Trong hai bài học trước, chúng ta đã xây dựng một “thư viện” các mô hình lý thuyết—AR, MA, và ARMA—để mô tả các chuỗi thời gian dừng. Mỗi mô hình đại diện cho một cơ chế tạo dữ liệu khác nhau: mô hình AR nắm bắt sự phụ thuộc vào các giá trị quá khứ, trong khi mô hình MA tập trung vào ảnh hưởng của các cú sốc ngẫu nhiên trong quá khứ. Tuy nhiên, khi đối mặt với một bộ dữ liệu thực tế, chúng ta không biết trước được cấu trúc tiềm ẩn của nó. Làm thế nào để chúng ta có thể “nhìn thấu” dữ liệu và xác định xem nó giống với một quá trình AR(1), MA(2), hay một mô hình ARMA phức tạp hơn? Bài học này sẽ trang bị cho bạn hai công cụ chẩn đoán thiết yếu để trả lời câu hỏi đó: Hàm Tự tương quan (ACF) và Hàm Tự tương quan riêng phần (PACF). ACF đo lường mối tương quan tổng thể giữa một quan sát và các giá …