如何用R计算频率为1的时间序列的季节性？

首先明确核心结论：你的数据是年度时间序列（频率=1），从统计学定义来说，这类数据不存在传统意义上的“季节性”——季节性指的是在一个完整年度内重复出现的周期性波动（比如月度数据里的节假日效应、季度数据里的行业旺季淡季），而年度数据每年仅1个观测值，没有足够样本支撑识别这类短周期波动。

为什么decompose()无法使用 #

decompose()函数依赖时间序列的frequency参数来划分季节周期（比如frequency=12对应月度数据，frequency=4对应季度数据），当frequency=1时，没有可拆分的季节子周期，因此函数无法运行。

针对你的数据的可行分析方案 #

1. 分离趋势与随机波动 #

如果你想拆分长期趋势和趋势之外的波动，可以用简单的拟合方法实现：

# 加载并整理数据
data <- data.frame(
  Έτος = 2011:2019,
  Έσοδα = c(37.44, 44.14, 46.25, 43.99, 51.84, 49.10, 58.56, 58.02, 70.28)
)
# 转为时间序列对象
ts_data <- ts(data$Έσοδα, start = 2011, frequency = 1)

# 用线性回归拟合趋势
trend_model <- lm(ts_data ~ time(ts_data))
# 提取趋势值和残差（残差即趋势之外的随机波动）
trend <- fitted(trend_model)
residuals <- residuals(trend_model)

# 查看结果
print("趋势值：")
print(trend)
print("残差：")
print(residuals)

你也可以用Loess平滑来拟合更灵活的非线性趋势：

library(stats)
loess_trend <- loess(ts_data ~ time(ts_data), span = 0.7)
loess_trend_values <- predict(loess_trend)

2. 若需分析季节性，需补充高频数据 #

如果你的核心需求确实是分析季节性，必须获取更高频的原始数据（比如月度、季度的营收数据），此时将时间序列的frequency设为对应值（月度设12，季度设4），就可以正常使用decompose()或stl()函数进行季节性分解。

3. 识别跨年度周期（非季节性） #

如果你怀疑数据存在数年一次的跨年度循环，可以用频谱分析识别潜在周期：

spec <- spec.pgram(ts_data, plot = TRUE)

通过频谱图的峰值可以判断是否存在显著的跨年度周期，但这不属于传统的“季节性”范畴。

内容的提问来源于stack exchange，提问作者user19384320