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 Winter 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 Winter 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
| 平均百分误差 (MAPE) | 7.265 |
|---|---|
| 平均绝对偏差 (MAD) | 16.621 |
| 平均偏差平方和 | 518.119 |
模型 2
准确度度量
| 平均百分误差 (MAPE) | 2.474 |
|---|---|
| 平均绝对偏差 (MAD) | 9.462 |
| 平均偏差平方和 | 135.701 |
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Winter 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。
