ARIMAX: Cách dự báo chuỗi thời gian với biến ngoại sinh

Giả sử bạn đang dự báo nhu cầu điện theo tháng. Bạn có một mô hình ARIMA vững chắc nắm bắt tự tương quan và xu hướng của chuỗi. Rồi một đợt nắng nóng ập đến, và dự báo của bạn lệch 15%. Chuỗi không thay đổi; thời tiết thay đổi. Đó chính là tình huống ARIMAX được tạo ra để xử lý: dự báo chuỗi thời gian khi các yếu tố bên ngoài chi phối nhiều biến động như bản thân lịch sử của chuỗi.

Chúng ta sẽ đề cập ARIMAX là gì, nó khác ARIMA và SARIMAX như thế nào, và khi nào nên dùng mô hình này thay vì mô hình kia. Chúng ta cũng sẽ đi qua một triển khai Python đầy đủ bao gồm chuẩn bị dữ liệu, fit mô hình, chẩn đoán, và đánh giá dự báo, để bạn có thể áp dụng ngay những gì đã học.

ARIMAX là gì?

ARIMAX là viết tắt của AutoRegressive Integrated Moving Average with eXogenous variables. Đây là một mô hình ARIMA thêm các đầu vào bên ngoài, tức các biến dự báo đến từ ngoài chính chuỗi mục tiêu. Ví dụ dễ nghĩ đến: chi tiêu quảng cáo, nhiệt độ, cờ khuyến mãi, lãi suất.

Ký hiệu tổng quát là ARIMAX(p, d, q) với một hay nhiều biến ngoại sinh. Ba tham số p, d, q mang ý nghĩa như trong ARIMA: bậc tự hồi quy, bậc sai phân, và bậc trung bình trượt. Chữ "X" nghĩa là bạn có thể truyền thêm các cột mà bạn tin là tác động đến mục tiêu. Một điều cần lưu ý: một số phần mềm triển khai ARIMAX như một mô hình hồi quy với sai số ARIMA thay vì coi biến ngoại sinh là các đầu vào AR trực tiếp. Khác biệt này tinh vi về mặt toán học, nhưng lại quan trọng khi bạn diễn giải hệ số. Ta sẽ quay lại điểm này khi xem đầu ra của statsmodels.

ARIMAX hoạt động thế nào

ARIMAX kết hợp hai yếu tố: ký ức của chính chuỗi và sức giải thích của các biến bên ngoài.

Các thành phần AR, I, và MA

Thành phần AR (tự hồi quy) dùng các giá trị trễ của chuỗi mục tiêu để dự đoán giá trị hiện tại. Nếu doanh số tháng trước cao, điều đó có ý nghĩa.

Thành phần I (tích hợp) thực hiện sai phân chuỗi để loại bỏ xu hướng hoặc đơn vị căn, giúp chuỗi dừng.

Thành phần MA (trung bình trượt) sử dụng các sai số dự báo trong quá khứ để hiệu chỉnh những sai lệch có hệ thống mà mô hình đang mắc phải.

Kết hợp lại, ba yếu tố này xử lý phần lớn những gì chi phối một chuỗi thời gian điển hình: xu hướng, chu kỳ, và tự tương quan trong phần dư.

Vai trò của biến ngoại sinh

Biến ngoại sinh bổ sung thông tin mà lịch sử của chuỗi không tự cung cấp được. Nếu bạn dự báo doanh số, doanh số quá khứ cho biết về các mẫu hình điển hình. Nhưng một đợt giảm giá hay đối thủ mới tham gia thị trường là thông tin mới. Mô hình ước lượng một hệ số cho mỗi biến dự báo bên ngoài đồng thời tính đến tự tương quan trong sai số.

Cách hiểu thực tế là: nếu chuỗi mục tiêu của bạn được giải thích tốt bởi chính các giá trị quá khứ của nó và bạn không có biến bên ngoài đáng tin cậy, ARIMA thuần có lẽ là đủ. Nhưng khi bạn biết các yếu tố bên ngoài có tác động, và khi bạn thực sự có sẵn giá trị tương lai của các biến đó, ARIMAX thường cho dự báo chính xác hơn.

ARIMA so với ARIMAX so với SARIMAX

SARIMAX mở rộng SARIMA bằng cách thêm các biến ngoại sinh. Trên thực tế, hầu hết các triển khai ARIMAX trong Python đều dùng SARIMAX() từ statsmodels, với bậc mùa vụ đặt bằng không.

