرار ورفض فرضية العدم.

6.2 تنفيذ الاختبار على البيانات المتغيرة عبر الزمن

نقوم بتنفيذ اختبار KPSS على هذه السلسلة المتراكمة غير المستقرة من خلال استدعاء نفس الدالة البرمجية في بايثون. في هذه المرة، وبسبب وجود اتجاه تصاعدي واضح في البيانات، يمكن للمحلل تجربة نموذج الاستقرار حول الثابت لملاحظة كيف يتعامل الاختبار مع الاتجاه غير المعالج، أو تجربة نموذج الاستقرار حول الاتجاه لفحص ما إذا كان المسار العشوائي سيظل غير مستقر حتى بعد احتساب المتغير الزمني الخطي.

عند تشغيل الدالة على السلسلة ذات المسار العشوائي، تُجري الخوارزمية حساباتها عبر استخراج بواقي الانحدار وحساب المجاميع التراكمية التي تبدأ في التضخم الهائل عبر الزمن نتيجة تراكم الصدمات المستمرة في اتجاه واحد دون العودة للتوازن. ينعكس هذا التراكم الرياضي مباشرة وبشكل دراماتيكي على القيمة النهائية لإحصائية الاختبار المحسوبة.

تُظهر مخرجات التنفيذ البرمجي قفزة هائلة في قيمة إحصائية KPSS، حيث تسجل أرقاماً مرتفعة جداً تتجاوز بكثير جميع القيم الحرجة المجدولة، ليس فقط عند مستوى دلالة 10% أو 5%، بل تتخطى أيضاً القيمة الحرجة الصارمة لمستوى دلالة 1%، مما يشير إلى أن البيانات تتعارض كلياً مع التوزيع المفترض تحت فرضية السكون.

6.3 استنتاج عدم الاستقرار ورفض فرضية العدم

يترتب على هذه النتائج الرقمية انخفاض حاد ومباشر في القيمة الاحتمالية المرافقة للإحصائية، حيث تنخفض إلى أدنى المستويات الممكنة في جداول الاختبار (والتي تسجل عادة القيمة الصغرى المجدولة 0.01 في مخرجات Statsmodels)، مصحوبة برسالة تحذيرية تفيد بأن القيمة الحقيقية أصغر من أصغر قيمة مجدولة في المراجع القياسية.

بمقارنة إحصائية الاختبار بالقيمة الحرجة، نجد أن الإحصائية المحسوبة أعلى بكثير من العتبة الحرجة، مما يفرض على الباحث قراراً إحصائياً قاطعاً برفض فرضية العدم عند كافة مستويات الدلالة المعيارية. يؤكد هذا الرفض أن السلسلة الزمنية غير مستقرة وتحتوي على جذر الوحدة، وأن أي محاولة لنمذجتها بصورتها الخام ستؤدي حتماً إلى الوقوع في فخ الانحدار الزائف وتقديرات غير متسقة.

يقودنا هذا الاستنتاج العملي إلى التوثيق المنهجي لخصائص السلسلة بوصفها عملية غير ساكنة تحتاج إلى معالجة هيكلية، مثل أخذ الفروق من الدرجة الأولى أو تطبيق تحويلات تثبيت التباين، قبل استخدامها في النماذج الاقتصادية أو السلوكية المتقدمة، مما يبرز الأهمية التشخيصية الحاسمة لاختبار KPSS في الكشف عن العمليات المتكاملة.

7. التحليل العميق لمعاملات دالة kpss في مكتبة Statsmodels

7.1 اختيار نوع الانحدار (regression=’c’ مقابل regression=’ct’)

يُمثل معامل الانحدار أحد أهم المعاملات الجوهرية في دالة KPSS ضمن مكتبة Statsmodels، حيث يحدد النموذج الرياضي الدقيق الذي تُحسب البواقي على أساسه لاختبار فرضية السكون. يتيح هذا المعامل خيارين رئيسيين يعكسان فرضيتين نظريتين مختلفتين حول طبيعة السلسلة الزمنية:

• الخيار الأول (regression=’c’): يُستخدم لاختبار السكون حول مستوى ثابت؛ حيث يفترض النموذج أن السلسلة لا تحتوي على أي اتجاه زمني حتمي، وأن تذبذبها يدور حصراً حول متوسط حسابي ثابت عبر الزمن. تُحسب البواقي هنا عن طريق طرح المتوسط الحسابي البسيط من قيم السلسلة.
• الخيار الثاني (regression=’ct’): يُستخدم لاختبار السكون حول اتجاه عام حتمي؛ حيث يفترض النموذج أن السلسلة تحتوي على نمط نمو أو انحدار خطي منتظم مع الزمن. يقوم الاختبار في هذه الحالة بتقدير انحدار خطي يشمل الثابت ومتغير الزمن معاً، ثم يفحص استقرار البواقي المتبقية بعد عزل هذا الاتجاه الحتمي.

