指数平滑模型

所属分类：时间序列分析

这个方法是做什么的

用水平、趋势、季节三个状态方程去追踪序列：每来一个新观测就按平滑系数更新一次状态，越近的观测权重越大。α 管水平的更新速度，β 管趋势，γ 管季节指数，取值都在 0 到 1 之间；再加一个阻尼系数 φ，让趋势外推随期数逐步走平。因为成分是直接建模的，它不要求序列平稳，也不需要差分。

报告的结构与 ARIMA 族一致但重点不同。卡② 除参数估计外，多一张“自动寻优的候选模型比较”表，把趋势项的三种取法与季节项的三种取法交叉出的全部可行组合按 AIC 升序排开，让你看到入选模型比次优好多少（演示里前两名 AIC 只差 0.137）。卡④ 用 MASE 与 Theil's U2 相对朴素基准衡量增量价值，并给三项残差诊断。读这份报告最该先确认的是卡② 的“模型选择方式”与“模型记号”两行——它们说明最终跑的到底是不是你在下拉框里选的那个模型。

需要准备什么数据

• 放入时间序列变量：1 个，定量变量（数值）
• 放入时间变量(可选)（可选）：0~1 个

数据要求

• 数据表至少 30 行。
• 单列缺失率不超过 10%。
• 不接受取值全都一样的列（零方差列没有可分析的变异）。

以上条目由系统从该方法的校验规则直接生成，与上传数据时的实际拦截规则一致。

什么时候用它

• 需要一条平滑的短期外推曲线，不想折腾 ARIMA 的定阶
• 序列有趋势或季节但没有复杂的自相关结构
• 需要一个稳健、易解释的预测基准，用来对比更复杂的模型
• 想比较“加趋势项/加季节项到底值不值”，直接看候选模型比较表

前提是等间隔观测，启用季节项时至少要有 2 个完整周期。行数下限 30 行，29 行会被直接拦下；缺失容忍度一成。拖入“时间变量”后模块会按它排序：把演示数据的行序完全打乱重跑，输出逐字不变。乘性季节项要求序列所有取值严格大于 0，卡① 会实测最小值告诉你能不能用。

什么时候不要用它

• 要的是参数显著性、信息准则与完整的 Box-Jenkins 定阶依据：用「时间序列分析(ARIMA)」，含季节用「季节性ARIMA模型」。
• 只想拆出趋势与季节成分、不做预测：用「季节分解模型」，它给逐相位季节指数与置信区间。
• 多条序列互相影响：ETS 是单变量方法，用「VAR向量自回归模型」。
• 样本极短（几个到十几个点）：季节项与趋势项都识别不出来，用「灰色预测模型GM(1,1)」。
• 需要的是解释而不是外推：想量化“某个因素每变化一个单位、指标变化多少”，用「线性回归 (最小二乘法)」。

容易误读的地方

• “自动寻优”默认是开着的，它会覆盖你在下拉框里选的趋势项与季节项。 实测：把趋势与季节都选成“无”并保持自动寻优打开，最终跑出来的仍是“趋势无、季节乘性”，AIC=78.493——与什么都不改时完全一样。要真正按自己的设定跑，必须先把自动寻优关掉。关掉后按控件默认的“趋势加性、季节无”跑，AIC 是 125.349、残差 Ljung-Box p<0.001（仍有显著自相关），与自动寻优的结果差了一大截。
• 卡① 说“存在显著趋势”，最终模型的趋势项却可能是“无”，这不矛盾。 演示里线性趋势检验给出斜率 0.1138/期、t=18.377、p<0.001，而入选模型的趋势项是“无”。前者描述的是数据里有没有趋势，后者是 AIC 在拟合优度与参数个数之间做的权衡——季节乘性项已经把大部分结构吃掉，再加趋势项不划算。把卡① 的检验结果当成“模型必须含趋势项”的依据是读错了。
• MASE 的基准会随季节项设定而变，两个 MASE 不能直接比大小。 模型含季节项时基准是季节朴素法（lag=12），不含时基准是朴素法（lag=1）。实测：含季节的模型 MASE=0.5024，不含季节的模型 MASE=0.9936——后者看起来差很多，但它是在一个宽松得多的基准上算的。比较不同设定的模型，应当看同一条序列上的 AIC，或统一基准后再比。
• γ=0 意味着季节指数从头到尾不更新。 演示估出的季节平滑系数正好是 0.000000，也就是十年间用的一直是初始的那 12 个季节因子。数据的季节模式若确实恒定，这是好事（等于最稳的估计）；但如果你知道季节性在近几年变了，γ=0 说明模型没有跟上，此时该考虑分段建模。同理，模型未包含的成分在参数表里标的是“不适用”而不是 0，这两者含义完全不同。
• 不含趋势项时预测不再升降，含无阻尼趋势时预测会一路线性外推。 前者的样本外点预测由最后的水平状态叠加季节因子周期性重复（有季节项时仍会按周期起伏，但没有整体的抬升或下沉）；序列若实际存在趋势，远期会被系统性低估。后者相反，加性趋势会一直外推到任意远，远期常被高估。需要长期预测时优先考虑阻尼趋势。另外所有误差指标都是样本内一步向前拟合误差，本模块不做滚动回测，不能据此宣称预测精度。

报告里有什么

1. 输出结果一：数据概览与前提检验
2. 输出结果二：模型设定与平滑参数估计
3. 输出结果三：拟合、预测与残差可视化
4. 输出结果四：预测精度效应量与残差诊断
5. 输出结果五：结论与学术表述