Rozkład Loess ma na celu wygładzenie szeregu poprzez zastosowanie średnich do danych, tak aby zapadły się w składniki, np. Trend lub sezon, które są interesujące do analizy danych. Ale ta metodologia nie ma na celu przeprowadzenia formalnego testu na obecność sezonowości .
Chociaż w twoim przykładzie stl
zwracany jest wygładzony wzór okresowości sezonowej, wzór ten nie jest istotny dla wyjaśnienia dynamiki serii. Aby to zobaczyć, możemy porównać wariancję każdego komponentu w odniesieniu do wariancji oryginalnej serii.
set.seed(123)
x <- ts(rnorm(144, sd=1), frequency=12)
a <- stl(x, s.window="periodic")
apply(a$time.series, 2, var) / var(x)
# seasonal trend remainder
# 0.07080362 0.07487838 0.81647852
Widzimy, że to pozostała część wyjaśnia większość wariancji danych (jak można oczekiwać w przypadku procesu białego szumu).
Jeśli weźmiemy szereg z sezonowością, względna wariancja składnika sezonowego jest znacznie bardziej istotna (chociaż nie mamy prostego sposobu na przetestowanie go, ponieważ less nie jest parametryczny).
y <- diff(log(AirPassengers))
b <- stl(y, s.window="periodic")
apply(b$time.series, 2, var) / var(y)
# seasonal trend remainder
# 0.875463620 0.001959407 0.117832537
Względne wariancje wskazują, że sezonowość jest głównym składnikiem wyjaśniającym dynamikę serii.
Nieostrożne spojrzenie na fabułę stl
może być zwodnicze. Przywołany ładny wzór stl
może przypuszczać, że w danych można zidentyfikować odpowiedni wzorzec sezonowy, ale dokładniejsze przyjrzenie się może ujawnić, że tak nie jest. Jeśli celem jest podjęcie decyzji o występowaniu sezonowości, mniejszy rozkład może być przydatny jako wstępny pogląd, ale należy go uzupełnić innymi narzędziami.