Vai al contenuto principale

STL_Trend - funzione per grafici

STL_Trend è una funzione di scomposizione delle serie temporali. Insieme a STL_Seasonal e a STL_Residual, questa funzione viene utilizzata per scomporre una serie temporale in componenti stagionali, di tendenza e residuali. Nel contesto dell'algoritmo STL, la scomposizione delle serie temporali viene utilizzata per identificare sia un modello stagionale ricorrente sia una tendenza generale, data una metrica di ingresso e altri parametri. La funzione STL_Trend identifica una tendenza generale, indipendente da schemi o cicli stagionali, dai dati delle serie temporali.

Le tre funzioni STL sono correlate alla metrica di input attraverso una semplice somma:

STL_Trend + STL_Seasonal + STL_Residual = Metrica di input

STL (seasonal and trend decomposition using Loess) impiega tecniche di smoothing dei dati e, attraverso i suoi parametri di input, consente all'utente di regolare la periodicità dei calcoli che esegue. Questa periodicità determina il modo in cui la dimensione temporale della metrica di input (una misura) viene segmentata nell'analisi.

Come minimo, STL_Trend prende una metrica di input (target_measure) e un valore intero per il suo period_int, e restituisce un valore in virgola mobile. La metrica di input avrà la forma di un'aggregazione che varia lungo la dimensione temporale. Facoltativamente, è possibile includere i valori per seasonal_smoother e trend_smoother al fine di regolare l'algoritmo di smoothing.

Sintassi:  

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

Tipo di dati restituiti: duale

Argomenti
Argomento Descrizione
target_measure

La misura da scomporre in componenti stagionali e di tendenza. Questa dovrebbe essere una misura come Sum(Sales) o Sum(Passengers) che varia nella dimensione temporale.

Non deve essere un valore costante.

period_int

La periodicità del set di dati. Questo parametro è un valore intero che rappresenta il numero di passi discreti che costituiscono un periodo, o ciclo stagionale, del segnale.

Ad esempio, se la serie temporale è segmentata in una sezione per ogni trimestre dell'anno, è necessario impostare period_int a un valore di 4 per definire la periodicità come Anno.

seasonal_smoother

Durata del seasonal smoother. Deve essere un numero intero dispari. Il seasonal smoother utilizza i dati relativi a una particolare fase della variazione stagionale, per un certo numero di periodi. Per ogni periodo viene utilizzato un passo discreto della dimensione temporale. Il seasonal smoother indica il numero di periodi utilizzati per lo smoothing.

Ad esempio, se la dimensione temporale è segmentata per mese e il periodo è l'anno (12), la componente stagionale sarà elaborata in modo che ogni particolare mese di ogni anno sia calcolato a partire dai dati dello stesso mese, sia in quell'anno che negli anni adiacenti. Il valore seasonal_smoother è il numero di anni utilizzato per lo smoothing.

trend_smoother

Durata del trend smoother. Deve essere un numero intero dispari. Il trend smoother utilizza la stessa scala temporale del parametro period_int e il suo valore è il numero di granuli utilizzati per lo smoothing.

Ad esempio, se una serie temporale è segmentata per mese, il trend smoother corrisponderà al numero di mesi utilizzato per lo smoothing.

La funzione grafico STL_Trend viene spesso utilizzata in combinazione con le seguenti funzioni:

Funzioni correlate
Funzione Interazione
STL_Seasonal - funzione per grafici È la funzione utilizzata per calcolare la componente stagionale di una serie temporale.
STL_Residual - funzione per grafici Quando si scompone una metrica di input in componente stagionale e componente di tendenza, parte della variazione della misura non rientra in nessuna delle due componenti principali. La funzione STL_Residual calcola questa parte della scomposizione.

Per un tutorial con un esempio completo che mostra come utilizzare questa funzione, vedere Tutorial - Scomposizione delle serie temporali in Qlik Sense.

Hai trovato utile questa pagina?

Se riscontri problemi con questa pagina o con il suo contenuto – un errore di battitura, un passaggio mancante o un errore tecnico – facci sapere come possiamo migliorare!