STL Ayrıştırması: Loess Kullanarak Mevsimsel-Eğilim Ayrıştırması
STL: Seasonal-Trend Decomposition using Loess · Ayrıca şöyle bilinir: Seasonal-Trend Decomposition using Loess, STL filtering, Loess-based seasonal decomposition, Mevsimsel-Trend Ayrıştırma (STL)
Cleveland, Cleveland, McRae ve Terpenning (1990) tarafından tanıtılan STL Ayrıştırması, yinelemeli olarak yerel olarak ağırlıklandırılmış regresyon (loess) kullanarak bir zaman serisini üç toplamsal bileşene — eğilim, mevsimsel ve kalıntı — ayıran parametrik olmayan bir prosedürdür. Ekonomi, meteoroloji ve veri biliminde yaygın olarak kullanılan bu yöntem, herhangi bir periyoda sahip zaman serilerini işleyebilir ve aykırı değerlerin varlığına karşı dayanıklıdır, bu da onu klasik ayrıştırma yöntemlerine göre oldukça esnek bir alternatif haline getirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Tek değişkenli, belirgin mevsimsel desene sahip bir zaman seriniz olduğunda ve aykırı değerlere karşı dayanıklı ve mevsimsel şeklin zamanla değişmesine izin veren bileşen tahminleri istediğinizde STL'yi kullanın. Aylık, üç aylık, haftalık veya herhangi bir sabit periyoda sahip veriler için uygundur. Temel varsayımlar: seri yaklaşık olarak toplamsaldır (çarpımsal ise önce logaritmik dönüşüm kullanın); periyot uzunluğu bilinir ve sabittir. STL, yerel olarak takvim ayarlamaları veya güven aralıkları üretmez. Ticaret günü ve tatil etkileri olan resmi istatistiksel yayınlar için X-13ARIMA-SEATS tercih edilir. Kısa seriler veya ARIMA tabanlı çıkarımlar için klasik ayrıştırma veya ARIMA modelleri daha uygun olabilir.
Güçlü yönler & sınırlılıklar
- Herhangi bir periyodu (haftalık, aylık, üç aylık) modifikasyon olmadan işler
- Mevsimsel bileşenin zamanla kademeli olarak değişmesine izin verir
- Sağlam dış döngü, aykırı değerlere ve yapısal kırılmalara duyarlılığı azaltır
- Kullanıcı tarafından kontrol edilen düzeltme bant genişlikleriyle basit, yorumlanabilir toplamsal ayrıştırma
- Toplamsal bir yapıyı varsayar; çarpımsal mevsimsellik önceden logaritmik dönüşüm gerektirir
- Ticaret günü etkileri, tatiller veya takvim varyasyonları için otomatik olarak ayarlama yapmaz
- Bant genişliği parametreleri (mevsimsel ve eğilim pencereleri) analist tarafından seçilmeli ve sonuçları önemli ölçüde etkiler
- Tahmini bileşenler için resmi istatistiksel çıkarım veya güven aralıkları sağlamaz
SSS
Mevsimsel ve eğilim pencere parametrelerini nasıl seçerim?
Cleveland ve ark. (1990), mevsimsel pencere için 1.5 kat periyodun üzerindeki en küçük tek tam sayı ile başlayıp, veri uzunluğuna göre düzgün bir eğilim veren tek tam sayı ile başlamayı önermektedir. Uygulamada, analistler çeşitli bant genişliği değerleri üzerinden ayrıştırmaları karşılaştırır ve kalıntının yapısal olmayan göründüğü değerleri seçerler. Tüm serilere uyan tek bir otomatik kural yoktur, bu nedenle kalıntının tanılayıcı denetimi esastır.
STL birden fazla mevsimsel periyodu, örneğin günlük ve haftalık desenleri işleyebilir mi?
Orijinal STL prosedürü tek seferde tek bir sabit periyodu işler. Birden fazla mevsimsellik için — örneğin, hem günlük hem de haftalık döngülere sahip saatlik veriler — MSTL (Multiple STL) veya STR gibi uzantılar, her bir mevsimsel periyot boyunca loess çerçevesini yinelemeli olarak uygular. Bu uzantılar R ve Python'da mevcuttur ve orijinal Cleveland ve ark. yönteminin aynı yinelemeli mantığını izler.
STL tahmin için uygun mudur?
STL'nin kendisi bir ayrıştırma prosedürüdür, bir tahmin modeli değildir. Ancak, rutin olarak bir ön işleme adımı olarak kullanılır: eğilim ve mevsimsel bileşenler ayrı ayrı dışa aktarılır (örneğin, mevsimsel olarak ayarlanmış seri üzerinde üstel düzeltme veya ARIMA kullanarak) ve sonra yeniden birleştirilir. STL+ETS kombinasyonu, tahmin yarışmalarında ve operasyonel tahmin iş akışlarında yaygın bir kıyaslama noktasıdır.
Kaynaklar
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). STL: Seasonal-Trend Decomposition using Loess. ScholarGate. https://scholargate.app/tr/econometrics/stl-decomposition
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- ARIMA (Autoregressive Integrated Moving Average) ModeliEkonometri↔ karşılaştır
- LOESS / LOWESS Yerel RegresyonuMakine öğrenmesi↔ karşılaştır
- X-13ARIMA-SEATS Mevsimsel DüzeltmeEkonometri↔ karşılaştır