欢迎来到时间序列分析！

你好！欢迎来到 BA1 – 商业经济学基础 中最实用章节之一。你有没有想过超市是如何知道要在七月多订购雪糕，或者玩具店是如何为十二月的购物热潮做准备的？他们并非靠猜测，而是使用了时间序列分析（Time Series Analysis）。

在本章中，我们将学习如何检视历史数据（过去的规律），以帮助我们预测未来可能发生的情况。不用担心如果你自认不是“数学挂”，我们会将这些概念拆解，并透过简单的逻辑和真实案例为你讲解。

什么是时间序列？

时间序列就是一组在一段时间内，按固定间隔记录下来的数据点。这些数据可以是每日销售额、每月用电量或年度 GDP 数字。

分析这些数据的目标是找出其中的规律（Patterns）。如果我们能从过去看出规律，就能对未来做出“最佳猜测”（即预测）。这有助于企业进行预算规划、安排人手及管理库存水平。

快速回顾：要成为“时间序列”，数据必须在等距间隔（例如：每周、每季）收集，并保持按时间顺序排列。

时间序列的四个组成部分

当我们观察商业数据的图表时，它看起来往往像一条凌乱的锯齿状线条。为了看懂它，我们想象这条线实际上是由四种不同的“配方”混合而成的：

1. 趋势 (Trend, T)
这是数据的大局或长期走向。企业在几年内是整体增长、萎缩还是保持不变？我们忽略日常的小起伏，只看整体的基础走势。

2. 季节性变异 (Seasonal Variation, S)
这是指在固定期间（通常为一年）内定期重复发生的短期波动。
例子： 冬装的销量总是在第四季（10月至12月）达到高峰，并在第二季（4月至6月）下降。这就像时钟一样，每年准时发生。

3. 循环变异 (Cyclical Variation, C)
这是由经济因素（如经济繁荣与衰退）引起的长期“浪潮”。这些周期通常持续好几年。在 BA1 的学习层面，为了简化，我们通常会将其归纳在趋势 (Trend) 之中。

4. 随机（残差）变异 (Random/Residual Variation, R)
这是指无法预测的一次性事件，它们不遵循任何规律。
例子： 一场突如其来的暴风雪导致所有店铺关门两天，或者一篇爆红的社交媒体帖文导致一周内的销量飙升。我们无法预测这些事件！

重点总结：我们在账目中看到的实际价值（\( Y \)）是这些因素的组合：\( Y = Trend + Seasonal + Random \)（趋势 + 季节性 + 随机）。

如何找出趋势：移动平均法

如果你查看销售图表，季节性销售带来的锯齿会让你很难看出长期趋势。为了修正这一点，我们使用一种称为移动平均（Moving Averages）的技术。这能“抚平”波动，揭示隐藏在底下的趋势。

逻辑：如果你计算一整年的平均销量，夏季的高位和冬季的低位会互相抵销，从而得出该时期的平滑平均值。

逐步教学：简单移动平均法（奇数个周期）

如果我们想计算销售额的 3 期移动平均数：

1. 取前三个值（第 1、2、3 期）并计算其平均值。
2. 将该平均结果放在中间位置（第 2 期）。
3. 舍去第一个值，加入第四个值，计算出新的平均值。
4. 将结果放在下一个中间位（第 3 期）。
5. 重复以上步骤，直到数据用完为止。

中心化移动平均法（偶数个周期）

如果这部分看起来有点复杂，别担心！ 当我们使用偶数周期（例如一年 4 季）时，前四个数字的中间会落在第 2 期和第 3 期之间。为了让数据与实际时期对齐，我们会对初步得出的平均值再做一次平均。这称为中心化（Centering）。如果周期内的期数是偶数（如 4 季或 12 个月），你必须进行中心化处理。

常见错误：处理季度数据时忘记对平均值进行中心化。如果题目给你 4 个季度，你通常需要先计算“移动平均”，然后再进行“中心化移动平均”。

两种数学模型

为了计算预测值，我们通常使用以下两种模型之一。考试通常会指定你要使用哪一种。

1. 加法模型 (Additive Model)

在此模型中，我们假设季节性因素是一个固定金额或数值，与趋势的大小无关。

公式： \( Actual Value (Y) = T + S + R \)

如果不考虑随机性，计算季节性变异 (\( S \)) 的公式为：
\( S = Y - T \)

类比： 想象你无论是小店还是大型连锁店，夏天总是多卖 100 杯雪糕。这是一个固定的“加 100”。

2. 乘法模型 (Multiplicative Model / Proportional Model)

在此模型中，我们假设季节性因素是趋势的百分比或比例。这对于成长中的企业来说通常更为真实。

公式： \( Actual Value (Y) = T \times S \times R \)

如果不考虑随机性，计算季节性变异 (\( S \)) 的公式为：
\( S = Y / T \)（这会给你一个小数，例如 1.10，表示销量比趋势高出 10%）。

类比： 如果你的业务增长，你的夏季“增长动力”也会随之扩大。不再是多卖“100 杯”，而是卖出的数量比平均值多“20%”。

计算季节性变异

当你利用移动平均法找出趋势 (T) 后，将其与实际销售额 (Y) 进行比较，即可得出季节性变异 (S)。

例子（加法模型）：
第四季的实际销售额 (\( Y \))：$500
\n趋势值 (\( T \))：$420
季节性变异 (\( S \))：\( 500 - 420 = +80 \)
这意味着在第四季，销售额通常比趋势高出 $80。

你知道吗？ 在一个完整的周期（例如 4 个季度）内，加法模型中季节性变异的总和应始终为零。有些季度是正值，有些是负值，但在一年内它们会相互抵销！

预测未来

现在是最重要的部分：进行预测。 要预测未来期间的数据，请遵循以下步骤：

1. 推算趋势：将趋势线延伸至未来（如果趋势是线性的，通常是加上一个固定的数值）。
2. 应用季节性：加上（加法模型）或乘上（乘法模型）该特定期间的季节性因素。

预测例子：
你想预测明年夏天（第 3 季）的销售额。
- 你预测该期的趋势值为 1,000 单位。
- 根据历史数据，第 3 季的季节性变异为 -150 单位。
- 预测： \( 1,000 + (-150) = 850 \) 单位。

关键术语摘要

• 时间序列 (Time Series)：按时间顺序记录的数据。
• 趋势 (Trend)：基础的长期走向（上升、下降或持平）。
• 季节性变异 (Seasonal Variation)：一年内定期重复发生的短期规律。
• 移动平均 (Moving Average)：一种用于“抚平”数据波动以识别趋势的技术。
• 加法模型 (Additive Model)：\( Y = T + S \)。季节性变异是一个固定数值。
• 乘法模型 (Multiplicative Model)：\( Y = T \times S \)。季节性变异是一个百分比或比例。

鼓励的话：你一定能做到的！只要记住：趋势是大局，季节性是日历上的规律，而移动平均只是用来整理数据，让我们能看得更清楚的工具。多练习计算，这些概念很快就会变成你的直觉！