Tính dừng (stationary) và phi dừng (non-stationary) của chuỗi dữ liệu

Thủy văn Viễn thám Tính dừng / phi dừng của chuỗi dữ liệu

Kiểm Tra & Chẩn Đoán

1. Khái Niệm Cốt Lõi: Dừng (Stationary) & Phi Dừng (Non-Stationary)

Một chuỗi thời gian được gọi là dừng yếu (weakly stationary) khi các thuộc tính thống kê căn bản của nó được bảo toàn qua thời gian:

1. Kỳ vọng không đổi: E(Yt) = μ
2. Phương sai không đổi: Var(Yt) = σ2 < ∞
3. Hiệp phương sai chỉ phụ thuộc độ trễ k: Cov(Yt, Yt-k) = γk

Nói một cách trực quan, chuỗi dừng là chuỗi có "quy luật xác suất ổn định"; các dao động chỉ xảy ra xung quanh một giá trị trung bình cố định.

Các hình thái phi dừng thường gặp

Trường hợp 1: Mean thay đổi

Chuỗi xuất hiện xu hướng tất định (deterministic trend): Yt = α + βt + εt. Giá trị kỳ vọng thay đổi liên tục theo thời gian.

Trường hợp 2: Variance thay đổi

Biên độ biến động phình to hoặc thu hẹp theo thời gian (Heteroskedasticity), phương sai không còn cố định quanh hằng số.

Trường hợp 3: Random Walk (Bước đi ngẫu nhiên)

Yt = Yt-1 + εt. Chứa Unit Root (nghiệm đơn vị). Một cú shock (cạn kiệt, lũ lụt) sẽ để lại hệ quả vĩnh viễn.

2. Vì Sao Bắt Buộc Phải Khử Phi Dừng Trước Khi Đưa Vào Mô Hình?

Khử phi dừng không phải là một bài tập thống kê hình thức, mà là tấm màng lọc an toàn bắt buộc. Nếu đưa trực tiếp một chuỗi phi dừng vào các thuật toán phân tích, học máy (ML/DL) hay mô hình thủy văn, bạn sẽ đối mặt với 4 thảm họa mô hình hóa:

1. Bẫy Hồi Quy Giả (Spurious Regression)

Hai chuỗi phi dừng không liên quan gì nhau nhưng cùng có xu thế dốc (ví dụ: nước ngầm suy giảm do bơm hút và số lượng trạm thu phí tăng theo năm) khi chạy hồi quy sẽ cho R² > 0.85 và p-value cực thấp. Đây là tương quan giả mạo hoàn toàn về mặt vật lý.

2. Phá Vỡ Mọi Giả Định Thống Kê

Với chuỗi phi dừng có Unit Root, phương sai tiến tới vô cùng theo thời gian. Toàn bộ các kiểm định suy diễn t-test, F-test hay mô hình ARIMA, VAR, tương quan chéo (Cross-correlation) đều bị vô hiệu hóa, đưa ra kết luận thiếu căn cứ.

3. Thất Bại Ngoại Suy Của ML/DL

Các thuật toán dạng cây (Random Forest, XGBoost) hoàn toàn bất lực trong việc dự báo giá trị ngoài khoảng min/max của tập train. Mạng nơ-ron (LSTM, GRU) sẽ ưu tiên học "mức nền tuyệt đối" thay vì học cơ chế phản ứng nhạy cảm giữa nước ngầm và thời tiết.

4. Chìa Khóa Cho Điền Gaps & Downscale

Các mô hình hạ tỉ lệ không gian và điền khuyết chuỗi GRACE đòi hỏi phải liên kết dị thường nước ngầm với dị thường khí tượng (ERA5/GLDAS). Việc khử phi dừng giúp cô lập tín hiệu quan hệ nhân quả thực chất.

🎯 Kết luận dẫn đường: Khử phi dừng là điều kiện cần để xây dựng mô hình dự báo và điền khuyết dữ liệu. Tuy nhiên, trước khi khử, ta phải chẩn đoán chính xác: Tính phi dừng nằm ở đâu (ở trend dốc, chu kỳ mùa, hay bước nhảy gãy cấu trúc)? Đó là lý do quy trình kiểm định dưới đây trở thành bước bắt buộc.

3. Ví dụ chuỗi dữ liệu GRACE: Đừng Nhầm Lẫn Seasonality!

Dữ liệu viễn thám trọng trường GRACE và dị thường trữ lượng nước dưới (TWSA) có cấu trúc tổng hợp:

GWSAt = Trendt (Dài hạn) + Seasonalt (Mùa) + Interannualt (Đa năm) + εt (Nhiễu)
⚠️ DỄ NHẦM LẪN Seasonality không đồng nghĩa với Non-stationarity! Một chuỗi có chu kỳ mùa cực kỳ sắc nét (nước ngầm dâng mùa mưa, rút mùa khô) vẫn có thể là chuỗi dừng nếu quy luật chu kỳ này bảo toàn ổn định qua từng năm. Nguồn gốc gây phi dừng trong GRACE chủ yếu đến từ Trend suy giảm dài hạn và Biến động nhiều năm (ENSO, hạn hán lịch sử).
🛑 LƯU Ý Tuyệt đối không khử xu thế (detrending) một cách máy móc trước khi hiểu rõ câu hỏi nghiên cứu! Nếu mục tiêu là đánh giá Groundwater Depletion (suy thoái nước ngầm do bơm hút quá mức), thì chính xu thế giảm dài hạn là phát hiện khoa học quan trọng nhất. Vội vã khử nó đồng nghĩa với việc tự tay xóa đi hiện tượng bạn đang cần chứng minh!