يؤثر اختيار نوع الانحدار تأثيراً مباشراً على مصفوفة القيم الحرجة المطبقة؛ فالقيم الحرجة لنموذج الاتجاه تكون دائماً أصغر وأكثر صرامة من قيم نموذج الثابت، نظراً لأن إدخال متغير الزمن يستهلك درجة إضافية من درجات الحرية ويغير التوزيع التقاربي لإحصائية الاختبار. يتطلب الاستخدام المنهجي السليم فحص الرسم البياني للبيانات أولاً لتحديد ما إذا كان هناك اتجاه بصري يبرر استخدام خيار الاتجاه، لتجنب سوء توصيف النموذج الأساسي.

7.2 التحكم في عدد فترات الإبطاء (nlags parameter)

يلعب معامل عدد فترات الإبطاء دوراً حاسماً ومحورياً في دقة إحصائية KPSS، حيث يتحكم في المدى الزمني للارتباطات الذاتية التي تُدمج في حساب تباين المدى الطويل باستخدام نواة بارتليت. إن التقدير غير الدقيق لتباين المدى الطويل يُعد المصدر الرئيسي لتشوه نتائج الاختبار وانحراف معدلات رفض فرضية العدم عن مستوياتها النظرية.

توفر مكتبة Statsmodels إمكانية الضبط التلقائي لهذا المعامل عبر الخيار المعياري الافتراضي المستند إلى خوارزمية Hobijn et al. (1998). تقوم هذه الخوارزمية باختيار عدد فترات الإبطاء المثلى اعتماداً على بنية الارتباط الذاتي المقدرة في البيانات وحجم العينة، مما يضمن التوازن الإحصائي بين تقليل التحيز في تقدير التباين والحفاظ على كفاءة الاختبار وتجنب فقدان درجات الحرية.

يمكن للمحلل أيضاً تحديد عدد فترات الإبطاء يدوياً بتمرير رقم صحيح صريح. ومع ذلك، ينطوي التحديد اليدوي على مخاطر منهجية؛ فاختيار عدد قليل جداً من الإبطاءات في وجود ارتباط ذاتي قوي يقود إلى تضخيم زائف لإحصائية الاختبار ورفض مفرط للسكون، بينما يؤدي اختيار عدد كبير جداً من الإبطاءات إلى إضعاف القوة الإحصائية للاختبار وجعله عاجزاً عن كشف عدم الاستقرار الحقيقي في العينة.

7.3 معالجة رسائل التحذير مثل InterpolationWarning

يواجه مستخدمو دالة KPSS في بايثون بصورة متكررة رسالة تحذيرية قياسية صادرة عن مكتبة Statsmodels تُعرف باسم تحذير الاستيفاء الداخلي. تظهر هذه الرسالة البرمجية عندما تقع إحصائية الاختبار المحسوبة خارج النطاق الرقمي لجداول القيم الاحتمالية المتاحة في الأدبيات القياسية والمضمنة داخل الحزمة الإحصائية.

تقتصر الجداول القياسية المرجعية لاختبار KPSS على حصر القيم الاحتمالية بدقة داخل النطاق المغلق بين 0.01 و0.10. فإذا كانت إحصائية الاختبار المحسوبة منخفضة للغاية وتشير إلى استقرار قطعي فائق، تعجز دالة الاستيفاء عن حساب القيمة الدقيقة فتقوم بتثبيت القيمة الاحتمالية عند حدها الأقصى المجدول 0.10 مع إطلاق تحذير يفيد بأن القيمة الحقيقية أكبر من هذا الرقم. وبالمثل، إذا كانت الإحصائية ضخمة جداً وتشير إلى عدم استقرار صارخ، تُثبت القيمة عند 0.01 مع تحذير بأن القيمة الحقيقية أصغر من ذلك.

لا يمثل هذا التحذير خطأً برمجياً أو خللاً في البيانات، بل هو تأكيد إحصائي على أن النتيجة متطرفة وواضحة جداً في دلالتها. يجب على الباحث التعامل مع هذه الحالة المنهجية بالاعتماد المباشر على مقارنة إحصائية الاختبار المحسوبة بالقيم الحرجة المجدولة لقاموس المخرجات، وتوثيق أن القيمة الاحتمالية تقل عن 0.01 أو تزيد عن 0.10 في تقرير النتائج الإحصائية بدلاً من محاولة إخفاء التحذير أو اعتباره عيباً في الكود.

