时间序列分析方法之 -- 乘法季节性分解（Multiplicative Seasonal Decomposition）原理及python代码示例

目录

原理

适用情况

Python 示例代码

结论

---

原理

乘法季节性分解是一种时间序列分析技术，用于将时间序列分解成趋势、季节性和随机成分（残差）。乘法季节性分解假设时间序列的各个成分是以乘法方式相互作用的，即：

其中：

• ​ 是在时间 t 处的观察值。
• 是在时间 t 处的趋势成分。
• ​ 是在时间 t 处的季节性成分。
• 是在时间 t 处的随机成分（残差）。

通过这种方式，乘法季节性分解假设季节性变化和随机波动是相对于趋势的比例变化。

适用情况

乘法季节性分解适用于以下情况：

1. 具有乘法关系的时间序列：当时间序列的季节性波动幅度随着趋势成分的变化而变化时，乘法季节性分解比加法季节性分解更合适。例如，销售数据可能会随着时间推移而增长，而季节性波动的幅度也会相应增加。
2. 明显的季节性模式：数据具有显著的季节性成分，且这种成分会周期性重复。
3. 数据非平稳：数据呈现出随着时间的推移而变化的趋势。

Python 示例代码

以下是使用 Python 实现乘法季节性分解的示例代码，利用 statsmodels 库进行分解和可视化：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.seasonal import seasonal_decompose

# 生成样本数据
np.random.seed(0)
# 创建包含趋势、季节性和随机成分的时间序列数据
trend = np.linspace(10, 50, 120)
seasonal = 10 + 2 * np.sin(np.linspace(0, 24, 120))
noise = np.random.normal(0, 2, 120)
data = trend * seasonal * noise

# 创建数据序列
data_series = pd.Series(data, index=pd.date_range(start='2020-01', periods=120, freq='M'))

# 进行乘法季节性分解
result = seasonal_decompose(data_series, model='multiplicative', period=12)

# 可视化分解结果
plt.figure(figsize=(12, 8))

plt.subplot(411)
plt.plot(data_series, label='Original Data')
plt.legend(loc='upper left')

plt.subplot(412)
plt.plot(result.trend, label='Trend')
plt.legend(loc='upper left')

plt.subplot(413)
plt.plot(result.seasonal, label='Seasonal')
plt.legend(loc='upper left')

plt.subplot(414)
plt.plot(result.resid, label='Residual')
plt.legend(loc='upper left')

plt.tight_layout()
plt.show()

在上述代码中：

1. 首先生成了一些带有趋势、季节性和随机成分的样本数据，并将其创建为一个 Pandas 系列对象。
2. 使用 seasonal_decompose 函数对时间序列进行乘法季节性分解，指定模型为 'multiplicative' 并设置周期为 12（假设季节周期为 12）。
3. 将分解结果中的趋势成分、季节性成分和残差成分进行可视化。

通过可视化分解结果，我们可以清晰地看到时间序列中的各个成分及其变化趋势。

结论

乘法季节性分解是一种有效的时间序列分析技术，适用于具有乘法关系和显著季节性模式的数据。通过将时间序列分解成趋势、季节性和随机成分，可以更好地理解数据的内在结构和变化规律。在实践中，可以使用 statsmodels 库方便地对时间序列进行乘法季节性分解，并结合可视化工具分析各个成分的特征和变化趋势。