Loess ayrışması, verilerin analizi için ilginç olan bileşenlere, örneğin trend veya mevsimsel olarak daraltılacak şekilde, verilere ortalamalar uygulayarak seriyi düzeltmeyi amaçlamaktadır . Ancak bu metodolojinin mevsimsellik varlığı için resmi bir test yapması amaçlanmamıştır .
stl
Örneğinizde mevsimsel periyodikliğin düzeltilmiş bir örneğini döndürmesine rağmen , bu model serinin dinamiklerini açıklamak için uygun değildir. Bunu görmek için, her bir bileşenin varyansını orijinal serinin varyansına göre karşılaştırabiliriz.
set.seed(123)
x <- ts(rnorm(144, sd=1), frequency=12)
a <- stl(x, s.window="periodic")
apply(a$time.series, 2, var) / var(x)
# seasonal trend remainder
# 0.07080362 0.07487838 0.81647852
Verilerdeki varyansın çoğunu açıklayanların geri kalanı olduğunu görebiliriz (beyaz bir gürültü süreci için beklediğimiz gibi).
Mevsimselliğe sahip bir seri alırsak, mevsimsel bileşenin nispi varyansı çok daha alakalı olur (ancak lös parametrik olmadığı için test etmek için basit bir yolumuz olmamasına rağmen).
y <- diff(log(AirPassengers))
b <- stl(y, s.window="periodic")
apply(b$time.series, 2, var) / var(y)
# seasonal trend remainder
# 0.875463620 0.001959407 0.117832537
Göreli varyanslar, mevsimsellikin serinin dinamiklerini açıklayan ana bileşen olduğunu göstermektedir.
Arsaya dikkatsiz bir bakış stl
aldatıcı olabilir. Tarafından döndürülen güzel desen stl
, verilerde ilgili bir mevsimsel modelin tanımlanabileceğini düşünmemize neden olabilir, ancak daha yakından bakmak, aslında durumun böyle olmadığını ortaya çıkarabilir. Amaç mevsimselliğin varlığına karar vermekse, loess ayrışması ön görüş olarak yararlı olabilir, ancak diğer araçlarla tamamlanmalıdır.