Phân tích điểm gãy (break point): Cơ sở và bản chất

Module 01 • Time Series Analytics

Cơ Sở Lý Thuyết

1."Điểm Gãy" Thực Sự Là Gì?

Hãy tưởng tượng bạn đang theo dõi dữ liệu suy giảm trữ lượng nước tại một lưu vực canh tác trong vòng 20 năm:

  • 10 năm đầu: Mực nước hạ chậm và tương đối ổn định ($\approx -0.05\text{ m/năm}$) do lượng khai thác cân bằng với lượng bổ cập tự nhiên.
  • Từ năm thứ 11: Mực nước bắt đầu lao dốc với tốc độ nhanh đột biến ($\approx -0.35\text{ m/năm}$) sau khi xảy ra một đợt siêu hạn hán kích hoạt làn sóng khoan giếng ồ ạt.
Nguy cơ ngộ nhận toàn kỳ: Nếu chỉ tính toán một đường xu thế duy nhất (Trend Line) cho toàn bộ chuỗi 20 năm, ta sẽ thu được độ dốc trung bình $\beta \approx -0.18\text{ m/năm}$. Con số này hoàn toàn vô nghĩa! Nó đánh giá thấp độ nguy kịch ở giai đoạn sau và bóp méo bức tranh cân bằng ở giai đoạn đầu.

Về mặt toán học, cho chuỗi thời gian $\{y_1, y_2, \dots, y_T\}$. Một Điểm gãy cấu trúc (Structural Breakpoint) tại vị trí $\tau$ là thời điểm mà véc-tơ tham số phân phối $\boldsymbol{\theta}_t$ sinh ra dữ liệu có sự thay đổi dứt khoát:

$$y_t \sim F(\cdot \mid \boldsymbol{\theta}_t) \quad \text{với} \quad \boldsymbol{\theta}_t = \begin{cases} \boldsymbol{\theta}_{(1)}, & 1 \le t \le \tau \\ \boldsymbol{\theta}_{(2)}, & \tau < t \le T \end{cases} \quad (\boldsymbol{\theta}_{(1)} \ne \boldsymbol{\theta}_{(2)})$$

2. Mô Phỏng 4 Dạng Biến Đổi Cấu Trúc

Nhấp chuột vào từng chế độ bên dưới để quan sát cách cấu trúc chuỗi thời gian phản ứng trực tiếp trên đồ thị:

Mean Shift: Giá trị trung bình của hệ thống nhảy từ mức $\mu_1$ lên $\mu_2$ tại thời điểm $\tau$, trong khi phương sai và xu thế giữ nguyên. Thường gặp khi đập thủy điện bắt đầu tích nước hoặc xả nước.

Bảng Phân Định Ranh Giới: Outlier vs. Breakpoint

Tiêu Chí So Sánh Ngoại Lai (Outlier / Spike) Điểm Gãy Cấu Trúc (Breakpoint)
Phạm vi thời gian 1 hoặc 2 bước thời gian đơn lẻ ($t \approx 1-2$) Duy trì lâu dài qua một giai đoạn mới đến hết chuỗi
Kỳ vọng & Phương sai Không làm thay đổi $\mu$ và $\sigma^2$ của phân phối nền Dịch chuyển rõ rệt $\mu_1 \ne \mu_2$ hoặc $\sigma_1^2 \ne \sigma_2^2$
Bản chất vật lý Lỗi cảm biến, sự kiện thời tiết cực đoan thoáng qua Hệ thống chuyển pha: đổi khí hậu, đổi công nghệ tưới
Chiến lược xử lý Lọc bỏ hoặc làm mịn (Hampel filter, Winsorization) Phân đoạn hồi quy (Piecewise model), kiểm định Chow/PELT

3. Thách Thức #1: "Cạm Bẫy" Tự Tương Quan Chuỗi (Autocorrelation)

Hầu hết các kiểm định thống kê phổ thông (như Pettitt, Chow test hay CUSUM) đều được xây dựng dựa trên giả định phần dư là nhiễu trắng độc lập: $\epsilon_t \overset{i.i.d}{\sim} \mathcal{N}(0, \sigma^2)$.

