AITerms 登入
時序分析統計方法資料處理

季節性分解(Seasonal Decomposition)是什麼?

季節性分解是一種時序分析技術,將時間序列分解為趨勢、季節性、週期性和殘差等成分,以便更好地理解和預測資料。

完整定義

季節性分解是一種時序分析方法,旨在將時間序列資料分解為幾個組成部分,包括趨勢成分(長期變化)、季節性成分(重複的週期性模式)、週期性成分(更長期的波動)和殘差(無法解釋的隨機變異)。透過分解,我們可以更清楚地了解資料的底層結構,並提高預測的準確性。

白話說明

你有沒有看過銷售數字一邊慢慢上升,一邊每到週末又固定跳一下?

你可以把季節性分解想成把時間序列拆成趨勢、週期和雜訊三個部分來看。

它重要是因為資料不拆開看,很難知道到底是長期變好,還是只是每週固定波動。

記住這句

先拆趨勢,再看週期,最後才處理雜訊。

比喻:季節性分解就像把一杯綜合果汁,拆解回原本的蘋果汁、柳橙汁、葡萄汁,甚至還有一些沉澱物 -- 這樣就能看清楚每一種成分各自的變化。

容易混淆

季節性分解 vs 移動平均

季節性分解會拆出趨勢和週期

移動平均主要是在平滑數據

最關鍵的區別是拆成幾個成分還是只做平滑。

季節性分解 vs ARIMA

季節性分解是先看結構

ARIMA 是用模型直接做預測

最關鍵的區別是分析工具還是預測模型。

實際案例

零售銷售

月初和月底、節日和非節日的波動常常不同,拆開後比較看得出長期趨勢。

用電量

夏天和冬天用電模式不同,分解後更容易看出季節循環。

演算法與應用

經典分解會把序列拆成 trend、seasonal、residual。

STL 是常見做法之一,對非線性和異常值通常更有彈性。

如果季節波動幅度會跟著水準變化,乘法模型常比加法模型更合適。

情境判斷

Q1(直覺題):如果你想知道銷售是長期上升,還是只是每週固定高低起伏,會先做什麼?

很常先做季節性分解。

Q2(判斷題):拆出季節性後,就一定能直接預測未來嗎?

不一定。分解能幫你理解結構,但預測還要搭配模型和驗證。

常見問題

出現在這些考古題

官方公告試題的逐題解析裡,這 1 題把季節性分解列為延伸術語。

相關術語

本頁內容有提到,或屬於同一組主題的術語

來源

這個術語目前沒有標註外部來源。

其他格式:Markdown 版本