STLmetoden

STLmetoden, eller STL-dekompositionen, är en icke-parametrisk metod för tidserieanalys som delar upp en tidsserie i tre komponenter: säsongsmönster, trend och rester. Den används framför allt i additivt modellera Y_t = T_t + S_t + R_t, där S_t är säsongsmängden, T_t är den långsiktiga trenden och R_t är slumpmässigdelen. Metoden introducerades av Cleveland, Cleveland, McRae och Terpenning år 1990 och har blivit en standard i många analyser där säsongsmönster förändras över tid.

Princip och arbetsgång: STLmetoden använder LOESS lokala regressionssmoothing för att uppskatta säsongs- och trendkomponenterna. Den itererar mellan att estimera säsongen baserat på säsongsubserier och att estimera trenden i data som har säsongen avlägsnad. Under den robusta versionen används viktning för att minska påverkan av outliers på komponentuppskattningarna, vilket gör metoden mer motståndskraftig mot extrema observationer. Resultatet är en uppdelning av serien i T_t, S_t och R_t som kan följas över tid.

Egenskaper och användning: STLmetoden kräver en fast period (seasonal cycle) och erbjuder flexibilitet i hur starkt varje komponent smäts av LOESS-smoothing via olika parametrar, såsom fönsterstorlek för trend respektive säsong. Den klarar av förändringar i säsongens amplitud och i vissa fall även variation i säsongens form över tid bättre än många parametriska metoder. Den är särskilt användbar inom ekonometrik, meteorologi och andra områden där säsongsmönster inte är stationära.

Implementering: Metoden är implementerad i flera statistikverktyg, bland annat i R:s stl-funktion och i Python-bibliotek som erbjuder STL-dekomposition. Den är allmänt använd i forsknings- och tillämpningssammanhang där tydlig och flexibel tidsupplösning behövs.