Essণ পঁচার ডেটাতে গড় প্রয়োগ করে সিরিজটি মসৃণ করার উদ্দেশ্যে করা হয় যাতে এটি উপাদানগুলিতে পতিত হয়, যেমন ট্রেন্ড বা মৌসুমী, যা ডেটা বিশ্লেষণের জন্য আকর্ষণীয়। তবে এই পদ্ধতিটি মৌসুমতার উপস্থিতির জন্য একটি আনুষ্ঠানিক পরীক্ষা করার উদ্দেশ্যে নয় ।
যদিও আপনার উদাহরণে stl
seasonতু পর্যায়ক্রমিকতার একটি ধীরে ধীরে ধীরে ধীরে ফিরে আসে, এই প্যাটার্নটি সিরিজের গতিশীলতা ব্যাখ্যা করার জন্য প্রাসঙ্গিক নয়। এটি দেখার জন্য, আমরা প্রতিটি সিরিজের বৈকল্পিককে মূল সিরিজের পরিবর্তনের সাথে তুলনা করতে পারি।
set.seed(123)
x <- ts(rnorm(144, sd=1), frequency=12)
a <- stl(x, s.window="periodic")
apply(a$time.series, 2, var) / var(x)
# seasonal trend remainder
# 0.07080362 0.07487838 0.81647852
আমরা দেখতে পাচ্ছি যে এটি বাকী যা ডেটার বিভিন্ন প্রকারের ব্যাখ্যা দেয় (যেমনটি আমরা একটি সাদা শব্দ প্রক্রিয়া আশা করব)।
আমরা যদি মৌসুমীতার সাথে একটি সিরিজ নিই, তবে theতু উপাদানগুলির আপেক্ষিক প্রকরণটি অনেক বেশি প্রাসঙ্গিক (যদিও আমাদের কাছে এটি পরীক্ষা করার সোজা উপায় নেই কারণ লোস প্যারাম্যাট্রিক নয়)।
y <- diff(log(AirPassengers))
b <- stl(y, s.window="periodic")
apply(b$time.series, 2, var) / var(y)
# seasonal trend remainder
# 0.875463620 0.001959407 0.117832537
আপেক্ষিক বৈকল্পগুলি সূচিত করে যে মৌসুমটি সিরিজের গতিশীলতা ব্যাখ্যা করার মূল উপাদান।
প্লট থেকে একটি গাফিল চেহারা stl
বিভ্রান্তিকর হতে পারে। ফিরে আসা সুন্দর প্যাটার্নটি stl
আমাদের ভাবতে পারে যে প্রাসঙ্গিক patternতুভিত্তিক তথ্যগুলি ডেটাতে চিহ্নিত করা যেতে পারে, তবে আরও ঘনিষ্ঠ দৃষ্টিভঙ্গি প্রকাশ করতে পারে যে এটি আসলে তা নয়। যদি উদ্দেশ্যটি alityতুপরিবর্তনের উপস্থিতি সম্পর্কে সিদ্ধান্ত নেওয়া হয় তবে লোম পচা প্রাথমিক দৃশ্য হিসাবে কার্যকর হতে পারে তবে এটি অন্যান্য সরঞ্জামের সাথে পরিপূরক হওয়া উচিত।