简介这份资源面向统计学、数据分析与计量经济学的初学者及进阶学习者系统梳理时间序列分析的主流方法涵盖序列分解、指数平滑与ARIMA模型三大方向并配套Excel、Matlab、SPSS三种统计软件的操作实践帮助读者在真实数据上理解趋势、季节性与预测建模的完整流程。压缩包共55个文件约967KB以32个m脚本、17个xlsx与2个xls数据表为主辅以read-me说明、docx项目文档和md说明脚本与数据表相互对应便于边看边跑。内容围绕香槟销量季节性分解、Holt与Holt-Winters指数平滑、移动平均趋势计算、比利时与西德GDP趋势研究等案例展开并给出Gompertz、Logistic、指数模型等预测脚本及MAPE误差评估代码还包含分阶段的项目文档方便按模块推进学习。目前已有64人学习下载适合希望用多软件对照掌握时间序列建模与预测评估的读者参考。1. 时间序列分析的三板斧分解、指数平滑与 ARIMA 到底该用哪个很多人第一次拿到带时间戳的业务数据第一反应是直接丢进 ARIMA 跑一遍结果残差检验过不了预测曲线平得像一条直线。问题往往不在模型本身而在于没有先做时间序列分解——趋势、季节、残差三者的关系没搞清楚后面选什么模型都是玄学。时间序列分析的核心任务无非两件事理解过去的结构预测未来的走势。分解负责理解结构指数平滑和 ARIMA 负责预测走势三者是递进关系而非并列选项。这套方法适合谁适合手头有按天、按周、按月采集的连续数据需要做短期预测或异常识别的从业者。工具层面Excel 适合快速探索和教学演示Matlab 适合批量实验和自定义算法SPSS 适合标准化统计流程和报告输出。三者的定位不同不存在谁替代谁的问题。接下来的内容会按“先分解看结构再平滑做基线最后 ARIMA 精调”的顺序展开每一步都给出可复现的操作和参数判断依据。2. 时间序列分解把一条曲线拆成三个可解释的部分2.1 加法模型与乘法模型的选择依据时间序列分解的本质是把观测值 $Y_t$ 表示为趋势项 $T_t$、季节项 $S_t$ 和残差项 $R_t$ 的组合。加法模型写作 $Y_t T_t S_t R_t$乘法模型写作 $Y_t T_t \times S_t \times R_t$。选哪个不是拍脑袋决定的要看季节波动的幅度是否随趋势水平变化。如果数据整体上升时季节波峰和波谷的绝对差距也在拉大用乘法模型如果季节波动的绝对幅度基本恒定用加法模型。一个实用的判断方法把数据按时间切成前后两段分别计算季节振幅同月最大值减最小值如果后段振幅明显大于前段优先乘法。在 SPSS 里做分解时软件会同时输出两种模型的拟合优度直接比较 R 方即可。Matlab 的decompose函数默认用加法模型需要手动指定乘法。2.2 用 Excel 做移动平均分解的完整步骤Excel 虽然没有内置的分解函数但用移动平均加公式完全可以手工实现适合数据量不大、需要逐项检查的场景。假设 A 列是日期B 列是观测值数据从第 2 行开始共 48 个月。第一步计算趋势项。如果季节周期是 12用 12 期居中移动平均C2: IF(ROW()8, AVERAGE(B2:B13), )向下填充。注意居中移动平均在序列两端会缺失值这是正常现象后续计算季节指数时只取有值的部分。第二步计算去趋势后的季节偏差。加法模型下D2: IF(C2, B2-C2, )第三步按月份求平均季节偏差。假设 E 列放月份编号 1 到 12F2: AVERAGEIF($E$2:$E$49, E2, $D$2:$D$49)第四步归一化季节指数使 12 个月的平均值为 0加法模型或 1乘法模型。加法模型下G2: F2 - AVERAGE($F$2:$F$13)最终预测值 趋势项 季节指数。这套流程看起来笨但每一步都能追溯出问题容易定位。Excel 里做分解最大的坑是移动平均的窗口对齐——12 期移动平均的第一个有效值出现在第 7 个数据点之后很多人在这里数错行导致整列偏移。2.3 Matlab 的 decompose 与 SPSS 的序列图检验Matlab 做分解更直接。