简介：这份资源面向统计学、数据分析与计量经济学的初学者及进阶学习者，系统梳理时间序列分析的主流方法，涵盖序列分解、指数平滑与ARIMA模型三大方向，并配套Excel、Matlab、SPSS三种统计软件的操作实践，帮助读者在真实数据上理解趋势、季节性与预测建模的完整流程。压缩包共55个文件，约967KB，以32个m脚本、17个xlsx与2个xls数据表为主，辅以read-me说明、docx项目文档和md说明，脚本与数据表相互对应，便于边看边跑。内容围绕香槟销量季节性分解、Holt与Holt-Winters指数平滑、移动平均趋势计算、比利时与西德GDP趋势研究等案例展开，并给出Gompertz、Logistic、指数模型等预测脚本及MAPE误差评估代码，还包含分阶段的项目文档，方便按模块推进学习。目前已有64人学习下载，适合希望用多软件对照掌握时间序列建模与预测评估的读者参考。
1. 时间序列分析的三板斧：分解、指数平滑与 ARIMA 到底该用哪个
很多人第一次拿到带时间戳的业务数据，第一反应是直接丢进 ARIMA 跑一遍，结果残差检验过不了，预测曲线平得像一条直线。问题往往不在模型本身，而在于没有先做时间序列分解——趋势、季节、残差三者的关系没搞清楚，后面选什么模型都是玄学。时间序列分析的核心任务无非两件事：理解过去的结构，预测未来的走势。分解负责理解结构，指数平滑和 ARIMA 负责预测走势，三者是递进关系而非并列选项。
这套方法适合谁？适合手头有按天、按周、按月采集的连续数据，需要做短期预测或异常识别的从业者。工具层面，Excel 适合快速探索和教学演示，Matlab 适合批量实验和自定义算法，SPSS 适合标准化统计流程和报告输出。三者的定位不同，不存在谁替代谁的问题。接下来的内容会按“先分解看结构，再平滑做基线，最后 ARIMA 精调”的顺序展开，每一步都给出可复现的操作和参数判断依据。
2. 时间序列分解：把一条曲线拆成三个可解释的部分
2.1 加法模型与乘法模型的选择依据
时间序列分解的本质是把观测值 $Y_t$ 表示为趋势项 $T_t$、季节项 $S_t$ 和残差项 $R_t$ 的组合。加法模型写作 $Y_t = T_t + S_t + R_t$，乘法模型写作 $Y_t = T_t \times S_t \times R_t$。选哪个不是拍脑袋决定的，要看季节波动的幅度是否随趋势水平变化。如果数据整体上升时季节波峰和波谷的绝对差距也在拉大，用乘法模型；如果季节波动的绝对幅度基本恒定，用加法模型。
一个实用的判断方法：把数据按时间切成前后两段，分别计算季节振幅（同月最大值减最小值），如果后段振幅明显大于前段，优先乘法。在 SPSS 里做分解时，软件会同时输出两种模型的拟合优度，直接比较 R 方即可。Matlab 的decompose函数默认用加法模型，需要手动指定乘法。
2.2 用 Excel 做移动平均分解的完整步骤
Excel 虽然没有内置的分解函数，但用移动平均加公式完全可以手工实现，适合数据量不大、需要逐项检查的场景。假设 A 列是日期，B 列是观测值，数据从第 2 行开始，共 48 个月。
第一步，计算趋势项。如果季节周期是 12，用 12 期居中移动平均：
C2: =IF(ROW()>=8, AVERAGE(B2:B13), "")向下填充。注意居中移动平均在序列两端会缺失值，这是正常现象，后续计算季节指数时只取有值的部分。
第二步，计算去趋势后的季节偏差。加法模型下：
D2: =IF(C2<>"", B2-C2, "")第三步，按月份求平均季节偏差。假设 E 列放月份编号 1 到 12：
F2: =AVERAGEIF($E$2:$E$49, E2, $D$2:$D$49)第四步，归一化季节指数，使 12 个月的平均值为 0（加法模型）或 1（乘法模型）。加法模型下：
G2: =F2 - AVERAGE($F$2:$F$13)最终预测值 = 趋势项 + 季节指数。这套流程看起来笨，但每一步都能追溯，出问题容易定位。Excel 里做分解最大的坑是移动平均的窗口对齐——12 期移动平均的第一个有效值出现在第 7 个数据点之后，很多人在这里数错行导致整列偏移。
2.3 Matlab 的 decompose 与 SPSS 的序列图检验
Matlab 做分解更直接。假设数据存在向量y中，周期为 12：