4. Chẩn Đoán & Kiểm Định Tính Phi Dừng

Thay vì chạy một lệnh kiểm định rồi vội vã kết luận, một nghiên cứu chuẩn mực cần đi qua 3 tầng chẩn đoán sau:

Tầng 1: Chẩn đoán trực quan (Visual Diagnostics)

  • Chuỗi thô (Original GWSA): Quan sát bằng mắt xem có xu thế trôi dạt (drift), bước nhảy đột ngột (abrupt jump), ngoại lai (outliers) hoặc các tháng thiếu dữ liệu (missing months) hay không.
  • Rolling Mean & Rolling SD: Thiết lập cửa sổ trượt (ví dụ: w = 12 tháng) để tính trung bình động và độ lệch chuẩn động. Nếu đường Rolling Mean trôi dần xuống dốc, đó là bằng chứng trực quan của tính phi dừng về kỳ vọng.
  • Hàm tự tương quan (ACF): Chuỗi dừng có hệ số tự tương quan suy giảm theo hàm mũ rất nhanh về 0. Ngược lại, chuỗi phi dừng có ACF giảm cực kỳ chậm (tính bền bỉ cao - strong persistence). Lưu ý: ACF chỉ là dấu hiệu hỗ trợ, không thể dùng làm căn cứ duy nhất để kết luận.

Tầng 2: Kiểm định thống kê kép (ADF + KPSS)

Hai kiểm định kinh điển có giả thuyết không (H0) hoàn toàn trái ngược nhau. Việc kết hợp cả hai là bắt buộc để tránh kết luận sai lệch:

Tiêu chí Kiểm định ADF (Augmented Dickey-Fuller) Kiểm định KPSS (Kwiatkowski et al., 1992)
Giả thuyết H0 Có Unit Root (Phi dừng) Chuỗi là Dừng (Stationary quanh mean/trend)
Ý nghĩa p < 0.05 Bác bỏ H0 → Có bằng chứng chuỗi DỪNG Bác bỏ H0 → Có bằng chứng chuỗi PHI DỪNG
Mô hình hóa Kiểm tra tính tự hồi quy tích hợp I(1) Phân rã thành random walk + nhiễu dừng

Ma Trận Phán Quyết Kết Hợp ADF + KPSS

Kết quả ADF Kết quả KPSS Diễn giải bản chất chuỗi Khuyến nghị hành động
Reject H0 (p < 0.05) Fail to reject H0 (p ≥ 0.05) Chuỗi DỪNG khá rõ ràng An tâm đưa vào các mô hình đòi hỏi tính dừng mà không cần can thiệp.
Fail to reject H0 (p ≥ 0.05) Reject H0 (p < 0.05) Chuỗi PHI DỪNG khá rõ ràng Xác định nguồn gốc: do trend cạn kiệt hay do unit root.
Reject H0 (p < 0.05) Reject H0 (p < 0.05) Mâu thuẫn: Có thể là Trend-Stationary hoặc gãy cấu trúc Chuỗi có trend tất định mạnh hoặc có biến cố bước nhảy; cần kiểm tra gãy cấu trúc.
Fail to reject H0 (p ≥ 0.05) Fail to reject H0 (p ≥ 0.05) Không đủ thông tin thống kê Dữ liệu nhiễu cao hoặc cỡ mẫu quá ngắn; không được vội vã kết luận.

Tầng 3: Kiểm tra Gãy Cấu Trúc (Structural Breaks) & Đặc Tả

Khi một chuỗi thủy văn trải qua một đợt siêu hạn hán (ví dụ: giai đoạn El Niño 2015–2016) hoặc việc khánh thành một hồ chứa thủy điện lớn, độ dốc của chuỗi GWSA có thể thay đổi đột ngột.

  • Hiệu ứng đánh lừa: Một chuỗi thực chất là dừng quanh hai mức cân bằng khác nhau (trước và sau điểm gãy) sẽ khiến ADF và KPSS đều nhận diện nhầm là chuỗi phi dừng dạng Unit Root.
  • Giải pháp nâng cao: Khi nghi ngờ có gãy cấu trúc, hãy áp dụng kiểm định Zivot-Andrews hoặc phân tích đa điểm gãy Bai-Perron thay vì chỉ dùng ADF chuẩn.
  • Đặc tả kiểm định (Specification): Không bao giờ chạy kiểm định với duy nhất một thiết lập. Luôn thử nghiệm cả hai dạng: chỉ có hằng số (constant) và có cả hằng số kèm xu thế tuyến tính (constant + trend).

5. Nguyên Tắc

💡 CÁCH TIẾP CẬN Đừng bắt đầu bằng câu hỏi: "Làm sao để khử phi dừng cho chuỗi này?"
Hãy luôn tự hỏi 2 câu:
  1. Tính phi dừng của chuỗi đến từ đâu? (Do biến động mùa thông thường, do trend cạn kiệt vật lý, hay do gãy cấu trúc?)
  2. Mục tiêu khoa học của đề tài là gì? (Nếu cần chứng minh suy thoái nước ngầm → Giữ nguyên trend; Nếu xây dựng mô hình dự báo dị thường → Bóc tách trend và mùa để lại phần dư dừng).