STL_Residual - função de gráfico
STL_Residual é uma função de decomposição de séries temporais. Junto com STL_Seasonal e STL_Trend, essa função é usada para decompor uma série temporal em componentes sazonais, de tendências e residuais. No contexto do algoritmo STL, a decomposição de séries temporais é usada para identificar tanto um padrão sazonal recorrente quanto uma tendência geral, considerando uma métrica de entrada e outros parâmetros. Ao realizar essa operação, parte da variação na métrica de entrada não se encaixará no componente sazonal nem no componente de tendências e será definida como o componente residual. A função de gráfico STL_Residual captura essa parte do cálculo.
As três funções STL estão relacionadas à métrica de entrada por meio de uma soma simples:
STL_Trend + STL_Seasonal + STL_Residual = métrica de entrada
A STL (decomposição sazonal e de tendências usando Loess) emprega técnicas de suavização de dados e, por meio de seus parâmetros de entrada, permite ao usuário ajustar a periodicidade dos cálculos que ela realiza. Essa periodicidade determina como a dimensão temporal da métrica de entrada (uma medida) é segmentada na análise.
Como a decomposição da série temporal busca principalmente a sazonalidade e variações gerais nos dados, as informações no componente residual são consideradas as menos significativas dos três componentes. No entanto, um componente residual distorcido ou periódico pode ajudar a identificar problemas no cálculo, como configurações de periodicidade incorretas.
No mínimo, STL_Residual usa uma métrica de entrada (Expression) e um valor inteiro para sua Period, retornando um valor de ponto flutuante. A métrica de entrada terá a forma de uma agregação que varia ao longo da dimensão de tempo. Opcionalmente, você pode incluir valores para seasonal_smoother e trend_smoother para ajustar a eficácia do algoritmo de suavização.
Sintaxe:
STL_Residual(Expression, period [,seasonal_smoother [,trend_smoother]])
Tipo de dados de retorno: dual
| Argumento | Descrição |
|---|---|
| Expression | A agregação ou medida, variando ao longo da dimensão de tempo, que contém o cálculo que você deseja analisar. Isso não deve ser um valor constante. |
| period |
A periodicidade do conjunto de dados. Esse parâmetro é um valor inteiro que representa o número de etapas discretas que compõem um período, ou ciclo sazonal, do sinal. Por exemplo, se a série temporal for segmentada em uma seção para cada trimestre do ano, você deverá definir period com um valor de 4 para especificar a periodicidade como Ano. |
| seasonal_smoother |
Duração do suavizador sazonal. Deve ser um número inteiro ímpar. O suavizador sazonal usa dados para uma fase específica da variação sazonal ao longo de vários períodos. Uma etapa discreta da dimensão de tempo é usada de cada período. O suavizador sazonal indica o número de períodos usados para suavização. Por exemplo, se a dimensão de tempo for segmentada por mês e o período for Ano (12), o componente sazonal será calculado de forma que cada mês específico de cada ano seja calculado a partir dos dados do mesmo mês, tanto nesse ano quanto nos anos adjacentes. O valor de seasonal_smoother é o número de anos usados para suavização. |
| trend_smoother |
Duração do suavizador de tendência. Deve ser um número inteiro ímpar. O suavizador de tendência usa a mesma escala de tempo do parâmetro period, e seu valor é o número de grânulos usados para suavização. Por exemplo, se uma série temporal for segmentada por mês, o suavizador de tendência será o número de meses usados para suavização. |
A função de gráfico STL_Residual é frequentemente usada em combinação com as seguintes funções:
| Função | Interação |
|---|---|
| STL_Seasonal - função de gráfico | Essa é a função usada para calcular o componente sazonal de uma série temporal. |
| STL_Trend - função de gráfico | Essa é a função usada para calcular o componente de tendência de uma série temporal. |
Para ver um tutorial com um exemplo completo que mostra como usar essa função, consulte Tutorial - Decomposição de séries temporais no Qlik Sense.