المكاسب:
- القدرة على فهم مفاهيم الاتجاه والموسمية والثبات وجذر الوحدة واستخدام الذكاء الاصطناعي مع بيانات دقيقة لنمذجة السلاسل الزمنية والتنبؤ بها.
- القدرة على تفسير نماذج ARIMA/الموسمية والتنبؤ بعدم اليقين (فاصل الثقة والتحليل المتبقي) وتجنب الانحدار الزائف
- القدرة على التمييز بين أن التنبؤ بالذكاء الاصطناعي يعتمد على الأنماط السابقة وأن حكم الخبراء يظهر في المقدمة في فترات الانهيار الهيكلي والأزمات.
إن قسماً كبيراً من البيانات التي تشكل أساس خبراء الاقتصاد والمحللين الماليين هي عبارة عن سلاسل زمنية: قيم نفس المتغير يتم قياسها على فترات منتظمة مع مرور الوقت (التضخم الشهري، وسعر السهم اليومي، والناتج المحلي الإجمالي ربع السنوي). تختلف السلاسل الزمنية بشكل أساسي عن البيانات المقطعية العادية لأن الملاحظات ليست مستقلة: تعتمد قيمة اليوم على الأمس. وهذا الاعتماد يشكل فرصة (يمكننا التنبؤ بالمستقبل) وخطراً (الانحدار العادي يمكن أن يضلل بسهولة هنا). في هذه الوحدة، سنرى كيف يعمل الذكاء الاصطناعي (AI) على تسريع عملية نمذجة السلاسل الزمنية والتنبؤ بها، ولكن لماذا يتطلب الفخ الأكثر خطورة - الانحدار الزائف - الانتباه.
المفاهيم الأساسية
تحتوي السلسلة الزمنية عمومًا على ثلاثة مكونات: الاتجاه (الاتجاه الصعودي/التنازلي طويل المدى)، والموسمية (النمط المنتظم الذي يتكرر على مدار العام، على سبيل المثال زيادة السياحة في الصيف)، والدورة/الضوضاء (التقلبات المتبقية). قبل النمذجة، الميزة الأكثر أهمية في السلسلة هي الثبات.
السلسلة الثابتة هي سلسلة تظل خصائصها الإحصائية (المتوسط والتباين) ثابتة مع مرور الوقت. تحتوي السلسلة غير الثابتة على اتجاه، أو أن تباينه ينمو، أو أن لها جذر وحدة. جذر الوحدة هو هيكل حيث "تتذكر" السلسلة الصدمات بشكل دائم ولا تعود إلى متوسطها؛ مثل هذه السلسلة تتصرف مثل المشي العشوائي. لماذا هو مهم؟ لأن الانحدار بين سلسلتين غير ثابتتين يمكن أن ينتج معاملات R-square عالية ومعاملات كبيرة حتى لو لم تكن هناك علاقة في الواقع - وهذا ما يسمى الانحدار الزائف. الاتجاه المشترك فقط هو الذي يجعل السلسلتين تبدوان "مترابطتين".
تحذير: يمكن أن يكون هناك ارتباط كبير بين سلسلتين متصاعدتين (على سبيل المثال، عدد سكان دولة واحدة ومبيعات الآيس كريم في دولة أخرى)؛ حيث أنهما يتزايدان مع مرور الوقت. هذه ليست علاقة، بل وهم الاتجاه المشترك. تأكد من التحقق من الثبات قبل بدء الانحدار في السلسلة الزمنية.
سير عمل السلاسل الزمنية خطوة بخطوة
1. تصور. رسم السلسلة: هل هناك اتجاه، هل هناك موسمية، هل يتغير التباين بمرور الوقت، هل هناك انقطاع هيكلي (تغير مفاجئ في المستوى)؟
2. اختبار الثبات. اختبار ADF (Dickey-Fuller المعزز) واختبار جذر/ثبات وحدة اختبار KPSS. الاثنان يكملان بعضهما البعض: في ADF تكون الفرضية الصفرية "يوجد جذر وحدة"، وفي KPSS تكون "ثابتة". من الآمن استخدام كليهما معًا.