8. المقارنة المنهجية والتكاملية بين اختباري KPSS و ADF

8.1 أوجه الاختلاف الجوهرية في الفرضيات بين الاختبارين

تُمثل العلاقة بين اختبار كفاياتكوفسكي-فيليبس-شميت-شين واختبار ديكي-فولر المعزز (ADF) نموذجاً فريداً للتكامل المعرفي في الاقتصاد القياسي المعاصر؛ حيث يعالج كل اختبار مسألة استقرار السلسلة الزمنية من زاوية إبستمولوجية وفرضية إحصائية مناقضة تماماً للأخرى. لفهم الفروق الجوهرية، يجب تفكيك الهيكل المنطقي لفرضيات كل منهما:

في اختبار ADF، تكون فرضية العدم هي أن السلسلة الزمنية غير مستقرة وتحتوي على جذر الوحدة، بينما تنص الفرضية البديلة على أن السلسلة مستقرة. هذا يعني أن عبء الإثبات يقع على عاتق السكون؛ فلا يُحكم باستقرار السلسلة إلا إذا كانت الأدلة قوية بما يكفي لرفض جذر الوحدة عند مستوى دلالة صارم. وبما أن اختبار ADF يعاني من ضعف القوة في العينات الصغيرة أو العمليات القريبة من جذر الوحدة، فإنه يميل إلى الفشل في رفض العدم والاعتقاد غير الدقيق بوجود جذر الوحدة.

في المقابل، يضع اختبار KPSS عبء الإثبات على عدم الاستقرار؛ حيث تكون فرضية العدم هي أن السلسلة مستقرة، والبديلة هي احتوائها على جذر الوحدة. هذا الاختلاف الجذري يعني أن الفشل في رفض العدم في اختبار ADF لا يثبت عدم الاستقرار بصورة قطعية، بل قد يعكس فقط عجز الاختبار، تماماً كما أن الفشل في رفض العدم في KPSS قد يعكس قوة محدودة. ومن هنا، يصبح استخدام الاختبارين معاً ضرورة منهجية لا غنى عنها لتحقيق فحص متوازن وتوكيدي.

8.2 مصفوفة الحالات الأربع للدمج بين KPSS و ADF

عند تطبيق اختباري ADF وKPSS بالتوازي على نفس السلسلة الزمنية، ينتج عن تقاطع قراراتهما مصفوفة رباعية متكاملة تمنح الباحث تشخيصاً دقيقاً وحاسماً لطبيعة البيانات، وتحدد الخطوة التالية في معالجة النموذج. يلخص التحليل القياسي هذه الحالات الأربع على النحو التالي:

• الحالة الأولى (استقرار قطعي ومؤكد): رفض فرضية العدم في اختبار ADF (تأكيد السكون) مع الفشل في رفض فرضية العدم في اختبار KPSS (تأكيد السكون). تدل هذه النتيجة المتوافقة على أن السلسلة مستقرة بنسبة يقين إحصائي عالية جداً وجاهزة للنمذجة المباشرة.
• الحالة الثانية (عدم استقرار قطعي – جذر الوحدة): الفشل في رفض فرضية العدم في ADF (احتمال وجود جذر الوحدة) مع رفض فرضية العدم في KPSS (رفض السكون). تؤكد هذه النتيجة أن السلسلة غير مستقرة وتحتوي على جذر الوحدة، مما يستوجب حتماً أخذ الفروق لمعالجتها.
• الحالة الثالثة (استقرار الاتجاه أو ضعف القوة): رفض فرضية العدم في كلا الاختبارين معاً. تشير هذه الحالة المتناقضة ظاهرياً إلى أن السلسلة غالباً ما تكون مستقرة حول اتجاه عام خطي وليس حول مستوى ثابت؛ حيث يرفض ADF جذر الوحدة بعد احتساب الاتجاه بينما يرفض KPSS السكون حول المتوسط، ويُحل التعارض بإعادة فحص السلسلة باستخدام نموذج الاتجاه.
• الحالة الرابعة (غموض النتائج وعدم كفاية البيانات): الفشل في رفض فرضية العدم في كلا الاختبارين معاً. تدل هذه الحالة على أن البيانات لا تحتوي على معلومات كافية لحسم مسألة السكون، وغالباً ما تنتج عن صغر حجم العينة الشديد أو وجود فواصل هيكلية معقدة في السلسلة تشوش على التوزيعات الإحصائية.

8.3 بناء خوارزمية قرار مدمجة لاختبار السلاسل الزمنية في بايثون

لتحويل هذه المصفوفة المنهجية إلى أداة عملية قابلة للتطبيق المؤتمت، يمكن للمحلل البرمجي كتابة دالة مخصصة في بايثون تستدعي دالتي adfuller وkpss معاً، وتقوم بتحليل المخرجات الإحصائية تلقائياً وتطبيق القواعد المنطقية لمصفوفة الحالات الأربع. يضمن هذا الإجراء رفع كفاءة التحليل الاستكشافي المسبق للبيانات وتقليل احتمالات الخطأ البشري في قراءة الجداول المتعددة.

