SPSS 命令: SPSS SEASON
季节分解与季节调整
季节分解把序列拆成重复出现的季节模式、平滑的趋势循环和剩余部分。
免费 · 无需注册 · 文件留在本机 · 更新于 2026年10月18日
能告诉你什么
Crosstabs 采用 SPSS SEASON 的经典移动平均比率法（乘法或加法），给出季节因子，并可把 SAS、SAF、STC 和 ERR 序列下载为 CSV。
- 每个月或季度通常比趋势高或低多少：季节因子 108% 表示高出 8%。
- 季节调整序列（SAS），便于在剔除日历效应后比较相邻各期。
- 噪声之下的趋势循环（STC），以及二者都无法解释的不规则成分（ERR）。
适用场景
适合使用
- 月度追踪数据每年 12 月都会上升，你想知道今年 12 月是否比往年更好。
- 报告或后续建模需要季节调整后的数值。
- 想判断季节波动是恒定的（加法）还是随水平增大的（乘法）。
改用其他方法
- 没有明确的周期性，或数据不足两个完整周期。
- 需要预测：使用含季节成分的指数平滑或季节性 ARIMA 模型。
- 需要 X-13ARIMA-SEATS 那样含交易日和节假日效应的调整；SEASON 是更简单的经典方法。
在 Crosstabs 中如何操作
- 01
打开季节性分解
在“统计”模式下，从“预测”组中选择“季节性分解”（SEASON）。
- 02
定义时间轴并设置周期性
将“周期性”设为 2 或以上，例如“每月（12）”或“季度（4）”。序列不能有缺口，如有空缺期，请勾选“用线性插值填补缺失的时间点”。
- 03
选择序列和模型
选择“序列”，并将“模型”设为“乘法”（默认）或“加法”。
- 04
选择移动平均权重
周期性为偶数时，可选“端点按 0.5 加权”（中心化 2 × p 移动平均，SPSS 默认）或“所有点相等”。周期性为奇数时始终等权。
- 05
运行并下载
点击“运行”，查看“季节因子”表和图表，然后用“下载 ERR、SAS、SAF 和 STC (CSV)”保存新序列。
计算示例
以下结果由 Crosstabs 引擎在构建本页时根据模拟数据实际计算得出，并非手工填写。
数据
48 个模拟月度数据（2022 年 1 月至 2025 年 12 月），为某品牌追踪指标的百分比：起点 40，每月上升 0.25 个百分点，叠加 12 月最高、7 月最低的固定季节模式，以及由固定随机种子生成的正态噪声（标准差 1.1），每次构建得到相同序列。
| 周期 | 季节因子（%） |
|---|---|
| 1（1 月） | 102.949 |
| 2（2 月） | 102.613 |
| 3（3 月） | 101.495 |
| 4（4 月） | 99.632 |
| 5（5 月） | 93.675 |
| 6（6 月） | 94.819 |
| 7（7 月） | 93.951 |
| 8（8 月） | 97.230 |
| 9（9 月） | 97.116 |
| 10（10 月） | 103.551 |
| 11（11 月） | 103.973 |
| 12（12 月） | 108.996 |
乘法模型；跨度为 12 的移动平均，端点按 0.5 加权。周期 1 对应 2022 年 1 月。
| 时间点 | 原始 | 季节调整（SAS） | 趋势循环（STC） |
|---|---|---|---|
| 2025-07 | 48.2 | 51.30 | 50.12 |
| 2025-08 | 45.6 | 46.90 | 49.95 |
| 2025-09 | 50.9 | 52.41 | 50.76 |
| 2025-10 | 52.5 | 50.70 | 51.32 |
| 2025-11 | 55.2 | 53.09 | 51.88 |
| 2025-12 | 56.5 | 51.84 | 52.16 |
这些列来自面板中 ERR、SAS、SAF 和 STC 的 CSV 下载。
结果解读
第 12 月的水平为趋势的 109.0%，第 5 月为 93.7%。用这些因子相除即得季节调整序列：2025 年 12 月原始值为 56.5，调整后为 51.84，其趋势循环值为 52.16。
输出表格说明
- 季节因子
- 周期内每个位置一个因子。乘法因子为平均为 100 的百分比（对移动平均比率取中位平均）；加法因子为以 0 为中心的差值。周期 1 对应第一个时间点在周期中的位置。
- 原始序列、季节调整序列和趋势循环序列
- 原始序列、SAS 和 STC 的图表。CSV 下载还包含 SAF（各时间点的季节因子）和 ERR（不规则成分）。
前提假设与注意事项
- 文件所覆盖的各年份季节模式稳定；季节因子是所有周期的平均。
- 乘法模型要求数值为正；可能为零或负的序列请用加法模型。
- 序列在观测区间内没有缺失值。
结果如何验证
中心化权重的加法模型与 statsmodels seasonal_decompose（季节成分和趋势成分）对照，误差在 1e-11 以内。乘法模型、等权移动平均和奇数周期则与按 SPSS 手册公式独立编写的 numpy 实现对照，季节因子、SAS、STC 和 ERR 的误差均在 1e-11 以内。 验证证据（英文）
常见问题
选乘法还是加法？
如果无论水平高低，12 月总比趋势高约 10%，用乘法；如果总是高约 4 个点，用加法。画出序列通常就能看清。
SAS、SAF、STC 和 ERR 分别代表什么？
SAS 是季节调整序列，SAF 是各时间点的季节调整因子，STC 是平滑后的趋势循环，ERR 是不规则剩余成分。名称沿用 SPSS 生成变量的前缀。
新序列会加入我的数据集吗？
不会。SPSS SEASON 会创建新变量；这里四个序列以 CSV 形式提供下载，打开的文件不会被修改。
需要多少年的数据？
至少两个完整周期，最好四个或以上：移动平均在两端各损失半个周期，而每个季节因子只能对剩下的周期取平均。
相关过程
用你自己的数据运行季节分解
打开 .sav、CSV 或 Excel 文件。所有计算都在浏览器中完成，文件不会离开你的设备。
SPSS 是 IBM Corp. 的商标。Crosstabs 与 IBM 无关联，也未获得 IBM 认可。