% y 为列向量，长度至少为 2 个完整周期 T = 12; [trend, seasonal, residual] = decompose(y, 'period', T, 'model', 'additive'); % 绘制分解结果 subplot(4,1,1); plot(y); title('原始序列'); subplot(4,1,2); plot(trend); title('趋势项'); subplot(4,1,3); plot(seasonal); title('季节项'); subplot(4,1,4); plot(residual); title('残差项');decompose的model参数接受'additive'或'multiplicative'，period必须与实际季节周期一致。如果数据是月度且周期为 12，但实际业务存在季度内的二次波动，分解后的残差会呈现规律性，这时候需要先做更高频的分解或改用 STL。
SPSS 的操作路径是：分析 → 预测 → 序列图，先看自相关图（ACF）和偏自相关图（PACF）判断周期和平稳性。SPSS 的“季节性分解”模块会输出 STC（季节-趋势-周期）分解表，包含每个时间点的三个分量。重点看残差的 ACF 是否落在置信区间内，如果残差还有明显周期，说明分解不充分。
提示：分解前先画时序图。如果数据存在明显的结构断点（如政策突变、系统切换），任何分解方法都会把断点误判为趋势变化，这时候需要先做断点检测或分段处理。
3. 指数平滑：从简单平滑到 Holt-Winters 的落地参数
3.1 一次、二次、三次平滑的适用边界
一次指数平滑（SES）只适合没有趋势和季节的平稳序列，公式是 $\hat{y}_{t+1} = \alpha y_t + (1-\alpha)\hat{y}_t$。实际业务数据里几乎不存在这种理想情况，所以 SES 更多作为基线对照。二次指数平滑（Holt 线性趋势）在 SES 基础上增加趋势项，适合有线性趋势但无季节的序列。三次指数平滑（Holt-Winters）同时建模水平、趋势和季节，是月度、季度业务数据最常用的方法。
选型判断很简单：画时序图，有趋势无季节用 Holt，有趋势有季节用 Holt-Winters。如果季节模式随时间变化，用阻尼趋势的 Holt-Winters，让趋势项在预测期逐渐衰减而不是无限外推。
3.2 Holt-Winters 在 Excel 中的公式实现与 α、β、γ 调参
Excel 没有内置 Holt-Winters，但可以用公式逐期递推。假设 B 列是观测值，周期 L=12，初始水平、趋势、季节指数需要手动设定或从分解结果借用。
' 水平项 L_t D14: =$B$1*B13 + (1-$B$1)*(D13+E13) ' 趋势项 T_t E14: =$B$2*(D14-D13) + (1-$B$2)*E13 ' 季节项 S_t F14: =$B$3*(B13/D13) + (1-$B$3)*F2 ' 预测值 G14: =(D13+E13)*F2其中 B1、B2、B3 分别是 α、β、γ 三个平滑参数，取值范围都在 0 到 1 之间。α 控制水平项对最新观测的响应速度，越大越敏感；β 控制趋势项的更新速度；γ 控制季节项的更新速度。调参没有解析解，只能网格搜索。在 Excel 里可以用数据表功能批量试算，目标是最小化 RMSE 或 MAPE。
血泪经验：γ 不要设得太大。γ 接近 1 时季节指数会剧烈波动，预测值在季节转折点附近会出现锯齿。一般 γ 在 0.1 到 0.3 之间比较稳，除非数据质量极高且季节模式确实在快速变化。
3.3 SPSS 指数平滑模块的模型选择与输出解读
SPSS 的路径是：分析 → 预测 → 创建模型 → 指数平滑。在“条件”里选“ Holt-Winters”，然后指定“季节性”为“乘法”或“加法”。SPSS 会自动优化 α、β、γ，但建议先手动设定一组初值再让软件优化，避免陷入局部最优。
输出里重点看三张表：模型统计量（平稳 R 方、RMSE、MAPE）、参数估计（三个平滑参数的最终值）、残差 ACF 和 PACF。平稳 R 方剔除了趋势和季节的影响，比普通 R 方更能反映模型对剩余变异的解释能力。如果平稳 R 方低于 0.3，说明模型没有捕捉到数据的主要结构，需要回到分解步骤重新检查。
Matlab 做 Holt-Winters 用exponentialSmoothing对象：
