為什麼要執行時間序列分解

我是時間序列預測的新手。在我目前讀過的大部分預測博客中，都是先分解時間序列。根據我目前的理解，它應該可以幫助我們弄清楚數據中是否存在趨勢、季節性等。但我認為我們可以直接在時間序列圖中看到這些特徵。我對分解有多個疑問

1. 時間序列分解提供了哪些我們無法直接從時間序列圖中看到的附加信息？
2. 如何使用這些信息？在我迄今為止閱讀的所有博客中，他們在進行預測時沒有在任何地方使用分解信息。
3. 如何閱讀時間序列分解圖？作為參考，我附上了這篇文章的圖表。對數據執行乘法分解。

時間序列分解幫助我們將時間序列分解為更易於理解和預測的組件。

1. 原則上，是的，您幾乎可以看到原始情節中的所有內容，但有時將事情分開會讓您的生活更輕鬆。例如，某些驅動因素可能會出現峰值，但由於季節性原因，峰值可能不可見。將季節性分解出來將使峰值在剩餘分量中更加明顯。或者類似地，可能有多重季節性我們沒有想到。如果我們只對電力消耗的日內季節性進行建模，則剩餘分量中的波浪狀模式可能會提醒我們注意週內模式。
2. 分解確實用於預測，例如，通過forecast::stlf()R 中的函數。（請注意，非常推薦整本教科書。）分解的一個優點是您可以單獨處理每個組件，然後重新組合它們。也許您認為趨勢應該受到抑制，或者季節性會以某種方式發生變化，或者殘差中可能存在條件異方差。分解預測非常簡單，您應該始終針對簡單的基準測試更複雜的方法，因為這些方法很難被擊敗。
3. 如何閱讀分解圖在很大程度上取決於系列是如何分解的。在這裡，季節性和殘差都被乘法考慮。（例如，您還可以描繪趨勢和季節性之間的乘法關係，但是是加性噪聲分量。）在圖中，您會看到原始數據，然後是趨勢、季節性和殘差。對於每個時間點 $ i $ , 原始觀察 $ y_i $ 只是三個成分的乘積， $ y_i=t_is_ie_i $ . 分解算法確保季節性和殘差分量在 $ 1 $ ，當然，季節性的波動是有規律的。所以你可以粗略地說，有一個大約的季節變化 $ 10% $ ，因為季節性成分在 $ 0.9 $ 和 $ 1.1 $ .

引用自：https://stats.stackexchange.com/questions/525092