{
  "id": "time-series-decomposition",
  "title": "时间序列分解",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "时间序列分解将观测值分为趋势、季节性和不规则变动等成分，用于解释数据、季节调整和预测。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "时序分解",
    "时间序列分解法"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/time-series-decomposition/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/time-series-decomposition/",
      "json": "https://aiwiki.page/en/time-series-decomposition.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "时间序列分解是统计学中将时间序列分离为不同时间变化成分的一类方法。这些成分通常包括缓慢变化的趋势、季节性模式和余项。有些方法还会区分周期性波动、日历效应或多种季节性模式。分解可用于描述观测到的变化特征、生成季节调整数据、检测异常观测值，以及辅助预测。各成分是在一定建模假设下估计得到的，而不是由观测值唯一确定的。"
    },
    {
      "heading": "成分与数学形式",
      "text": "对于以时间 \\(t\\) 为索引的观测值 \\(y_t\\)，加法分解为\n\n\\[y_t=T_t+S_t+R_t,\\]\n\n其中：\n\n- 趋势—周期项，\\(T_t\\)： 序列的基础水平及其相对缓慢的变动。\n- 季节项，\\(S_t\\)： 与反复出现的日历周期或运行周期相关的变化。\n- 余项，\\(R_t\\)： 未归入其他成分的变化。\n\n趋势—周期项有时会进一步分为长期趋势和周期项。这一区分取决于所采用的时间尺度和定义。例如，经济周期不一定有固定时长，而季节性则与一周或一年等反复出现的周期有关。\n\n季节性可以保持稳定，也可以随时间变化。月度观测值可能呈现周期为 \\(m=12\\) 的年度模式；小时观测值则可能同时包含日模式和周模式。对于具有 \\(K\\) 种季节周期的加法分解，\n\n\\[y_t=T_t+\\sum_{k=1}^{K}S_t^{(k)}+R_t.\\]\n\n交易日数量差异或日期不固定的节假日等日历效应，可能需要单独的成分来表示。固定的季节性模式并不总能充分反映这些效应。\n\n加法分解与乘法分解\n\n当季节性波动的幅度基本不随序列水平变化时，适合采用加法模型。若波动幅度与序列水平大致成比例，则乘法形式\n\n\\[y_t=T_tS_tR_t,\\]\n\n更为适用。例如，约为20%的季节性变化与增加20个单位的季节性变化，含义并不相同。\n\n当各成分均严格为正时，自然对数变换可将乘法关系转为加法关系：\n\n\\[\\log y_t=\\log T_t+\\log S_t+\\log R_t.\\]\n\n加法季节效应通常经过归一化，使其在一个完整季节周期内的平均值为零。乘法季节指数通常经过归一化，使其平均值为一；在基于对数的形式中，归一化也可能意味着几何平均值为一。若观测值为零或负数，就无法直接进行对数变换。\n\n余项不一定就是测量误差或纯粹的随机波动。它可能包含异常值、突变、遗漏的季节性模式，或可预测的依赖关系。"
    },
    {
      "heading": "识别与假设",
      "text": "仅凭方程 \\(y_t=T_t+S_t+R_t\\) 并不能确定各成分。对于任意序列 \\(a_t\\)，将 \\(T_t\\) 替换为 \\(T_t+a_t\\)，同时将 \\(R_t\\) 替换为 \\(R_t-a_t\\)，观测值仍保持不变。这是一个统计识别问题。\n\n因此，分解方法会施加一些约束，例如：\n\n- 趋势的平滑性；\n- 已知或估计得到的季节周期；\n- 季节效应的重复性或渐变性；\n- 加法季节项的均值为零约束；\n- 对各成分扰动指定概率模型。\n\n这些约束决定了方法所称的“趋势”“季节性”和“余项”分别是什么。两种方法可以精确重构同一组观测值，却给出不同的成分估计。\n\n各成分也不一定相互独立或正交。因此，在不考虑协方差的情况下，通常不能将观测值的方差分解为各成分的方差。"
