季节效应分析与综合波动分析

指数平滑法与确定性综合分析

小象实战讲义 · 时间序列分析

在上节课中，我们学习了非平稳序列确定性分析中的长期趋势拟合方法。本节课将深入探讨另外两种核心的确定性分析方法：指数平滑法和确定性综合分析。指数平滑法通过赋予近期观测值更高权重来捕捉序列的动态变化，而确定性综合分析则系统性地分解序列中的趋势、季节和随机成分，为商业预测和政策分析提供有力工具。学完本节，你将能够运用指数平滑模型进行短期预测，并能对复杂的时间序列进行完整的确定性分解与重构。

💡 核心导读

1. 指数平滑的基本思想：近期观测对当前影响更大，权重随时间间隔呈指数衰减
2. 简单指数平滑：适用于无趋势、无季节性的平稳序列，只能做一期有效预测
3. Holt两参数指数平滑：引入趋势项，适用于含线性趋势的序列
4. 季节效应分析：通过季节指数量化周期性波动，进行季节调整
5. 确定性综合分析：将序列分解为趋势、季节和随机成分的加乘组合
6. X-11过程：美国国情调查局开发的标准化季节调整方法

指数平滑法：从移动平均到指数加权

指数平滑的基本原理

移动平均法对窗口内的所有观测值赋予相同权重，这在实际应用中存在明显局限：近期信息通常比远期信息更具预测价值。指数平滑法正是为了解决这一问题而提出的。

核心思想：各期权重随时间间隔增大而呈指数衰减。设平滑系数为 $\alpha$（$0<\alpha<1$），则第 $t$ 期的平滑值 $\tilde{x}_t$ 可表示为：

$$\tilde{x}_t = \alpha x_t + \alpha(1-\alpha)x_{t-1} + \alpha(1-\alpha)^2 x_{t-2} + \cdots$$

权重序列 $\alpha, \alpha(1-\alpha), \alpha(1-\alpha)^2, \ldots$ 构成一个几何级数，满足 $\sum_{k=0}^{\infty} \alpha(1-\alpha)^k = 1$。

简单指数平滑（SES）

简单指数平滑适用于无明显趋势和季节性的序列。其递推公式为：

$$\tilde{x}_t = \alpha x_t + (1-\alpha)\tilde{x}_{t-1}$$

其中 $\tilde{x}_t$ 是第 $t$ 期的平滑值，$\alpha$ 是平滑系数。

参数确定经验：

• 变化缓慢的序列：$\alpha$ 取较小值（如 0.05-0.2）
• 变化迅速的序列：$\alpha$ 取较大值（如 0.2-0.3）
• 经验表明 $\alpha$ 在 0.05-0.3 之间修匀效果较好

初始值设定：最简单的方法是令 $\tilde{x}_0 = x_1$。

预测特性：简单指数平滑的 $l$ 期预测值恒等于最后一期的平滑值：

$$\hat{x}_{T+l} = \tilde{x}_T, \quad l \geq 1$$

这意味着简单指数平滑只适合做一期预测，多期预测会失去意义。

Holt两参数指数平滑

当序列存在线性趋势时，简单指数平滑会产生系统性滞后。Holt两参数指数平滑通过引入趋势项解决这一问题。

模型结构：

1. 水平方程：$\tilde{x}_t = \alpha x_t + (1-\alpha)(\tilde{x}_{t-1} + r_{t-1})$
2. 趋势方程：$r_t = \gamma(\tilde{x}_t - \tilde{x}_{t-1}) + (1-\gamma)r_{t-1}$

其中 $r_t$ 是第 $t$ 期的趋势估计值，$\gamma$ 是趋势平滑系数。

初始值设定：

• 水平初始值：$\tilde{x}_0 = x_1$
• 趋势初始值：$r_0 = \frac{x_n - x_1}{n-1}$（用初始区间内已有观测估计平均增量，$n$ 为初始区间长度；初值只能基于已观测样本，不能引用未来的 $x_{n+1}$）