تستقبل الخوارزمية المقترحة السلسلة الزمنية كمدخل، وتنفذ اختبار ADF مستخرجة القيمة الاحتمالية وتقارنها بالعتبة 0.05، ثم تنفذ اختبار KPSS بنفس مستوى الدلالة وتستخرج قراره الإحصائي. بعد ذلك، تمرر النتائج عبر شروط منطقية متتالية لتحديد تصنيف السلسلة بدقة وطباعة تقرير تشخيصي شامل يتضمن القيم الرقمية والتوصية المنهجية المناسبة للخطوة التالية، سواء كانت النمذجة المباشرة أو أخذ الفروق أو البحث عن الفواصل الهيكلية.

يوفر هذا الدمج البرمجي أساساً صلباً لخطوط أنابيب معالجة البيانات الضخمة في بيئات العمل الحقيقية، حيث يتطلب تحليل مئات أو آلاف السلاسل الزمنية المتوازية فحصاً آلياً دقيقاً يضمن عدم تمرير أي متغيرات غير مستقرة إلى نماذج التعلم الآلي أو النماذج القياسية الحساسة للاستقرار.

9. استراتيجيات معالجة عدم الاستقرار وتحويل السلاسل الزمنية

9.1 تطبيق أسلوب أخذ الفروق (Differencing)

يُعد أسلوب أخذ الفروق الاستراتيجية القياسية الأكثر شيوعاً وفاعلية لمعالجة السلاسل الزمنية غير المستقرة التي تحتوي على جذور الوحدة (السلاسل المستقرة بالفروق). يقوم هذا الأسلوب على استبدال القيم الأصلية للسلسلة بالتغير المحقق بين كل نقطة زمنية والنقطة السابقة لها، مما يؤدي رياضياً إلى إزالة المكون التراكمي للمسار العشوائي وتحويل السلسلة إلى عملية مستقرة من الدرجة الصفرية.

في بايثون، يُنفذ أخذ الفروق من الدرجة الأولى بسهولة فائقة باستخدام الدالة المدمجة في مكتبة Pandas. بعد حساب الفروق، تصبح الخطوة المنهجية الإلزامية هي إعادة تطبيق اختبار KPSS واختبار ADF على السلسلة الجديدة المحولة للتأكد من زوال جذر الوحدة وتحقق السكون التام. إذا ظلت السلسلة غير مستقرة، قد يلجأ الباحث إلى أخذ الفروق من الدرجة الثانية، رغم أن معظم السلاسل الاقتصادية والاجتماعية تستقر عند الدرجة الأولى.

يمتد هذا الأسلوب أيضاً لمعالجة عدم الاستقرار الموسمي عبر تطبيق الفروق الموسمية؛ حيث يتم طرح المشاهدة السابقة في نفس الفترة الموسمية (مثل طرح نفس الشهر من العام الماضي في البيانات الشهرية). يُسهم ذلك في إزالة الأنماط الدورية المتكررة التي تشوه ثبات المتوسط، مما يتيح إخضاع السلسلة لاختبار KPSS للتأكد من استقرار مكوناتها غير الموسمية.

9.2 إزالة الاتجاه العام (Detrending)

عندما يكشف اختبار KPSS عن استقرار السلسلة حول اتجاه عام حتمي وليس حول مستوى ثابت، فإن الإجراء الرياضي والمنهجي الصحيح ليس أخذ الفروق، بل إزالة الاتجاه الحتمي المباشر. يقوم أسلوب إزالة الاتجاه على تقدير نموذج انحدار خطي أو متعدد الحدود يربط قيم المتغير بالزمن باستخدام طريقة المربعات الصغرى العادية، ثم استخراج مصفوفة البواقي المتبقية.

تُمثل هذه البواقي السلسلة الزمنية بعد تنقيتها تماماً من المركبة الاتجاهية الحتمية. في بايثون، يمكن تطبيق هذا الإجراء برمجياً إما عبر مكتبة Statsmodels باستخدام انحدار OLS المباشر، أو باستخدام دوال إزالة الاتجاه الجاهزة المتاحة في مكتبة SciPy الإحصائية. بعد عزل الاتجاه، يُعاد تطبيق اختبار KPSS على سلسلة البواقي باستخدام خيار الثابت البسيط للتأكد من وصولها إلى السكون التام.

يتميز أسلوب إزالة الاتجاه عن أخذ الفروق في أنه يحافظ على الذاكرة طويلة المدى للسلسلة وتفسيرها النظري الأصلي دون إدخال ترشيح اصطناعي قد يغير خصائص الترددات الطيفية للبيانات. ولذلك، يُعد المسار المفضل لدى الاقتصاديين عند التعامل مع سلاسل المؤشرات التنموية والنمو السكاني والإنتاجية العامة التي تمتلك اتجاهات حتمية واضحة ومستقرة.

