Аддитивная модель временного ряда: формула и пример

Аддитивная модель временного ряда раскладывает наблюдаемый показатель на сумму нескольких независимых составляющих: тренд, сезонную волну и случайный остаток. Она удобна, когда сезонные колебания держатся примерно на одном уровне и не растут вместе с величиной ряда, как в продажах, посещаемости или числе заявок по кварталам. Ниже разберём, из чего складывается формула $Y = T + S + E$, как найти каждую компоненту, чем аддитивная модель отличается от мультипликативной и где студенты чаще всего теряют баллы в расчётах. Чтобы сразу почувствовать, как тренд и сезон складываются в наблюдаемый ряд, покрутите калькулятор ниже: он показывает разложение сразу на трёх связанных графиках, а дальше мы разберём каждую формулу строго.

Из чего состоит аддитивная модель

Аддитивная модель временного ряда представляет каждое наблюдение $Y(t)$ как сумму трёх компонент:

$Y(t) = T(t) + S(t) + E(t),$

где $T(t)$ - тренд (плавное долгосрочное движение уровня ряда), $S(t)$ - сезонная компонента (повторяющиеся колебания с фиксированным периодом, например по кварталам или месяцам), $E(t)$ - случайный остаток (нерегулярная часть, которую модель не объясняет). Иногда отдельно выделяют циклическую компоненту $C(t)$, но в учебных задачах её обычно объединяют с трендом, оставляя три слагаемых.

Ключевая особенность именно аддитивной формы - компоненты складываются, а не перемножаются. Это значит, что сезонная добавка измеряется в тех же единицах, что и сам ряд, и не зависит от того, насколько высоко поднялся тренд. Если летом продажи всегда выше среднего на 30 единиц независимо от года, ряд аддитивный. Если же летний всплеск составляет стабильно 20 процентов от текущего уровня и в абсолютных числах растёт вместе с трендом, модель уже мультипликативная.

Рассчитать для своей задачи

Формула и компоненты ряда

Разберём каждое слагаемое формулы $Y = T + S + E$ отдельно.

Тренд $T(t)$ описывает направление, в котором движется ряд в целом. Чаще всего его задают линейной функцией от номера периода:

$T(t) = a + b\,t,$

где $a$ - начальный уровень, $b$ - средний прирост за один период, $t$ - порядковый номер наблюдения (1, 2, 3 и так далее). Коэффициенты $a$ и $b$ находят методом наименьших квадратов по ряду, очищенному от сезонности. Тренд может быть и нелинейным (параболическим, логарифмическим), но линейная форма покрывает большинство учебных задач.

Сезонная компонента $S(t)$ - это повторяющийся набор отклонений с периодом $L$. Для квартальных данных $L = 4$, для месячных $L = 12$. Главное условие аддитивной модели: сумма сезонных компонент за полный период равна нулю.

$\sum_{j=1}^{L} S_j = 0.$

Это условие означает, что сезон только перераспределяет уровень внутри года, но в среднем ничего к нему не добавляет: положительные всплески одних кварталов компенсируются провалами других. Если при расчёте сумма получилась ненулевой, сезонные оценки нормируют, вычитая из каждой их общее среднее.

Остаток $E(t)$ получают как разность между фактом и моделью: $E(t) = Y(t) - T(t) - S(t)$. В хорошей модели остатки колеблются около нуля без видимого узора - если в них всё ещё просматривается тренд или сезонность, компоненты выделены неверно.

Как найти компоненты по данным

Стандартный алгоритм построения аддитивной модели по реальному ряду состоит из четырёх шагов.

1. Сгладить ряд скользящей средней с окном, равным длине периода $L$. Это убирает сезонные колебания и оставляет приближение тренда вместе с циклом.
2. Оценить сезонную компоненту: вычесть сглаженные значения из фактических, затем усреднить полученные отклонения по одноимённым кварталам (все первые кварталы вместе, все вторые и так далее).
3. Нормировать сезонные оценки так, чтобы их сумма за период стала равна нулю - вычесть из каждой среднее по всем сезонным значениям.
4. Построить тренд методом наименьших квадратов по десезонализированному ряду $Y - S$ и найти остатки $E = Y - T - S$.

Рассчитать для своей задачи

На схеме видно, как один наблюдаемый ряд распадается на ровный тренд, периодическую сезонную волну и почти случайный остаток. Сложив тренд и сезон обратно, мы получаем сглаженную модель $T + S$, которая повторяет форму факта, а всё, что между ними осталось, и есть остаток $E$.

Пример решения типовой задачи

Возьмём квартальный ряд за 4 года (16 наблюдений) с линейным трендом $T(t) = 100 + 4t$ и сезонными компонентами по кварталам: $S_1 = 8$, $S_2 = -4$, $S_3 = -10$, $S_4 = 6$. Проверяем условие нормировки: $8 - 4 - 10 + 6 = 0$ - сумма равна нулю, значит сезонные компоненты заданы корректно.

