¿Qué es la descomposición STL?

La descomposición STL (Seasonal-Trend decomposition using Loess) es un método para descomponer una serie temporal en tres componentes principales:

• Tendencia (Trend) — la tendencia a largo plazo en los datos.
• Estacionalidad (Seasonal) — ciclos o patrones recurrentes relacionados con cambios periódicos.
• Residuo (Residual) — ruido o fluctuaciones aleatorias que no se explican por la tendencia y la estacionalidad.

El método se basa en la regresión local Loess, que permite aproximar de manera flexible la tendencia y la estacionalidad sin hacer suposiciones rígidas sobre la forma de los datos. Esto es útil para analizar y pronosticar series temporales, donde es importante separar los efectos estacionales de la tendencia general.

Ejemplo de uso en Python con la biblioteca statsmodels:

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

# Supongamos que hay una serie temporal data
stl = STL(data, seasonal=13)
result = stl.fit()

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

De esta manera, la descomposición STL ayuda a entender la estructura de la serie temporal y a mejorar la calidad de las predicciones.