3. الركود. إذا كانت السلسلة غير ثابتة، فهي عادة ما تكون مختلفة (اختلاف المشاهدات المتعاقبة؛ وهذا يزيل الاتجاه). التفريق مرة واحدة يجعل السلسلة "المتكاملة من الدرجة الأولى" (I(1)) ثابتة. يساعد تحويل السجل أيضًا في حالة تزايد التباين.
4. بناء نموذج. الإطار الأكثر شيوعًا هو ARIMA (المتوسط المتحرك المتكامل التلقائي): فهو يجمع بين المكونات AR (اعتماد السلسلة على قيمها السابقة)، I (درجة الاختلاف)، MA (تأثير أخطاء الماضي). إذا كان هناك موسمية، يتم استخدام ساريما. يقوم الذكاء الاصطناعي بإنشاء تعليمات برمجية لأدوات التحديد التلقائي مثل auto.arima؛ لكن لا تقبل الاختيار التلقائي بشكل أعمى.
5. تحقق من وجود بقايا الطعام. يجب أن تكون بقايا النموذج الجيد عبارة عن ضوضاء بيضاء: لا يوجد نمط، ولا يوجد ارتباط ذاتي. اختبار Ljung-Box يختبر هذا. إذا كان لا يزال هناك نمط في البقايا، فإن النموذج غير مكتمل.
6. التنبؤ وإظهار عدم اليقين. التوقعات ليست سطر واحد. يُعطى دائمًا بفاصل الثقة/التقدير. يتسع النطاق كلما اتسع الأفق - وهذه علامة على الصدق، وليس على العيب.
التكامل المشترك: العلاقة الحقيقية مع المتسلسلات غير الثابتة
سلسلتان غير ثابتتين لا تعطيان دائمًا علاقات زائفة. إذا كان هناك توازن حقيقي طويل المدى بينهما (يتحركان معًا)، فإن هذا يسمى التكامل المشترك ويمكن نمذجته باستخدام نموذج تصحيح الخطأ (ECM). لذا فإن الحل ليس "الاختلاف والتخلص من المعلومات"؛ هو اختبار التكامل المشترك أولا. يميز هذا التمييز بين الانحدار الزائف والارتباط الحقيقي طويل المدى، وهو اعتبار نظري لا يستطيع الذكاء الاصطناعي أن يقرره بمفرده.
مخطط المقارنة
الحالة
أعراض
النهج الصحيح
سلسلة ثابتة
متوسط/تباين ثابت
التقوس المباشر
مع الاتجاه (جذر الوحدة)
الارتفاع المستمر، ADF لا معنى له
الفرق ثم النموذج
سلسلتان غير ثابتتين
قد يكون ارتفاع R² مزيفًا
أولا: اختبار التكامل المشترك
موسمي
نمط التكرار السنوي
ساريما / الفرق الموسمي
كسر هيكلي
تغيير مفاجئ في المستوى/المنحدر
اختبار الكسر، حكم الخبراء
أربع مطالبات قابلة للنسخ
1. تشخيص الثبات:
دورك: مساعد السلسلة الزمنية. أريد رمز R، وأنا لا أشارك البيانات. "السلسلة" هي سلسلة زمنية شهرية (كائن ts). المهمة: (1) رسم الرسوم البيانية المتسلسلة والارتباط الذاتي (ACF/PACF)، (2) تطبيق اختبارات ADF وKPSS، (3) شرح كيفية تفسير النتائج معًا. سأتخذ القرار بأخذ الفارق؛ أنت تنتج التشخيص.
2. بناء النموذج (الإشراف):
تبدو سلسلتي ثابتة عند الاختلاف الأول. اقترح نموذجًا باستخدام auto.arima ولكن: (1) اشرح الأوامر المحددة (p, d, q) وسبب اختيارها، (2) أضف رمزًا لاختبار ما إذا كانت البقايا عبارة عن ضوضاء بيضاء باستخدام Ljung-Box، (3) ذكرني بعدم قبول التحديد التلقائي بشكل أعمى.
