المحتويات:
الانحدار الذاتي (Autoregression)
المجالات التأديبية الرئيسية: الإحصاء، الاقتصاد القياسي، التعلم الآلي، معالجة الإشارات
1. التعريف الجوهري والمفهوم الإحصائي
يشكل الانحدار الذاتي (Autoregression)، أو ما يُعرف اختصاراً بنموذج AR، مفهوماً إحصائياً أساسياً يستخدم على نطاق واسع في تحليل السلاسل الزمنية. يصف هذا النموذج عملية يتم فيها تحديد قيمة المتغير في فترة زمنية معينة بناءً على القيم التي اتخذها هذا المتغير نفسه في الفترات الزمنية السابقة. بعبارة أخرى، هو نموذج انحدار يتم فيه استخدام قيم سابقة للمتغير التابع كمتغيرات مستقلة (مفسرة). تُعد هذه الخاصية، التي تُسمى “الذاكرة” أو “الاعتمادية التسلسلية”، هي السمة المميزة التي تجعل نماذج الانحدار الذاتي أداة قوية للتنبؤ بالظواهر التي تتسم بالاستمرارية أو الزخم، مثل أسعار الأسهم، ومؤشرات الاقتصاد الكلي، أو بيانات المناخ.
يكمن المبدأ الأساسي وراء الانحدار الذاتي في افتراض أن العلاقة بين القيمة الحالية والقيم السابقة هي علاقة خطية. هذا الافتراض يسهّل عملية التقدير الرياضي والتفسير الاقتصادي أو الإحصائي للنتائج. فإذا كانت قيمة الناتج المحلي الإجمالي في هذا الربع تعتمد بشكل كبير على قيمته في الربع السابق، فإن نموذج الانحدار الذاتي يقدم طريقة منهجية لقياس قوة هذا الاعتماد واتجاهه، مما يسمح بإنشاء تنبؤات موثوقة نسبياً للفترة التالية. تُقاس قوة هذا التأثير من خلال معاملات الانحدار (Coefficients) التي يتم تقديرها عادةً باستخدام طرق المربعات الصغرى العادية (OLS) أو تقدير الاحتمالية القصوى (MLE)، شريطة استيفاء المتطلبات الإحصائية الضرورية.
يجب التنويه إلى أن مصطلح “ذاتي” يشير إلى أن الانحدار يتم على المتغير نفسه بدلاً من الانحدار على متغيرات خارجية مستقلة. هذا التمييز حاسم؛ فبينما تحاول نماذج الانحدار التقليدية شرح التباين في متغير ما باستخدام مؤثرات خارجية (مثل شرح المبيعات بالاعتماد على الإنفاق الإعلاني)، تسعى نماذج الانحدار الذاتي إلى استغلال المعلومات الجوهرية المتضمنة في تاريخ السلسلة الزمنية نفسها. تُعد فعالية النموذج متوقفة بشكل كبير على اختيار الترتيب (Order) المناسب، وهو عدد الفترات الزمنية السابقة التي يجب إدراجها في النموذج (يُرمز له بالرمز p)، إذ يؤدي اختيار ترتيب منخفض جداً إلى إغفال معلومات مهمة، بينما يؤدي اختيار ترتيب مرتفع جداً إلى تضخيم تباين التقديرات وتقليل كفاءة النموذج.
2. الأساس الرياضي: نموذج AR(p)
يتم التعبير عن نموذج الانحدار الذاتي من الرتبة (p)، والذي يُرمز إليه بـ AR(p)، بصيغة رياضية واضحة تحدد العلاقة الخطية بين قيمة المتغير في الزمن t وقيمه السابقة حتى الزمن t-p. يمكن كتابة الصيغة العامة لنموذج AR(p) على النحو التالي:
Y_t = c + phi_1 Y_{t-1} + phi_2 Y_{t-2} + … + phi_p Y_{t-p} + epsilon_t
في هذه المعادلة، يمثل Y_t قيمة المتغير في الوقت t. أما c فهو ثابت (Intercept)، ويمثل phi_i معاملات الانحدار الذاتي التي تقيس تأثير القيمة السابقة Y_{t-i} على القيمة الحالية. يُعد تقدير هذه المعاملات هو الهدف الرئيسي للتحليل. يمثل epsilon_t حد الخطأ (Error Term) أو الصدمة العشوائية في الوقت t، ويُفترض عادةً أنه ضوضاء بيضاء (White Noise)، أي أنه موزع توزيعاً طبيعياً بمتوسط صفر وتباين ثابت، وأن هذه الأخطاء غير مرتبطة ببعضها البعض عبر الزمن. إذا لم يكن حد الخطأ ضوضاء بيضاء، فهذا يشير إلى أن النموذج لم يلتقط كل المعلومات المتاحة في السلسلة الزمنية، مما يستوجب مراجعة الترتيب p أو إضافة مكونات أخرى.
