STL_Residual - grafik fonksiyonu
STL_Residual bir zaman serisi ayrıştırma fonksiyonudur. Bu fonksiyon, STL_Seasonal ve STL_Trend ile birlikte bir zaman serisini mevsimsel, eğilimsel ve artık bileşenlerine ayrıştırmak için kullanılır. STL algoritması bağlamında, bir giriş metriği ve diğer parametreler verili kabul edildiğinde, gerek tekrarlanan bir mevsimsel deseni gerekse genel bir eğilimi tanımlamak için zaman serisi ayrıştırma kullanılır. Bu işlem gerçekleştirilirken, giriş metriğindeki değişkenliğin bir kısmı ne mevsimsel ne de eğilimsel bileşene uymayacak ve artık bileşen olarak tanımlanacaktır. STL_Residual grafik fonksiyonu hesaplamanın bu kısmını yakalar.
Üç STL fonksiyonu, basit bir toplam aracılığıyla giriş metriği ile ilgilidir:
STL_Trend + STL_Seasonal + STL_Residual = Giriş metriği
STL (Loess kullanarak mevsimsel ve eğilimsel ayrıştırma) veri düzgünleştirme teknikleri kullanır ve girdi parametreleri aracılığıyla kullanıcının, yapılan hesaplamaların dönemselliğini ayarlamasına izin verir. Dönemsellik, girdi metriğinin (bir hesaplama) zaman boyutunun analizde segmentlere ayrılma şeklini belirler.
Zaman serisi ayrıştırma öncelikle mevsimselliğe ve verilerdeki genel değişkenliklere baktığından, artık kısımdaki bilgi üç bileşen arasında en az önemli olan kabul edilir. Ancak, değik veya periyodik bir artık bileşen hesaplamadaki yanlış dönemsellik ayarı gibi sorunları belirlemeye yardımcı olabilir.
STL_Residual en azından bir girdi metriği (target_measure) ve period_int değişkeni için bir tamsayı değeri alır ve bir kayan nokta değeri döndürür. Girdi metriği, zaman boyutunda değişen bir toplama biçiminde olacaktır. İsteğe bağlı olarak, düzgünleştirme algoritmasını ayarlamak üzere, seasonal_smoother ve trend_smoother için değerler dahil edebilirsiniz.
Doğrudan bir grafiğin ifade düzenleyicisine girerek veya bir hesaplamaya Saat serisi ayrıştırma değiştiricisini ekleyerek bu işlevle çalışabilirsiniz. Ayrıca analiz türü olarak İçgörü Danışmanı içinde de kullanılabilir. Daha fazla bilgi için bkz. Zaman serisinin bozulması ve İçgörü Danışmanı analiz türleri.
Söz Dizimi:
STL_Residual(target_measure, period_int [,seasonal_smoother [,trend_smoother]])
Dönüş verileri türü: dual
| Bağımsız Değişken | Açıklama |
|---|---|
| target_measure |
Seasonal ve Trend bileşenlerine ayırma hesaplaması. Bu, zaman boyutu boyunca değişen Sum(Satışlar) veya Sum(Yolcular) gibi bir hesaplama olmalıdır. Bu, sabit bir değer olmamalıdır. |
| period_int |
Veri setinin periyodikliği. Bu parametre, sinyalin bir dönemini veya mevsimsel döngüsünü oluşturan ayrık adımların sayısını temsil eden bir tamsayı değeridir. Örneğin zaman serisi yılın her çeyreği için bir kısıma ayrılırken, periyodikliği Yıl olarak tanımlamak için period_int değişkenini 4 değerine ayarlamalısınız. |
| seasonal_smoother |
Mevsimsel düzgünleştiricinin uzunluğu. Bu bir tek tamsayı olmalıdır. Mevsimsel düzgünleştirici, birkaç dönem içinde görülen mevsimsel değişkenlikteki belirli bir aşamanın verilerini kullanır. Her dönem için zaman boyutunun ayrık bir adımı kullanılır. Mevsimsel düzgünleştirici, düzgünleştirme için kullanılan dönem sayısını gösterir. Örneğin, zaman boyutu aya göre dilimlere ayrıldıysa ve dönem Yıl (12) ise, mevsimsel bileşende her yılın her bir ayı gerek o yıldaki gerekse bitişik yıllardaki aynı ayın verilerinden hesaplanacak şekilde işlem yapılır. seasonal_smoother değeri, düzgünleştirme için kullanılan yılların sayısıdır. |
| trend_smoother |
Eğilim düzgünleştiricinin uzunluğu. Bu bir tek tamsayı olmalıdır. Eğilim düzgünleştirici, period_int parametresi ile aynı zaman ölçeğini kullanır ve değeri düzgünleştirme için kullanılan parçacıkların sayısıdır. Örneğin, bir zaman serisi aylara göre dilimlendiyse, eğilim düzgünleştirici düzgünleştirme için kullanılan ay sayısı olur. |
STL_Residual grafik fonksiyonu genellikle şu fonksiyonlarla birlikte kullanılır:
| Fonksiyon | Etkileşim |
|---|---|
| STL_Seasonal - grafik fonksiyonu | Bir zaman serisinin mevsimsel bileşenini hesaplamak için kullanılan fonksiyon budur. |
| STL_Trend - grafik fonksiyonu | Bir zaman serisinin eğilim bileşenini hesaplamak için kullanılan fonksiyon budur. |
Bu fonksiyonun nasıl kullanılacağını gösteren tam bir örnek içeren eğitim için bkz. Eğitim - Qlik Sense içinde zaman serisinin bozulması.