Czym jest dekompozycja STL?

Decompozycja STL (Seasonal-Trend decomposition using Loess) to metoda rozkładu szeregów czasowych na trzy główne składniki:

• Trend (Trend) — długoterminowa tendencja zmian danych.
• Sezonowość (Seasonal) — powtarzające się cykle lub wzorce związane z okresowymi zmianami.
• Resztka (Residual) — szum lub losowe wahania, które nie są wyjaśnione przez trend i sezonowość.

Metoda opiera się na lokalnej regresji Loess, która pozwala elastycznie aproksymować trend i sezonowość bez sztywnych założeń co do kształtu danych. Jest to przydatne do analizy i prognozowania szeregów czasowych, gdzie ważne jest oddzielenie efektów sezonowych od ogólnego trendu.

Przykład użycia w Pythonie z biblioteką statsmodels:

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

# Załóżmy, że mamy szereg czasowy data
stl = STL(data, seasonal=13)
result = stl.fit()

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

W ten sposób, dekompozycja STL pomaga zrozumieć strukturę szeregu czasowego i poprawić jakość prognoz.