Skip to main content

Vẽ biểu đồ ACF và PACF trong phân tích định lượng

· 2 min read

Giới thiệu​

Trong phân tích chuỗi thời gian, Autocorrelation Function (ACF) và Partial Autocorrelation Function (PACF) là hai công cụ quan trọng giúp xác định mô hình ARIMA phù hợp.

  • ACF đo lường mối quan hệ giữa một quan sát và các quan sát trước đó ở các độ trễ khác nhau.
  • PACF giúp xác định bậc của thành phần tự hồi quy (AR) trong mô hình ARIMA.

Cài đặt thư viện cần thiết​

import numpy as np
import matplotlib.pyplot as plt
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf

Tạo dữ liệu mẫu​

# Tạo dữ liệu giả lập
np.random.seed(42)
y = np.random.randn(100)

Vẽ biểu đồ ACF và PACF​

# Tạo figure với 2 biểu đồ
fig, axes = plt.subplots(1, 2, figsize=(14, 5))

# ACF plot
plot_acf(y, ax=axes[0], lags=20)
axes[0].set_title('Autocorrelation Function (ACF)')

# PACF plot
plot_pacf(y, ax=axes[1], lags=20)
axes[1].set_title('Partial Autocorrelation Function (PACF)')

plt.tight_layout()
plt.show()

Phân rã chuỗi thời gian

Kết luận​

  • Nếu ACF giảm dần và PACF cắt mạnh tại một độ trễ nào đó, mô hình có thể phù hợp với AR.
  • Nếu ACF cắt mạnh và PACF giảm dần, mô hình có thể phù hợp với MA.
  • Nếu cả hai giảm dần, mô hình có thể phù hợp với ARMA.

Hãy thử áp dụng phân tích này vào dữ liệu thực tế của bạn! 🚀