9.3 التحويلات الرياضية لتثبيت التباين

لا يقتصر عدم الاستقرار على تغير المتوسط والاتجاه فحسب، بل يمتد في كثير من الأحيان إلى عدم ثبات التباين عبر الزمن، حيث تزداد حدة التذبذبات واتساعها طردياً مع نمو المستوى العام للسلسلة، وهو ما يُعرف في الأدبيات القياسية بظاهرة التباين غير المتجانس للسلاسل الزمنية. في هذه الحالات، لا يمكن لاختبار KPSS أو النماذج التنبؤية أن تعمل بكفاءة دون استقرار مسبق لتشتت البيانات.

تُمثل التحويلات اللوغاريتمية الطبيعية خط الدفاع الأول والأكثر بساطة لمعالجة التباين المتزايد؛ إذ يقوم التحويل اللوغاريتمي بضغط القيم الكبيرة وتوسيع القيم الصغيرة، مما يحول العلاقات التضاعفية إلى علاقات تجميعية خطية ويثبت تباين السلسلة عبر مختلف الفترات الزمنية. يُنفذ هذا التحويل في بايثون بسهولة باستخدام دالة اللوغاريتم في مكتبة NumPy قبل الشروع في فحص السكون أو أخذ الفروق.

في الحالات المتقدمة التي لا ينجح فيها التحويل اللوغاريتمي البسيط في تثبيت التباين، يلجأ المحللون إلى تحويل بوكس-كوكس، وهو تحويل رياضي معلَمي يحدد القوة التحويلية المثلى تلقائياً عبر تعظيم دالة الإمكانية العظمى. يُتاح هذا التحويل المتقدم في مكتبة SciPy، ويوفر حلاً مثالياً لتثبيت التباين قبل تطبيق اختبار KPSS، مما يمهد الطريق لدمج التحويل اللوغاريتمي وأخذ الفروق معاً للوصول بالسلسلة المعقدة إلى حالة السكون التام.

10. تطبيقات اختبار KPSS في تحليل البيانات السلوكية والنفسية

10.1 طبيعة السلاسل الزمنية في القياسات السيكومترية والسلوكية

شهدت العلوم النفسية والسلوكية في السنوات الأخيرة ثورة منهجية كبرى تجسدت في الانتقال من الدراسات المقطعية الثابتة إلى جمع البيانات الزمنية المكثفة داخل الأفراد عبر الزمن. وقد ساعد على ذلك انتشار تقنيات التقييم اللحظي البيئي وتطبيقات الهواتف الذكية والأجهزة القابلة للارتداء التي تسجل تقلبات الحالات المزاجية ومستويات التوتر والأعراض السريرية عدة مرات يومياً لأسابيع أو أشهر متواصلة.

تتميز هذه السلاسل الزمنية النفسية بخصائص ديناميكية فريدة ومعقدة مقارنة بالبيانات الفيزيائية أو المالية؛ حيث تتأثر بالتوازن البيولوجي والنفسي الذاتي للفرد، وعمليات التكيف التدريجي، والاستجابات الانفعالية المؤقتة للصدمات البيئية اليومية. كما تشمل القياسات السلوكية تدفقات البيانات الفسيولوجية عالية التردد مثل تقلب معدل ضربات القلب، والتوصيل الكهربائي للجلد، ومؤشرات تخطيط كهربية الدماغ، والتي تظهر تغيرات سريعة تتطلب نمذجة دقيقة للخصائص الزمنية.

يواجه الباحثون النفسيون تحديات جمة في معالجة هذه البيانات؛ فالظواهر السلوكية قد تظهر عدم استقرار ناتج عن عمليات التعلم أو الإرهاق التراكمي أو التدخلات العلاجية. ومن هنا تكتسب اختبارات السكون مثل اختبار KPSS أهمية استثنائية في التحقق مما إذا كانت العمليات النفسية للفرد تدور حول نقطة توازن مستقرة ومرنة أم أنها تتخذ مسارات تدهور أو تحسن تراكمية تعكس تحولات هيكلية في الحالة العقلية.

10.2 أهمية استقرار البيانات في دراسات القياس المتكرر

يُشكل استقرار السلسلة الزمنية شرطاً نظرياً وإحصائياً حاسماً لتطبيق النماذج الديناميكية المعاصرة في علم النفس، مثل نماذج الانحدار الذاتي المتجه متعددة المستويات وشبكات الترابط الزمني الديناميكي للأعراض النفسية. تعتمد هذه النماذج على فرضية أن معاملات التأثير والتنظيم الانفعالي المشتركة بين المتغيرات ثابتة عبر الزمن وممثلة للبنية النفسية المستقرة للشخص الخاضع للدراسة.

إذا طُبقت هذه النماذج المتقدمة على بيانات سيكومترية غير مستقرة تحتوي على جذر الوحدة أو اتجاهات غير معالجة، فإن شبكات الأعراض الناتجة ستعطي تقييمات مضللة تماماً حول الروابط السببية بين الأعراض؛ إذ قد يُفسر التغير التراكمي المشترك للتوتر والاكتئاب بوصفه تأثيراً تبادلياً مباشراً، بينما هو في الواقع مجرد انحدار زائف ناتج عن عدم السكون المشترك للمتغيرين.

