Chủ đề 43: PHÂN TÍCH CHUỖI THỜI GIAN VÀ DỰ BÁO

Bài 1: Dịch các từ sau sang tiếng Anh (Chuyên sâu)

Bài 2: Dịch các câu sau

Dịch Việt – Anh:

1. Một chuỗi thời gian được coi là ổn định nếu giá trị trung bình và phương sai của nó không thay đổi theo thời gian.
   
   ĐÁP ÁN

   🔊A time series is considered stationary if its mean and variance do not change over time.

   /ə ˈtaɪm ˈsɪəriːz ɪz kənˈsɪdərd ˌsteɪʃəˈnærəti ɪf ɪts miːn ænd ˈveəriəns duː nɒt ʧeɪndʒ ˈəʊvər taɪm./
2. Phân tích cần loại bỏ xu hướng và tính mùa vụ khỏi dữ liệu để đạt được tính ổn định trước khi áp dụng mô hình ARIMA.
   
   ĐÁP ÁN

   🔊The analysis requires detrending and removing seasonality from the data to achieve stationarity before applying an ARIMA model.

   /ðiː əˈnæləsɪs rɪˈkwaɪərz diːˈtrendɪŋ ænd rɪˈmuːvɪŋ ˌsiːzəˈnæləti frəm ðə ˈdeɪtə tuː əˈʧiːv ˌsteɪʃəˈnærəti bɪˈfɔːr əˈplaɪɪŋ ən əˈriːmə ˈmɒdl./
3. Biểu đồ tự tương quan được sử dụng để xác định các độ trễ có ý nghĩa và các chu kỳ tính mùa vụ tiềm ẩn trong chuỗi thời gian.
   
   ĐÁP ÁN

   🔊The autocorrelation plot is used to identify significant lags and potential seasonality cycles in the time series.

   /ðiː ˌɔːtoʊˌkɒrəˈleɪʃn plɒt ɪz juːzd tuː aɪˈdentɪfaɪ sɪɡˈnɪfɪkənt læɡz ænd pəˈtenʃl ˌsiːzəˈnæləti ˈsaɪklz ɪn ðə ˈtaɪm ˈsɪəriːz./

Dịch Anh – Việt:

4. 🔊Time series decomposition breaks down the data into three components: trend, seasonality, and residual noise./ˈtaɪm ˈsɪəriːz ˌdiːˌkɒmpəˈzɪʃn breɪks daʊn ðə ˈdeɪtə ˈɪntuː θriː kəmˈpəʊnənts: trend, ˌsiːzəˈnæləti, ænd rɪˈzɪdʒuəl nɔɪz./
   
   ĐÁP ÁN

   Phân rã chuỗi thời gian chia nhỏ dữ liệu thành ba thành phần: xu hướng, tính mùa vụ và nhiễu còn lại.

5. 🔊To validate an ARIMA model, we must perform an out-of-sample forecast and compare the predicted values against the actual values./tuː ˈvælɪdeɪt ən əˈriːmə ˈmɒdl, wiː mʌst pərˈfɔːrm ən ˌaʊt əv ˈsæmpl ˈfɔːrkɑːst ænd kəmˈpeər ðə prɪˈdɪktɪd ˈvæljuːz əˈɡeɪnst ðiː ˈækʧuəl ˈvæljuːz./
   
   ĐÁP ÁN

   Để xác thực mô hình ARIMA, chúng ta phải thực hiện dự báo ngoài mẫu và so sánh các giá trị dự đoán với các giá trị thực tế.

6. 🔊Non-stationary time series often exhibit a strong trend, and their autocorrelation function decays slowly, making the variance highly unstable./nɒn ˌsteɪʃəˈnærəti ˈtaɪm ˈsɪəriːz ˈɔːfn ɪɡˈzɪbɪt ə strɒŋ trend, ænd ðer ˌɔːtoʊˌkɒrəˈleɪʃn ˈfʌŋkʃn dɪˈkeɪz ˈsləʊli, ˈmeɪkɪŋ ðə ˈveəriəns ˈhaɪli ʌnˈsteɪbl./
   
   ĐÁP ÁN

   Chuỗi thời gian không ổn định thường thể hiện xu hướng mạnh mẽ, và hàm tự tương quan của chúng giảm dần chậm, khiến phương sai trở nên rất không ổn định.

Bài 3: Dịch hội thoại sau (Anh – Việt)                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                        [Video of Time Series Analysis and Forecasting][/Video of a computer screen showing data analysis graphs]

## Phân tích chuỗi thời gian và Dự báo: Hướng dẫn chuyên sâu
**(Time Series Analysis and Forecasting: An In-Depth Guide)**

Phân tích chuỗi thời gian là một lĩnh vực chuyên môn trong thống kê và học máy, tập trung vào việc mô hình hóa dữ liệu được sắp xếp theo trình tự thời gian, nhằm mục đích dự báo các giá trị tương lai. Các khái niệm cốt lõi tập trung vào việc hiểu các thành phần của chuỗi và làm cho chúng “ổn định” để có thể dự báo chính xác.

