İstatistik Sözlüğü → STL Mevsimsel Ayrıştırma
STL Mevsimsel Ayrıştırmaanaliz
Bir zaman serisini uzun dönem eğilim (trend), düzenli tekrar eden mevsim deseni ve geriye kalan rastgele dalgalanma (artık) bileşenlerine ayıran yöntem.
Kavram
Aylık satış ya da sıcaklık gibi seriler aynı anda birkaç hareketi bir arada taşır: yıllar boyunca süren bir yükseliş ya da düşüş, her yıl aynı aylarda tekrar eden bir dalga ve bunlarla açıklanamayan düzensiz iniş çıkışlar. Bu hareketler iç içe geçtiğinde ham grafikten 'satışlar gerçekten artıyor mu, yoksa yalnızca yaz geldi mi?' sorusu yanıtlanamaz. STL bu bileşenleri birbirinden ayırarak her birinin ayrı ayrı incelenmesini sağlar.
Yöntem toplamsal bir yapı varsayar: gözlenen = trend + mevsim + artık. Mevsim bileşeni her mevsim konumunun (ör. bütün Ocak ayları) kendi içinde LOESS ile yerel olarak düzgünleştirilmesiyle, trend ise mevsimi çıkarılmış serinin düzgünleştirilmesiyle bulunur; bu iki adım yinelenerek birbirini düzeltir. Bileşenlerin ne kadar baskın olduğu güç ölçüleriyle özetlenir; örneğin mevsim gücü F_S = 1 − Var(artık) / Var(mevsim + artık), 1'e yaklaştıkça mevsimsellik güçlenir.
STL betimsel bir yöntemdir; trend ya da mevsim için anlamlılık testi yapmaz. Sonuçlar periyot ve pencere seçimlerine duyarlıdır. Mevsim dalgasının genliği serinin düzeyiyle birlikte büyüyorsa (çarpımsal yapı) ayrıştırma log ya da Box-Cox dönüşümü sonrasında yapılmalıdır.
Ne zaman kullanılır?
- Bir serinin trend ve mevsim yapısını görmek, mevsimsel düzeltilmiş seri elde etmek ya da her ayın tipik mevsim etkisini hesaplamak için.
- Saatlik ya da günlük veride günlük ve haftalık gibi birden fazla mevsim döngüsü varsa MSTL kullanılır.
- Trendin istatistiksel olarak anlamlı olup olmadığı sorulacaksa Mann-Kendall testi; bileşenler bir olasılık modeli içinde kestirilip öngörü de üretilecekse gözlenemeyen bileşenler modeli ya da Holt-Winters tercih edilir.
Gündelik bir örnek
Bir sahil kasabasındaki marketin on yıllık aylık dondurma satışlarını düşünelim. Her yaz satışlar fırlıyor, her kış düşüyor; bir yandan da kasabanın nüfusu arttığı için satışlar yıldan yıla yavaşça yükseliyor. STL bu seriyi üçe ayırır: trend bileşeni on yıllık yavaş yükselişi, mevsim bileşeni örneğin Temmuz'un ortalamanın 400 kutu üstünde, Ocak'ın 300 kutu altında olduğunu, artık bileşeni ise beklenmedik bir sıcak hava dalgası gibi tek seferlik sapmaları gösterir.
MerQur'da parametreler
Period (periyot; 0 = otomatik)
Kavram: Periyot, mevsim döngüsünün kaç gözlemde bir tekrarlandığıdır. Doğru periyot, aynı mevsim konumundaki gözlemlerin (ör. bütün Temmuz'ların) birlikte değerlendirilmesini sağlar; yanlış periyotta mevsim deseni artık bileşenine karışır.
Gündelik örnek: Aylık dondurma satışlarında periyot 12'dir: her Temmuz bir önceki Temmuz'la karşılaştırılır. Periyot yanlışlıkla 6 girilirse yaz ve kış aynı 'mevsim' gibi ele alınır ve yaz tepesi artıkta büyük sapmalar olarak görünür.
Ne işe yarar: Mevsim döngüsünün uzunluğu m. 0'da tarih sıklığından: günlük 7, haftalık 52, aylık 12, çeyreklik 4, saatlik 24, aksi hâlde 12.
Sonuca etkisi: Mevsim alt serileri, trend penceresi ve tüm bileşenler.
Doğrulama verisinde: nottem: otomatik ile 12 aynıdır; m = 6 yanlış periyotla F_S 0.0904'e düşer ve artık SD 1.70'ten 4.80'e çıkar.