أبسط أنواع هذه النماذج هو نموذج الانحدار الذاتي من الرتبة الأولى، AR(1)، حيث تعتمد القيمة الحالية فقط على القيمة السابقة مباشرة: Y_t = c + phi_1 Y_{t-1} + epsilon_t. يُعد هذا النموذج حجر الزاوية في فهم خصائص السلاسل الزمنية، حيث يحدد معامل phi_1 ما إذا كانت السلسلة الزمنية تظهر عودة نحو المتوسط (Mean Reversion) أو سلوكاً يسير عشوائياً (Random Walk). لفهم النموذج الرياضي بشكل كامل، يجب التحقق من شروط الاستقرارية (Stationarity)، وهو شرط أساسي لضمان أن خصائص النموذج (كالمتوسط والتباين) لا تتغير بمرور الوقت، وإلا فإن التقديرات الناتجة عن النموذج AR ستكون غير صالحة إحصائياً.
3. الخصائص الرئيسية لنماذج الانحدار الذاتي
تتطلب نماذج AR، لكي تكون قابلة للتطبيق وذات معنى إحصائي، استيفاء عدة خصائص رئيسية. أولها وأهمها هو شرط الاستقرارية. تكون السلسلة الزمنية مستقرة إذا كانت التوزيعات الاحتمالية المشتركة لها لا تتغير بمرور الوقت، مما يعني أن متوسط السلسلة وتباينها ثابتان، وأن التغاير المشترك (Autocovariance) بين أي نقطتين يعتمد فقط على المسافة الزمنية بينهما وليس على الزمن الفعلي. في نموذج AR(1)، يتحقق شرط الاستقرار إذا كان المعامل phi_1 يقع ضمن النطاق (-1, 1). إذا كانت السلسلة غير مستقرة (أي تحتوي على جذر الوحدة)، فإنها تتطلب إجراء تحويلات مثل الفروقات (Differencing) قبل تطبيق نموذج AR، مما يقودنا إلى نماذج ARIMA الأكثر تعقيداً.
الخاصية الثانية تتعلق بعملية تحديد الترتيب (p). يتم تحديد الترتيب الأمثل لنموذج AR(p) عادةً باستخدام دالة الارتباط الذاتي الجزئي (Partial Autocorrelation Function – PACF). تصف دالة PACF الارتباط بين القيمة الحالية Y_t والقيمة المتأخرة Y_{t-k}، بعد إزالة التأثيرات الخطية للقِيَم الواقعة بينهما (Y_{t-1}, Y_{t-2}, …, Y_{t-k+1}). في نموذج AR(p)، من المتوقع أن تنقطع دالة PACF فجأة إلى الصفر بعد التأخر p، بينما تتناقص دالة الارتباط الذاتي (ACF) تدريجياً. تُستخدم أيضاً معايير المعلومات، مثل معيار آيكيكي للمعلومات (AIC) أو معيار شوارتز بايزي للمعلومات (BIC)، للموازنة بين دقة النموذج وعدد المعاملات المستخدمة، لاختيار النموذج الأكثر اقتصاداً وتفسيراً.
