Wat is STL-decompositie?

STL-decompositie (Seasonal-Trend decomposition using Loess) is een methode om een tijdreeks op te splitsen in drie hoofdcomponenten:

• Trends (Trend) — de langetermijntrend van de gegevens.
• Seizoensinvloeden (Seasonal) — terugkerende cycli of patronen gerelateerd aan periodieke veranderingen.
• Residu (Residual) — ruis of willekeurige schommelingen die niet door de trend en seizoensinvloeden worden verklaard.

De methode is gebaseerd op lokale regressie Loess, die het mogelijk maakt om trend en seizoensinvloeden flexibel te benaderen zonder strikte aannames over de vorm van de gegevens. Dit is nuttig voor het analyseren en voorspellen van tijdreeksen, waarbij het belangrijk is om seizoenseffecten van de algemene trend te scheiden.

Voorbeeld van gebruik in Python met de library statsmodels:

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

# Stel dat er een tijdreeks data is
stl = STL(data, seasonal=13)
result = stl.fit()

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

Op deze manier helpt STL-decompositie om de structuur van de tijdreeks te begrijpen en de voorspellingskwaliteit te verbeteren.