% y 为列向量，周期 12 model = exponentialSmoothing(y, 'Seasonal', 12, 'Trend', true, ... 'Seasonality', 'multiplicative'); model.Alpha = 0.3; % 水平平滑参数 model.Beta = 0.1; % 趋势平滑参数 model.Gamma = 0.2; % 季节平滑参数 fit(model, y); forecast(model, 12); % 预测未来 12 期Seasonality参数选'multiplicative'还是'additive'与分解模型的选择逻辑一致。forecast的第二个参数是预测步长，月度数据预测 12 期就是一年。
4. ARIMA 建模：从平稳性检验到残差诊断的完整链路
4.1 平稳性检验：ADF 与 KPSS 的配合使用
ARIMA 的前提是序列平稳，或者通过差分后平稳。ADF 检验的原假设是“存在单位根”，p 值小于 0.05 拒绝原假设，认为序列平稳。KPSS 检验的原假设相反，是“序列平稳”，p 值大于 0.05 才不拒绝平稳。两个检验配合使用：ADF 拒绝且 KPSS 不拒绝，结论一致为平稳；ADF 不拒绝且 KPSS 拒绝，结论一致为非平稳；两者矛盾时说明数据处于边界状态，需要谨慎处理。
Matlab 里做 ADF 检验：
[h, pValue] = adftest(y, 'Model', 'ARD', 'Lags', 0:3); % h=1 表示拒绝单位根，pValue 越小越平稳Lags参数指定滞后阶数，一般从 0 试到 3 或 4，看哪个滞后下结论最稳定。SPSS 的 ADF 在“分析 → 时间序列预测 → 单位根检验”里，输出包含不同滞后阶数的检验结果。
4.2 定阶：ACF、PACF 与 AIC/BIC 网格搜索
差分次数 d 由平稳性检验决定，一般不超过 2 次。p 和 q 的定阶有两种路径：看 ACF 和 PACF 的截尾拖尾特征，或者用 AIC/BIC 网格搜索。ACF 在 q 阶后截尾、PACF 在 p 阶后截尾是 ARIMA(p,d,q) 的典型特征，但实际数据很少这么干净，所以网格搜索更可靠。
Matlab 的网格搜索写法：
bestAIC = Inf; bestModel = []; for p = 0:3 for q = 0:3 try mdl = arima(p, 1, q); % d=1 est = estimate(mdl, y, 'Display', 'off'); if est.AIC < bestAIC bestAIC = est.AIC; bestModel = est; end catch continue; end end end这段代码遍历 p 和 q 从 0 到 3 的所有组合，选 AIC 最小的模型。arima(p, d, q)的三个参数分别是自回归阶数、差分阶数、移动平均阶数。estimate返回的est.AIC和est.BIC都可以作为选择依据，样本量小时 BIC 更保守。
4.3 残差诊断：Ljung-Box 检验与正态性检查
模型拟合完必须做残差诊断，否则预测不可信。Ljung-Box 检验的原假设是“残差不存在自相关”，p 值大于 0.05 才通过。Matlab 里：
res = infer(bestModel, y); [h, pValue] = lbqtest(res, 'Lags', 10); % h=0 且 pValue>0.05 表示残差无自相关除了自相关，还要看残差的正态性。用qqplot(res)画 Q-Q 图，点大致落在对角线上说明正态性可接受。如果残差存在异方差（波动聚集），需要考虑 GARCH 模型而不是继续调 ARIMA 的阶数。
SPSS 的 ARIMA 输出里直接包含 Ljung-Box 统计量和残差 ACF/PACF 图，解读逻辑相同。重点看滞后 12、24 期的 p 值，如果这些滞后上显著，说明季节效应没被完全建模，需要加季节 ARIMA 项。
5. 避坑与排查：时间序列建模中最容易翻车的五个地方
5.1 差分过度导致信息丢失
现象：一阶差分后 ADF 已经通过，但为了“更平稳”又做了二阶差分，结果预测曲线变成一条水平线。原因：过度差分放大了噪声，把原本的趋势信号也差掉了。解决：差分次数以 ADF 和 KPSS 的一致结论为准，两者都指向平稳就停止。如果一阶差分后 ADF 拒绝但 KPSS 也拒绝，检查是否存在结构断点而不是继续差分。
