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
A:看季節波動是固定幅度,還是會隨整體水準一起放大。
A:STL 更靈活,也比較能處理非線性趨勢和異常值。
A:通常會先處理趨勢和季節項,再搭配其他模型預測殘差。
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
- 時間序列分析Time Series Analysis季節性分解是時間序列分析的一部分。
- 差分整合移動平均ARIMA分解後常會接這類模型做預測。
- 指數平滑法Exponential Smoothing它和時間序列平滑方法很接近。
- 先知預測模型Prophet季節性分析和它常被一起拿來做預測。
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