3. تحذير الانحدار الزائف:
أرغب في إعداد الانحدار بين سلسلتي الزمنية (X، Y) ولكن كلاهما منحرف. اكتب رمز سير العمل الذي يتحقق من خطر الانحدار الزائف: اختبر أولاً ثبات كليهما، ثم قم بتطبيق اختبار التكامل المشترك (Engle-Granger أو Johansen). قبل أن أقوم بتشغيل lm() مباشرة، أوقفني واشرح لي سبب خطورته.
4. التنبؤ وعدم اليقين:
اكتب رمزًا ينتج توقعات مستقبلية لمدة 12 شهرًا باستخدام نموذج ARIMA الذي قمت بإنشائه؛ قم برسم التقدير باستخدام فترات الثقة 80% و95%. أضف ملاحظة أسفل الرسم البياني مفادها أن التنبؤ يعتمد على أنماط سابقة وقد يصبح غير صالح في حالة حدوث انهيار/أزمة هيكلية.
موجه ضعيف / موجه قوي
حث ضعيف:
أوجد علاقة هاتين السلسلتين بالانحدار وتوقع العام القادم.
يعد هذا الادعاء بمثابة دعوة إلى فخ الانحدار الكاذب: إذا تم إعداد الانحدار دون التحقق من الثبات، فستظهر "علاقة" عالية بمربع R ولكن لا معنى لها وتقدير غير مبرر.
مطالبة قوية:
دورك: مساعد سلسلة زمنية دقيق. تابع خطوة بخطوة: (1) اختبر ثبات كل من السلسلة والتقرير، (2) إذا لم تكن ثابتة، فلا تقم بالانحدار المباشر، واختبر التكامل المشترك أولاً، (3) إذا قمت بإنتاج تنبؤ، فتأكد من إضافة فاصل ثقة وكتابة تحذير من الانهيار الهيكلي. اترك القرار لي في كل خطوة؛ التقدم التلقائي.
الفرق: يتطلب الطلب القوي الثبات والتكامل المشترك قبل الانحدار، مما يجعل التقدير غير مؤكد.
ثلاث حالات صغيرة
الحالة 1 - الانحدار الزائف. وجد أحد المحللين R²=0.91، p<0.001 بين سلسلتين متصاعدتين (دوران قطاع واحد واستهلاك الطاقة في بلد آخر) وكتب "علاقة قوية". وعندما طلب مستشاره إجراء اختبار الثابتية، تبين أن لكل منهما جذور وحدة، وعندما تم أخذ الفروق بينهما اختفت العلاقة (r = 0.04) تمامًا. وكان ارتفاع مربع R مجرد وهم للاتجاه المشترك. الدرس المستفاد: لا يمكن الاعتماد على انحدار السلسلة الزمنية دون اختبار الثبات.
الحالة الثانية: الثقة العمياء في النموذج التلقائي. استخدم أحد الطلاب النموذج الذي اختاره auto.arima دون فحصه؛ ولم يعد يلاحظ وجود موسمية كبيرة متبقية في تحليله. لقد قلل النموذج بشكل منهجي من تقدير أشهر الصيف. أظهر اختبار Ljung-Box وجود ارتباط ذاتي في البقايا. الطريقة الصحيحة: هي إضافة المكون الموسمي (ساريما). الدرس المستفاد: الاختيار التلقائي هو البداية، وليس الكلمة الأخيرة؛ يجب فحص المخلفات.
الحالة 3 - الانهيار المتوقع عند الانهيار الهيكلي. تنبأ أحد النماذج بالطلب في عام 2020 باستخدام بيانات عام 2019؛ كانت فترة الثقة ضيقة، وكان التقدير واثقًا. لقد فجرت الصدمة الكبرى (الجائحة) لعام 2020 التوقعات تمامًا لأن النموذج لم يعرف سوى النمط الماضي. الدرس المستفاد: يفترض التنبؤ بالسلاسل الزمنية أن الماضي سيكون مشابهًا للمستقبل؛ في أوقات الأزمات/الانهيار، يأتي حكم الخبراء في المقدمة.
