解释 分解 的主要结果

请完成以下步骤来解释分解分析。主要输出包括时间序列图、准确度度量和预测值。

步骤 1:确定模型是否与数据拟合

检查图以确定模型是否与数据拟合。如果拟合值沿着实际数据紧密分布,则说明模型与数据拟合。
  • 如果模型与数据拟合,则可以执行 Winters 方法 并比较两个模型。
  • 分解功能使用恒定的线性趋势。如果趋势看上去有弯曲,则分解功能将无法提供良好的拟合。您应当使用 Winters 方法
  • 如果模型与数据不拟合,请检查图中是否缺乏季节性模式。如果没有季节性模式,则应当使用其他时间序列分析。有关更多信息,请转到应当使用哪些时间序列分析?

在该图中,拟合值沿着数据紧密分布,这表明模型与数据拟合。

步骤 2:比较您的模型与其他模型的拟合度

使用准确度度量(MAPE、MAD 和 MSD)可以比较您的模型与其他时间序列模型的拟合度。这些统计量本身并不能提供多少信息,但您可以使用它们来比较通过不同方法得到的拟合值。对于所有 3 个统计量,值越小通常表示拟合模型越好。如果单个模型对于所有 3 个统计量没有最低值,则 MAPE 通常是首选度量。
注意

准确度度量提供在您预测数据末端外 1 个周期的值可能遇到的准确度表示形式。因此,准确度度量不指示 1 个周期以外的预测准确度。如果您要使用模型进行预测,则不应当仅基于准确度度量做出决策。您还应当检查模型的拟合度以确保预测值和模型沿着数据紧密分布,尤其是在序列末端。

模型 1

准确度度量 MAPE 8.1976 MAD 3.6215 MSD 22.3936

模型 2

准确度度量 MAPE 6.9551 MAD 2.7506 MSD 11.2702
主要结果:MAPE、MAD 和 MSD

在这些结果中,第 2 个模型的所有 3 个数值均比第 1 个模型的小。因此,第 2 个模型提供的拟合较好。

步骤 3:确定预测是否准确

分解使用固定的趋势线和固定的季节性指数。由于趋势和季节性指数是固定的,因此,只应将分解用于预测趋势和季节性指数何时非常一致。验证时间序列末端的拟合值与实际值是否匹配尤其重要。如果数据末端的季节性模式或趋势与拟合值不匹配,请使用 Winters 方法

在该图中,模型预测的序列末端数据过低。这表明趋势或季节性模式不一致。如果您希望预测此数据,则应当尝试使用 Winter 方法来确定它是否提供了更好的数据拟合。

使用此网站,即表示您同意对数据分析和个性化内容使用 Cookie。  请阅读我们的政策