4. 经典分解方法（Classical Decomposition）实战

经典分解（Classical Decomposition）是时间序列分析中最朴素也最透明的一套方法。它把一条观测序列 Y_t 拆成趋势项 T_t、季节项 S_t 和不规则项 R_t 三部分，按组合方式分为加法模型 Y_t = T_t + S_t + R_t 与乘法模型 Y_t = T_t × S_t × R_t。本节以某城市 PM2.5 月度浓度为例，完整走一遍“中心化移动平均求趋势 → 去趋势得季节比 → 按月平均并归一化得季节指数 → 重构与残差检验”的流程，并讨论它的适用边界。

一、数据与模型选择

假设我们拿到该城市连续 5 年（60 个月）的 PM2.5 月均浓度，单位 μg/m³，记为 Y₁…Y₆₀。PM2.5 呈现“冬高夏低”的年内节律，且季节波动的绝对幅度往往随浓度水平同步放大——重污染年份冬季峰值更高、夏季谷值也略高。这种“波动幅度与水平相关”的特征提示应优先采用乘法模型，使季节指数表现为围绕 1 的比例因子（如 1.35 表示该月比趋势高 35%）。若序列波动幅度与水平基本无关，则改用加法模型，季节项为绝对偏差。

选择乘法模型后，计算步骤为：先用中心化 12 项移动平均得到趋势 T_t；再计算季节比率 Y_t/T_t；对同一月份的所有比率求平均，得到未归一化的季节因子；最后按“各月因子之和 = 12”归一化，得到季节指数 S_t；残差 R_t = Y_t/(T_t·S_t)。

二、中心化移动平均提取趋势

月度数据周期 m = 12，为偶数，普通 12 项移动平均的结果会落在两个整数月之间，因此必须做中心化处理：先算相邻两个 12 项平均，再取二者均值，等价于对 t−6 到 t+6 共 13 个点加权，两端权重为 1/24，中间 11 个点权重为 1/12。以第 7 个月（t = 7）为例：

T7 = (0.5·Y1 + Y2 + … + Y12 + 0.5·Y13) / 12
   = (0.5×Y1 + ΣY2..Y12 + 0.5×Y13) / 12

这样得到的 T₇ 正好对齐第 7 个月，且已平滑掉整年周期。代价是序列首尾各损失 6 个月，60 个月只剩 t = 7…54 共 48 个趋势值。这是经典分解的固有缺陷：端点趋势无法估计，最新半年的趋势只能靠外推或改用 STL 等方法补足。

移动平均的窗口长度直接决定趋势的“光滑度”。窗口过短（如 3 项）会把季节波动残留进趋势；窗口过长（如 24 项）则把真实的年际变化也抹平。对月度数据，12 项中心化平均是标准做法，因为它恰好完整覆盖一个周期，理论上能完全消除固定周期的季节成分。

三、季节指数计算与归一化

得到趋势后，逐点计算比率 Y_t/T_t，再把 48 个比率按月份归组：1 月有 4 个比率（第 1、2、3、4 年的 1 月），2 月同样 4 个，依此类推。对每组求算术平均，得到 12 个未归一化季节因子。由于乘法模型要求一年内季节效应“相互抵消”，需做归一化：

S_i = 原始因子_i × 12 / Σ(原始因子_1..12)

归一化后 12 个季节指数之和恰为 12，均值恰为 1。示例结果（合理假设值）大致为：1 月 1.42、2 月 1.28、3 月 1.05、4 月 0.92、5 月 0.80、6 月 0.72、7 月 0.68、8 月 0.70、9 月 0.82、10 月 0.98、11 月 1.18、12 月 1.45。解读方式很直接：1 月指数 1.42 意味着该月 PM2.5 通常比当月趋势水平高约 42%，7 月 0.68 则低约 32%。冬季采暖与逆温、夏季降水与扩散条件改善，是这一节律的物理背景。

四、重构、残差与效果评估

用 T_t·S_t 得到拟合值，与原序列相减（乘法模型下用比值）得到残差 R_t。评估分解效果主要看三点：其一，残差是否近似围绕 1 随机波动、无明显规律，若残差仍呈季节性，说明模型形式选错或周期设定有误；其二，残差的自相关是否显著，若滞后 1 期自相关很高，说明趋势提取不足；其三，用 R² 或残差标准差衡量拟合优度，PM2.5 月度数据通常能解释 80% 以上的变异。

下图展示了本节方法的完整数据流与关键中间产物，包括端点损失、归一化约束和残差回检三个易错环节。

五、局限性：什么时候不该只用经典分解

经典分解的透明性来自它的强假设，而这些假设在环境数据中经常被打破。第一，趋势被假定为平滑且缓慢变化，移动平均无法刻画突变型趋势（如某年实施大气治理行动后浓度台阶式下降），会把突变摊平到前后若干个月。第二，季节形态被假定为逐年不变，而 PM2.5 的季节振幅会随治理力度和气象年景变化，固定季节指数会低估或高估某些年份的冬季峰值。第三，端点信息丢失，最新 6 个月没有趋势估计，无法直接判断当前污染水平相对趋势的偏离，这对业务预警是硬伤。第四，对异常值敏感，一次重污染过程会同时污染趋势和季节比率，且移动平均会把异常“传染”给相邻 6 个月。

因此，经典分解更适合作为基线方法与教学起点：它计算简单、每一步都可手工复核、结果可解释性强，适合快速判断序列是否存在稳定季节性与大致趋势方向。当需要处理季节形态漂移、端点估计或异常稳健性时，应转向 STL（Loess 分解）、X-13ARIMA-SEATS 或状态空间模型。实践中一个稳妥的做法是：先用经典分解得到季节指数与趋势的“粗估”，再用 STL 复核季节项是否随时间变化，两者差异明显时以 STL 为准。

六、可直接复用的计算检查表

把这张表逐项走完，一次经典分解就算做“干净”了。它的价值不在于精度最高，而在于每一步都能被追问、被复核——这正是后续引入更复杂方法时判断“改进是否真的有效”的参照基准。