分解
經典分解用中心移動平均平滑序列,由各週期的中位數得出季節指數,對經季節調整的資料配適最小平方趨勢線,並以趨勢乘以或加上指數來預測。可選擇乘法或加法模型。要求至少有兩個完整季節且無遺漏。輸出包括趨勢方程、季節指數、MAPE、MAD、MSD 和預測值。
最後審閱
核心要點
分解將季節性序列拆分為直線趨勢、重複的季節模式和剩餘部分,並通過延伸趨勢、重複季節模式進行預測。
用途
分解將季節性時間序列拆分為直線趨勢、重複的季節模式和剩餘部分。它可回答諸如「需求每月增長多少?」和「每年 12 月比趨勢高出或低於多少?」之類的問題,並通過延伸趨勢、重複季節模式進行預測。適用於季節穩定的月度、季度或班次模式資料,例如為旺季月份規劃產能或庫存。
主要功能
- 乘法模型(每個季節是高於或低於趨勢的百分比)或加法模型(每個季節是高於或低於趨勢的固定量)。
- 季節內每個週期的季節指數以及配適的趨勢方程。
- 可預測任意個週期,從序列末尾開始,或從較早的某一列開始,以便用已知資料檢驗該方法。
- MAPE、MAD 和 MSD 精度度量。
- 分解圖(觀測值、趨勢、季節、殘差)、Component Analysis 和 Seasonal Analysis 圖,以及可選的四合一殘差圖。
- 完整的結果表,給出每一列的趨勢、季節、去趨勢、經季節調整、配適和誤差值。
統計方法
該工具使用經典分解。首先用長度為 L(季節長度)的中心移動平均平滑資料;當 L 為偶數時,使用 2×L 平均,使每個值都落在一個時間點上。原始季節值為資料除以該平均值(乘法)或減去該平均值(加法)。對季節內的每個週期,取其原始值的中位數,並將這些中位數縮放,使其平均值為 1(乘法)或 0(加法):這些就是季節指數。
隨後對資料進行季節調整(除以或減去指數),並對調整後的資料配適最小平方直線 Yt = b₀ + b₁·t。每一列的配適值為趨勢 × 指數(乘法)或趨勢 + 指數(加法),兩種模型的誤差均為資料 − 配適值。預測值延伸趨勢線並應用對應週期的指數;不提供預測區間。設定預測起點時,指數和趨勢根據截至該列的資料重新計算。精度:MAPE = |誤差 / 資料| × 100 的平均值,MAD = |誤差| 的平均值,MSD = 誤差² 的平均值。
序列至少需要兩個完整季節且無遺漏;乘法模型要求所有值均大於零。當季節波動隨序列水準增大時選擇乘法,當其保持相同大小時選擇加法。
輸入欄位和選項
欄位 | 說明 |
Variable (Y) | 必填。按時間順序排列的數值序列。 |
Seasonal length | 必填,至少為 2。每個季節包含的週期數,例如具有年度模式的月度資料為 12,季度資料為 4。 |
Model | Additive(預設)或 Multiplicative。 |
First observation is in seasonal period | 預設值為 1。第一列在季節中的位置,例如季節從 1 月開始而資料從 6 月開始時為 6。 |
Number of forecasts | 預設值為 0(無),最大為 1000。 |
Forecast origin (row) | 可選,在要求預測時生效。預測從該行之後開始,並使用截至該列的資料;留空 = 序列末尾。 |
Results to display | Summary table(預設)或 Summary table and results table。 |
Residual plots (four in one) | 預設不勾選。包括常態機率圖、殘差對配適值圖、直方圖和殘差對順序圖。 |
Component analysis graph / Seasonal analysis graph | 預設均勾選。新增兩張額外的四面板圖。 |
Title | 輸出的標題。預設為 Decomposition。 |

