在这个页面的用户评论中，有人询问水平和斜率的解释，以及如何获得decompose()函数提供的趋势和残差。Hyndman 评论说，没有直接的翻译decompose()和tbats()使用不同的模型。但如果您的 TBATS 模型没有 Box-Cox 变换，则 TBATS 水平与decompose()趋势大致相同。另一方面，如果模型确实应用了 Box-Cox 变换，那么您必须在将水平解释为（大致）趋势之前撤消变换。至少我是这样解读他的回应的。

至于残差和斜率，它们是不一样的。

您可以认为基本分解具有趋势成分、季节性成分和残差成分。

您可以将趋势进一步细分为水平和斜率。水平本质上是趋势的基线，斜率是每单位时间的变化。

将趋势分解为水平和斜率的原因是某些模型支持抑制增长。也许您观察到当前的增长，但您预计增长会随着时间的推移逐渐减少，并且您希望您的预测能够反映这种预期。该模型支持这一点，允许您通过对斜率应用阻尼因子来抑制增长，使其趋向于零，这意味着趋势趋向于其水平分量。

对于水平和斜率如何结合产生趋势的问题，没有一个直接的答案。这取决于您使用的模型类型。作为一般陈述，加法趋势模型以加法方式组合它们，而乘法趋势模型以乘法方式组合它们。模型的阻尼变体将水平与阻尼斜率结合在一起。Hyndman 的“指数平滑预测”一书（希望可以包含亚马逊链接——我与作者没有任何隶属关系）在表 2.1 中提供了基于每个模型的精确方程。