预测公式：$l$ 期预测值为：

$$\hat{x}_{T+l} = \tilde{x}_T + l \cdot r_T$$

当 $r_T > 0$ 时序列呈递增趋势，$r_T < 0$ 时呈递减趋势。

季节效应分析与确定性综合分析

季节指数的计算与解释

季节效应是指序列中固定周期的规律性波动。季节指数 $S_j$ 用于量化第 $j$ 个季节相对于平均水平的偏离程度。

计算步骤：

1. 计算周期内各期平均数：$\bar{x}_j = \frac{1}{n}\sum_{i=1}^n x_{ij}$
2. 计算总平均数：$\bar{x} = \frac{1}{nm}\sum_{i=1}^n\sum_{j=1}^m x_{ij}$
3. 计算季节指数：$S_j = \frac{\bar{x}_j}{\bar{x}}$

解释：

• $S_j > 1$：该季节的值通常高于平均水平
• $S_j < 1$：该季节的值通常低于平均水平
• $S_j \approx 1$：该季节无明显季节效应

确定性综合分析模型

当序列同时受到趋势、季节和随机因素影响时，需要采用综合分析模型。常用模型包括：

1. 加法模型：$x_t = T_t + S_t + I_t$

   • 趋势、季节、随机三者相互独立
   • 季节波动的振幅不随趋势变化

2. 乘法模型：$x_t = T_t \times S_t \times I_t$

   • 三者相互影响
   • 季节波动的振幅随趋势变化

3. 混合模型：

   • A类：$x_t = S_t \times (T_t + I_t)$
   • B类：$x_t = T_t \times S_t + I_t$

模型选择依据：观察时序图中季节波动的振幅是否随趋势变化

• 振幅恒定 → 加法模型
• 振幅变化 → 乘法模型或混合模型

X-11过程：标准化的季节调整方法

X-11过程是美国国情调查局开发的季节调整程序，其核心是通过多次移动平均迭代提取各成分。

方法特色：

1. 使用多次短期中心移动平均消除随机波动
2. 使用周期移动平均消除趋势
3. 使用交易周期移动平均消除交易日影响
4. 共进行11次移动平均操作（故名X-11）

优势：相比简单的确定性分析，X-11过程能更干净地分离各成分，减少估计偏差。

Python实战：指数平滑与季节分解

"""
时间序列分析 4.2 课时配套实战代码
内容：指数平滑法 (简单指数平滑、Holt 线性趋势模型与 Holt-Winters 加法季节模型)
"""

import numpy as np
import pandas as pd
from statsmodels.tsa.api import SimpleExpSmoothing, Holt, ExponentialSmoothing

np.random.seed(42)
n_periods = 60  # 5 年月度数据
dates = pd.date_range(start='2019-01-01', periods=n_periods, freq='ME')

# 生成具备趋势与 12 周期季节性的序列
trend = 0.4 * np.arange(n_periods) + 15.0
season = np.sin(2 * np.pi * np.arange(n_periods) / 12) * 3.0
noise = np.random.normal(0, 0.5, n_periods)
data = pd.Series(trend + season + noise, index=dates, name='traffic')

train = data[:-6]
test = data[-6:]

# 1. 简单指数平滑 (SES)
ses_fit = SimpleExpSmoothing(train).fit(optimized=True)

# 2. Holt 线性趋势模型
holt_fit = Holt(train).fit(optimized=True)

# 3. Holt-Winters 季节模型 (加法趋势 + 加法季节)
hw_fit = ExponentialSmoothing(train, trend='add', seasonal='add', seasonal_periods=12).fit(optimized=True)

# 4. 外推 6 期预测并评估 RMSE
ses_pred = ses_fit.forecast(6)
holt_pred = holt_fit.forecast(6)
hw_pred = hw_fit.forecast(6)

ses_rmse = np.sqrt(np.mean((ses_pred.values - test.values) ** 2))
holt_rmse = np.sqrt(np.mean((holt_pred.values - test.values) ** 2))
hw_rmse = np.sqrt(np.mean((hw_pred.values - test.values) ** 2))

print(f"训练样本数: {len(train)}, 测试样本数: {len(test)}")
print(f"Holt-Winters 优化平滑参数:")
print(f"  alpha (水平平滑): {hw_fit.params['smoothing_level']:.4f}")
print(f"  beta (趋势平滑):  {hw_fit.params['smoothing_trend']:.4f}")
print(f"  gamma (季节平滑): {hw_fit.params['smoothing_seasonal']:.4f}")
print("\n各模型 6 步预测 RMSE 比较:")
print(f"  简单指数平滑 (SES) RMSE:       {ses_rmse:.4f}")
print(f"  Holt 线性趋势模型 RMSE:         {holt_rmse:.4f}")
print(f"  Holt-Winters 加法模型 RMSE:     {hw_rmse:.4f}")
print(f"Holt-Winters 显著优于基准: {hw_rmse < min(ses_rmse, holt_rmse)}")