Robust
Kavram: Sağlam (robust) seçenek, büyük artık veren gözlemlere yinelemeli olarak düşük ağırlık verir. Böylece birkaç aykırı değer trend ve mevsim bileşenlerini kendine doğru çekmez; bu gözlemler artık bileşeninde açıkça görünür.
Gündelik örnek: Marketin bir Ağustos ayında tadilat nedeniyle kapalı kaldığını ve satışların sıfıra yakın olduğunu düşünelim. Sağlam seçenek açıkken bu ay Ağustos mevsim etkisini aşağı çekmez; o ay yalnızca artıkta büyük bir negatif sapma olarak kalır.
Ne işe yarar: Aykırı değerleri iki-kare ağırlıklarla dışarıda bırakan dış döngü (Cleveland ve ark. 1990).
Sonuca etkisi: Trend, mevsim ve artık bileşenleri; uç gözlemler düşük ağırlık alır.
Doğrulama verisinde: nottem: varsayılan F_S 0.9582'ye karşı robust F_S 0.9456; F_T 0.2347'nin altına iner.
Mevsim penceresi (s.window; 0 = varsayılan 7) ve Periyodik
Kavram: Mevsim penceresi, mevsim deseninin yıldan yıla ne kadar değişebileceğini belirler: küçük pencere değişen bir mevsime izin verir, büyük pencere daha kararlı bir desen üretir. Periyodik seçenekte her yıl tam olarak aynı mevsim deseni kullanılır.
Gündelik örnek: Kasabaya son yıllarda Eylül'de de turist gelmeye başladıysa Eylül satışlarının mevsim etkisi yıllar içinde büyür; küçük bir mevsim penceresi bu değişimi yakalar. Periyodik seçenek ise on yılın hepsine aynı Eylül etkisini verir.
Ne işe yarar: Mevsim alt serilerini düzleştiren LOESS penceresi; büyüdükçe mevsim deseni yıldan yıla daha az değişir. Periyodik seçenekte her döngüde aynı mevsim kullanılır (alt seri ortalaması).
Sonuca etkisi: Mevsim bileşeni, F_S ve artık.
Doğrulama verisinde: nottem F_S: varsayılan 0.9582, s.window 13 için 0.9512, periyodik 0.9438.
Trend penceresi (t.window; 0 = varsayılan nextodd(1.5m/(1 - 1.5/s.window)))
Kavram: Trend penceresi, trendin ne kadar esnek olacağını belirler: geniş pencere düz, yavaş değişen bir trend; dar pencere kısa süreli dalgaları da izleyen kıvrımlı bir trend verir. Trendin bileşen gücü (F_T) bu seçime bağlı olarak değişir.
Gündelik örnek: Geniş bir trend penceresiyle dondurma satışlarının trendi on yıl boyunca düzgün bir yükseliş çizgisi olur. Dar pencereyle ekonomik açıdan zor geçen bir yılın düşüşü de trende yansır.
Ne işe yarar: Trendi düzleştiren LOESS penceresi.
Sonuca etkisi: Trend bileşeninin düzgünlüğü ve F_T.
Doğrulama verisinde: nottem: varsayılan 23; 50 isteği 51 olur (F_T 0.1009, daha düz trend); 9 isteği periyot + 1'e (13) yükseltilir ve notta yazılır (F_T 0.3408).
Dönüşüm / λ (dönüşüm yok / log / Box-Cox Guerrero / Box-Cox λ elle)
Kavram: STL toplamsal çalışır; mevsim dalgasının genliği serinin düzeyiyle birlikte büyüyorsa log dönüşümü çarpımsal yapıyı toplamsala çevirir. Box-Cox dönüşümü log'u da içeren (λ = 0) bir dönüşüm ailesidir ve λ, mevsim genliğini düzeyden bağımsız kılacak biçimde seçilir.
Gündelik örnek: Satışlar on yılda iki katına çıkarken yaz-kış farkı da iki katına çıkıyorsa mevsim etkisi 'kutu' olarak değil 'yüzde' olarak sabittir. Log dönüşümü sonrası yapılan ayrıştırma, örneğin Temmuz'un her yıl ortalamanın yaklaşık %40 üstünde olduğunu gösterir.
Ne işe yarar: Genliği düzeyle büyüyen seride ayrıştırmayı log (çarpımsal) ya da Box-Cox ölçeğinde yapar; λ elle ya da Guerrero (1993) yöntemiyle seçilir. λ kutusu yalnızca "λ elle" seçiliyken kullanılır.
Sonuca etkisi: Bileşenlerin ölçeği ve F_S.