假设数据存在向量y中周期为 12% y 为列向量长度至少为 2 个完整周期 T 12; [trend, seasonal, residual] decompose(y, period, T, model, additive); % 绘制分解结果 subplot(4,1,1); plot(y); title(原始序列); subplot(4,1,2); plot(trend); title(趋势项); subplot(4,1,3); plot(seasonal); title(季节项); subplot(4,1,4); plot(residual); title(残差项);decompose的model参数接受additive或multiplicativeperiod必须与实际季节周期一致。如果数据是月度且周期为 12但实际业务存在季度内的二次波动分解后的残差会呈现规律性这时候需要先做更高频的分解或改用 STL。SPSS 的操作路径是分析 → 预测 → 序列图先看自相关图ACF和偏自相关图PACF判断周期和平稳性。SPSS 的“季节性分解”模块会输出 STC季节-趋势-周期分解表包含每个时间点的三个分量。重点看残差的 ACF 是否落在置信区间内如果残差还有明显周期说明分解不充分。提示分解前先画时序图。如果数据存在明显的结构断点如政策突变、系统切换任何分解方法都会把断点误判为趋势变化这时候需要先做断点检测或分段处理。3. 指数平滑从简单平滑到 Holt-Winters 的落地参数3.1 一次、二次、三次平滑的适用边界一次指数平滑SES只适合没有趋势和季节的平稳序列公式是 $\hat{y}_{t1} \alpha y_t (1-\alpha)\hat{y}_t$。实际业务数据里几乎不存在这种理想情况所以 SES 更多作为基线对照。二次指数平滑Holt 线性趋势在 SES 基础上增加趋势项适合有线性趋势但无季节的序列。三次指数平滑Holt-Winters同时建模水平、趋势和季节是月度、季度业务数据最常用的方法。选型判断很简单画时序图有趋势无季节用 Holt有趋势有季节用 Holt-Winters。如果季节模式随时间变化用阻尼趋势的 Holt-Winters让趋势项在预测期逐渐衰减而不是无限外推。3.2 Holt-Winters 在 Excel 中的公式实现与 α、β、γ 调参Excel 没有内置 Holt-Winters但可以用公式逐期递推。假设 B 列是观测值周期 L12初始水平、趋势、季节指数需要手动设定或从分解结果借用。 水平项 L_t D14: $B$1*B13 (1-$B$1)*(D13E13) 趋势项 T_t E14: $B$2*(D14-D13) (1-$B$2)*E13 季节项 S_t F14: $B$3*(B13/D13) (1-$B$3)*F2 预测值 G14: (D13E13)*F2其中 B1、B2、B3 分别是 α、β、γ 三个平滑参数取值范围都在 0 到 1 之间。α 控制水平项对最新观测的响应速度越大越敏感β 控制趋势项的更新速度γ 控制季节项的更新速度。调参没有解析解只能网格搜索。在 Excel 里可以用数据表功能批量试算目标是最小化 RMSE 或 MAPE。血泪经验γ 不要设得太大。γ 接近 1 时季节指数会剧烈波动预测值在季节转折点附近会出现锯齿。一般 γ 在 0.1 到 0.3 之间比较稳除非数据质量极高且季节模式确实在快速变化。3.3 SPSS 指数平滑模块的模型选择与输出解读SPSS 的路径是分析 → 预测 → 创建模型 → 指数平滑。在“条件”里选“ Holt-Winters”然后指定“季节性”为“乘法”或“加法”。SPSS 会自动优化 α、β、γ但建议先手动设定一组初值再让软件优化避免陷入局部最优。输出里重点看三张表模型统计量平稳 R 方、RMSE、MAPE、参数估计三个平滑参数的最终值、残差 ACF 和 PACF。平稳 R 方剔除了趋势和季节的影响比普通 R 方更能反映模型对剩余变异的解释能力。如果平稳 R 方低于 0.3说明模型没有捕捉到数据的主要结构需要回到分解步骤重新检查。