分解

经典分解用中心移动平均平滑序列,由各周期的中位数得出季节指数,对经季节调整的数据拟合最小二乘趋势线,并以趋势乘以或加上指数来预测。可选择乘法或加法模型。要求至少有两个完整季节且无缺失。输出包括趋势方程、季节指数、MAPE、MAD、MSD 和预测值。

最后审阅

核心要点

分解将季节性序列拆分为直线趋势、重复的季节模式和剩余部分,并通过延伸趋势、重复季节模式进行预测。

本页内容
  1. 用途
  2. 主要功能
  3. 统计方法
  4. 输入字段和选项
  5. 输出说明
  6. 计算示例

用途

分解将季节性时间序列拆分为直线趋势、重复的季节模式和剩余部分。它可回答诸如“需求每月增长多少?”和“每年 12 月比趋势高出或低于多少?”之类的问题,并通过延伸趋势、重复季节模式进行预测。适用于季节稳定的月度、季度或班次模式数据,例如为旺季月份规划产能或库存。

主要功能

  • 乘法模型(每个季节是高于或低于趋势的百分比)或加法模型(每个季节是高于或低于趋势的固定量)。
  • 季节内每个周期的季节指数以及拟合的趋势方程。
  • 可预测任意个周期,从序列末尾开始,或从较早的某一行开始,以便用已知数据检验该方法。
  • MAPE、MAD 和 MSD 精度度量。
  • 分解图(观测值、趋势、季节、残差)、Component Analysis 和 Seasonal Analysis 图,以及可选的四合一残差图。
  • 完整的结果表,给出每一行的趋势、季节、去趋势、经季节调整、拟合和误差值。

统计方法

该工具使用经典分解。首先用长度为 L(季节长度)的中心移动平均平滑数据;当 L 为偶数时,使用 2×L 平均,使每个值都落在一个时间点上。原始季节值为数据除以该平均值(乘法)或减去该平均值(加法)。对季节内的每个周期,取其原始值的中位数,并将这些中位数缩放,使其平均值为 1(乘法)或 0(加法):这些就是季节指数。

随后对数据进行季节调整(除以或减去指数),并对调整后的数据拟合最小二乘直线 Yt = b₀ + b₁·t。每一行的拟合值为趋势 × 指数(乘法)或趋势 + 指数(加法),两种模型的误差均为数据 − 拟合值。预测值延伸趋势线并应用对应周期的指数;不提供预测区间。设定预测起点时,指数和趋势根据截至该行的数据重新计算。精度:MAPE = |误差 / 数据| × 100 的均值,MAD = |误差| 的均值,MSD = 误差² 的均值。

序列至少需要两个完整季节且无缺失;乘法模型要求所有值均大于零。当季节波动随序列水平增大时选择乘法,当其保持相同大小时选择加法。

输入字段和选项

字段

说明

Variable (Y)

必填。按时间顺序排列的数值序列。

Seasonal length

必填,至少为 2。每个季节包含的周期数,例如具有年度模式的月度数据为 12,季度数据为 4。

Model

Additive(默认)或 Multiplicative。

First observation is in seasonal period

默认值为 1。第一行在季节中的位置,例如季节从 1 月开始而数据从 6 月开始时为 6。

Number of forecasts

默认值为 0(无),最大为 1000。

Forecast origin (row)

可选,在要求预测时生效。预测从该行之后开始,并使用截至该行的数据;留空 = 序列末尾。

Results to display

Summary table(默认)或 Summary table and results table。

Residual plots (four in one)

默认不勾选。包括正态概率图、残差对拟合值图、直方图和残差对顺序图。

Component analysis graph / Seasonal analysis graph

默认均勾选。添加两张额外的四面板图。

Title

输出的标题。默认为 Decomposition。

decomposition-inputs


图 1 — 月度 Sales 的乘法分解,季节长度为 12,含 12 个预测值。

输出说明

  • <Model> Decomposition of <variable> —— 四个面板:Observed、Trend、Seasonal 和 Residual,标题中给出 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(箱线图)、Percent Variation by Season 和 Residuals by Season。
  • Residual Plots for <variable> —— 勾选时显示。
  • Method —— 模型类型、数据列、长度、季节长度(设定时还包括第一个周期和预测起点)。
  • Fitted Trend Equation、Seasonal Indices(每个周期一个)、Accuracy Measures(MAPE、MAD、MSD)和 Forecasts(周期和预测值)。
  • Results —— 选择时显示:每一行的 Period、data、Trend、Seasonal、Detrend、Deseason、Predict 和 Error。
  • 通过 Download 导出 PDF。

decomposition-output


图 2 — 60 个月销售额的乘法分解:上升的趋势、每年重复的季节模式和较小的残差。

decomposition-extra


图 3 — 示例的 Seasonal Analysis:2 月是最低的月份(指数 0.84),12 月是最高的月份(指数 1.20)。

计算示例

一家消费电子产品经销商的销售额逐年上升,并且在一年之内遵循相同的模式:年初下滑,11 月和 12 月达到高峰。销售分析师掌握 60 个月的销量数据(2020 年 1 月至 2024 年 12 月),需要了解各月相对于趋势的强弱,并需要 2025 年的预测。分析师选择 Variable (Y) = Sales,Seasonal length = 12,Model = Multiplicative,Number of forecasts = 12。

趋势为 Yt = 805.33 + 11.049×t:每月约增加 11 件。季节指数显示 12 月为 1.20(比趋势高 20%),11 月为 1.09,而 2 月为 0.84(比趋势低 16%),1 月和 3 月为 0.92。MAPE 为 2.2%(MAD 为 22.6 件),而仅用 Trend Analysis 页面上的直线趋势时为 7.4%:季节因素解释了直线所未能解释的大部分变化。2025 年的预测值呈现相同的形态,从 2 月的 1,255 件到 12 月的 1,922 件。

对规划而言,这意味着 12 月的库存和人员配置需要比趋势水平高出约五分之一,而 2 月可以远低于趋势水平。Percent Variation by Season 图显示 1 月的年际变化最大,因此其预测的不确定性最大。当 Model = Additive 时,MAPE 为 2.21%,而乘法模型为 2.17%,因此两种形式都能描述该季节;加法版本为每个月给出固定的件数(12 月 +224,2 月 −193),而不是百分比。

常见问题

加法分解还是乘法分解:应选择哪一种?

当季节波动随序列水平增大时,选择乘法,此时每个季节是高于或低于趋势的百分比。当波动保持相同大小时,选择加法,此时每个季节是高于或低于趋势的固定量。乘法模型要求所有值均大于零。

什么是季节指数?

季节指数显示季节内每个周期高于或低于趋势的程度。在乘法模型中,指数的平均值为 1,因此计算示例中 12 月的 1.20 表示比趋势高 20%,2 月的 0.84 表示比趋势低 16%。在加法模型中,指数的平均值为 0,且为固定量。

分解需要多少数据?

序列至少需要两个完整季节且无缺失。预测值延伸拟合的趋势线,并应用对应周期的季节指数;不提供预测区间。设定预测起点会根据截至该行的数据重新计算指数和趋势,因此可以用已知数据检验该方法。

分解的预测精度如何度量?

Zometric Statistical Software 报告 MAPE(平均绝对百分比误差)、MAD(平均绝对误差)和 MSD(均方误差)。在示例中,MAPE 为 2.2%,而仅用直线趋势时为 7.4%,表明季节模式解释了趋势线所未能解释的大部分变化。