Hiệu ứng thổi phồng sai lầm loại I (Type I Error Inflation):
Trong dữ liệu khí hậu, dòng chảy và nước ngầm, giá trị hôm nay luôn phụ thuộc vào hôm qua: $$y_t = \rho y_{t-1} + e_t \quad (\rho > 0)$$ Khi $\rho > 0$, phương sai thực tế của tổng chuỗi tăng lên theo hệ số $\frac{1+\rho}{1-\rho}$. Nếu không hiệu chỉnh, công thức tính thống kê kiểm định sẽ cho ra $p$-value nhỏ giả tạo. Bạn sẽ dễ dàng tuyên bố phát hiện "điểm gãy chấn động" trong khi thực chất hệ thống chỉ đang ngẫu nhiên trôi dạt do đặc tính tự tương quan (Red Noise). Tỷ lệ phát hiện giả có thể vọt từ $5\%$ lên tới $40\% - 60\%$!

Phác Đồ Xử Lý Chuẩn Mực: Khử Xu Thế - Tiền Làm Trắng (TFPW)

Bấm vào từng bước để xem quy trình toán học bắt buộc trước khi chạy kiểm định điểm gãy:

Bước 1: Ước lượng độ dốc xu thế Sen's Slope ($\beta$) ▾
Tính toán độ dốc trung vị phi tham số để loại trừ ảnh hưởng của xu thế dài hạn: $$\beta = \operatorname{median}\left( \frac{y_j - y_i}{j - i} \right), \quad \forall 1 \le i < j \le T$$
Bước 2: Khử xu thế (Detrending) ▾
Tạo chuỗi không còn xu hướng để cô lập hoàn toàn cấu trúc tự tương quan bậc một: $$y'_t = y_t - \beta \cdot t$$
Bước 3: Ước lượng hệ số $AR(1)$ và Làm trắng chuỗi ▾
Tính hệ số tự tương quan trễ 1 ($r_1$) của chuỗi $y'_t$. Nếu kiểm định có ý nghĩa ($p < 0.05$), tiến hành lọc làm trắng: $$y''_t = y'_t - r_1 \cdot y'_{t-1}$$
Bước 4: Hoàn trả xu thế gốc (Blending back) ▾
Cộng lại độ dốc Sen ban đầu vào chuỗi đã triệt tiêu hoàn toàn thành phần tự tương quan: $$y^*_t = y''_t + \beta \cdot t$$ Chuỗi $y^*_t$ giờ đây đã sẵn sàng để đưa vào các kiểm định như Pettitt, Bai-Perron mà không sợ bị lạm phát dương tính giả!

4. Thách Thức #2: Nhiễu Mùa Vụ (Seasonality)

Trong chuỗi thời gian quan sát theo tháng (ví dụ: chỉ số thảm phủ thực vật NDVI từ MODIS/Landsat hoặc dòng chảy), dao động định kỳ giữa mùa mưa và mùa khô chứa năng lượng dao động cực lớn, thường che lấp hoàn toàn sự chuyển biến cấu trúc.

Nguyên tắc vàng: Luôn bóc tách chuỗi gốc theo mô hình thành phần cộng tính trước khi đưa vào thuật toán phân đoạn: $$Y_t = T_t + S_t + R_t$$ Trong đó: $T_t$ là xu thế dài hạn, $S_t$ là sóng mùa vụ lặp lại, và $R_t$ là phần dư ngẫu nhiên. Kiểm định điểm gãy phải được thực thi trên chuỗi đã khử mùa: $$Y^*_t = Y_t - \hat{S}_t$$ hoặc sử dụng trực tiếp các thuật toán giải đồng thời hiện đại như BFAST hoặc BEAST.

5. Thử Thách

Hãy chọn đáp án đúng nhất cho tình huống thực chiến dưới đây:

📌 Câu hỏi: Một nhà nghiên cứu chạy kiểm định Pettitt trên chuỗi lưu lượng dòng chảy tháng và thu được $p$-value $= 0.008$ (điểm gãy năm 2012). Tuy nhiên, khi phân tích tự tương quan, chuỗi có hệ số $AR(1) = 0.65$. Kết luận nào sau đây là chuẩn mực nhất?

🚀 Sẵn Sàng Cho Bài Học Tiếp Theo?

Ở Bài 2: Phương Pháp Phân Tích Điểm Gãy, trình bày các thuật toán Pettitt, Chow, Bai-Perron, PELT, BFAST!