第二章·拆解时间序列的四大组件

第二章 · 拆解时间序列的四大组件

本章要回答的三个问题：一个时间序列里到底潜伏着几类"嫌疑犯"？它们各自有什么行为特征、怎么被识别？遇到成分随时间放大或缩小的序列时，加法模型和乘法模型该选谁？

为什么会有这一章

只盯着原始序列画折线图，分析师看到的是一团纠缠的曲线——有缓慢上升、有周期起伏、还有噪声。但破案的第一步是把嫌疑人分离开：趋势是长年累积的方向，季节性是固定周期的重复模式，周期性是不定长度的长波，残差是剥掉所有信号后剩下的随机扰动。把它们各自独立出来，才能判断哪类成分最强、哪类是噪声、该对哪类成分下手建模。

如果不把"嫌疑犯"分清楚，工程师就会犯一个常见错误：把噪声当趋势建模、做变点检测；把趋势当季节性建模、SARIMA 的 m 选错；把乘法数据当加法数据建模、残差方差随时间放大。这一章是"拆解工具箱"——给读者一套系统的分解框架，让任何时间序列都能被"四个嫌疑犯"分类、识别、量化。

读完能解决什么

• 任何时间序列能拆出"趋势 + 季节 + 周期 + 残差"四类信号，并解释它们各自的物理或业务含义。
• 凭视觉与 ACF 图判断哪类成分存在、哪类缺失。
• 在"季节性幅度随水平变化"时，正确选择加法还是乘法模型。

知识地图

一句"金句"点题：拆解时间序列就是分嫌疑人——先把它们从纠缠的曲线里识别出来，再各自建模。

各节怎么分工

2.1 趋势 Trend

长期方向的工程定义；线性、指数、S 形三种形态；移动平均的窗口选择与"平滑-滞后"权衡。

2.2 季节性 Seasonality

固定周期（7 天、12 月、24 小时）的"指纹"；子序列图与 ACF 周期峰；硬季节性 vs 软季节性、多重季节性。

2.3 周期性 Cyclicity

不定长波；与季节性的四个关键区别；经济周期、商业周期、气候周期三大来源。

2.4 残差 Residual

剥完信号后的"那点东西"；理想残差的三条特征；Ljung-Box 检验判断是否白噪声。

2.5 加法 vs 乘法

四类成分之间是相加还是相乘；航空乘客案例演示乘法季节性；对数变换把乘法变加法的工程技巧。

先决条件

• 已完成第一章，对 pandas 与 statsmodels 有基本接触。
• 对"自相关"有直观理解（1.1 节演示过 s.autocorr(lag=1)）。

四类嫌疑犯的视觉对照

往下走到哪

本章提供"拆解工具箱"，第三章到第五章分别对四个组件做深入建模：第三章专攻趋势，第四章专攻季节性，第五章专攻周期性。第六章再把分解和建模串起来，引入 STL、Prophet、ARIMA 等综合方法。

本章与第 1 章的衔接

第 1 章建立了"时间序列与横截面数据不同"的认知。第 2 章把这个认知变成可操作的分解动作——任何时间序列都能拆成 4 个成分。读者读完本章应该能用一句话说"我这条曲线由哪几部分组成、哪部分最强、哪部分最弱"。

本章与第 3-5 章的衔接

第 3、4、5 章分别深入讲趋势、季节、周期——它们是本章 4 大成分中最重要的 3 个。第 6 章的"分解"是本章 4 大成分的具体数学实现（STL、Prophet）。本章先给"分类法"和"成分含义"，第 3-6 章给"具体怎么识别、怎么剥离、怎么建模"。

本章的常见误区

很多教材把"加法 vs 乘法"放在建模章节讲，但这是个前置问题：你选错了模型类型，后面所有建模都白做。本章的最后一节（2.5）专门处理这个决策。