Statsmodels季节性分解 - 它有哪些天真的地方？

Question

最近在使用Python处理时间序列，用到了sm.tsa.seasonal_decompose函数。在文档中，它被介绍为：

我们添加了一个简单的季节性分解工具，类似于R语言中的decompose函数。

以下是来自文档的代码及其输出：

import statsmodels.api as sm

dta = sm.datasets.co2.load_pandas().data
# deal with missing values. see issue
dta.co2.interpolate(inplace=True)

res = sm.tsa.seasonal_decompose(dta.co2)
res.plot()

他们说这很“天真”，但是没有说明有什么问题。有人知道吗？

- cardamom

---

这个并没有什么问题。我想它之所以被称为“naive（天真）”，是因为它使用简单的卷积和平均方法来分离趋势和季节性结构，即它不是一种花哨的算法。 - Josef

谢谢，@user333700，我想知道R的 decompose 是否也是“naive”，以及何时需要使用高级方法。通过 .seasonal_decompose 对我的数据进行处理的印象是，这可能是你通常所需的全部内容。 - cardamom

可能性之一是过于“天真”，即不能适当地捕捉数据的特征，例如由于趋势或模式中断而导致的季节性变化。有时可以通过Box-Cox或类似的转换来消除这些变化。宏观经济数据（例如通过X11）的季节性调整也考虑到了假期和类似的日历效应的变化。 - Josef

Answer 1

我进行了一些（有点天真的）研究，根据参考资料，看起来StatsModels使用经典的移动平均方法来检测趋势并应用季节性分解（您可以在此处查看更多信息，特别是关于移动平均和经典分解）。

然而，其他高级的季节性分解技术也可用，例如STL分解，它也有一些Python实现。（更新-2019年11月4日如评论中@squarespiral指出的那样，这些实现似乎已合并到StatsModels的主分支中）。

在上述链接中，您可以找到有关每种提议方法的优缺点的完整参考信息。

希望这有所帮助！

- Angelo Cardellicchio

---

“Python实现的STL分解”已经被合并到statsmodels中：https://github.com/statsmodels/statsmodels/issues/4044 - 函数的文档在这里：https://www.statsmodels.org/dev/examples/notebooks/generated/stl_decomposition.html - squarespiral

感谢@squarespiral，我根据您的评论更新了答案。 - Angelo Cardellicchio

很棒的回答。不过，+1 主要是为了那个双关语。 - Riley

Answer 2

根据源代码，statsmodels.tsa.seasonal()通过以下方式对时间序列进行分解：

1. 趋势是通过卷积窗口计算的，由参数period=12决定，例如；
2. 通过参数model控制，可以通过原始趋势（Raw-Trend）或原始/趋势（Raw/Trend）获得去趋势化的时间序列；
3. 季节性最终通过对单个周期（例如12个）内的所有时间段进行平均计算得出；
4. 最后，残差是剩余的噪音。

我认为，这在某种程度上是一种传统的、类似于特征工程的机器学习任务。不确定它是否会提高一些高级深度学习架构（例如Transformer）的性能。

- jared