この記事では、時系列の研究について詳しく説明します。この研究の目的は、その構成要素を理解し、予測を行うために、これらのシリーズの動作を分析することです。

時系列は、時間の経過に伴う現象の進展を表すデータのセットです。特徴は次のとおりです。

上記の3つのコンポーネントと統計モデルの正しい選択から、データを要約して将来を予測することができます。

モデルには、主に次の2つのタイプがあります。

使用するモデルを選択するには、トレンドに応じて季節が増加するか減少するかを観察する必要があります。

この観察を行う方法は次のとおりです。

上記の例では、左の例で、2つの線の違いはほぼ同じままです。したがって、加法モデルが最適です。
​

したがって、時系列は3つのコンポーネントに分解できます。
加法モデルでは、トレンドを計算することから始めます。パラメトリック法（タイプ最小二乗計算）を使用して、いくつかの方法で推定できます。 ）。モデルによっては、トレンドラインは次のようになります。

季節性の目的は、時間的な頻度で繰り返されるパターンを見つけることです。トレンド要素を取り除き、シーズンの期間とその理由を区別する必要があります。

トレンドと季節の要素を取り除いた後に残る残留物であるノイズ。通常、 ガウスのホワイトノイズと推定されます。
​
​ 注： 乗法モデルの場合、時系列の自然対数を取得して以前の分解に変換することにより、加法モデルに還元できます。

後者と時系列の分散を計算することにより、これらの各コンポーネントのシェアを評価できます。数学的には、分散は平均からの曲線の偏差を説明します。 時系列の変動そしてそのコンポーネントのそれから、これらの各コンポーネントの分散の割合を計算することができます。コンポーネントの分散のシェアが大きいほど、現象を説明します。したがって、季節性が強い市場は、変動性の高い季節要素を持ちます。
​ 注： 3つの成分の分散の部分の合計は100％ではありません（二乗の合計は必ずしも合計の二乗に等しいとは限りません）。ただし、100％にリベースすることはできます。
​

時系列の3つのコンポーネントが識別されると、予測モデルを構築できるようになりました。
時系列の3つの部分が決定され、日をスクロールして計算することができます（終了日から1日後のモデルを計算します）。
その後、最も正確な予測を成功させるには、時系列の分解を実行することが非常に重要です。