stl 함수가 랜덤 데이터로 계절에 따라 상당한 변화를주는 이유는 무엇입니까?

stl (Loess의 시계열의 계절 분해) 함수를 사용하여 다음 코드를 사용하여 플롯했습니다.

plot(stl(ts(rnorm(144), frequency=12), s.window="periodic"))

위의 코드에 임의 데이터를 넣은 계절적 변동 (rnorm 함수)을 보여줍니다. 패턴이 다르더라도 실행 시마다 중대한 변형이 나타납니다. 이러한 두 가지 패턴은 다음과 같습니다.

계절 변동이있을 때 일부 데이터에 stl 함수를 사용하는 방법 이 계절 변동은 다른 매개 변수를 고려하여 볼 필요가 있습니까? 통찰력 주셔서 감사합니다.

이 페이지에서 코드를 가져 왔습니다. 자살 횟수 데이터에서 계절적 영향을 테스트하는 데 적합한 방법입니까?

황토 분해는 데이터에 평균을 적용하여 데이터 분석에 흥미로운 구성 요소 (예 : 추세 또는 계절)로 축소되도록 계열 을 부드럽게 하기위한 것 입니다. 그러나이 방법론은 계절성이 존재하는지 공식적인 테스트를 하기위한 것이 아닙니다 .

예제 stl에서 계절적주기의 부드러운 패턴을 반환 하지만 이 패턴은 계열의 역학을 설명하는 데는 관련이 없습니다. 이를 확인하기 위해 각 계열의 분산을 원본 계열의 분산과 비교할 수 있습니다.

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 

우리는 데이터에서 대부분의 차이를 설명하는 것이 나머지라는 것을 알 수 있습니다 (화이트 노이즈 프로세스에서 예상되는 것처럼).

계절성이있는 계열을 취하면 계절 성분의 상대 분산이 훨씬 더 관련성이 있습니다 (손실이 매개 변수가 아니기 때문에이를 직접 테스트 할 수있는 방법은 없지만).

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 

상대 편차는 계절성이 시리즈의 역학을 설명하는 주요 구성 요소임을 나타냅니다.

줄거리를주의 깊게 살펴보면 stl기만적 일 수 있습니다. 좋은 패턴을 반환 stl하면 데이터에서 관련 계절 패턴을 식별 할 수 있다고 생각할 수 있지만, 자세히 살펴보면 실제로 그렇지 않다는 것을 알 수 있습니다. 계절성이 있는지 결정하는 것이 목적이라면, 황토 분해는 예비 관점으로 유용 할 수 있지만 다른 도구와 함께 보완되어야합니다.

비슷한 맥락에서 Fourier Models가 비 계절 데이터에 활용되어 계절적 구조가 적합하고 예측 된 값으로 강제되어 유사한 결과가 발생하는 것을 보았습니다. 추정 된 모델을 맞추면 사용자가 자신이 강요 / 추정하는 것을 얻을 수 있으며 이는 항상 좋은 분석이 제안 / 제공 할 수있는 것은 아닙니다.