الأخطاء الشائعة
- إنشاء الانحدار دون التحقق من الثبات. ينتج عن الانحدار الزائف علاقة R-squared عالية ولكنها غير مهمة؛ قم بتطبيق ADF/KPSS أولاً.
- التفاضل والتكامل المشترك. إذا كانت هناك علاقة حقيقية طويلة الأمد، فإن قبول الاختلاف بشكل أعمى يؤدي إلى التخلص من المعلومات؛ اختبار التكامل المشترك أولا.
- استخدام النموذج التلقائي دون التحقق منه. تعتبر auto.arima بداية جيدة ولكن لا يمكن الاعتماد عليها دون التحقق من المخلفات (Ljung-Box).
- تقديم التقدير في سطر واحد. يؤدي التقدير بدون فاصل الثقة إلى إنشاء دقة خاطئة؛ تظهر دائما عدم اليقين.
- تجاهل الكسر الهيكلي. الأزمة/تغيير النظام يعطل النمط الماضي؛ لا يمكن للنموذج أن يعرف ذلك، مطلوب حكم الخبراء.
نصيحة: قبل كتابة نتائج السلسلة الزمنية، انظر مرة أخرى إلى الرسم البياني الأولي للسلسلة. إن الاتجاه أو الكسر الواضح الذي تراه بأم عينيك هو أقوى تحذير لا ينبغي لأي اختبار أن يجعلك تنساه.
باختصار
في تحليل السلاسل الزمنية، الملاحظات ليست مستقلة؛ وهذا يعطي قوة تنبؤية ويخلق مخاطر مثل الانحدار الزائف. اختبار الثبات (ADF/KPSS) قبل النمذجة؛ اختبار التكامل المشترك بدلاً من تحديد الانحدار بشكل مباشر بين السلاسل غير الثابتة؛ تحقق من بقايا نموذج ARIMA/SARIMA حتى تظهر ضوضاء بيضاء؛ قم دائمًا بتقديم التقدير مع فاصل الثقة. يقوم الذكاء الاصطناعي بإنشاء الكود لكل هذه الخطوات، لكن الخبير يتحكم في الاختيار التلقائي للنموذج، وقرار التكامل المشترك، وتفسير الكسر الهيكلي. يعتمد التنبؤ على الماضي؛ في أوقات الأزمات، يكون للحكم البشري الكلمة الأخيرة.
مهمة التطبيق
اختر سلسلة زمنية (شهرية أو ربع سنوية). قبل الذكاء الاصطناعي، اطلب تشخيصات الحالة الثابتة وقم بتشغيلها (الرسم البياني، ACF/PACF، ADF، KPSS) وتصنيف السلسلة على أنها ثابتة/غير ثابتة. قم بالتفريق إذا لزم الأمر، وقم بإعداد نموذج ARIMA/SARIMA وتحقق من المخلفات باستخدام Ljung-Box. قم بإعداد تنبؤات للأمام للفترة من 6 إلى 12 ورسمها بفاصل ثقة. أخيرًا، فكر في فقرة كيف يمكن أن يكون توقعك خاطئًا إذا كان هناك انقطاع هيكلي في بياناتك.
قائمة مرجعية
- [ ] قمت برسم السلسلة وفحصت بصريًا الاتجاهات والموسمية والفواصل.
- [ ] لقد قمت باختبار الثبات باستخدام ADF وKPSS؛ لقد حصلت على الفرق المطلوب.
- [ ] لقد تجنبت الانحدار المباشر واختبرت التكامل المشترك بين السلاسل غير الثابتة.
- [ ] لقد قمت بفحص بقايا النموذج (Ljung-Box) وتأكدت من أنها ضوضاء بيضاء.
- [ ] لقد قدمت التقدير بفاصل الثقة؛ أنا لم أعطيها كسطر واحد.
- [ ] لاحظت حدود التنبؤ في حالة الانهيار/ الأزمة الهيكلية.