我使用 stl（黄土对时间序列的季节性分解）函数绘制了以下代码：
plot(stl(ts(rnorm(144), frequency=12), s.window="periodic"))
它显示了显着的季节性变化，上面代码中的随机数据（rnorm 函数）。每次运行时都会看到显着的变化，尽管模式不同。两种这样的模式如下所示：
当某些数据显示季节性变化时，我们如何依赖 stl 函数。考虑到其他一些参数，是否需要看到这种季节性变化？感谢您的洞察力。
代码取自此页面：这是测试自杀计数数据中季节性影响的合适方法吗？
黄土分解旨在通过对数据应用平均值来平滑序列，以便将其分解为对数据分析感兴趣的组件，例如趋势或季节性。但这种方法并不打算对季节性的存在进行正式测试。
尽管在您的示例中stl返回了季节性周期性的平滑模式，但此模式与解释序列的动态无关。为了看到这一点，我们可以将每个分量的方差与原始序列的方差进行比较。
set.seed(123)
x <- ts(rnorm(144, sd=1), frequency=12)
a <- stl(x, s.window="periodic")
apply(a$time.series, 2, var) / var(x)
# seasonal trend remainder
# 0.07080362 0.07487838 0.81647852
我们可以看到，余数解释了数据中的大部分方差（正如我们对白噪声过程所期望的那样）。
如果我们采用具有季节性的序列，则季节性成分的相对方差更为相关（尽管我们没有直接的方法来测试它，因为 loess 不是参数）。
y <- diff(log(AirPassengers))
b <- stl(y, s.window="periodic")
apply(b$time.series, 2, var) / var(y)
# seasonal trend remainder
# 0.875463620 0.001959407 0.117832537
相对方差表明季节性是解释序列动态的主要成分。
粗心地看情节stl可能具有欺骗性。返回的漂亮模式stl可能会让我们认为可以在数据中识别出相关的季节性模式，但仔细观察可能会发现事实并非如此。如果目的是确定是否存在季节性，黄土分解可以作为初步视图，但应辅以其他工具。
以类似的方式，我已经看到将傅立叶模型用于非季节性数据，迫使季节性结构进入拟合和预测值，从而导致类似的（喘气！）结果。拟合假定的模型为用户提供了他正在强加/假定的内容，这并不总是好的分析会建议/提供的内容。