—

### I. Các Thành Phần Cốt Lõi (Core Components)

**1. Chuỗi Thời Gian (Time Series):**
* **Định nghĩa:** Một tập hợp các quan sát được sắp xếp theo thời gian và ghi lại tại các khoảng thời gian cụ thể (ví dụ: giá cổ phiếu hàng ngày, nhiệt độ hàng giờ, doanh số hàng tháng).
* **Từ vựng quan trọng:**
* **Observation / Data point:** Quan sát / Điểm dữ liệu
* **Frequency:** Tần suất (ví dụ: hàng ngày, hàng quý)

**2. Tính Ổn Định (Stationarity):**
* **Định nghĩa:** Điều kiện tiên quyết để áp dụng hầu hết các mô hình thống kê. Một chuỗi ổn định khi các đặc tính thống kê cơ bản của nó (trung bình, phương sai và tự tương quan) không thay đổi theo thời gian.
* **Từ vựng quan trọng:**
* **Mean (Trung bình):** Hằng số.
* **Variance (Phương sai):** Hằng số.
* **Differencing:** Phép sai phân (Kỹ thuật làm ổn định chuỗi).

**3. Các Thành Phần của Chuỗi (Time Series Components):**
* **Decomposition (Phân rã):** Kỹ thuật tách chuỗi thời gian thành các thành phần cơ bản của nó.
* **Từ vựng quan trọng:**
* **Trend (Xu hướng):** Sự tăng hoặc giảm dài hạn trong chuỗi.
* **Seasonality (Tính mùa vụ):** Các mô hình lặp lại theo chu kỳ cố định (ví dụ: doanh số bán hàng tăng vào tháng 12 hàng năm).
* **Cycle (Chu kỳ):** Sự biến động không cố định về thời gian (dài hơn tính mùa vụ).
* **Residual / Noise (Nhiễu/Phần dư):** Phần không giải thích được của chuỗi.

—

### II. Mô Hình Hóa và Dự báo (Modeling and Forecasting)

**1. Tự Tương Quan (Autocorrelation):**
* **Định nghĩa:** Sự tương quan giữa một chuỗi thời gian và phiên bản độ trễ (lagged version) của chính nó.
* **Từ vựng quan trọng:**
* **Autocorrelation Function (ACF):** Hàm tự tương quan.
* **Partial Autocorrelation Function (PACF):** Hàm tự tương quan riêng phần.
* **Lag (Độ trễ):** Khoảng thời gian giữa các quan sát.

**2. Mô hình Dự báo Cổ điển:**
* **Từ vựng quan trọng:**
* **ARIMA (Autoregressive Integrated Moving Average):** Mô hình hồi quy tự động tích hợp trung bình trượt (Phổ biến nhất).
* **ARIMA Thuộc tính:**
* **AR (Autoregressive):** Hồi quy tự động (Sử dụng các độ trễ của chính chuỗi).
* **MA (Moving Average):** Trung bình trượt (Sử dụng các độ trễ của lỗi dự báo).
* **I (Integrated):** Tích hợp (Phép sai phân cần thiết để đạt tính ổn định).
* **SARIMA:** ARIMA có tính mùa vụ.
* **Exponential Smoothing:** Làm mịn theo hàm mũ.

**3. Đánh giá Mô hình (Model Evaluation):**
* **Từ vựng quan trọng:**
* **In-sample fit:** Độ khớp trong mẫu (Hiệu suất trên dữ liệu đào tạo).
* **Out-of-sample forecast:** Dự báo ngoài mẫu (Hiệu suất trên dữ liệu mới/chưa thấy).
* **Mean Absolute Error (MAE):** Sai số tuyệt đối trung bình.
* **Root Mean Squared Error (RMSE):** Căn bậc hai của sai số trung bình bình phương.

—

### III. Thảo luận Chuyên sâu (Advanced Discussion)

**A:** Khi nào thì mô hình **ARIMA** có thể được xem xét để dự báo?

**B:** Chỉ sau khi chuỗi thời gian đã đạt được **tính ổn định**, nghĩa là đã loại bỏ **xu hướng** và điều chỉnh cho **phương sai** hằng số.

**A:** Chúng ta xác định **độ trễ** (lags) và **tính mùa vụ** như thế nào?

**B:** Bằng cách kiểm tra biểu đồ **Hàm tự tương quan (ACF)** và **Hàm tự tương quan riêng phần (PACF)**. Các độ trễ vượt quá ngưỡng sẽ cho biết cấu trúc tự tương quan cần được mô hình hóa.

**A:** Điều gì sẽ xảy ra nếu chúng ta không thể loại bỏ **tính mùa vụ** hoàn toàn?

**B:** Chúng ta nên sử dụng một mô hình nâng cao hơn như **SARIMA**, để giải quyết các chu kỳ **tính mùa vụ** được xác định bằng các **độ trễ** lớn hơn trong **phân tích tự tương quan**.

“`html