Найдём модельное значение для первого квартала первого года ($t = 1$):

$T(1) = 100 + 4 \cdot 1 = 104, \qquad S_1 = 8,$

$Y_{\text{мод}}(1) = T(1) + S_1 = 104 + 8 = 112.$

Для второго квартала ($t = 2$, сезон $S_2 = -4$):

$T(2) = 100 + 4 \cdot 2 = 108, \qquad Y_{\text{мод}}(2) = 108 + (-4) = 104.$

Если фактическое значение в первом квартале было $Y(1) = 113$, то остаток равен $E(1) = 113 - 112 = 1$ - модель почти точна. Так заполняется вся таблица: для каждого квартала складываем тренд и соответствующую кварталу сезонную добавку, а разность с фактом даёт остаток.

Чтобы построить прогноз на следующий год, продолжаем тренд на периоды $t = 17, 18, 19, 20$ и прибавляем ту же сезонную компоненту по номеру квартала:

$\hat{Y}(17) = T(17) + S_1 = (100 + 4 \cdot 17) + 8 = 168 + 8 = 176.$

Аналогично $\hat{Y}(18) = 168$, $\hat{Y}(19) = 166$, $\hat{Y}(20) = 186$. Калькулятор выше собирает ровно эту цепочку: задайте свои коэффициенты тренда и сезонные всплески, и он покажет факт, модель и остатки сразу на графике.

Аддитивная или мультипликативная модель

Выбор между двумя моделями определяется тем, как ведёт себя амплитуда сезонных колебаний.

$\text{аддитивная: } Y = T + S + E, \qquad \text{мультипликативная: } Y = T \cdot S \cdot E.$

Если размах сезонных колебаний остаётся примерно постоянным по всему ряду - выбирают аддитивную модель. Если же колебания расширяются по мере роста тренда (чем выше уровень, тем сильнее сезонный всплеск в абсолютных числах) - это признак мультипликативной модели, где сезонная компонента задаётся индексом около единицы, а её произведение за период равно $L$. На практике мультипликативный ряд часто логарифмируют: после взятия логарифма произведение превращается в сумму, и к нему снова применима аддитивная техника.

Частые ошибки

• Сумма сезонных компонент не равна нулю. В аддитивной модели обязательно $\sum S_j = 0$. Если забыть нормировку, тренд и сезон перетягивают уровень друг у друга, и прогноз смещается.
• Путаница с номером периода $t$. В формуле тренда $t$ - это сквозной номер наблюдения от 1 до $N$, а не номер квартала внутри года. Сезон же привязан к номеру квартала (от 1 до $L$).
• Выбор аддитивной модели для растущих колебаний. Если амплитуда сезона увеличивается вместе с трендом, аддитивная модель даёт систематическую ошибку - здесь нужна мультипликативная.
• Тренд по сырому ряду. Коэффициенты $a$ и $b$ нужно находить по десезонализированному ряду $Y - S$, иначе сезонные пики искажают наклон.
• Остатки с узором. Если в остатках $E$ видна явная сезонность или тренд, компоненты выделены неверно - модель надо пересобрать.

FAQ

Чему равна сумма сезонных компонент в аддитивной модели? Сумма всех сезонных компонент за полный период строго равна нулю. Это условие нормировки: сезон перераспределяет уровень внутри года, но в среднем ничего к нему не прибавляет. Если сумма получилась ненулевой, из каждой компоненты вычитают их общее среднее.

Чем аддитивная модель отличается от мультипликативной? В аддитивной компоненты складываются ($Y = T + S + E$), и сезонная добавка измеряется в единицах ряда независимо от уровня тренда. В мультипликативной они перемножаются ($Y = T \cdot S \cdot E$), а сезонность задаётся коэффициентом, поэтому в абсолютных числах колебания растут вместе с трендом.

Как сделать прогноз по аддитивной модели? Продлите линию тренда $T(t) = a + b\,t$ на будущие периоды и прибавьте к каждому сезонную компоненту, соответствующую его кварталу или месяцу. Случайный остаток в прогнозе принимают равным нулю, так как его математическое ожидание нулевое.

Коротко

Аддитивная модель временного ряда раскладывает наблюдение на сумму трёх компонент: $Y = T + S + E$, где тренд $T(t) = a + b\,t$ задаёт долгосрочное движение, сезонная компонента $S$ повторяется с фиксированным периодом при условии $\sum S_j = 0$, а остаток $E$ колеблется около нуля. Её выбирают, когда амплитуда сезонных колебаний не зависит от уровня ряда; при растущих колебаниях переходят к мультипликативной модели. Прогноз строят, продлевая тренд и добавляя сезонную компоненту по номеру периода.