Decompositie van tijdreeksen (Decomposition)

Klassieke decompositie egaliseert de reeks met een gecentreerd voortschrijdend gemiddelde, leidt seizoensindices af uit medianen per periode, fit een kleinstekwadratentrendlijn op de seizoensgecorrigeerde gegevens en voorspelt trend maal of plus de index. Kies een multiplicatief of additief model. Minstens twee volledige seizoenen en geen hiaten zijn nodig. De uitvoer omvat de trendvergelijking, seizoensindices, MAPE, MAD, MSD en voorspellingen.

Laatst beoordeeld

Belangrijkste conclusie

Decompositie splitst een seizoensgebonden tijdreeks in een lineaire trend, een zich herhalend seizoenspatroon en wat overblijft, en voorspelt door de trend door te trekken en het seizoenspatroon te herhalen.

Op deze pagina
  1. Doel
  2. Belangrijkste mogelijkheden
  3. Statistische methoden
  4. Invoervelden en opties
  5. Beschrijving van de uitvoer
  6. Uitgewerkt voorbeeld

Doel

Decompositie splitst een seizoensgebonden tijdreeks in een lineaire trend, een zich herhalend seizoenspatroon en wat overblijft. Het beantwoordt vragen als “hoeveel groeit de vraag elke maand?” en “hoeveel boven of onder de trend ligt december elk jaar?”, en voorspelt door de trend door te trekken en het seizoenspatroon te herhalen. Gebruik het voor maand-, kwartaal- of ploegenpatroongegevens met een stabiel seizoen, bijvoorbeeld om capaciteit of voorraad voor de piekmaanden te plannen.

Belangrijkste mogelijkheden

  • Multiplicatief model (elk seizoen ligt een percentage boven of onder de trend) of additief model (elk seizoen ligt een vast bedrag boven of onder de trend).
  • Seizoensindex voor elke periode van het seizoen en de gefitte trendvergelijking.
  • Voorspellingen voor een willekeurig aantal perioden, vanaf het einde van de reeks of vanaf een eerdere rij om de methode aan bekende gegevens te toetsen.
  • Nauwkeurigheidsmaten MAPE, MAD en MSD.
  • Decompositieplot (waargenomen, trend, seizoen, residu), grafieken Component Analysis en Seasonal Analysis en optionele residuplots in vier-in-één.
  • Volledige resultatentabel met trend-, seizoens-, trendgecorrigeerde, seizoensgecorrigeerde, gefitte en foutwaarden voor elke rij.

Statistische methoden

De tool gebruikt klassieke decompositie. Eerst egaliseert hij de gegevens met een gecentreerd voortschrijdend gemiddelde van lengte L (de seizoenslengte); voor een even L gebruikt hij het 2×L-gemiddelde, zodat elke waarde op een tijdstip ligt. De ruwe seizoenswaarden zijn de gegevens gedeeld door dit gemiddelde (multiplicatief) of min dit gemiddelde (additief). Voor elke periode van het seizoen wordt de mediaan van de ruwe waarden genomen en de medianen worden geschaald naar gemiddelde 1 (multiplicatief) of 0 (additief): dit zijn de seizoensindices.

De gegevens worden vervolgens seizoensgecorrigeerd (gedeeld door, of min, de index) en een kleinstekwadratenlijn Yt = b₀ + b₁·t wordt op de gecorrigeerde gegevens gefit. De fit voor elke rij is trend × index (multiplicatief) of trend + index (additief), en de fout is gegevens − fit voor beide modellen. Voorspellingen trekken de trendlijn door en passen de index van de overeenkomstige periode toe; er worden geen voorspellingsintervallen gegeven. Met een voorspellingsoorsprong worden indices en trend opnieuw berekend uit de gegevens tot die rij. Nauwkeurigheid: MAPE = gemiddelde van |fout / gegevens| × 100, MAD = gemiddelde |fout|, MSD = gemiddelde fout².

De reeks heeft minstens twee volledige seizoenen en geen hiaten nodig; het multiplicatieve model vereist dat alle waarden groter dan nul zijn. Kies multiplicatief wanneer de seizoensuitslag meegroeit met het niveau van de reeks, additief wanneer die even groot blijft.

Invoervelden en opties

Veld

Beschrijving

Variable (Y)

Vereist. De numerieke reeks, in tijdsvolgorde.

Seasonal length

Vereist, minstens 2. Aantal perioden per seizoen, bijv. 12 voor maandgegevens met een jaarlijks patroon, 4 voor kwartaalgegevens.

Model

Additive (standaard) of Multiplicative.

First observation is in seasonal period

Standaard 1. De positie van de eerste rij in het seizoen, bijv. 6 wanneer het seizoen in januari begint en de gegevens in juni beginnen.

Number of forecasts

Standaard 0 (geen), maximaal 1000.

Forecast origin (row)

Optioneel, actief wanneer voorspellingen worden gevraagd. Voorspellingen beginnen na deze rij en gebruiken de gegevens tot en met die rij; leeg = einde van de reeks.

Results to display

Summary table (standaard) of Summary table and results table.

Residual plots (four in one)

Standaard niet aangevinkt. Waarschijnlijkheidsplot voor normaliteit, residuen tegen fits, histogram en residuen tegen volgorde.

