• Week 3 手算：移动平均提趋势，去趋势序列按月平均得到季节指数。
• Week 6 自动更新：三条平滑方程，每来一个新观测就调一次水平、趋势和季节。
• Week 9 直接差掉：(1 − B) 管趋势，(1 − B¹²) 管季节，分量不再单独估计。
• Week 12 交给隐藏状态：网络自己决定记多久，三块东西不再露面。

季节指数听着抽象，落到具体数字上很好读。澳大利亚游客到访量的月度季节指数，12 月是 1.394，5 月是 0.803，意思就是 12 月比趋势高 39.4%，5 月比趋势低 19.7%。

⚙️ 移动平均在现实里也很常见。2020 年 2 月到 5 月，美国弗吉尼亚州的每日新冠病例数是锯齿状的，周末检测少、周一集中补报，画一条 7 天移动平均线就把周内波动抹平，剩下真实走势。Week 3 教的就是这个动作。

📉 拿到一条新曲线，先分清那个尖峰是季节还是周期：季节按固定长度回来，月度数据就是每 12 个月一次，周期想来就来、长度不固定。这一步认错，后面整套分解都会跟着歪。

🔁 Week 5 学的那个模型，Week 8 又出现了一次

顺着这条线再往前走一点，会碰上一个挺好玩的巧合。Week 5 的简单指数平滑只有一个参数 α，误差校正的写法最直白：新的水平等于旧的水平，加上 α 乘这次预测偏掉的量。Week 8 的 ARIMA(0,1,1) 同样只有一个参数 θ₁。课程材料把 ARIMA(0,1,1) 的条件期望展开以后，得到的递推式和简单指数平滑一模一样，两个参数的关系是 α = 1 + θ₁。θ₁ 一般取负值，所以 α 自动落在 0 和 1 之间。

🧠 Week 8 的自测题就直接给了一组数：取对数、做一阶差分，ACF 在 lag 1 之后截断到约 −0.3，PACF 慢慢衰减，判成 ARIMA(0,1,1)，估出 θ₁ = −0.3。换算过去就是 α = 0.7 的简单指数平滑，新观测占七成权重，历史水平占三成。你学会这一条以后，拿到一个 θ₁ 就能立刻说出它对应的平滑力度，反过来也一样。

✨ 同类的巧合在神经网络那边又出现了一次。没有隐藏层的 NNAR(p, 0) 等价于 ARIMA(p, 0, 0)，只是少了平稳性这个约束。

🔑 每次学新模型，先问它把三块东西放在哪

这两个模型能对上，靠的就是把它们各自的分量摆到一起看。所以整门课我能给的最省力的一句话是：每学一个新模型，先看它把水平、趋势、季节放在哪里。Week 3 放在移动平均和季节指数里，要你一步步算；Week 6 放在三条更新方程里，各配一个平滑参数；Week 9 放在差分算子里，一个管趋势、一个管季节；Week 12 干脆放进隐藏状态，由网络自己决定记多久。

这句话平时有两个用处。做题时它决定你该写哪条方程，分量落在哪儿，方程就写在哪儿。碰上两个没见过的模型，你把它们各自的三块摆出来对一下，共用同一组分量的往往能互相解释，简单指数平滑和 ARIMA(0,1,1) 就是这么对上的。两场笔试都不能用 AI，限时里能调出来的就是脑子里这套对应关系。

再举个小的。上个月你预测 32000 杯，实际卖了 35000 杯，偏了 3000。取 α = 0.3，下个月的水平估计就上调 900，变成 32900。α 调大，模型更贴最新数据；α 调小，它更坚持原来的判断。

📖 每学一个新模型，先看它把水平、趋势、季节放在哪里。