Was ist STL-Dekomposition?

Die STL-Dekomposition (Seasonal-Trend decomposition using Loess) ist eine Methode zur Zerlegung einer Zeitreihe in drei Hauptkomponenten:

• Trend (Trend) — die langfristige Tendenz der Daten.
• Saisonalität (Seasonal) — wiederkehrende Zyklen oder Muster im Zusammenhang mit periodischen Veränderungen.
• Residuum (Residual) — Rauschen oder zufällige Schwankungen, die nicht durch Trend und Saisonalität erklärt werden.

Die Methode basiert auf der lokalen Regression Loess, die eine flexible Annäherung an Trend und Saisonalität ermöglicht, ohne starre Annahmen über die Form der Daten zu treffen. Dies ist nützlich für die Analyse und Prognose von Zeitreihen, bei denen es wichtig ist, saisonale Effekte vom allgemeinen Trend zu trennen.

Beispiel für die Verwendung in Python mit der Bibliothek statsmodels:

from statsmodels.tsa.seasonal import STL
import pandas as pd

# Angenommen, es gibt eine Zeitreihe data
stl = STL(data, seasonal=13)
result = stl.fit()

trend = result.trend
seasonal = result.seasonal
residual = result.resid

Auf diese Weise hilft die STL-Dekomposition, die Struktur der Zeitreihe zu verstehen und die Prognosequalität zu verbessern.