STL-decompositie: Seizoensgebonden-Trenddecompositie met Loess
STL-decompositie, geïntroduceerd door Cleveland, Cleveland, McRae en Terpenning (1990), is een niet-parametrische procedure die een tijdreeks scheidt in drie additieve componenten — trend, seizoensgebondenheid en residu — met behulp van iteratieve lokaal gewogen regressie (loess). Het wordt veel gebruikt in economie, meteorologie en datawetenschap, kan tijdreeksen van elke periodiciteit aan en is robuust tegen de aanwezigheid van uitschieters, wat het een zeer flexibel alternatief maakt voor klassieke decompositie methoden.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- Cleveland, R. B., Cleveland, W. S., McRae, J. E., & Terpenning, I. (1990). STL: A seasonal-trend decomposition procedure based on loess. Journal of Official Statistics, 6(1), 3–73. link ↗
Deze pagina citeren
ScholarGate. (2026, June 2). STL: Seasonal-Trend Decomposition using Loess. ScholarGate. https://scholargate.app/nl/econometrics/stl-decomposition
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- ARIMA (Autoregressive Integrated Moving Average) ModelEconometrie↔ compare
- LOESS / LOWESS Lokale RegressieMachine learning↔ compare
- X-13ARIMA-SEATS SeizoenscorrectieEconometrie↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →