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 stl
에서 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 stl
기만적 일 수 있습니다. 좋은 패턴을 반환 stl
하면 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.