第四章·季节性的解构

第四章 · 季节性的解构

本章要回答的三个问题：怎么把季节性的"形状"画清楚？什么样的 ACF / 周期图（periodogram）能证明季节性存在？怎么把季节性从数据里"剥离"用于下游分析？

为什么会有这一章

趋势是"长方向"——一眼能看个大概。季节性是"短周期"——它和噪声混在一起、视觉上很容易被季节外的扰动带偏。本章教读者用三种互补工具：季节性子序列图（看形状）、ACF / 周期图（确认周期长度）、季节性调整（把季节剥离出来给下游用）。

读完能解决什么

• 用季节性子序列图把"周一到周日"的模式画清楚。
• 解释 ACF 在 lag=7/12/24 处的周期峰意味着什么，并用周期图量化"哪个频率最强"。
• 跑一次 X-13ARIMA-SEATS 季节性调整，理解"调整后序列"为什么对同比分析特别重要。

知识地图

一句"金句"点题：季节性是"日历决定"的固定周期——可以预知，可以建模。

各节怎么分工

4.1 季节性的视觉与统计特征

子序列图（看形状）+ 周期图（看周期长度）双路对照；识别"日 + 周"双重季节性。

4.2 ACF 与周期图：识别周期

ACF 数学定义、显著性判据 |ρ(k)| > 2/√n；周期图的频率域视角；两者结合确认季节性。

4.3 季节性调整：X-13ARIMA-SEATS

工业级标准；statsmodels 的 x13_arima_analysis 接口；STL 作为 Python 环境的替代；调整后序列的同比应用。

先决条件

• 已完成 2.2 节，理解季节性工程定义。
• 对 statsmodels 和 pandas 已有基本使用经验。

季节性诊断双路

往下走到哪

本章是"季节性"专项。下一章 5 专攻比季节性更难识别的周期性——长度不固定、来源更复杂的长期波动。

本章在四成分中的位置

季节性是固定周期的波动，区别于第 5 章的非固定周期（经济周期）。它的特征是"周期长度固定、振幅相对稳定"，可由物理或人类活动解释。

与第 5 章的关键区别

很多读者会混淆季节性和周期性。第 5 章会专门讲怎么区分。本章假设你已经知道"是季节性"，专注怎么识别、怎么剥离、怎么建模。

与第 6 章的衔接

第 6 章的 SARIMA、Prophet 都内置季节性建模。理解本章的"季节性指数变量、季节性差分"概念，是看懂第 6 章季节性参数的前提。

本章必会的工具

• ACF/PACF：识别周期
• 周期图：识别强度
• 季节性指数变量：建模
• 差分算子：剥离
• X-13ARIMA-SEATS：工业级处理

应用场景

• 气温：年周期 + 日周期
• 销量：周周期 + 年周期
• 网站流量：日周期 + 周周期
• 电力负荷：日周期 + 周周期 + 年周期

本章学习路径建议

第一次读本章，建议 4.1 → 4.2 → 4.4 → 4.3。4.1 节给出"季节性长什么样"的视觉；4.2 节给出"怎么用统计量识别"；4.4 节先讲"怎么调整"（去除）；4.3 节最后讲"怎么建模"——把识别、剥离、建模三步走顺。读完后，建议拿一段月销量数据走一遍完整流程。

与第 3 章的关系

第 3 章讲趋势剥离（差分），本章讲季节性剥离（季节差分、季节指数）。两章的方法互不重叠。工程上的标准流程：先做 ADF 检验判趋势 → 差分去趋势 → 检验季节性 → 季节差分去季节。第 6 章的 SARIMA 正是把这两步合到一步。