时间序列有两个基本特征：趋势和季节。趋势可能是线性趋势或随机趋势。季节依据采样频率的不同而不同，如季单位的有季度，季度单位有月度。
y =trend+ season + random
季节是确定性成份 season，分整分析对象是随机变量 random，趋势trend可以是确定性的或者随机性的。因此，获取样本后要先去掉季节成分 season. R 中有一个简单的函数 cycle 可以提取  ts 对象的 season. 如果假定趋势 trend 是确定性的，那么可以用季节移动平均平滑各观测点得到 trend,  y - trend 得到 season, 它要使第个季节的值相同，因此会剩 random.

2# beatuxlee
感谢帮助，您提出的分解思路在很多教材上都见过。我想问R里面的这个是不是就是Cleveland提出的基于Loess的STL方法？

另外R中是否有FARIMA模型程序包？没有的话是否有现成的程序包可以下载？我知道S-PLUS软件中有这个模型，不过这个软件是商业的，没钱买。。。电驴上的资源下载后也没法安装。。。求助中

参考文献中用NQT方法去除时间序列的季节性。该方法的基本思路是：
1、给定一组时间序列观测值s(t), t=1,2,…T；
2、将该序列按升序排列，计算Weibull绘点位置Fs[s(t)]；
3、根据Fs[s(t)]，根据标准正态分布N（0，1）的累积分布函数（CDF）的反函数得到NQT的值。NQT的定义式如下：
      Ns(t)=Q^(-1){Fs[s(t)]}
      上式就将观测序列s(t)的CDF转化为高斯分布；
经过上述转化的时间序列仍然存在季节性周期，因此，按照下述步骤继续处理、
4、将时间序列划分为M个互不重叠的周期（保证每一个周期内数据是近似平稳的），用Ri表示（i=1,2,…M）第i个周期；
5、对每一个周期，选择合适尺寸的时间窗（wi），时间窗Li尺寸一般大于相应的Ri（说明时间窗之间存在部分重叠），同时时间窗的中心与Ri的中心重合；
6、对划分的不同周期，进一步通过指定时间窗Li的实际宽度wi等参数；
7、对划分的不同周期，分别应用不同的NQT，即所谓的PNQT，定义为：
      Ns(t)=Q^(-1){Fsi[si(t)]}=Q^(-1)[Ji,t/Ti+1]
      其中，Ji,t为时间窗Li的样本值按升序重排后si(t)所占据的位置；Ti为时间窗Li样本的大小。
8、得到一个去除季节性的时间序列。

附件是我已经得到的结果：
从第3副图可以看出，样本的Fs[s(t)]确实已经转化到正态空间了。

方法总结：通过对时间序列划分不同周期应用PNQT实现对季节性周期的分离，同时得到平稳序列。通过该方法实际上建立了一个亚高斯模型（Meta-Gaussian Model）。
存在疑问：我如何得到去除季节性后的时间序列？文章没有对第8步进行具体说明。因为NQT只和时间序列的样本观测值的数量有关，而与其具体大小无关。

希望各位统计高手能关注这一问题{:3_52:}