Đó không phải là mẹo lách luật. Đó là cách tiếp cận tiêu chuẩn. SARIMAX là lựa chọn đầu tiên tốt khi chuỗi của bạn có mẫu mùa vụ rõ rệt hoặc khi bạn cần biến hồi quy bên ngoài; nó xử lý cả hai gọn gàng. Một lưu ý: "ARIMAX" và "SARIMAX" không thể hoán đổi trong mọi thư viện. Ở một số gói, SARIMAX không có thành phần mùa vụ và ARIMAX là tương đương về chức năng. Ở các gói khác, chúng khác nhau ở cách biến ngoại sinh đi vào hàm khả năng. Hãy kiểm tra tài liệu của công cụ bạn dùng.

Khi nào nên dùng ARIMAX

Thường quy về một câu hỏi: bạn có các biến dự báo bên ngoài hợp lý là ảnh hưởng đến mục tiêu, và bạn sẽ có giá trị tương lai của chúng khi cần dự báo không?

Tình huống ARIMAX tạo giá trị

Các ứng viên tốt gồm dự báo doanh số với cờ khuyến mãi hoặc thay đổi giá, nhu cầu năng lượng với đầu vào nhiệt độ, lưu lượng website với chi tiêu chiến dịch, và các chỉ số kinh tế cùng dữ liệu lãi suất. Trong mỗi trường hợp, biến bên ngoài cung cấp thông tin mà chuỗi không tự sinh ra được.

ARIMA thuần có thể đủ khi biến dự báo bên ngoài không có sẵn, không đáng tin, hoặc đơn giản là không cải thiện độ chính xác ngoài mẫu. Thêm biến dự báo chỉ mang nhiễu mà không có tín hiệu thì không giúp gì. Nhiều đầu vào hơn không đảm bảo dự báo tốt hơn. Hãy đánh giá bất kỳ biến dự báo đề xuất nào trên dữ liệu giữ lại trước khi chấp nhận.

Một lời về quan hệ nhân quả

Một mối quan hệ giữa biến dự báo và mục tiêu không thiết lập quan hệ nhân quả. ARIMAX là khung dự báo; nó ước lượng tương quan. Nếu chi tiêu quảng cáo tương quan với doanh số vì cả hai cùng tăng vào tháng 12, mô hình có thể bắt được điều đó, nhưng nó sẽ không nói quảng cáo gây ra sự tăng. Khác biệt này quan trọng nếu bạn dùng dự báo để ra quyết định chứ không chỉ để dự đoán kết quả. Đáng để nói rõ khi trình bày kết quả.

Cách xây dựng mô hình ARIMAX trong Python

Giờ đến phần triển khai.

Chúng ta sẽ dùng một ví dụ có thể tái lập: doanh số kem theo tháng (số đơn vị bán ra) với nhiệt độ (°C) và cờ khuyến mãi làm biến ngoại sinh. Bộ dữ liệu kéo dài 48 tháng, chia 36 tháng để huấn luyện và 12 tháng để đánh giá.

Chuẩn bị dữ liệu

Bắt đầu bằng cách tải hoặc xây dựng một DataFrame với chỉ mục ngày tháng theo tháng nhất quán. Xác định biến mục tiêu và các cột ngoại sinh, sau đó căn thẳng mọi thứ theo ngày. Xử lý giá trị khuyết trước khi tách dữ liệu. Đừng nội suy/điền khuyết qua ranh giới train/test, vì như vậy sẽ rò rỉ thông tin.

Quy tắc cần ghi nhớ sớm: bất kỳ giá trị ngoại sinh nào bạn dùng khi huấn luyện, bạn sẽ cần giá trị tương lai tương ứng khi dự báo. Nếu bạn không thể có dự báo nhiệt độ tương lai, bạn không thể dùng nhiệt độ làm biến dự báo. Đây không phải chú thích nhỏ; nó loại bỏ khá nhiều ứng viên.

import pandas as pd
import numpy as np
from statsmodels.tsa.statespace.sarimax import SARIMAX
from statsmodels.tsa.stattools import adfuller
from sklearn.metrics import mean_absolute_error

# Construct a sample monthly dataset
np.random.seed(42)
dates = pd.date_range(start="2020-01", periods=48, freq="MS")
temperature = 15 + 10 * np.sin(np.linspace(0, 4 * np.pi, 48)) + np.random.normal(0, 1, 48)
promotion = np.where((np.arange(48) % 6 == 0), 1, 0)
sales = (
    500
    + 8 * temperature
    + 150 * promotion
    + np.cumsum(np.random.normal(0, 10, 48))
)

df = pd.DataFrame({"sales": sales, "temperature": temperature, "promotion": promotion}, index=dates)

# Train/test split
train = df.iloc[:36]
test = df.iloc[36:]

Thường không cần chuẩn hóa tỉ lệ cho ước lượng bằng statsmodels, nhưng nó giúp ổn định số học khi các biến dự báo có thang đo rất khác nhau. Có nên chuẩn hóa hay không là quyết định theo tình huống.

