一、从statsmodels x13_arima_analysis中提取预测的d10和d11 #

statsmodels的x13_arima_analysis默认确实不会直接返回季节成分（d10）和季节调整序列（d11）的预测值，但可以通过以下两种方式获取：

1. 利用X13输出文件手动提取 #

在调用x13_arima_analysis时，指定save_spec=True和out_dir参数，让X13将所有输出文件保存到指定目录：

from statsmodels.tsa.x13 import x13_arima_analysis
import pandas as pd
import os

# 假设你的输入时间序列为ts
result = x13_arima_analysis(
    endog=ts,
    forecast_period=60,
    save_spec=True,
    out_dir="./x13_output"  # 指定输出目录
)

X13会在该目录下生成多个输出文件，其中：

• {prefix}_d10fore.est：包含季节成分（d10）的预测值
• {prefix}_d11fore.est：包含季节调整序列（d11）的预测值

你可以用pandas读取这些文件：

# 获取自动生成的前缀（可从result.spec.name获取）
prefix = result.spec.name

# 读取d10预测
d10_forecast = pd.read_csv(
    os.path.join("./x13_output", f"{prefix}_d10fore.est"),
    delim_whitespace=True,
    parse_dates=[0],
    index_col=0
)

# 读取d11预测
d11_forecast = pd.read_csv(
    os.path.join("./x13_output", f"{prefix}_d11fore.est"),
    delim_whitespace=True,
    parse_dates=[0],
    index_col=0
)

2. 修改statsmodels源码自动返回预测值 #

如果你已经修改过x13.py，可以在x13_arima_analysis函数末尾添加代码，自动读取预测文件并添加到结果对象中：

# 在x13_arima_analysis函数的return语句前添加
import os
import pandas as pd

prefix = spec.name
out_dir = out_dir or tempfile.mkdtemp()

# 读取d10预测
d10_forecast_path = os.path.join(out_dir, f"{prefix}_d10fore.est")
if os.path.exists(d10_forecast_path):
    d10_forecast = pd.read_csv(
        d10_forecast_path,
        delim_whitespace=True,
        parse_dates=[0],
        index_col=0
    )
    result.d10_forecast = d10_forecast

# 读取d11预测
d11_forecast_path = os.path.join(out_dir, f"{prefix}_d11fore.est")
if os.path.exists(d11_forecast_path):
    d11_forecast = pd.read_csv(
        d11_forecast_path,
        delim_whitespace=True,
        parse_dates=[0],
        index_col=0
    )
    result.d11_forecast = d11_forecast

之后调用x13_arima_analysis时，结果对象就会直接带有d10_forecast和d11_forecast属性。

二、其他获取带预测的季节成分与调整序列的方法 #

如果不想依赖X13，还可以尝试以下几种方案：

1. STL分解 + ARIMA预测季节成分 #

先用STL分解提取历史季节成分，再对季节成分拟合ARIMA模型进行预测，同时对趋势+残差部分建模得到季节调整序列的预测：

from statsmodels.tsa.seasonal import STL
from statsmodels.tsa.arima.model import ARIMA

# STL分解
stl = STL(ts, period=12)  # 假设季节周期为12
result_stl = stl.fit()

# 预测季节成分
seasonal_arima = ARIMA(result_stl.seasonal, order=(1,0,1), seasonal_order=(1,0,1,12))
seasonal_forecast = seasonal_arima.fit().get_forecast(steps=60).predicted_mean

# 预测趋势+残差（即季节调整序列）
trend_resid = result_stl.trend + result_stl.resid
trend_resid_arima = ARIMA(trend_resid, order=(1,1,1))
trend_resid_forecast = trend_resid_arima.fit().get_forecast(steps=60).predicted_mean

2. 使用Prophet自动获取季节成分与调整序列 #

Prophet内置了季节分解功能，并且可以直接输出预测的季节成分和调整后序列：

from prophet import Prophet
import pandas as pd

# 转换为Prophet要求的格式
df = pd.DataFrame({"ds": ts.index, "y": ts.values})

# 拟合模型
model = Prophet(seasonality_mode="multiplicative")  # 或加法模式"additive"
model.fit(df)

# 生成未来60期的预测
future = model.make_future_dataframe(periods=60)
forecast = model.predict(future)

# 提取季节成分（seasonal列）和季节调整序列（yhat - seasonal）
seasonal_forecast = forecast[["ds", "seasonal"]].set_index("ds")
seasonal_adjusted_forecast = forecast[["ds", "yhat"]].assign(seasonal_adjusted=lambda x: x.yhat - x.seasonal).set_index("ds")

3. SARIMA模型手动分解季节成分 #

SARIMA模型包含季节项，可以通过模型的预测值分解出季节成分（需要结合模型的季节参数计算，相对复杂），适合对建模细节有要求的场景。

内容的提问来源于stack exchange，提问作者MarTom