Saltar al contenido principal

STL_Trend - función de gráfico

STL_Trend es una función de descomposición de series de tiempo. Junto con STL_Seasonal y STL_Residual, esta función se utiliza para descomponer una serie temporal en componentes estacionales, de tendencia y residuales. En el contexto del algoritmo STL, la descomposición de series de tiempo se utiliza para identificar tanto un patrón estacional recurrente como una tendencia general, dada una métrica de entrada y otros parámetros. La función STL_Trend identifica una tendencia general, independiente de patrones o ciclos estacionales, a partir de datos de series de tiempo.

Las tres funciones STL están relacionadas con la métrica de entrada a través de una simple suma:

STL_Trend + STL_Seasonal + STL_Residual = Métrica de entrada

STL (descomposición estacional y de tendencia usando Loess) emplea técnicas de suavizado de datos y, a través de sus parámetros de entrada, permite al usuario ajustar la periodicidad de los cálculos que realiza. Esta periodicidad determina cómo se segmenta en el análisis la dimensión temporal de la métrica de entrada (una medida).

Como mínimo, STL_Trend toma una métrica de entrada (target_measure) y un valor entero para su period_int, devolviendo un valor de punto flotante. La métrica de entrada tendrá la forma de una agregación que varía a lo largo de la dimensión de tiempo. Opcionalmente, puede incluir valores para seasonal_smoother y trend_smoother, para ajustar el algoritmo de suavizado.

Puede trabajar con esta función insertándola directamente en el editor de expresiones de un gráfico o agregando el modificador de Descomposición de series de tiempo a una medida. También está disponible para su uso en Insight Advisor como tipo de análisis. Para más información, vea Descomposición de series de tiempo y Tipos de análisis de Insight Advisor.

Sintaxis:  

STL_Trend(target_measure, period_int [,seasonal_smoother [,trend_smoother]])

Tipo de datos que devuelve: dual

Argumentos
Argumento Descripción
target_measure

La medida para descomponer en componentes estacionales y de tendencia. Esta debería ser una medida como Sum(Sales) o Sum(Passengers) que varía a lo largo de la dimensión del tiempo.

Este no debe ser un valor constante.

period_int

La periodicidad del conjunto de datos. Este parámetro es un valor entero que representa el número de pasos discretos que componen un período, o ciclo estacional, de la señal.

Por ejemplo, si la serie temporal está segmentada en una sección para cada trimestre del año, debe establecer el period_int en un valor de 4 para definir la periodicidad como Año.

seasonal_smoother

Longitud del suavizador estacional. Debe ser un entero impar. El suavizador estacional utiliza datos para una fase en particular de la variación estacional, durante varios períodos. Se utiliza un paso discreto de la dimensión temporal de cada período. El suavizador estacional indica el número de períodos utilizados para suavizar.

Por ejemplo, si la dimensión de tiempo está segmentada por mes y el período es Año (12), el componente estacional se calculará de modo que cada mes particular de cada año se calcule a partir de los datos del mismo mes, tanto en ese año como en años adyacentes. El valor de seasonal_smoother es el número de años empleados para suavizar.

trend_smoother

Longitud del suavizador de tendencias. Debe ser un entero impar. El suavizador de tendencias utiliza la misma escala de tiempo que el parámetro period_int y su valor es el número de gránulos usados para suavizar.

Por ejemplo, si una serie de tiempo está segmentada por mes, la tendencia más suave será la cantidad de meses utilizados para suavizar.

La función de gráfico STL_Trend se utiliza a menudo en combinación con las siguientes funciones:

Funciones relacionadas
Función Interacción
STL_Seasonal - función de gráfico Esta es la función que se utiliza para calcular el componente estacional de una serie temporal.
STL_Residual - función de gráfico Al desglosar una métrica de entrada en componente estacional y de tendencia, parte de la variación de la medida no se ajustará a ninguno de los dos componentes principales. La función STL_Residual calcula esta parte de la descomposición.

Para ver un tutorial con un ejemplo completo que muestra cómo usar esta función, consulte Tutorial: Descomposición de series de tiempo en Qlik Sense.

¿Esta página le ha sido útil?

No dude en indicarnos en qué podemos mejorar si encuentra algún problema en esta página o su contenido, como, por ejemplo, errores tipográficos, pasos que falta o errores técnicos.