Kiểm tra chuỗi và biến dự báo

Trước khi chọn tham số mô hình, hãy quan sát trực quan chuỗi mục tiêu và chạy kiểm định tính dừng. Kiểm định Augmented Dickey-Fuller (ADF) là tiêu chuẩn. p-value dưới 0,05 gợi ý chuỗi dừng và có lẽ không cần sai phân (d=0). Nếu chuỗi có xu hướng rõ, bạn thường đặt d=1. Kiểm định chỉ là một đầu vào; kiến thức lĩnh vực và quan sát trực quan cũng quan trọng.

Cũng cần kiểm tra các biến dự báo: chúng có căn chỉnh với mục tiêu không? Có khả năng biến dự báo được đo sau thời điểm dự báo không? Cờ khuyến mãi được đặt trước khi tháng bắt đầu thì ổn. Doanh thu của chính tháng đó thì không.

Chọn tham số ứng viên và fit mô hình

Đồ thị ACF và PACF giúp gợi ý giá trị p và q. Đỉnh đáng kể tại độ trễ 1 ở PACF với ACF giảm dần thường gợi ý AR(1); ngược lại gợi ý MA(1). So sánh một tập nhỏ ứng viên bằng AIC hoặc BIC trên dữ liệu huấn luyện, và giữ bộ kiểm tra chỉ cho đánh giá cuối cùng.

# Fit ARIMAX(1,1,1) via SARIMAX with no seasonal order
exog_train = train[["temperature", "promotion"]]
exog_test = test[["temperature", "promotion"]]

model = SARIMAX(
    train["sales"],
    exog=exog_train,
    order=(1, 1, 1),
    seasonal_order=(0, 0, 0, 0),
    trend="n"
)
result = model.fit(disp=False)
print(result.summary())

Đầu ra summary() hiển thị các hệ số ARIMA cùng với hệ số của biến ngoại sinh. Hệ số nhiệt độ cho biết mức độ mà một độ tăng trong nhiệt độ có liên quan đến thay đổi trong mức doanh số, sau khi cấu trúc tự hồi quy đã tính đến quán tính của chuỗi. Một điều nên biết: statsmodels dùng dạng hồi quy với sai số ARIMA, nghĩa là phép sai phân (d=1) được áp dụng cho quá trình sai số, không phải cho chính phương trình hồi quy. Hệ số biểu thị tác động lên mức doanh số bất kể d là bao nhiêu. Trong dạng ARIMAX hàm chuyển (transfer-function) được một số gói khác dùng, d=1 sẽ khiến các hệ số phản ánh tác động lên thay đổi thay vì mức. Khác biệt này dễ gây nhầm, nên hãy kiểm tra tài liệu của công cụ bạn dùng.

Kiểm tra phần dư và đánh giá dự báo

Phần dư nên trông như nhiễu trắng. Kiểm tra đồ thị ACF của phần dư để xem còn tự tương quan không. Các đỉnh đáng kể nghĩa là mô hình bỏ sót cấu trúc. Nếu bạn thấy mẫu có hệ thống ở các độ trễ mùa vụ, hãy chuyển sang SARIMAX với bậc mùa vụ.

# Generate out-of-sample predictions
predictions = result.forecast(steps=12, exog=exog_test)

# Evaluate
mae = mean_absolute_error(test["sales"], predictions)

# Naive baseline: forecast each period using the previous period's actual value
naive_forecast = np.concatenate([[train["sales"].iloc[-1]], test["sales"].values[:-1]])
naive_mae = mean_absolute_error(test["sales"], naive_forecast)

print(f"ARIMAX MAE: {mae:.1f}")
print(f"Naive MAE:  {naive_mae:.1f}")

So sánh MAE của ARIMAX với một chuẩn ngây thơ (dùng giá trị kỳ trước làm dự báo). Nếu ARIMAX không vượt được mô hình ngây thơ trên bộ kiểm tra của bạn, đó là kết quả có ý nghĩa. Độ phức tạp tăng thêm là không chính đáng. Tôi đã thấy điều này xảy ra thường xuyên hơn bạn nghĩ, đặc biệt khi các biến ngoại sinh nhiễu hơn so với vẻ ngoài trong mẫu.