    },
    {
      "heading": "经典分解",
      "text": "经典分解先利用中心化移动平均估计趋势—周期项，再根据去趋势后的观测值估计季节性。\n\n对于奇数季节周期 \\(m=2q+1\\)，一种简单的趋势估计为\n\n\\[\\widehat T_t=\\frac{1}{m}\\sum_{j=-q}^{q}y_{t+j}.\\]\n\n对于偶数周期，通常还需要额外的中心化步骤。在加法模型下，去趋势后的观测值为\n\n\\[d_t=y_t-\\widehat T_t.\\]\n\n将不同周期中处于相同季节位置的 \\(d_t\\) 值取平均，再将这些平均值归一化，使其总和为零，即得到季节项估计 \\(\\widehat S_t\\)。余项随后计算为\n\n\\[\\widehat R_t=y_t-\\widehat T_t-\\widehat S_t.\\]\n\n对于乘法模型，去趋势时使用比值，最终余项也通过除法求得。\n\n对于序列内部的观测值，移动平均平滑是一种卷积。其权重决定了哪些时间波动会被保留，哪些会被抑制。\n\n经典分解直观易懂、操作简单，但也存在重要局限。其季节性模式通常不随时间变化，异常观测值可能扭曲平均值，而且中心化滤波器无法直接给出序列首尾的估计。基础水平的快速变化也可能被平滑得模糊不清。"
    },
    {
      "heading": "主要现代方法",
      "text": "STL分解\n\nSTL于1990年提出，是 Seasonal and Trend decomposition using Loess（利用Loess进行季节与趋势分解）的缩写。它通过迭代过程，使用局部多项式回归来估计平滑成分。\n\nSTL交替进行季节项估计和趋势估计。季节平滑作用于连续周期中相同位置的观测值，而趋势平滑则捕捉较缓慢的变动。平滑窗口的选择控制着估计成分允许变化的速度。\n\nSTL还可选择采用稳健程序，降低残差较大的观测值所产生的影响。这能限制孤立极端值对趋势或季节性模式的扭曲程度，但并不能解释这些极端值为何出现。\n\nSTL允许季节性随时间演变，而不要求每个周期都呈现完全相同的模式。标准STL采用加法形式；对于适当的正值数据，可以通过变换处理比例效应。包括多季节STL在内的扩展方法能够处理多个季节周期。日历效应和缺失观测值通常需要额外处理。\n\n基于回归的分解\n\n各成分可以通过线性回归表示。包含线性趋势和固定季节指示变量的模型可写为\n\n\\[y_t=\\beta_0+\\beta_1t+ \\sum_{j=1}^{m-1}\\gamma_jD_{j,t}+\\varepsilon_t,\\]\n\n其中，\\(D_{j,t}\\) 用于标识季节位置 \\(j\\)。为避免与截距项冗余，需要省略一个季节类别。\n\n更灵活的趋势可以采用分段函数或平滑基函数表示。平滑惩罚将分解与正则化联系起来。\n\n季节性也可以用傅里叶级数中的项表示：\n\n\\[S_t=\\sum_{k=1}^{K} \\left[ a_k\\cos\\!\\left(\\frac{2\\pi kt}{m}\\right) +b_k\\sin\\!\\left(\\frac{2\\pi kt}{m}\\right) \\right].\\]\n\n少量谐波即可形成平滑的季节性形态，这对较长的季节周期可能很有用。回归框架还可以纳入节假日、交易日数量及其他解释变量。若误差之间存在相关性，在估计不确定性时就需要对其进行适当建模。\n\n结构模型与状态空间模型\n\n结构模型将各成分视为随时间演变、不可直接观测的随机过程。局部线性趋势模型可写为\n\n\\[\\begin{aligned} y_t&=\\mu_t+\\varepsilon_t,\\\\ \\mu_t&=\\mu_{t-1}+\\beta_{t-1}+\\eta_t,\\\\ \\beta_t&=\\beta_{t-1}+\\zeta_t, \\end{aligned}\\]\n\n其中，\\(\\mu_t\\) 为水平，\\(\\beta_t\\) 为斜率，扰动方差控制两者的变动程度。还可以加入季节状态和其他状态。\n\n在线性高斯模型中，卡尔曼滤波器利用截至各时点可获得的观测值估计状态。平滑器则使用整个可用样本中的观测值来估计历史状态。模型参数可通过最大似然估计或贝叶斯推断进行估计。\n\n在给定模型假设的前提下，这种方法为成分的不确定性和预测提供了概率框架。\n\n官方季节调整系统\n\nX-13ARIMA-SEATS等系统结合了日历效应与异常值建模、时间序列延拓以及成分提取。该系统中的X-11程序使用移动平均滤波器，而SEATS则从拟合的ARIMA模型中进行基于模型的信号提取。\n\n这类系统广泛用于计量经济学和官方统计。其用途之一，是按照有明确记录的处理与修订程序，生成具有可比性的季节调整序列。"