Component analysis graph / Seasonal analysis graph

Beide standaard aangevinkt. Voegen de twee extra grafieken met vier panelen toe.

Title

Titel van de uitvoer. Standaard Decomposition.

decomposition-inputs


Figuur 1 — Multiplicatieve decompositie van maandelijkse Sales met een seizoenslengte van 12 en 12 voorspellingen.

Beschrijving van de uitvoer

  • <Model> Decomposition of <variable> — vier panelen: Observed, Trend, Seasonal en Residual, met MAPE, MAD en MSD in de titel.
  • Component Analysis for <variable> — Original Data, Detrended Data, Seasonally Adjusted Data en Seasonally Adj. and Detrended Data.
  • Seasonal Analysis for <variable> — Seasonal Indices, Detrended Data by Season (boxplots), Percent Variation by Season en Residuals by Season.
  • Residual Plots for <variable> — indien aangevinkt.
  • Method — modeltype, gegevenskolom, lengte, seizoenslengte (en eerste periode en voorspellingsoorsprong indien ingesteld).
  • Fitted Trend Equation, Seasonal Indices (één per periode), Accuracy Measures (MAPE, MAD, MSD) en Forecasts (periode en voorspelling).
  • Results — indien gekozen: Period, data, Trend, Seasonal, Detrend, Deseason, Predict en Error voor elke rij.
  • PDF-export via Download.

decomposition-output


Figuur 2 — Multiplicatieve decompositie van 60 maanden omzet: een stijgende trend, een seizoenspatroon dat zich elk jaar herhaalt en kleine residuen.

decomposition-extra


Figuur 3 — Seasonal Analysis voor het voorbeeld: februari is de laagste maand (index 0.84) en december de hoogste (1.20).

Uitgewerkt voorbeeld

De omzet van een distributeur van consumentenelektronica stijgt elk jaar en volgt ook binnen het jaar hetzelfde patroon: een dip vroeg in het jaar en een piek in november en december. De verkoopanalist heeft 60 maanden verkochte aantallen (januari 2020 tot en met december 2024) en wil weten hoe sterk elke maand is vergeleken met de trend, en heeft een voorspelling voor 2025 nodig. De analist selecteert Variable (Y) = Sales, Seasonal length = 12, Model = Multiplicative en Number of forecasts = 12.

De trend is Yt = 805.33 + 11.049×t: ongeveer 11 stuks meer elke maand. De seizoensindices tonen december op 1.20 (20% boven de trend) en november op 1.09, terwijl februari op 0.84 ligt (16% onder de trend) en januari en maart op 0.92. De MAPE is 2.2% (MAD 22.6 stuks), tegenover 7.4% voor een rechte trendlijn alleen op de pagina Trend Analysis: het seizoen verklaart het grootste deel van wat de lijn mist. De voorspellingen voor 2025 volgen dezelfde vorm, van 1,255 stuks in februari tot 1,922 in december.

Voor de planning betekent dit dat voorraad en bezetting voor december ongeveer een vijfde boven het trendniveau moeten liggen, en dat februari er ruim onder kan blijven. De grafiek Percent Variation by Season laat zien dat januari de meeste variatie van jaar tot jaar heeft, dus de voorspelling daarvoor is het minst zeker. Met Model = Additive is de MAPE 2.21% tegenover 2.17%, dus beide vormen beschrijven dit seizoen; de additieve versie geeft elke maand een vast aantal stuks (december +224, februari −193) in plaats van een percentage.

Veelgestelde vragen

Additieve of multiplicatieve decompositie: welke gebruikt u?

Kies multiplicatief wanneer de seizoensuitslag meegroeit met het niveau van de reeks, zodat elk seizoen een percentage boven of onder de trend ligt. Kies additief wanneer de uitslag even groot blijft, zodat elk seizoen een vast bedrag boven of onder de trend ligt. Het multiplicatieve model vereist dat alle waarden groter dan nul zijn.

Wat is een seizoensindex?

Een seizoensindex toont hoeveel elke periode van het seizoen boven of onder de trend ligt. In het multiplicatieve model is het gemiddelde van de indices 1, dus december met 1.20 in het uitgewerkte voorbeeld betekent 20% boven de trend en februari met 0.84 betekent 16% eronder. In het additieve model is het gemiddelde van de indices 0 en zijn het vaste bedragen.

Hoeveel gegevens heeft decompositie nodig?

De reeks heeft minstens twee volledige seizoenen en geen hiaten nodig. Voorspellingen trekken de gefitte trendlijn door en passen de seizoensindex van de overeenkomstige periode toe; er worden geen voorspellingsintervallen gegeven. Door een voorspellingsoorsprong in te stellen worden de indices en de trend opnieuw berekend uit de gegevens tot die rij, zodat de methode aan bekende gegevens kan worden getoetst.

Hoe wordt de voorspellingsnauwkeurigheid van decompositie gemeten?

Zometric Statistical Software rapporteert MAPE (gemiddelde absolute procentuele fout), MAD (gemiddelde absolute fout) en MSD (gemiddelde kwadratische fout). In het voorbeeld was de MAPE 2.2% tegenover 7.4% voor een rechte trendlijn alleen, wat laat zien dat het seizoenspatroon het grootste deel verklaarde van wat de trendlijn miste.