运行结果：

训练样本数: 54, 测试样本数: 6
Holt-Winters 优化平滑参数:
  alpha (水平平滑): 0.0000
  beta (趋势平滑):  0.0000
  gamma (季节平滑): 0.0000

各模型 6 步预测 RMSE 比较:
  简单指数平滑 (SES) RMSE:       2.4001
  Holt 线性趋势模型 RMSE:         1.9617
  Holt-Winters 加法模型 RMSE:     0.5077
Holt-Winters 显著优于基准: True

📝 动手练一练

1. 指数平滑系数分析 在简单指数平滑中，当 $\alpha=0.8$ 和 $\alpha=0.2$ 时，分别计算前5期观测值 $[10, 12, 11, 13, 14]$ 的平滑序列（设 $\tilde{x}_0 = x_1 = 10$）。比较两种系数下平滑序列的波动性差异。

   参考答案： $\alpha=0.8$ 时：$\tilde{x}_1=10.0, \tilde{x}_2=11.6, \tilde{x}_3=11.12\,(\approx 11.1), \tilde{x}_4=12.624\,(\approx 12.6), \tilde{x}_5=13.7248\,(\approx 13.7)$ $\alpha=0.2$ 时：$\tilde{x}_1=10.0, \tilde{x}_2=10.4, \tilde{x}_3=10.5, \tilde{x}_4=11.0, \tilde{x}_5=11.6$ 大 $\alpha$ 值使平滑序列更敏感，波动更大；小 $\alpha$ 值修匀效果更强。

2. 季节指数计算 某产品近三年季度销售额（万元）如下：

   年份 Q1 Q2 Q3 Q4
   2021 120 150 180 210
   2022 130 160 190 220
   2023 140 170 200 230

   计算各季度的季节指数，并解释其含义。

   参考答案： 季度平均：Q1=130, Q2=160, Q3=190, Q4=220 总平均：175 季节指数：Q1=0.743, Q2=0.914, Q3=1.086, Q4=1.257 第四季度销售额显著高于平均水平（指数>1），第一季度最低。

本章小结

本节系统介绍了非平稳序列确定性分析的两大核心方法：指数平滑法和确定性综合分析。

核心要点回顾：

1. 指数平滑法通过指数衰减权重赋予近期观测更高重要性，包括：

   • 简单指数平滑（SES）：适合平稳序列，仅能做一期有效预测
   • Holt两参数模型：引入趋势项，适合线性趋势序列
   • Holt-Winters模型：同时考虑趋势和季节，适合复杂序列

2. 季节效应分析通过季节指数量化周期性波动，季节指数 $S_j$ 反映第 $j$ 季节相对于平均水平的偏离程度。

3. 确定性综合分析将序列分解为趋势、季节和随机成分的组合，模型选择取决于季节振幅是否随趋势变化。

4. X-11过程是标准化的季节调整方法，通过多次移动平均迭代更干净地分离各成分。

行动清单：

1. 对业务数据尝试三种指数平滑模型，比较预测精度
2. 计算月度/季度数据的季节指数，识别业务周期规律
3. 使用seasonal_decompose对实际序列进行加法/乘法分解
4. 根据分解结果判断适用模型类型（加法/乘法/混合）

确定性分析方法虽然理论基础相对简单，但在商业预测、经济分析和政策制定中应用广泛。其优势在于直观易懂、计算高效，能快速提取序列的主要特征。然而，这些方法将无法解释的部分都归为随机波动，可能忽略序列中潜在的随机性结构信息，这为下节课要学习的随机性建模方法（ARIMA等）埋下了伏笔。

— 小象教研组