在本文中，我們將使用每月離婚案件的數據將時間序列分解為季節性因素，趨勢和不規則序列。除去季節因素，平成期末的離婚趨勢某些功能” 我明白了
在日本三月份是一個告別月。今年，由於COVID-19（新的冠狀病毒感染）的影響，畢業典禮被取消，歡送會被取消，但這也是我度過一生的一個月。。
有些人會經歷“離婚”的不幸離婚。新聞經常報導名人離婚，但離婚人數實際上在增加嗎？通過參考厚生勞動省的人口統計數據，可以確定每月離婚的數量，請考慮2014年1月至2019年12月的離婚數量*（截至撰寫本文時，最新公佈的月份）。我會的
*注意：原始數據用於所有月份。
首先，讓我們製作一張每年離婚數量的條形圖。
自2015年以來，每年的離婚數量一直在逐漸減少，但在2019年開始略有上升。2018年的離婚人數為212,393，而2019年為212,955。
作為參考，下圖以折線圖形式顯示了每年的離婚和結婚次數。頂部的藍線是離婚的數目，底部的紅線是婚姻的數目。您有類似的趨勢。離婚與婚姻沒有關係，因為離婚除非首先結婚，否則無法實現。
為什麼2019年的離婚人數比上一年略高？因此，讓我們製作一個每月離婚數量的折線圖。
從該圖可以看出，離婚的數量具有明顯的每月趨勢（季節性）。同樣，最突出的是3月，這比其他月份要高得多，可以看出其他月份在12月也有所增加。您可以想像在休息期間離婚的後果。
但是，我關心的是一件事。4月的平均人數遠低於同年3月的平均人數，但在2019年4月僅略有下降。
這次，讓我們以月份為橫軸疊加年度折線圖。
紅線是2019年，但4月份的離婚數量高於其他年份，表明與3月份相比沒有多少下降。
2019年4月是平成的最後一個月。人們認為，許多夫婦希望在時代變遷之前稍作休息。
時間序列數據可以分為幾個因素，例如季節性和趨勢。分解可以消除原始時間序列中的季節性和趨勢。
例如，您可以將原始時間序列分解為季節性因素和趨勢，以及無法用這些因素解釋的不規則序列，如下圖所示。
因此，不規則序列是一個從原始時間序列中排除季節因素和趨勢的時間序列。
這是離婚數據*分解後的結果。
* X11方法用作時間序列分解方法。
◆季節因素
提取每月趨勢。您會看到存在季節性，其值在1月和2月較小，在3月和12月較大。
◆趨勢
這是一個趨勢圖。總體來看，趨勢正在下降，但2015年上半年和2018年下半年仍有山脈。與10月其他年份的10月相比，2015年3月的離婚案件和2018年的離婚案件極高，這是當時高峰的原因。
◆不規則係列
顯示了上述季節因素和趨勢無法提取的時間序列。換句話說，該序列被計算為“不規則序列=原始時間序列-季節因子趨勢”。
即使排除了季節性因素和趨勢，2019年4月（平成期的最後一個月）也異常異常，因此這是不尋常的月份。
此外，2018年9月的價值很小。由於下個月（2018年10月）表現出很高的價值，很可能有某些原因在10月而不是2018年9月離婚。我不能馬上想到，但是為什麼不考慮原因呢？
最後，在下圖中，不包括季節性因素的折線圖（紅色）疊加在原始的離婚折線圖（藍色）上。
紅色折線=原始離婚折線-季節性折線
紅線圖的數值如下計算，例如在2019年4月。
21,061（原始時間序列）= -36.53（季節性因子）+ 17,543.89（趨勢）+ 3,553.64（不規則序列）
出乎意料的是附近有很多時間序列數據和季節性因素。可以考慮零售商店的銷售，電力消耗和傳染病的人數，對於這些數據，我們可以在考慮季節性因素後看到趨勢，如本例中的離婚案例。
內政和通信部統計局以一種易於理解的方式解釋了統計思維以及如何讀取統計信息。 https://www.stat.go.jp/koukou/index.html ），其中包含針對季節性因素進行調整的清晰說明。 https://www.stat.go.jp/koukou/trivia/careers/career9.html ）。
