在本文中，我们将使用每月离婚案件的数据将时间序列分解为季节性因素，趋势和不规则序列。除去季节因素，平成期末的离婚趋势某些功能” 我明白了
在日本三月份是一个告别月。今年，由于COVID-19（新的冠状病毒感染）的影响，毕业典礼被取消，欢送会被取消，但这也是我度过一生的一个月。。
有些人会经历“离婚”的不幸离婚。新闻经常报道名人离婚，但离婚人数实际上在增加吗？通过参考厚生劳动省的人口统计数据，可以确定每月离婚的数量，请考虑2014年1月至2019年12月的离婚数量*（截至撰写本文时，最新公布的月份）。我会的
*注意：原始数据用于所有月份。
首先，让我们制作一张每年离婚数量的条形图。
自2015年以来，每年的离婚数量一直在逐渐减少，但在2019年开始略有上升。2018年的离婚人数为212,393，而2019年为212,955。
作为参考，下图以折线图形式显示了每年的离婚和结婚次数。顶部的蓝线是离婚的数目，底部的红线是婚姻的数目。您有类似的趋势。离婚与婚姻没有关系，因为离婚除非首先结婚，否则无法实现。
为什么2019年的离婚人数比上一年略高？因此，让我们制作一个每月离婚数量的折线图。
从该图可以看出，离婚的数量具有明显的每月趋势（季节性）。同样，最突出的是3月，这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。您可以想象在休息期间离婚的后果。
但是，我关心的是一件事。4月的平均人数远低于同年3月的平均人数，但在2019年4月仅略有下降。
这次，让我们以月份为横轴叠加年度折线图。
红线是2019年，但四月份的离婚数量高于其他年份，可以看出，与三月份相比，下降的幅度并不大。
2019年4月是平成的最后一个月。人们认为，许多夫妇希望在时代变迁之前稍作休息。
时间序列数据可以分为几个因素，例如季节性和趋势。分解可以消除原始时间序列中的季节性和趋势。
例如，您可以将原始时间序列分解为季节性因素和趋势，以及无法用这些因素解释的不规则序列，如下图所示。
因此，不规则序列是一个从原始时间序列中排除季节因素和趋势的时间序列。
这是离婚数据*分解后的结果。
* X11方法用作时间序列分解方法。
◆季节因素
提取每月趋势。您会看到存在季节性，其值在1月和2月较小，在3月和12月较大。
◆趋势
这是一个趋势图。总体来看，趋势正在下降，但2015年上半年和2018年下半年仍有山脉。与10月其他年份的10月相比，2015年3月的离婚案件和2018年的离婚案件极高，这是当时高峰的原因。
◆不规则系列
显示了上述季节因素和趋势无法提取的时间序列。换句话说，该序列被计算为“不规则序列=原始时间序列-季节因子趋势”。
即使排除了季节性因素和趋势，2019年4月（平成期的最后一个月）也异常异常，因此这是不寻常的月份。
此外，2018年9月的价值很小。由于下个月（2018年10月）显示出很高的价值，因此很有可能是因为10月而不是2018年9月离婚。我不能马上想到，但是为什么不考虑原因呢？
最后，在下图中，不包括季节性因素的折线图（红色）叠加在原始的离婚折线图（蓝色）上。
红色折线=原始离婚折线-季节性折线
红线图的数值如下计算，例如在2019年4月。
21,061（原始时间序列）= -36.53（季节性因子）+ 17,543.89（趋势）+ 3,553.64（不规则序列）
出乎意料的是附近有很多时间序列数据和季节性因素。可以考虑零售商店的销售，电力消耗和患有传染病的人数，但如离婚案例所示，在这些数据中调整了季节性因素之后，我们可能会看到趋势。
内政和通信部统计局以一种易于理解的方式解释了统计思维以及如何读取统计信息。 https://www.stat.go.jp/koukou/index.html ），其中包含针对季节性因素进行调整的清晰说明。 https://www.stat.go.jp/koukou/trivia/careers/career9.html ）。
