加法和乘法时间序列模型是用于分析和预测时间序列数据的两种关键方法。这两个模型之间的主要区别在于它们如何组合数据的各个组成部分: 加法模型单独处理组成部分，而乘法模型则以反映它们彼此之间比例关系的方式组合它们。
在可加时间序列模型中，总体时间序列表示为其组成部分的总和: 趋势，季节和不规则组成部分。这意味着每个组件独立地对最终值做出贡献。例如，如果一个企业多年来的销售有持续的上升趋势，同时在假日月份有持续的季节性高峰，总销售额可以通过简单地将趋势和季节性效应的个人贡献相加来表示。当无论趋势如何，季节性波动的幅度都保持不变时，这种类型的模型效果最好-季节性的影响不会随着趋势的增加或减少而改变。
另一方面，乘法时间序列模型通过将其分量相乘来组合其分量。这种方法假设每个组件的影响按比例影响其他组件。例如，如果公司的销售额在旺季期间显著增长，则乘法模型将表示这种关系，使得趋势期间较高的基本销售额也会导致较高的季节性影响。例如，如果假日季节的销售额与其他月份相比50% 增长，则该百分比增长将乘以基本趋势值。当季节波动与趋势成比例变化时，这种模型是合适的，因为它更准确地捕获了增长和季节模式之间的相互作用。因此，在这些模型之间进行选择取决于所分析数据的性质。