解释时间序列图的主要结果

使用过程知识可确定异常观测值或突变是指示过程中的错误还是实际变化。

异常值

查找异常观测值（又称为异常值）。异常值可能会对时间序列模型产生不成比例的效应，而且会生成令人误解的结果。请尝试确定产生任何异常值的原因并更正任何数据输入错误或测量误差。请考虑删除与异常的单次事件（又称为特殊原因）相关联的数据值。

下面的时间序列图显示由数据输入错误导致的异常值。技术人员在工作表中意外输入了值 4（而非 40）。

突变

查找序列中的突变或者趋势发生的突变。请尝试确定类似变化的原因。

例如，下面的时间序列图显示在 15 个月之后过程的成本发生显著变化。您应当调查这种变化的原因。

趋势是数据值中的长期增加或减小。趋势可以是线性的，也可以表现出一定程度的弯曲。如果数据表现出一定的趋势，您可以使用时间序列分析来对数据建模并生成预测。有关使用哪种分析的更多信息，请转到我应使用哪种时间序列分析？。

季节性模式是数据值中在同一个时间段内定期反复的上升和下降。例如，汽车零件商店的订单量在每周一很低，之后增加，到周五到达峰值。季节性模式始终具有固定的已知时间段。与之相反，循环运动是指不定期反复的上升和下降数据值。通常，循环运动比季节性模式耗时长且可变性大。

可以使用时间序列分析对模式建模并生成预测。有关使用哪种分析的更多信息，请转到我应使用哪种时间序列分析？。

季节性模式

这些数据显示季节性模式。该模式每 12 个月重复一次。

循环运动

这些数据显示循环运动。循环运动不定期重复且不具有相同的形状。

随机变异

这些数据显示随机变异。不存在模式或循环。

如果季节性变化的量值恒定，则季节性变化为加法变化。如果季节性变化的量值随着数据值增大而增大，则季节性变化为乘法变化。附加变异性可能导致更难准确预测乘法季节性变化。

如果模式不明显，并且难以在用于对数据建模的加法过程和乘法过程之间进行选择，则可以尝试这两种过程，然后选择准确度度量较小的过程。有关更多信息，请转到我应使用哪种时间序列分析？。