Cos'è la decomposizione STL?

La decomposizione STL (Seasonal-Trend decomposition using Loess) è un metodo per scomporre una serie temporale in tre componenti principali:

• Tendenza (Trend) — la tendenza a lungo termine dei dati.
• Stagionalità (Seasonal) — cicli o schemi ricorrenti legati a cambiamenti periodici.
• Residuo (Residual) — rumore o fluttuazioni casuali che non possono essere spiegate dalla tendenza e dalla stagionalità.

Il metodo si basa sulla regressione locale Loess, che permette di approssimare in modo flessibile la tendenza e la stagionalità senza fare ipotesi rigide sulla forma dei dati. Questo è utile per analizzare e prevedere serie temporali, dove è importante separare gli effetti stagionali dalla tendenza generale.

Esempio di utilizzo in Python con la libreria statsmodels:

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

# Supponiamo che ci sia una serie temporale data
stl = STL(data, seasonal=13)
result = stl.fit()

tendenza = result.trend
stagionalità = result.seasonal
residuo = result.resid

In questo modo, la decomposizione STL aiuta a comprendere la struttura della serie temporale e a migliorare la qualità delle previsioni.