5.2 季节周期设错导致分解失效
现象：月度数据用 4 作为季节周期做分解，季节项看起来杂乱无章。原因：把季度周期当成了月度周期。解决：月度数据周期为 12，季度数据周期为 4，周数据周期为 7，日数据如果存在周内效应周期为 7。不确定时先画 ACF 图，显著峰值的滞后位置就是周期。
5.3 样本外预测评估缺失
现象：模型在训练集上 RMSE 很低，上线后预测偏差巨大。原因：只看了拟合优度，没有做样本外验证。解决：留出最后 20% 的数据作为测试集，用训练集建模，在测试集上计算 RMSE 和 MAPE。Matlab 里可以用forecast配合滚动窗口做时间序列交叉验证。
5.4 忽略异常值导致参数偏移
现象：某个月因为促销活动销量翻倍，Holt-Winters 的季节指数在这个月被拉高，后续正常月份的预测全部偏高。解决：建模前先做异常值检测，用箱线图或 3σ 原则标记异常点，替换为插值或中位数后再建模。SPSS 的“异常值检测”模块可以自动识别并生成替换建议。
5.5 工具间数据格式不一致
现象：Excel 里日期是文本格式，导入 Matlab 后时间轴错乱，分解结果完全对不上。原因：Excel 的日期存储为序列号，Matlab 的readtable默认按文本读取。解决：Excel 里先把日期列格式统一为“日期”，Matlab 里用datetime函数显式转换：
opts = detectImportOptions('data.xlsx'); opts.VariableTypes{1} = 'datetime'; T = readtable('data.xlsx', opts);SPSS 导入时在“变量视图”里把日期变量的类型设为“日期”，格式选对应的年月日格式。
6. 三工具协同的进阶技巧：用分解结果初始化 ARIMA 的季节项
单独用分解、指数平滑或 ARIMA 都能出结果，但把分解得到的季节指数作为 ARIMA 季节项的初始值，收敛更快且更稳定。具体做法：先用第 2 章的分解方法提取季节指数 $S_t$，然后对去季节后的序列 $Y_t - S_t$（加法模型）或 $Y_t / S_t$（乘法模型）拟合 ARIMA，最后把季节项加回预测值。
Matlab 实现：
% 第一步：分解得到季节项 [~, seasonal, ~] = decompose(y, 'period', 12, 'model', 'additive'); % 第二步：去季节 y_deseason = y - seasonal; % 第三步：对去季节序列拟合 ARIMA mdl = arima(1, 1, 1); est = estimate(mdl, y_deseason, 'Display', 'off'); % 第四步：预测并加回季节项 [y_forecast, ~] = forecast(est, 12, 'Y0', y_deseason); seasonal_future = seasonal(end-11:end); % 取最后一个周期的季节项 y_final = y_forecast + seasonal_future;这个流程的好处是把季节成分从 ARIMA 的差分和滞后结构中剥离出来，避免 ARIMA 用高阶季节项去拟合本可以直接减掉的模式。对比实验里，这种两阶段方法的 MAPE 通常比直接上 SARIMA 低 1 到 3 个百分点，尤其在样本量不足 3 个完整周期时优势更明显。
验证方法：把预测期的实际值留出，分别计算两阶段方法和直接 SARIMA 的 RMSE，如果两阶段方法在多个预测步长上都更优，就固定用这套流程。我一般会在 Matlab 里写一个循环，对每个预测起点做滚动验证，累计 12 期的误差再比较。
一个容易忽略的细节：分解得到的季节项在序列末端可能不稳定，因为移动平均在边界处缺失。解决办法是用最后 2 到 3 个完整周期的季节指数取平均，作为未来季节项的估计。SPSS 的季节性分解表里会给出每个周期的季节因子，直接取最近几个周期的均值即可。
踩过的坑：有一次用乘法模型分解后忘了把去季节序列还原，直接把 ARIMA 的预测值当最终结果输出，导致所有预测值都偏小了一个季节因子的量级。后来养成习惯，在代码里加一行断言检查预测值的量级是否与原始序列一致，不一致就报错。这个习惯帮我省了很多后悔药。
希望帮到你。
本文还有配套的精品资源，点击获取
方法：无锁读取)
