【发布时间】：2018-04-15 01:32:20
【问题描述】：
一直在 Python 中处理时间序列，并使用 sm.tsa.seasonal_decompose。在docs 中，他们介绍了这样的功能：
我们添加了一个简单的季节性分解工具，与 R 的
decompose相同。
这是来自文档的代码副本及其输出：
import statsmodels.api as sm
dta = sm.datasets.co2.load_pandas().data
# deal with missing values. see issue
dta.co2.interpolate(inplace=True)
res = sm.tsa.seasonal_decompose(dta.co2)
res.plot()
他们说这是天真，但没有任何关于它有什么问题的免责声明。有人知道吗？
【问题讨论】：
-
没有错。我猜这很“幼稚”，因为它使用简单的卷积和平均值来分离趋势和季节性结构，即它不是一种花哨的算法。
-
谢谢，@user333700，我想知道 R 的
decompose是否也“幼稚”，以及是否以及何时需要花哨。鉴于.seasonal_decompose处理我的数据，这可能就是您通常需要的全部，因此您会觉得印象深刻。 -
一种很可能过于“幼稚”的可能性，即没有适当地捕捉数据的特征，是改变季节性模式，例如由于趋势或模式中断。有时这些也可以通过 box-cox 或类似的转换来删除。宏观经济数据的季节性调整（例如 X11）也考虑了假期的变化和类似的日历影响。
标签： python r time-series statsmodels