圖 1 — 月度 Sales 的乘法分解,季節長度為 12,含 12 個預測值。
輸出說明
- <Model> Decomposition of <variable> —— 四個面板:Observed、Trend、Seasonal 和 Residual,標題中給出 MAPE、MAD 和 MSD。
- Component Analysis for <variable> —— Original Data、Detrended Data、Seasonally Adjusted Data,以及 Seasonally Adj. and Detrended Data。
- Seasonal Analysis for <variable> —— Seasonal Indices、Detrended Data by Season(盒鬚圖)、Percent Variation by Season 和 Residuals by Season。
- Residual Plots for <variable> —— 勾選時顯示。
- Method —— 模型類型、資料欄、長度、季節長度(設定時還包括第一個週期和預測起點)。
- Fitted Trend Equation、Seasonal Indices(每個週期一個)、Accuracy Measures(MAPE、MAD、MSD)和 Forecasts(週期和預測值)。
- Results —— 選擇時顯示:每一列的 Period、data、Trend、Seasonal、Detrend、Deseason、Predict 和 Error。
- 透過 Download 匯出 PDF。

圖 2 — 60 個月銷售額的乘法分解:上升的趨勢、每年重複的季節模式和較小的殘差。

圖 3 — 範例的 Seasonal Analysis:2 月是最低的月份(指數 0.84),12 月是最高的月份(指數 1.20)。
計算範例
一家消費電子產品經銷商的銷售額逐年上升,並且在一年之內遵循相同的模式:年初下滑,11 月和 12 月達到高峰。銷售分析師掌握 60 個月的銷量資料(2020 年 1 月至 2024 年 12 月),需要了解各月相對於趨勢的強弱,並需要 2025 年的預測。分析師選擇 Variable (Y) = Sales,Seasonal length = 12,Model = Multiplicative,Number of forecasts = 12。
趨勢為 Yt = 805.33 + 11.049×t:每月約增加 11 件。季節指數顯示 12 月為 1.20(比趨勢高 20%),11 月為 1.09,而 2 月為 0.84(比趨勢低 16%),1 月和 3 月為 0.92。MAPE 為 2.2%(MAD 為 22.6 件),而僅用 Trend Analysis 頁面上的直線趨勢時為 7.4%:季節因素解釋了直線所未能解釋的大部分變化。2025 年的預測值呈現相同的形態,從 2 月的 1,255 件到 12 月的 1,922 件。
對規劃而言,這意味著 12 月的庫存和人員配置需要比趨勢水準高出約五分之一,而 2 月可以遠低於趨勢水準。Percent Variation by Season 圖顯示 1 月的年際變化最大,因此其預測的不確定性最大。當 Model = Additive 時,MAPE 為 2.21%,而乘法模型為 2.17%,因此兩種形式都能描述該季節;加法版本為每個月給出固定的件數(12 月 +224,2 月 −193),而不是百分比。
常見問題
加法分解還是乘法分解:應選擇哪一種?
當季節波動隨序列水準增大時,選擇乘法,此時每個季節是高於或低於趨勢的百分比。當波動保持相同大小時,選擇加法,此時每個季節是高於或低於趨勢的固定量。乘法模型要求所有值均大於零。
什麼是季節指數?
季節指數顯示季節內每個週期高於或低於趨勢的程度。在乘法模型中,指數的平均值為 1,因此計算範例中 12 月的 1.20 表示比趨勢高 20%,2 月的 0.84 表示比趨勢低 16%。在加法模型中,指數的平均值為 0,且為固定量。
分解需要多少資料?
序列至少需要兩個完整季節且無遺漏。預測值延伸配適的趨勢線,並應用對應週期的季節指數;不提供預測區間。設定預測起點會根據截至該列的資料重新計算指數和趨勢,因此可以用已知資料檢驗該方法。
分解的預測精度如何度量?
Zometric Statistical Software 報告 MAPE(平均絕對百分比誤差)、MAD(平均絕對誤差)和 MSD(均方誤差)。在範例中,MAPE 為 2.2%,而僅用直線趨勢時為 7.4%,表明季節模式解釋了趨勢線所未能解釋的大部分變化。