الخاصية الثالثة هي الطبيعة الدورية والتذبذب. يمكن لنماذج الانحدار الذاتي أن تولد أنماطاً دورية إذا كانت معاملات الانحدار تحقق شروطاً معينة (مثلما يحدث عندما تكون جذور المعادلة المميزة للنموذج عقدية). هذه الخاصية تجعل نماذج AR مفيدة بشكل خاص في نمذجة الظواهر التي تظهر تذبذباً منتظماً، مثل دورات الأعمال أو الدورات المناخية. ومع ذلك، يجب توخي الحذر؛ فبينما يمكن لنموذج AR أن يلتقط التذبذب، فإنه يفترض ضمناً أن هذه الدورية هي نتيجة للعمليات الداخلية للسلسلة الزمنية نفسها، وقد يفشل في تفسير الدورية إذا كانت مدفوعة بعوامل خارجية أو صدمات منتظمة غير ممثلة في حد الخطأ.
4. التطور التاريخي والسياق النظري
تعود الجذور التاريخية لمفهوم الانحدار الذاتي إلى أوائل القرن العشرين، وتحديداً إلى عمل الإحصائي البريطاني جورج أودني يول (George Udny Yule). في عام 1927، نشر يول ورقة بحثية رائدة بعنوان “حول طريقة لتقييم العلاقات بين السلاسل الزمنية المتتالية”، حيث قدم نموذج AR كأول طريقة إحصائية منهجية لمعالجة مشكلة الارتباط الذاتي (Autocorrelation) في السلاسل الزمنية. كان الهدف الأساسي ليول هو تفسير التذبذبات الدورية في ظواهر طبيعية مثل دورات بقع الشمس، والتي كان يُعتقد سابقاً أنها تتبع حركة توافقية بسيطة (Simple Harmonic Motion). أظهر يول أن هذه التذبذبات يمكن تفسيرها بشكل أفضل من خلال عملية عشوائية يخضع فيها المتغير لتأثيراته السابقة بالإضافة إلى صدمات عشوائية (حد الخطأ).
على الرغم من أهمية عمل يول، إلا أن نماذج AR ظلت تستخدم بشكل محدود نسبياً حتى منتصف القرن العشرين، عندما تم تطوير الإطار النظري الشامل لتحليل السلاسل الزمنية. في الستينيات والسبعينيات، قام الإحصائيان جورج بوكس وجوكنز بتعميم هذه النماذج وتوحيدها ضمن إطار ما يُعرف باسم منهجية بوكس-جينكنز (Box-Jenkins Methodology). قدمت هذه المنهجية مجموعة شاملة من الخطوات لتحديد (Identification)، وتقدير (Estimation)، والتحقق (Diagnostic Checking) من نماذج السلاسل الزمنية، بما في ذلك نماذج الانحدار الذاتي، ونماذج المتوسط المتحرك (MA)، والنماذج المدمجة (ARMA و ARIMA). أدى هذا التوحيد إلى جعل الانحدار الذاتي أداة قياسية في الإحصاء والاقتصاد القياسي.
في السياق النظري الحديث، يمثل الانحدار الذاتي الأساس الذي بنيت عليه معظم نماذج الاقتصاد القياسي الديناميكية. ففي نظرية الاقتصاد الكلي، تستخدم نماذج الانحدار الذاتي المتجه (VAR) التي تعمم نماذج AR لتشمل متغيرات متعددة، كأدوات رئيسية لتحليل آثار الصدمات الاقتصادية (مثل صدمات أسعار الفائدة أو السياسات النقدية). وقد أدى ظهور التعلم الآلي والبيانات الضخمة إلى تجديد الاهتمام بنماذج AR، ليس فقط كأدوات تحليلية، ولكن كمعيار أساسي تُقارن به أساليب التنبؤ الأكثر تعقيداً، مثل الشبكات العصبية المتكررة (RNNs)، نظراً لبساطتها وقابليتها للتفسير.