يبرز اختبار KPSS كأداة تشخيصية مثالية في هذا السياق، لكونه ينطلق من فرضية توازن الحالة النفسية واستقرارها؛ حيث يساعد الباحثين في التأكد من أن استجابات المريض تعود باستمرار إلى خط الأساس الشخصي بعد زوال المثيرات البيئية. كما يتيح عزل التغيرات العلاجية الهيكلية الحقيقية عن مجرد التذبذبات الانفعالية العابرة، مما يضمن دقة وموثوقية الاستدلال السريري والسيكومتري.

10.3 دراسة حالة تطبيقية: فحص استقرار مؤشرات التوتر النفسي اليومي

لتجسيد التطبيق العملي لاختبار KPSS في النمذجة السلوكية، سنقوم بمحاكاة دراسة حالة واقعية تتضمن تتبع مؤشر التوتر النفسي لدى عينة من الأفراد على مدار 90 يوماً متتالية باستخدام تقنيات التقييم اللحظي اليومي. يتم توليد البيانات في بايثون لتمثيل مسارين سيكومتريين متباينين: الأول يمثل فرداً يتمتع بمرونة نفسية عالية تتذبذب مستويات توتره حول متوسط ثابت وسرعان ما تعود للتوازن، بينما يمثل المسار الثاني فرداً يعاني من تراكم مزمن للضغوط يقوده نحو متلازمة الاحتراق النفسي المتصاعد.

عند تنفيذ اختبار KPSS في بايثون على سلسلة الفرد الأول باستخدام نموذج الاستقرار حول الثابت، تُظهر النتائج البرمجية إحصائية اختبار منخفضة جداً وقيمة احتمالية تفوق 0.05، مما يقود إلى الفشل في رفض فرضية العدم. يُفسر هذا سيكومترياً بأن الفرد يمتلك نظاماً تنظيمياً انفعالياً مستقراً وقادراً على امتصاص الصدمات اليومية واستعادة التوازن النفسي دون الحاجة إلى تدخل علاجي هيكلي لتغيير خط الأساس.

في المقابل، عند تطبيق الاختبار على سلسلة الفرد الثاني، تسجل إحصائية KPSS قيماً مرتفعة للغاية تتجاوز الحدود الحرجة بكثير، مع هبوط القيمة الاحتمالية لأقل من 0.01، مما يفرض رفض فرضية السكون بشكل قاطع. يشير هذا الرفض الإحصائي إلى أن التوتر لا يخضع لآلية تنظيمية ذاتية مستقرة بل يتراكم على هيئة مسار عشوائي تصاعدي مستمر، مما يقدم دليلاً كمياً حاسماً للأخصائي السريري على ضرورة التدخل العلاجي الفوري لتغيير مسار الحالة قبل تفاقم الاحتراق النفسي.

11. الأخطاء المنهجية الشائعة والحلول البرمجية الموصى بها

11.1 الوقوع في خطأ قلب الفرضيات

يُعد الخلط بين البنية المنطقية لفرضيات اختبار KPSS وفرضيات اختبارات جذور الوحدة التقليدية مثل ADF الخطأ المنهجي الأكثر انتشاراً بين الباحثين ومحللي البيانات. يميل الكثيرون، بحكم اعتيادهم على اختبارات مثل ADF أو فيشر أو كولموجوروف، إلى الاعتقاد التلقائي بأن الحصول على قيمة احتمالية صغيرة تدل دائماً على وجود خاصية مرغوبة كالسكون، فيسارعون إلى تفسير p-value الأصغر من 0.05 كدليل على استقرار السلسلة.

يؤدي هذا التفسير المعكوس إلى عواقب كارثية في النمذجة القياسية؛ إذ إن رفض فرضية العدم في KPSS عند الحصول على p-value صغير يعني في حقيقة الأمر أن السلسلة غير مستقرة إطلاقاً وتحتوي على جذر الوحدة. يؤدي هذا الفهم الخاطئ إلى إدخال سلاسل غير ساكنة في نماذج الانحدار دون معالجة، مما ينتج نماذج تنبؤية باطلة وغير متسقة تعاني من الانحدار الزائف.

لتفادي هذا الانزلاق المنهجي، يُوصى بشدة بإنشاء دوال برمجية مغلفة في بايثون تقوم بطباعة تقارير نصية صريحة لا تكتفي بالأرقام المجردة، بل تصيغ القرار بعبارات لغوية واضحة مثل: “تم رفض فرضية السكون: السلسلة غير مستقرة”، مع تضمين اختبارات تأكيدية مبرمجة تمنع انتقال البيانات إلى مراحل التحليل اللاحقة ما لم تتجاوز معايير السكون المحددة صراحة في الكود.

