تحليل السلاسل الزمنية متعددة المتغيرات مع نماذج الانحدار الذاتي المتجهية(VAR)

زيوةر عمر اسماعيل; أواز عمر احمد; ساوين عثمان بابكر; سامى على عبيد

doi:10.71207/ijas.v22i87.5585

المؤلفون

زيوةر عمر اسماعيل كلية الإدارة والاقتصاد، قسم الاحصاء، جامعة صلاح الدين، اربيل، العراق https://orcid.org/0000-0002-0922-3425
أواز عمر احمد كلية الإدارة والاقتصاد، قسم الاحصاء، جامعة صلاح الدين, اربيل، العراق https://orcid.org/0009-0000-0668-7104
ساوين عثمان بابكر كلية الإدارة والاقتصاد، قسم الاحصاء، جامعة صلاح الدين، اربيل، العراق https://orcid.org/0009-0007-5427-9798
سامى على عبيد كلية الإدارة والاقتصاد، قسم الاحصاء، جامعة صلاح الدين، اربيل، العراق https://orcid.org/0000-0002-2866-5886

DOI:

https://doi.org/10.71207/ijas.v22i87.5585

الكلمات المفتاحية:

متوسط الخطأ التربيعي، سعر النفط والذهب، نموذج VAR، اختبار دوكي-فوليير.

الملخص

اعتمدت هذه الدراسة نموذج الانحدار الذاتي المتجه (VAR) لتحليل العلاقة الديناميكية بين الأسعار العالمية للنفط والذهب، بالاعتماد على بيانات تغطي الفترة من يناير 2015 إلى يونيو 2019. تم التحقق من استقرارية السلاسل الزمنية باستخدام اختبار ديكي–فولر المعزز (ADF)، وتحديد رتبة التأخر المثلى استنادًا إلى معايير AIC وBIC وHQC وFPE، حيث تبيّن أن نموذج VAR(1) هو الأنسب. أظهرت النتائج أن أسعار الذهب تتأثر بشكل رئيسي بقيمها السابقة، في حين أن أسعار النفط تمارس تأثيرًا سلبيًا على تغيرات أسعار الذهب. كما أكدت الاختبارات التشخيصية كفاءة النموذج واستقراره، وأشارت نتائج التنبؤ إلى انخفاض تدريجي في أسعار الذهب واستقرار نسبي في أسعار النفط، مما يبرز فعالية نموذج VAR في تحليل العلاقات المتبادلة بين الأسواق المالية وإنشاء توقعات مالية قصيرة إلى متوسطة الأجل. وقد تم تنفيذ جميع التحليلات باستخدام لغة برمجة بايثون.

التنزيلات

بيانات التنزيل غير متوفرة بعد.

السير الشخصية للمؤلفين

زيوةر عمر اسماعيل، كلية الإدارة والاقتصاد، قسم الاحصاء، جامعة صلاح الدين، اربيل، العراق

حاصل على شهادة ماجستير في مجال الاحصاء و. لديه خبرة في مجال الاحصاء والتحليلات الاحصائية.

أواز عمر احمد، كلية الإدارة والاقتصاد، قسم الاحصاء، جامعة صلاح الدين, اربيل، العراق

حاصل على شهادة ماجستير في مجال الاحصاء و. لديه خبرة في مجال الاحصاء والتحليلات الاحصائية.

ساوين عثمان بابكر، كلية الإدارة والاقتصاد، قسم الاحصاء، جامعة صلاح الدين، اربيل، العراق

حاصل على شهادة ماجستير في مجال الاحصاء و. لديه خبرة في مجال الاحصاء والتحليلات الاحصائية.

سامى على عبيد، كلية الإدارة والاقتصاد، قسم الاحصاء، جامعة صلاح الدين، اربيل، العراق

حاصل على شهادة ماجستير في مجال الاحصاء و. لديه خبرة في مجال الاحصاء والتحليلات الاحصائية.

المراجع

1. Abdullah, L. T. (2022). Forecasting time series using vector autoregressive model. International Journal of Nonlinear Analysis and Applications, 13(1), 499-511.

2. Adenomon, M. O., & Oyejola, B. A. (2014). Forecasting meteorological time series data with a reduced form vector autoregressive (Var) model and three univariate time series techniques: a comparative study. Social and Basic Sciences Research Review, 2(3), 139-152.

3. Bashir, F., & Wei, H. L. (2018). Handling missing data in multivariate time series using a vector autoregressive model-imputation (VAR-IM) algorithm. Neurocomputing, 276, 23-30.

4. Bose, E., Hravnak, M., & Sereika, S. M. (2017). Vector autoregressive models and Granger causality in time series analysis in nursing research: dynamic changes among vital signs prior to cardiorespiratory instability events as an example. Nursing research, 66(1), 12-19.

5. Galeano, P., & Peña, D. (2001). Multivariate analysis in vector time series. DES—Working Papers. Statistics and Econometrics. WS.

6. Hayawi, H.A., Azeez, S.M., Babakr, S.O. And Ali, T.H., 2025. Pak. J. Statist. 2025 Vol. 41 (2), 103-116 Arx Time Series Model Analysis With Wavelets Shrinkage (Simulation Study). Pak. J. Statist, 41(2), Pp.103-116.

7. Bulteel, K., Ceulemans, E., & Tuerlinckx, F. (2018). Multivariate time series, vector autoregressive models and dynamic networks in psychology: Extensions and reflections.

8. Lütkepohl, H. (2013). Vector autoregressive models. In Handbook of research methods and applications in empirical macroeconomics (pp. 139-164). Edward Elgar Publishing.

9. Mati, S., Ismael, G. Y., Mohammed, A. A., Hussaini, M., Usman, A. G., Aliyu, N., ... & Abba, S. I. (2024). Predicting Consumer Price Index amidst uncertainty: Gaussian Random Fuzzy Number-based Evidential Neural Network for West African economies with COVID-19 and Russia–Ukraine war dynamics. Engineering Applications of Artificial Intelligence, 136, 109004.

10. Mati, S., Ismael, G. Y., Usman, A. G., Samour, A., Aliyu, N., Alsakarneh, R. A. I., & Abba, S. I. (2025). Gaussian random fuzzy and nature-inspired neural networks: a novel approach to Brent oil price prediction. Neural Computing and Applications, 1-19.

11. Russel, E., & Usman, M. (2019). Vector autoregressive with exogenous variable model and its application in modeling and forecasting energy data: Case study of PTBA and HRUM energy. International Journal of Energy Economics and Policy, 9(2), 390-398.

12. Siggiridou, E., & Kugiumtzis, D. (2015). Granger causality in multivariate time series using a time-ordered restricted vector autoregressive model. IEEE Transactions on Signal Processing, 64(7), 1759-1773.

13. Wild, B., Eichler, M., Friederich, H. C., Hartmann, M., Zipfel, S., & Herzog, W. (2010). A graphical vector autoregressive modelling approach to the analysis of electronic diary data. BMC medical research methodology, 10(1), 28.

14. Zivot, E., & Wang, J. (2006). Vector autoregressive models for multivariate time series. In Modeling financial time series with S-PLUS® (pp. 369-413). New York, NY: Springer New York.

15. Mohammed, P. A., Obed, S. A., Ali, I. M., & Kadir, D. H. (2022). US Dollar/IQ Dinar currency exchange rates time series forecasting using ARIMA model. Cihan University-Erbil Scientific Journal, 6(1), 12-19.

16. Siddiqui, A., Al Shareef, A. J., Muzahem, S., & Jagadeesan, P. (2023). Screening for subvisible particles in pharmaceutical formulations–a case study. ScienceOpen Preprints.