5. أهمية الانحدار الذاتي وتطبيقاته العملية
تكمن الأهمية الجوهرية لنموذج الانحدار الذاتي في قدرته على التقاط الهياكل الزمنية المعقدة بآلية بسيطة وشفافة. من الناحية الإحصائية، يوفر نموذج AR طريقة لـ”تبييض” السلسلة الزمنية، أي تحويل السلسلة المرتبطة ذاتياً إلى سلسلة من البواقي (Residuals) التي تتبع عملية ضوضاء بيضاء، مما يسهل تطبيق المزيد من التحليلات الإحصائية. ومن الناحية العملية، يُستخدم الانحدار الذاتي كأداة تنبؤ قوية وفعالة، خاصة في التنبؤات قصيرة المدى، حيث تكون ذاكرة السلسلة الزمنية الحالية هي العامل الأكثر تأثيراً.
تتنوع تطبيقات الانحدار الذاتي عبر مجالات متعددة. في الاقتصاد القياسي والتمويل، تُستخدم نماذج AR على نطاق واسع لنمذجة سلوك المتغيرات الاقتصادية مثل معدلات التضخم، ومعدلات البطالة، وأسعار الصرف، والمؤشرات السوقية. على سبيل المثال، يمكن استخدام نموذج AR(1) لتقدير مدى استمرارية صدمة ما على التضخم، أي المدة التي يستغرقها التضخم للعودة إلى متوسطه التاريخي بعد التعرض لصدمة مفاجئة. وفي مجال التمويل، تُستخدم نماذج AR في التنبؤ بعوائد الأصول المالية أو تقلباتها، وفي تطوير نماذج تقييم المخاطر مثل نموذج قيمة المخاطر (VaR).
في هندسة الإشارات ومعالجة الصوت، يُعد نموذج الانحدار الذاتي مكوناً حاسماً في العديد من خوارزميات الضغط والترميز. على سبيل المثال، تُستخدم فلاتر AR لتمثيل الإشارات الصوتية، حيث تعتمد القيمة الحالية للإشارة على قيمها السابقة. هذا يسمح بضغط البيانات بكفاءة عن طريق تخزين معاملات الانحدار بدلاً من تخزين جميع نقاط البيانات. كما يُستخدم الانحدار الذاتي في علم المناخ والأرصاد الجوية لنمذجة الظواهر الطبيعية الدورية، وفي علم الأوبئة لتقدير انتشار الأمراض بناءً على معدلات الإصابة السابقة. هذه التطبيقات المتنوعة تؤكد الطبيعة المرنة والعامة لنموذج AR في التعامل مع أي بيانات تظهر اعتماداً زمنياً.
6. الارتباط بنماذج السلاسل الزمنية الأخرى (ARMA و ARIMA)
نظراً لكونه جزءاً من عائلة أكبر من النماذج، من الضروري فهم كيفية ارتباط الانحدار الذاتي بنماذج السلاسل الزمنية الأخرى. نموذج الانحدار الذاتي AR(p) هو في الواقع نصف المعادلة في نموذج المتوسط المتحرك والانحدار الذاتي (ARMA). يجمع نموذج ARMA(p, q) بين مكون الانحدار الذاتي (AR) من الرتبة p ومكون المتوسط المتحرك (MA) من الرتبة q. بينما يفسر مكون AR التأثير المباشر للقيمة السابقة للمتغير، يفسر مكون MA التأثير المباشر لأخطاء التنبؤ السابقة (الصدمات) على القيمة الحالية للمتغير. في كثير من الأحيان، تكون السلسلة الزمنية معقدة لدرجة أن نموذج AR وحده لا يكفي لالتقاط كل الارتباط الذاتي، مما يجعل نموذج ARMA أكثر ملاءمة.
على صعيد آخر، يُعد نموذج الانحدار الذاتي المتكامل للمتوسط المتحرك (ARIMA) تعميماً لنموذج ARMA، وقد تم تطويره خصيصاً للتعامل مع السلاسل الزمنية غير المستقرة. يضيف نموذج ARIMA(p, d, q) مَعْلَمة ثالثة، وهي d، التي تمثل عدد مرات أخذ الفروقات (Differencing) اللازمة لجعل السلسلة مستقرة. إذا كانت السلسلة الزمنية الأصلية غير مستقرة، نقوم بتحويلها عن طريق طرح القيمة السابقة من القيمة الحالية (Difference)، ونكرر هذه العملية d من المرات حتى تصبح السلسلة مستقرة. بمجرد أن تصبح السلسلة مستقرة، يتم تطبيق نموذج ARMA(p, q) على السلسلة المحوّلة. وبالتالي، فإن نموذج AR(p) هو حالة خاصة من ARIMA(p, 0, 0)، أي عندما لا تكون هناك حاجة لأخذ الفروقات ولا يوجد مكون متوسط متحرك.