Doğrulama verisinde: AirPassengers: log F_S 0.976; Guerrero λ = -0.29472; λ = 0.5: F_S 0.982; λ = -0.3: 0.972.
MSTL periyotları
Kavram: MSTL, serinin aynı anda birden fazla mevsim döngüsü taşıdığı durumlarda her periyot için ayrı bir mevsim bileşeni kestirir.
Gündelik örnek: Marketin günlük dondurma satışlarında hem haftalık döngü (hafta sonları yüksek) hem yıllık döngü (yazın yüksek) vardır. Periyotlar 7 ve 365 olarak girildiğinde MSTL bu iki deseni ayrı ayrı gösterir.
Ne işe yarar: Çoklu mevsimsellik (MSTL ayrıştırması).
Sonuca etkisi: Her periyot için ayrı mevsim bileşeni.
Doğrulama verisinde: taylor "48, 336": F_S(48) = 0.9959, F_S(336) = 0.9877. nottem "12" tek periyot: F_S 0.9534.
Ek çıktılar: Mevsim indeksi, Artık tanısı, Kaydet
Kavram: Mevsim indeksi her mevsim konumunun ortalama mevsim etkisidir; mevsimsel düzeltilmiş seri gözlenen değerden mevsim bileşeninin çıkarılmasıyla elde edilir. Artık tanıları, artıklarda hâlâ otokorelasyon ya da normallikten belirgin sapma kalıp kalmadığını sınar.
Gündelik örnek: Mevsim indeksi market müdürüne 'Ocak'ta normalde ortalamanın 300 kutu altında satarız' bilgisini verir. Mevsimsel düzeltilmiş seride ise bu Ocak'ın, mevsimine göre iyi mi kötü mü geçtiği doğrudan görülür.
Ne işe yarar: Mevsim indeksi döngü konumu başına ortalama mevsim bileşeni ve mevsimsel düzeltilmiş seridir. Artık tanısı Ljung-Box (gecikme min(2m, n/5)), Shapiro-Wilk ve Jarque-Bera testlerini içerir. Kaydet, STL_trend, STL_seasonal, STL_resid ve STL_sa sütunlarını ekler.
Sonuca etkisi: Yalnız ek çıktı.
Doğrulama verisinde: nottem: Ocak -9.30, Şubat -9.80; Ljung-Box (lag 24) Q = 163.23 (p < .001), Shapiro-Wilk W = 0.9944 (p = 0.52), Jarque-Bera 0.857 (p = 0.65).
Gerçek veride örnek
Veri: Nottingham aylık ortalama sıcaklık 1920-1939, R datasets nottem
Değişkenler: tarih date (aylık), değer temp (Fahrenheit sıcaklık)
- Soru: Nottingham'da 1920-1939 aylık ortalama sıcaklık serisi (n = 240) uzun dönem eğilim, düzenli mevsim deseni ve rastgele dalgalanma bileşenlerine nasıl ayrışır?
- Yöntem: STL (LOESS ile mevsim-trend ayrıştırması), periyot 12, mevsim penceresi 7, trend penceresi 23; toplamsal model: gözlenen = trend + mevsim + artık.
- Sonuç: Mevsim bileşeni baskındır: mevsim genliği (SD) 8.3712, artık SD 1.7413; Ocak 1920'de mevsim etkisi -7.93, Temmuz 1920'de +12.31 derecedir (Fahrenheit).
- Bileşen gücü: Mevsim gücü F_S = 0.9582 (≥ 0.64, güçlü mevsimsellik); trend gücü F_T = 0.2347 (zayıf eğilim). Trend ortalaması 49.03, trend SD yalnız 0.78: yirmi yılda belirgin bir ısınma ya da soğuma yoktur.
- Sınırlılık: Ayrıştırma betimseldir, test içermez; sonuç pencere seçimlerine duyarlıdır (ör. periyodik mevsimde F_S değişir) ve aykırı aylar için robust seçeneği denenebilir.
- APA: STL ayrıştırması (periyot = 12, s.window = 7) güçlü mevsimsellik (F_S = .96) ve zayıf trend (F_T = .23) göstermiştir.
İlgili kavramlar
Mevsimsellik ve mevsim periyoduDüzgünleştirme parametresi (λ, span)Box-Cox dönüşümüM-tahmincisi (Huber, Tukey biweight)Jarque-Bera testiArtık (kalıntı) grafikleri ve artık tanılamasıLjung-Box (portmanteau) testiAykırı değer
Örneklerdeki sayılar MerQur'un bağımsız, kamuya açık doğrulama verileri üzerindeki çıktılarıdır; ayrıntılar için MerQur Teknik Not'a bakınız.