Ga naar hoofdinhoud

STL_Seasonal - diagramfunctie

STL_Seasonal is een splitsingsfunctie voor tijdreeksen. Samen met STL_Trend en STL_Residual wordt deze functie gebruikt om een tijdreeks te ontleden in seizoens-, trend- en restcomponenten. Binnen de context van het STL-algoritme wordt de splitsingsfunctie voor tijdreeksen gebruikt om zowel terugkerende seizoensgebonden patronen te identificeren op basis van invoergegevens en andere parameters. De functie STL_Seasonal kan een seizoensgebonden patroon binnen een tijdsreeks identificeren, die wordt gescheiden van de algemene trend binnen de gegevens.

De drie STL-functies zijn gerelateerd aan de inputgegevens op basis van een simpele som:

STL_Trend + STL_Seasonal + STL_Residual = invoergegevens

STL (uitsplitsing op basis van seizoenen en trends met behulp van Loess) gebruikt technieken voor het gladstrijken van gegevens en door middel van de invoerparameters kan een gebruiker de periodiciteit wijzigen van de uit te voeren berekeningen. De periodiciteit bepaalt hoe de tijddimensie van de invoergegevens (een meting) wordt gesegmenteerd in de analyse.

STL_Seasonal moet minstens een input-statistiek (Expression) en een geheel getal voor Period bevatten en produceert een waarde met een drijvende komma. De invoergegevens hebben de vorm van een aggregatie die varieert binnen de tijdsdimensie. U kunt ook waarden opnemen voor de seasonal_smoother en trend_smoother om de effectiviteit van het gladheidsalgoritme te wijzigen.

Syntaxis:  

STL_Seasonal(Expression, period [,seasonal_smoother [,trend_smoother]])

Retourgegevenstypen: dual

Argumenten
Argument Beschrijving
Expression De aggregatie of meting, die varieert binnen de tijdsdimensie, die de berekening bevat die u wilt analyseren. Dit mag geen constante waarde zijn.
period

De periodiciteit van de gegevensverzameling. Deze parameter is een gehele waarde die het aantal discrete stappen bevat van één periode, of seizoenscyclus, van het signaal.

Als de tijdsreeks bijvoorbeeld is gesegmenteerd in één sectie voor elk kwartaal van het jaar, moet u de period instellen op 4 om de periodiciteit te definiëren als Jaar.

seasonal_smoother

Lengte van de seizoensgebonden gladheidsfactor. Dit moet een oneven geheel getal zijn. De seizoensgebonden gladheidsfactor gebruikt gegevens voor een specifieke fase binnen seizoensfluctuaties over een aantal perioden. Eén discrete stap van de tijdsdimensie van elke periode wordt gebruikt. De seizoensgebonden gladheidsfactor geeft het aantal perioden dat voor de gladheid wordt gebruikt.

Als de tijdsdimensie wordt gesegmenteerd op maand en de periode Jaar (12) is, wordt het seizoenscomponent berekend zodat elke maand van elk jaar wordt berekend op basis van gegevens van dezelfde maand, zowel in dat jaar als in voorgaande jaren. De waarde seasonal_smoother is het aantal jaren dat voor gladheid wordt gebruikt.

trend_smoother

Lengte van de trendgebonden gladheidsfactor. Dit moet een oneven geheel getal zijn. De trendgladheid gebruikt dezelfde tijdschaal als de parameter period en de waarde is het aantal granulaten dat wordt gebruikt voor het gladstrijken.

Als een tijdreeks bijvoorbeeld is gesegmenteerd per maand, dan is de trendgladheid het aantal maanden dat wordt gebruikt voor het gladstrijken.

De diagramfunctie STL_Seasonal wordt vaak gebruikt in combinatie met de volgende functies:

Gerelateerde functies
Functie Interactie
STL_Trend - diagramfunctie Dit is de functie die wordt gebruikt voor het berekenen van de trendcomponent van een tijdreeks.
STL_Residual - diagramfunctie Bij het uitsplitsen van een invoergegevens in seizoens- en trendcomponenten past een deel van de variatie van de meting niet binnen een of twee van de hoofdcomponenten. De functie STL_Residual berekent dit deel van de uitsplitsing.

Ga voor een tutorial met een volledig voorbeeld dat laat zien hoe u deze functie gebruikt naar Tutorial: Uitsplitsing van tijdreeksen in Qlik Sense.

Was deze pagina nuttig?

Als u problemen ervaart op deze pagina of de inhoud onjuist is – een typfout, een ontbrekende stap of een technische fout – laat het ons weten zodat we dit kunnen verbeteren!