تتجاوز أهمية الارتباط بنماذج ARMA و ARIMA مجرد التصنيف؛ إذ إنها توفر دليلاً منهجياً للمحلل الإحصائي. فإذا كانت دالة PACF تنقطع فجأة بينما تتناقص دالة ACF تدريجياً، فهذا يشير بقوة إلى أن نموذج AR(p) كافٍ. أما إذا كانت دالة ACF تنقطع فجأة بينما تتناقص دالة PACF تدريجياً، فهذا يشير إلى الحاجة لنموذج MA(q). وفي حالة تناقص كلتا الدالتين تدريجياً، فإن نموذج ARMA(p, q) هو الأنسب. هذه الخصائص التشخيصية، التي تعتمد بشكل كبير على فهم سلوك مكون الانحدار الذاتي، ضرورية لتجنب الأخطاء في تحديد النموذج.
7. الانتقادات والتحديات المنهجية
على الرغم من القوة التحليلية والانتشار الواسع لنماذج الانحدار الذاتي، إلا أنها تواجه عدة انتقادات وتحديات منهجية تحد من نطاق تطبيقها المثالي. النقد الأبرز هو الافتراض الصارم للخطية والاستقرارية. تفترض نماذج AR أن العلاقة بين القيمة الحالية والقيم السابقة هي خطية تماماً، وهو افتراض قد لا يصمد أمام العديد من الظواهر الاقتصادية والمالية التي تظهر سلوكاً غير خطي (Non-linear)، مثل التذبذب المعتمد على الحالة أو التأثيرات العتبية (Threshold Effects). علاوة على ذلك، إذا كانت السلسلة غير مستقرة، يصبح التقدير غير موثوق به، وقد يؤدي إلى استنتاجات خاطئة (انحدار زائف)، مما يتطلب استخدام نماذج أكثر تعقيداً مثل ARIMA أو نماذج الانحدار الذاتي غير الخطي (NAR).
التحدي الثاني يتعلق بـ مشكلة تحديد الترتيب (p). كما ذُكر سابقاً، يعتمد اختيار الترتيب الأمثل على تحليل دالات الارتباط الذاتي الجزئي ومعايير المعلومات. ومع ذلك، في البيانات الواقعية، قد لا تكون دالة PACF “تنقطع” بشكل واضح، مما يترك للمحلل قدراً كبيراً من الذاتية في تحديد الترتيب. يؤدي اختيار ترتيب خاطئ إلى أخطاء منهجية؛ فإذا كان الترتيب منخفضاً، يعاني النموذج من انحياز في التقديرات (Bias)، وإذا كان الترتيب مرتفعاً، يعاني النموذج من تباين عالٍ في التقديرات (High Variance)، مما يقلل من دقة التنبؤ خارج العينة.
النقد الثالث هو أن نماذج الانحدار الذاتي، بحكم تعريفها، نماذج أحادية المتغير (Univariate)، أي أنها تعتمد فقط على تاريخ المتغير نفسه. هذا يعني أنها تتجاهل أي معلومات خارجية قد تكون حاسمة في تفسير حركة السلسلة الزمنية. على سبيل المثال، قد يكون التضخم مدفوعاً جزئياً بالتضخم السابق (AR)، ولكنه يتأثر أيضاً بأسعار النفط العالمية أو التغيرات في السياسة النقدية (متغيرات خارجية). في هذه الحالة، يصبح نموذج AR غير مكتمل التوصيف (Misspecified). للتغلب على هذا القيد، يجب على المحللين اللجوء إلى نماذج الانحدار الذاتي المتجه (VAR) أو نماذج الانحدار الذاتي للمتوسط المتحرك مع متغيرات خارجية (ARMAX)، التي تدمج التأثيرات الخارجية في البنية الزمنية للنموذج.