CSDN ARIMA R语言_R语言时间序列分析（十）：时间序列的分解

作者：黄天元，复旦大学博士在读，热爱数据科学与开源工具（R），致力于利用数据科学迅速积累行业经验优势和科学知识发现，涉猎内容包括但不限于信息计量、机器学习、数据可视化、应用统计建模、知识图谱等，著有《R语言数据高效处理指南》（《R语言数据高效处理指南》(黄天元)【摘要 书评 试读】- 京东图书，《R语言数据高效处理指南》(黄天元)【简介_书评_在线阅读】 - 当当图书）。知乎专栏：R语言数据挖掘。邮箱：huang.tian-yuan@qq.com.欢迎合作交流。

一般来说，时间序列能够分解为趋势性、周期性和残差三个部分。传统的分解方法可以划分为可加性分解（additive）和可乘性分解（multiplicative）两种，算法可见6.3 Classical decomposition | Forecasting: Principles and Practice。其中，可加性的分解目前不建议使用，原因是：

1、分解的时候，趋势性的预测总是缺乏首尾的数值。这一点做滑动平均（moving average）就会有体会，用前n个序列的均值来作为n+1时刻的趋势预测，那么前面n个数值注定都是缺失值，而最后n个数值也无法获得；

2、对于骤增和骤降不敏感，显得过于平滑，因此如果有突发的事件也难以进行捕捉；

3、对季节性的预测非常刻板，基本假设中周期性是固定的，如果随着时间改变其周期性波动也发生改变，可加性分解就无法捕捉到。

简单方法的R实现函数为decompose(type="multiplicative