本文将详细介绍时间序列。这项研究的目的是分析这些系列的行为，以了解其组成部分并做出预测。
定义
时间序列是表示现象随时间演变的一组数据。它的特点是：
组成部分1，趋势：系列的总体发展
组成部分2，季节性：在定义的时间段（周/月/年）内值的变化
组件3，噪声（或残留物）：无法预测的事件
根据以上三个组成部分以及正确选择的统计模型，可以汇总数据并预测未来。
如何选择模型？
模型有两种主要类型：
我们将三个分量相加的加性模型
我们将三个分量相乘的乘法模型
要选择使用哪种模型，必须观察季节随趋势增加还是减少。
进行此观察的方法如下：
连接它们之间的最大值
连接它们之间的最小值
研究两条线之间的并行性
如果线是平行的，则最适合使用加性模型；如果线是发散的，则应选择乘法模型
这些模型的示例应用程序：
在上面的示例中，我们在左侧的示例中看到，两行之间的差异大致相同。因此加性模型是最合适的。
分解的统计方法
因此，时间序列可以分为3个部分。
在加性模型中，我们首先计算趋势。可以通过参数化方法以多种方式进行估算（类型最小二乘计算 ）。根据模型，趋势线可能是：
线性：y = a t + b
二次/阶2：y = at²+ bt + c
指数：y = a exp（wt）
ARIMA ：用于非平稳系列
对于季节性，目标是找到在时间频率上重复的模式。我们必须删除趋势成分，并区分季节和其原因。
去除趋势和季节性成分后残留的噪声。通常估计为高斯白噪声 。
注意： 对于乘法模型，我们可以通过采用时间序列的自然对数来简化为加法模型，从而还原为先前的分解
我们可以通过计算每个分量和时间序列的方差来评估每个分量的份额。在数学上，方差解释了曲线与平均值的偏差。来自时间序列的差异及其组成部分，我们可以计算出每个组成部分的方差比例。分量方差的份额越大，则对现象的解释就越多。因此，季节性强的市场的季节性成分变化很大。
注意： 这三个分量的方差的总和不是100％（平方和不一定等于和的平方）。但是，可以将其重新设置为100％。
预测模型应用程序
一旦确定了时间序列的三个组成部分，现在就可以构建预测模型。
确定了时间序列的三个部分，可以通过滚动日期来计算（我们计算结束日期后一天的模型）。
进行时间序列的分解非常重要，这样才能在以后进行最准确的预测。