Ở bài học trước, chúng ta đã thiết lập các khái niệm nền tảng như tính dừng, giúp chúng ta có một cơ sở lý thuyết vững chắc để làm việc với dữ liệu chuỗi thời gian. Trong bài học này, chúng ta sẽ quay trở lại vấn đề cốt lõi: làm thế nào để mô tả một cách định lượng và mô hình hóa cấu trúc tương quan của các sai số (nhiễu) mà chúng ta đã quan sát được một cách trực quan ở Bài 1. Chúng ta sẽ học một “ngôn ngữ” mới để mô tả mối quan hệ của một biến với quá khứ của chính nó. Công cụ chính của chúng ta sẽ là Hàm tự tương quan (ACF), có thể coi như “dấu vân tay” của một quá trình chuỗi thời gian. Bằng cách “đọc” dấu vân tay này, chúng ta có thể chẩn đoán được loại mô hình nào đang ẩn sau dữ liệu. Cuối cùng, chúng ta sẽ đi sâu vào mô hình tự tương quan phổ biến nhất: mô hình Tự …