文件
時間序列分解：趨勢、每週規律與雜訊
將每日點擊或曝光拆解為趨勢、星期規律與殘差，標示趨勢方向，並標記模型無法解釋的異常日期。
資源 → 進階 → 時間序列分解執行分析閱讀時間 1 分鐘
時間序列分解會把每日點擊或曝光拆成三個部分：平滑的趨勢、重複出現的星期規律，以及殘差（也就是其餘無法被前兩者解釋的部分）。它會將趨勢標示為成長、下滑或持平，計算表現最強與最弱的星期之間的差距，並標記殘差異常偏大的日期。你可以用它來分辨真正的方向轉變，與一週之中的正常起伏。
序列如何拆解
- 以置中的 7 日移動平均取得趨勢的初步估計。
- 將每一天與該平均值的差距依星期分組。每個星期的平均值經過平移，使七個值的總和為零，即為該星期的季節效應。
- 從原始序列中扣除季節效應，得到去季節化序列，再以連續套用兩次的 7 日平均加以平滑。這條更平滑的曲線就是你看到的趨勢。
- 殘差等於原始值減去趨勢與季節效應。若某天的殘差與零的距離超過兩個標準差（以所有殘差計算），該日便會被標記為異常值。
這是加法式分解：星期效應是點擊或曝光的絕對數量，而非百分比。頁面標題將其稱為 STL，但這個方法其實是傳統的移動平均分解，而非 STL 所採用的局部迴歸。Forecasting: Principles and Practice 說明了傳統分解，以及 STL 的差異。
趨勢如何標示
系統會對趨勢擬合一條直線，並將其斜率換算為每日變化佔趨勢平均水準的百分比：
| 每日斜率 | 標籤 | 30 天累計 |
|---|---|---|
| +0.25% 或以上 | 成長 | 約 +7.5% 或以上 |
| 介於 −0.25% 與 +0.25% 之間 | 持平 | 約在 ±7.5% 以內 |
| −0.25% 或以下 | 下滑 | 約下降 7.5% 或以上 |
卡片會顯示標籤，以及趨勢的起始值與結束值、每日變化量及其 30 天換算值、從第一天到最後一天的視窗內趨勢變化、每週波動幅度（最強的星期效應減去最弱的星期效應，並標明這兩天是星期幾），以及殘差異常值的數量與殘差標準差。
圖表解讀
- 原始值與趨勢：每日數值，以及疊在其上的趨勢線。
- 每週季節成分：每個星期與趨勢的平均差距。高於零的長條代表較忙碌的日子。
- 去季節化序列：已移除星期效應的資料，更容易看出週與週之間的變化。
- 殘差：趨勢與星期規律都無法解釋的部分，圖中以虛線標出 ±2 個標準差。
每日成分表格會列出每一天的星期、原始值、趨勢、季節效應、殘差、殘差 z 值，以及異常旗標。殘差異常值則列出被標記的日期，並附上實際值與預期值。執行後，在「指標」中切換點擊或曝光，即會在瀏覽器中重新進行分解。
假設前提與盲點
- 固定且幅度不變的每週規律。若流量在視窗期間成長一倍，以點擊數衡量的星期波動對期末而言會偏小，對期初而言則偏大。
- 沒有年度週期。執行範圍至少涵蓋 90 天（較短的範圍會向前延伸，如結果上方的說明所述），時間過短，無法建立季節模型。十二月的低谷或夏季的淡季，都會被當成趨勢。
- 兩端較不穩定。移動平均在序列的起點與終點附近會縮減視窗，因此最近一週的趨勢所依據的天數較少，新資料進來後也會隨之變動。
- 異常值會拉動平均。單一極端的日子會使該星期的平均值與殘差離散程度產生偏移；異常偵測則採用能抵抗此影響的穩健統計方法。
- 缺漏的日子會以零計算，對於比視窗更晚建立的資源，圖上會呈現為平坦的起始段。
運用分析結果
異常值就是一個需要釐清原因的日期：可能是版本發布、服務中斷、新聞報導，或是 Google 排名更新。你可以新增註記，之後儀表板的趨勢圖就會一併顯示該日期與原因。若要確定整體水準是從哪一天開始改變，請對同一範圍執行變化點偵測。