11.2 تجاهل تأثير الفواصل الهيكلية (Structural Breaks)

يُمثل التجاهل المطبق للتحولات الهيكلية في السلاسل الزمنية أحد أهم مصادر التضليل الإحصائي في اختبار KPSS. ففي الواقع العملي، كثيراً ما تتعرض الأنظمة الاقتصادية والسلوكية لصدمات كبرى مفاجئة، مثل الأزمات المالية العالمية أو جائحة كورونا أو التغيرات الجذرية في السياسات، مما يؤدي إلى حدوث انكسار دائم ومفاجئ في المتوسط الحسابي أو الاتجاه العام للسلسلة المستقرة.

عند تطبيق اختبار KPSS القياسي على سلسلة مستقرة تتضمن انكساراً هيكلياً في المتوسط، تفشل نواة بارتليت في استيعاب هذا التحول المفاجئ، وتتراكم بواقي الانحدار بصورة هائلة تعطي انطباعاً كاذباً بوجود مسار عشوائي متراكم. ينتج عن ذلك تضخيم زائف لإحصائية الاختبار ورفض جازم لفرضية السكون، مما يجعل الباحث يعتقد خطأً أن السلسلة تحتوي على جذر الوحدة بينما هي في الحقيقة سلسلة مستقرة انكسر مستواها فقط بفعل حدث استثنائي.

لمعالجة هذا القصور الهيكلي، يجب على المحلل عدم الاكتفاء باختبار KPSS المنفرد في حالة الشك بوجود تحولات تاريخية، بل يتعين استخدام اختبارات الفواصل الهيكلية المرافقة مثل اختبار Zivot-Andrews أو خوارزميات كشف نقاط التغيير المتاحة في بايثون مثل مكتبة Ruptures. تتيح هذه الأدوات تقسيم السلسلة إلى فترات فرعية متجانسة أو إدخال متغيرات وهمية تمثل الانكسار، مما يسمح بإجراء اختبار KPSS بدقة داخل كل نظام هيكلي على حدة دون تشويه للنتائج الإحصائية.

11.3 إساءة اختيار نوع الاتجاه في دالة الاختبار

يقع العديد من المحللين في خطأ سوء التوصيف الرياضي للنموذج الأساسي عبر استخدام المعامل الافتراضي للثابت مع بيانات تمتلك بوضوح اتجاهاً عاماً صاعداً أو هابطاً. فعندما تنمو السلسلة عبر الزمن بمعدل خطي منتظم، فإن انحدارها على الثابت بمفرده يولد بواقي ذات انحرافات موجبة مستمرة في نهاية العينة وانحرافات سالبة في بدايتها، مما يجعل المجموع التراكمي للبواقي يتصاعد بشكل مصطنع.

يقود هذا الخطأ في التوصيف إلى رفض مضلل لفرضية السكون وصدور إحصائية اختبار فائقة الارتفاع، مما يحرم الباحث من معرفة ما إذا كانت السلسلة مستقرة بالفعل حول مسارها الاتجاهي. وبالمثل، فإن استخدام نموذج الاتجاه مع سلسلة تفتقر تماماً للمركبة الزمنية يؤدي إلى فقدان غير مبرر لدرجات الحرية وتقليل القوة الإحصائية للاختبار في كشف عدم السكون الحقيقي.

يتطلب الالتزام بالبروتوكول المنهجي السليم البدء دائماً برسم السلسلة الزمنية وفحص مخططاتها بدقة قبل تحديد معاملات الدالة البرمجية. فإذا أظهر الرسم اتجاهاً عاماً واضحاً، يجب استخدام معامل الاتجاه الصريح، مع توثيق المبررات النظرية والبيانية لهذا الاختيار في متن التقرير الإحصائي لضمان الشفافية العلمية الكاملة لخطوات التحليل.

12. الخلاصة وأفضل الممارسات لتطبيق اختبار KPSS في بايثون

12.1 ملخص الخطوات التنفيذية لتحليل استقرار السلاسل الزمنية

يمثل فحص استقرار السلاسل الزمنية مساراً منهجياً دقيقاً يتطلب التكامل الصارم بين الفحص الاستكشافي والنمذجة الرياضية والاختبارات القياسية التوكيدية. لضمان أقصى درجات الدقة والموثوقية عند تنفيذ هذا التحليل في بايثون، يجب على المحللين والباحثين اتباع بروتوكول عملي مقنن يتألف من الخطوات المتسلسلة التالية:

• المعاينة البصرية والاستكشاف: رسم السلسلة الزمنية الأصلية، وفحص ثبات المتوسط والتباين بصرياً، وتحديد وجود أي اتجاهات حتمية أو أنماط موسمية متكررة أو فواصل هيكلية واضحة في البيانات.
• المعالجة التمهيدية للتباين: تطبيق التحويلات المناسبة مثل اللوغاريتم الطبيعي أو تحويل بوكس-كوكس في حال وجود تباين غير متجانس يتسع مع الزمن، لتثبيت تشتت السلسلة قبل الشروع في الاختبارات.
• التطبيق المزدوج للاختبارات القياسية: تنفيذ اختباري KPSS وADF بالتوازي في بايثون باستخدام التوصيف المناسب للاتجاه، ومقارنة المخرجات عبر مصفوفة القرارات الرباعية لتأكيد طبيعة السكون بصورة لا تحتمل اللبس.
• إجراء التحويلات الهيكلية عند الحاجة: إذا ثبت وجود جذر الوحدة، يتم أخذ الفروق من الدرجة الأولى أو الفروق الموسمية، مع إعادة إجراء الاختبارات للتأكد من وصول السلسلة الناتجة إلى السكون التام والجاهزية الكاملة للنمذجة.

12.2 أفضل الممارسات لتوثيق النتائج الإحصائية في الأبحاث

تتطلب الكتابة الأكاديمية والتقارير الاحترافية في المجلات العلمية المحكمة توثيقاً دقيقاً وشاملاً لكافة تفاصيل المخرجات الإحصائية لاختبار KPSS، بعيداً عن الاكتفاء بذكر النتيجة العامة أو مجرد كتابة القيمة الاحتمالية بشكل مبتور. إن التوثيق المنهجي الرصين هو الضمانة الأساسية لقابلية البحث للمراجعة وإعادة الإنتاج العلمي.

يجب أن يتضمن التوثيق القياسي ذكر النموذج المستخدم بوضوح (سواء كان نموذج الاستقرار حول المستوى الثابت أو نموذج الاستقرار حول الاتجاه الخطي)، والقيمة الرقمية الدقيقة لإحصائية الاختبار المحسوبة مقربة إلى ثلاثة أو أربعة أرقام عشرية، مع عرض القيم الحرجة المجدولة عند مستويات الدلالة المعتمدة (خاصة 5% و1%). كما يجب توثيق عدد فترات الإبطاء المستخدمة في حساب تباين المدى الطويل وطريقة ضبطها، مع تفصيل القيمة الاحتمالية الناتجة والقرار الإحصائي الصريح المترتب عليها.

يُفضل دمج هذا التوثيق الرقمي في جداول إحصائية ملخصة تجمع بين نتائج اختباري KPSS وADF جنباً إلى جنب، مع إرفاق الكود البرمجي المستخدم في بيئة بايثون لضمان الشفافية البرمجية التامة، وربط النتائج المستخلصة بالدلالات النظرية للظاهرة الاقتصادية أو السلوكية موضوع الدراسة، مما يمنح البحث وزناً علمياً ومصداقية قياسية عالية المستوى.

References

• Box, G. E., & Cox, D. R. (1964). An analysis of transformations. Journal of the Royal Statistical Society: Series B (Methodological), 26(2), 211-243. https://doi.org/10.1111/j.2517-6161.1964.tb00553.x
• Dickey, D. A., & Fuller, W. A. (1979). Distribution of the estimators for autoregressive time series with a unit root. Journal of the American Statistical Association, 74(366a), 427-431. https://doi.org/10.1080/01621459.1979.10482531
• Granger, C. W., & Newbold, P. (1974). Spurious regressions in econometrics. Journal of Econometrics, 2(2), 111-120. https://doi.org/10.1016/0304-4076(74)90034-7
• Hamilton, J. D. (1994). Time series analysis. Princeton University Press. https://doi.org/10.1515/9780691218632
• Hobijn, B., Franses, P. H., & Ooms, M. (1998). Generalizations of the KPSS-test for stationarity. Econometric Reviews, 17(4), 483-506. https://doi.org/10.1080/07474939808800414
• Kwiatkowski, D., Phillips, P. C., Schmidt, P., & Shin, Y. (1992). Testing the null hypothesis of stationarity against the alternative of a unit root: How sure are we that economic time series have a unit root? Journal of Econometrics, 54(1-3), 159-178. https://doi.org/10.1016/0304-4076(92)90104-Y
• Newey, W. K., & West, K. D. (1987). A simple, positive semi-definite, heteroskedasticity and autocorrelation consistent covariance matrix. Econometrica, 55(3), 703-708. https://doi.org/10.2307/1913610
• Perron, P. (1989). The great crash, the oil price shock, and the unit root hypothesis. Econometrica, 57(6), 1361-1401. https://doi.org/10.2307/1913712
• Seabold, S., & Perktold, J. (2010). Statsmodels: Econometric and statistical modeling with Python. In Proceedings of the 9th Python in Science Conference (Vol. 57, pp. 61-66). https://doi.org/10.25080/Majora-92bf1922-011
• Zivot, E., & Andrews, D. W. K. (1992). Further evidence on the great crash, the oil-price shock, and the unit-root hypothesis. Journal of Business & Economic Statistics, 10(3), 251-270. https://doi.org/10.1080/07350015.1992.10509923