เปรียบเทียบวิธี

	การแยกส่วนประกอบ STL: การแยกส่วนประกอบตามฤดูกาลและแนวโน้มโดยใช้ Loess	การถดถอยเฉพาะที่ LOESS / LOWESS
สาขาวิชา	เศรษฐมิติ	การเรียนรู้ของเครื่อง
ตระกูล	Process / pipeline	Machine learning
ปีกำเนิด	1990	1979
ผู้ริเริ่ม	Cleveland, Cleveland, McRae & Terpenning	William S. Cleveland
ประเภท	nonparametric iterative smoother	Local nonparametric regression smoother
แหล่งต้นตำรับ	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.	Cleveland, W. S. (1979). Robust locally weighted regression and smoothing scatterplots. Journal of the American Statistical Association, 74(368), 829–836.
ชื่อเรียกอื่น	Seasonal-Trend Decomposition using Loess, STL filtering, Loess-based seasonal decomposition, Mevsimsel-Trend Ayrıştırma (STL)	LOWESS, local regression, locally weighted scatterplot smoothing, yerel regresyon
ที่เกี่ยวข้อง	3	3
สรุป	STL Decomposition, introduced by Cleveland, Cleveland, McRae, and Terpenning (1990), is a nonparametric procedure that separates a time series into three additive components — trend, seasonal, and remainder — using iterative locally weighted regression (loess). Widely used in economics, meteorology, and data science, it handles time series of any periodicity and is robust to the presence of outliers, making it a highly flexible alternative to classical decomposition methods.	LOESS (locally estimated scatterplot smoothing), introduced by William Cleveland in 1979 and extended with Susan Devlin in 1988, fits a smooth curve through data by performing a separate weighted polynomial regression in the neighbourhood of each point. Nearby observations count more than distant ones, so the method follows local structure without assuming any global functional form, making it a popular exploratory smoother for scatterplots.