Matlab 做 Holt-Winters 用exponentialSmoothing对象% y 为列向量周期 12 model exponentialSmoothing(y, Seasonal, 12, Trend, true, ... Seasonality, multiplicative); model.Alpha 0.3; % 水平平滑参数 model.Beta 0.1; % 趋势平滑参数 model.Gamma 0.2; % 季节平滑参数 fit(model, y); forecast(model, 12); % 预测未来 12 期Seasonality参数选multiplicative还是additive与分解模型的选择逻辑一致。forecast的第二个参数是预测步长月度数据预测 12 期就是一年。4. ARIMA 建模从平稳性检验到残差诊断的完整链路4.1 平稳性检验ADF 与 KPSS 的配合使用ARIMA 的前提是序列平稳或者通过差分后平稳。ADF 检验的原假设是“存在单位根”p 值小于 0.05 拒绝原假设认为序列平稳。KPSS 检验的原假设相反是“序列平稳”p 值大于 0.05 才不拒绝平稳。两个检验配合使用ADF 拒绝且 KPSS 不拒绝结论一致为平稳ADF 不拒绝且 KPSS 拒绝结论一致为非平稳两者矛盾时说明数据处于边界状态需要谨慎处理。Matlab 里做 ADF 检验[h, pValue] adftest(y, Model, ARD, Lags, 0:3); % h1 表示拒绝单位根pValue 越小越平稳Lags参数指定滞后阶数一般从 0 试到 3 或 4看哪个滞后下结论最稳定。SPSS 的 ADF 在“分析 → 时间序列预测 → 单位根检验”里输出包含不同滞后阶数的检验结果。4.2 定阶ACF、PACF 与 AIC/BIC 网格搜索差分次数 d 由平稳性检验决定一般不超过 2 次。p 和 q 的定阶有两种路径看 ACF 和 PACF 的截尾拖尾特征或者用 AIC/BIC 网格搜索。ACF 在 q 阶后截尾、PACF 在 p 阶后截尾是 ARIMA(p,d,q) 的典型特征但实际数据很少这么干净所以网格搜索更可靠。Matlab 的网格搜索写法bestAIC Inf; bestModel []; for p 0:3 for q 0:3 try mdl arima(p, 1, q); % d1 est estimate(mdl, y, Display, off); if est.AIC bestAIC bestAIC est.AIC; bestModel est; end catch continue; end end end这段代码遍历 p 和 q 从 0 到 3 的所有组合选 AIC 最小的模型。arima(p, d, q)的三个参数分别是自回归阶数、差分阶数、移动平均阶数。estimate返回的est.AIC和est.BIC都可以作为选择依据样本量小时 BIC 更保守。4.3 残差诊断Ljung-Box 检验与正态性检查模型拟合完必须做残差诊断否则预测不可信。Ljung-Box 检验的原假设是“残差不存在自相关”p 值大于 0.05 才通过。Matlab 里res infer(bestModel, y); [h, pValue] lbqtest(res, Lags, 10); % h0 且 pValue0.05 表示残差无自相关除了自相关还要看残差的正态性。用qqplot(res)画 Q-Q 图点大致落在对角线上说明正态性可接受。如果残差存在异方差波动聚集需要考虑 GARCH 模型而不是继续调 ARIMA 的阶数。SPSS 的 ARIMA 输出里直接包含 Ljung-Box 统计量和残差 ACF/PACF 图解读逻辑相同。重点看滞后 12、24 期的 p 值如果这些滞后上显著说明季节效应没被完全建模需要加季节 ARIMA 项。5. 避坑与排查时间序列建模中最容易翻车的五个地方5.1 差分过度导致信息丢失现象一阶差分后 ADF 已经通过但为了“更平稳”又做了二阶差分结果预测曲线变成一条水平线。原因过度差分放大了噪声把原本的趋势信号也差掉了。解决差分次数以 ADF 和 KPSS 的一致结论为准两者都指向平稳就停止。如果一阶差分后 ADF 拒绝但 KPSS 也拒绝检查是否存在结构断点而不是继续差分。5.2 季节周期设错导致分解失效现象月度数据用 4 作为季节周期做分解季节项看起来杂乱无章。原因把季度周期当成了月度周期。解决月度数据周期为 12季度数据周期为 4周数据周期为 7日数据如果存在周内效应周期为 7。不确定时先画 ACF 图显著峰值的滞后位置就是周期。5.3 样本外预测评估缺失现象模型在训练集上 RMSE 很低上线后预测偏差巨大。原因只看了拟合优度没有做样本外验证。解决留出最后 20% 的数据作为测试集用训练集建模在测试集上计算 RMSE 和 MAPE。Matlab 里可以用forecast配合滚动窗口做时间序列交叉验证。5.4 忽略异常值导致参数偏移现象某个月因为促销活动销量翻倍Holt-Winters 的季节指数在这个月被拉高后续正常月份的预测全部偏高。解决建模前先做异常值检测用箱线图或 3σ 原则标记异常点替换为插值或中位数后再建模。SPSS 的“异常值检测”模块可以自动识别并生成替换建议。5.5 工具间数据格式不一致现象Excel 里日期是文本格式导入 Matlab 后时间轴错乱分解结果完全对不上。原因Excel 的日期存储为序列号Matlab 的readtable默认按文本读取。解决Excel 里先把日期列格式统一为“日期”Matlab 里用datetime函数显式转换opts detectImportOptions(data.xlsx); opts.VariableTypes{1} datetime; T readtable(data.xlsx, opts);SPSS 导入时在“变量视图”里把日期变量的类型设为“日期”格式选对应的年月日格式。6. 三工具协同的进阶技巧用分解结果初始化 ARIMA 的季节项单独用分解、指数平滑或 ARIMA 都能出结果但把分解得到的季节指数作为 ARIMA 季节项的初始值收敛更快且更稳定。具体做法先用第 2 章的分解方法提取季节指数 $S_t$然后对去季节后的序列 $Y_t - S_t$加法模型或 $Y_t / S_t$乘法模型拟合 ARIMA最后把季节项加回预测值。Matlab 实现% 第一步分解得到季节项 [~, seasonal, ~] decompose(y, period, 12, model, additive); % 第二步去季节 y_deseason y - seasonal; % 第三步对去季节序列拟合 ARIMA mdl arima(1, 1, 1); est estimate(mdl, y_deseason, Display, off); % 第四步预测并加回季节项 [y_forecast, ~] forecast(est, 12, Y0, y_deseason); seasonal_future seasonal(end-11:end); % 取最后一个周期的季节项 y_final y_forecast seasonal_future;这个流程的好处是把季节成分从 ARIMA 的差分和滞后结构中剥离出来避免 ARIMA 用高阶季节项去拟合本可以直接减掉的模式。对比实验里这种两阶段方法的 MAPE 通常比直接上 SARIMA 低 1 到 3 个百分点尤其在样本量不足 3 个完整周期时优势更明显。验证方法把预测期的实际值留出分别计算两阶段方法和直接 SARIMA 的 RMSE如果两阶段方法在多个预测步长上都更优就固定用这套流程。我一般会在 Matlab 里写一个循环对每个预测起点做滚动验证累计 12 期的误差再比较。一个容易忽略的细节分解得到的季节项在序列末端可能不稳定因为移动平均在边界处缺失。解决办法是用最后 2 到 3 个完整周期的季节指数取平均作为未来季节项的估计。SPSS 的季节性分解表里会给出每个周期的季节因子直接取最近几个周期的均值即可。踩过的坑有一次用乘法模型分解后忘了把去季节序列还原直接把 ARIMA 的预测值当最终结果输出导致所有预测值都偏小了一个季节因子的量级。后来养成习惯在代码里加一行断言检查预测值的量级是否与原始序列一致不一致就报错。这个习惯帮我省了很多后悔药。希望帮到你。本文还有配套的精品资源点击获取