Dự báo giá trị tương lai

Dự báo vượt quá giai đoạn huấn luyện hoạt động giống như đánh giá ngoài mẫu: cung cấp các giá trị ngoại sinh tương lai cùng với lệnh forecast(). Với cờ khuyến mãi, việc này thường đơn giản vì bạn biết lịch khuyến mãi trước. Với nhiệt độ, bạn thường dùng dự báo thời tiết hoặc trung bình mùa vụ lịch sử.

Cần rõ ràng điều này: khoảng tin cậy statsmodels trả về là có điều kiện theo các giá trị biến dự báo bạn cung cấp. Chúng không tính đến bất định trong chính các biến đó. Nếu dự báo nhiệt độ của bạn bất định, bất định của dự báo thực tế sẽ rộng hơn khoảng đó gợi ý. Đáng để truyền đạt nếu bạn trình bày kết quả cho người sẽ hành động dựa trên đó.

Thách thức và hạn chế thường gặp

Triển khai ở trên là đường đi thuận lợi. Đây là những điểm thường gây trục trặc.

• Biến dự báo tương lai có thể không biết: Đây là rào cản thực tế phổ biến nhất. Nếu bạn không thể có được giá trị tương lai của biến ngoại sinh một cách đáng tin, bạn không thể dùng chúng. Dự báo nhu cầu năng lượng với nhiệt độ ngày mai đòi hỏi dự báo nhiệt độ, không phải nhiệt độ hôm qua.
• Biến dự báo có thể rò rỉ thông tin: Một biến được đo sau ngày dự báo có thể khiến đánh giá trong mẫu trông tốt hơn nhiều so với thực tế. Hãy cẩn thận về thời điểm mà các biến dự báo của bạn thực sự tương ứng.
• Mối quan hệ có thể thay đổi: Các hệ số ước lượng trên dữ liệu lịch sử có thể không còn đúng trong tương lai. Độ co giãn theo giá ổn định hai năm có thể dịch chuyển sau cú sốc thị trường, và 2024–2025 đã có đủ biến động để điều này bớt lý thuyết. Tái ước lượng định kỳ là thực hành tốt.
• Biến dự báo tương quan làm khó diễn giải: Các đầu vào đồng tuyến cao có thể khiến ước lượng hệ số riêng lẻ không ổn định. Điều này không phải lúc nào cũng làm hại độ chính xác dự báo, nhưng làm khó việc nói biến nào đang tạo ra tác động.
• Nhiều đầu vào hơn không đảm bảo dự báo tốt hơn: Đánh giá từng biến dự báo đề xuất so với một chuẩn trên dữ liệu giữ lại. Một số đặc trưng trông có ích trong mẫu lại thêm nhiễu ngoài mẫu.
• Tính mùa vụ cần các thành phần mùa vụ: Nếu chuỗi của bạn có mẫu mùa vụ nhất quán, như doanh số theo tháng tăng vọt vào tháng 12, SARIMAX với bậc mùa vụ là lựa chọn đúng. ARIMAX một mình sẽ không bắt được.
• Không thiết lập quan hệ nhân quả: Nhắc lại: ARIMAX là khung dự báo, không phải phương pháp suy luận nhân quả. Đừng dùng dấu của hệ số để đưa ra khẳng định nhân quả nếu không có phân tích bổ sung.

Kết luận

ARIMAX có chỗ đứng khi bạn có các yếu tố bên ngoài thực sự ảnh hưởng đến mục tiêu, và bạn có thể cung cấp giá trị tương lai của chúng khi dự báo. Nó là phần mở rộng tự nhiên của ARIMA, không phải sự thay thế. Nếu chuỗi của bạn "ngoan" và bạn không có biến dự báo đáng tin, ARIMA thuần thường là điểm khởi đầu tốt hơn. Thêm biến nghe có vẻ tiến bộ. Đôi khi không phải vậy.

Quy trình gói gọn trong bốn việc làm tốt:

1. căn chỉnh đúng các biến dự báo,
2. kiểm tra rò rỉ trước khi đánh giá,
3. xác thực trên dữ liệu giữ lại thật sự, và
4. luôn so sánh với một chuẩn đơn giản.

Một mô hình ARIMAX chỉ nhỉnh hơn chút so với dự báo ngây thơ không tốt hơn dự báo ngây thơ. Nó chỉ đắt đỏ hơn.

Nếu bạn muốn đi sâu hơn về nền tảng chuỗi thời gian, khóa Time Series Analysis in Python của chúng tôi bao quát chi tiết ARIMA, tính dừng và chẩn đoán. Về phía statsmodels, khóa Introduction to Regression with statsmodels in Python xây dựng trực giác thống kê mà bạn sẽ cần khi diễn giải tóm tắt mô hình và kiểm tra phần dư.