    },
    {
      "heading": "季节调整与预测",
      "text": "季节调整去除估计的季节性变化，但不一定去除趋势。在加法分解中，\n\n\\[y_t^{\\mathrm{SA}}=y_t-\\widehat S_t,\\]\n\n而乘法调整使用 \\(y_t/\\widehat S_t\\)。一些公布的调整后序列还会去除估计的日历效应。\n\n季节调整后的序列仍包含不规则变动，也可能包含周期波动或结构变化。它并不等同于平滑后的趋势。\n\n分解本身并没有指定预测模型。必须分别构建各成分的预测，再将其重新组合。加法预测可采用如下形式：\n\n\\[\\widehat y_{n+h\\mid n} = \\widehat T_{n+h\\mid n} + \\widehat S_{n+h\\mid n} + \\widehat R_{n+h\\mid n}.\\]\n\n一种简单做法是外推趋势、重复近期的季节项估计，并将未来余项的期望设为零。如果余项仍保留可预测的依赖关系，则可能适合采用自回归模型或其他预测方法。\n\n预测不确定性取决于各成分的不确定性及其相互依赖关系。通常不能将各自的区间宽度直接相加，以得到有效的预测区间。对于对数模型，将对数序列的预测值取指数，通常也不能得到原始尺度上的均值预测。"
    },
    {
      "heading": "诊断与局限",
      "text": "残差结构。 残留的季节性、序列相关关系或随时间变化的波动程度，都可能表明分解不充分。去除趋势和季节性，并不能保证余项是平稳过程或独立噪声。\n\n端点效应与修订。 序列内部的估计可以使用某一时点前后的观测值，而靠近最新观测时点的估计则无法做到这一点。因此，新数据可能导致历史成分的估计被修订，尤其是近期的趋势估计。\n\n对参数设置的敏感性。 季节周期、平滑窗口、变换和稳健性设置都会影响结果。过于灵活的趋势可能吸收季节性变化，而过于严格的平滑约束则可能将真实的水平变化留在余项中。\n\n结构变化与异常观测值。 突然发生的永久性水平变化可能被误判为异常值，也可能被平滑器分摊到相邻时期。稳健程序可以减少扭曲，但也可能抑制具有实际意义的特殊事件。\n\n数据频率与缺失情况。 常规方法通常假设观测值按等时间间隔排列。不规则采样、闰年、月份天数不等以及非整数季节周期，都需要适当处理。缺失数据插补本身也可能引入表面上的平滑性或周期性。\n\n预测评估。 在评估历史预测之前，若先用完整数据集拟合分解模型，就可能将未来信息泄漏到评估中。按时间顺序进行的交叉验证要求在拟合预处理步骤时，仅使用各预测起点当时可获得的观测值。\n\n解释。 统计成分不一定对应某种独立的物理或经济机制。仅凭分解无法进行因果推断；如果将估计成分当作直接观测到的量，其不确定性也可能被低估。"
    }
  ],
  "links": [
    "statistics",
    "time-series",
    "natural-logarithm",
    "statistical-identification",
    "covariance",
    "variance",
    "convolution",
    "linear-regression",
    "regularization",
    "fourier-series",
    "stochastic-process",
    "kalman-filter",
    "maximum-likelihood-estimation",
    "bayesian-inference",
    "econometrics",
    "seasonal-adjustment",
    "autoregressive-model",
    "prediction-interval",
    "correlation",
    "stationary-process",
    "missing-data-imputation",
    "cross-validation",
    "causal-inference"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}