Oto przykład omawiania szczegółów:
> plot(stl(nottem, "per"))
Tak więc na górnym panelu możemy uznać pasek za 1 jednostkę zmienności. Pasek na panelu sezonowym jest tylko nieznacznie większy niż pasek na panelu danych, co wskazuje, że sygnał sezonowy jest duży w stosunku do zmienności danych. Innymi słowy, jeśli zmniejszymy panel sezonowy tak, aby pole stało się tego samego rozmiaru, co w panelu danych, zakres zmian w skurczonym panelu sezonowym będzie podobny, ale nieco mniejszy niż w panelu danych.
Teraz rozważ panel trendów; szare pole jest teraz znacznie większe niż którekolwiek z danych lub panelu sezonowego, co wskazuje, że zmiana przypisana trendowi jest znacznie mniejsza niż składnik sezonowy, a zatem tylko niewielka część zmian w serii danych. Odmiana przypisywana trendowi jest znacznie mniejsza niż komponent stochastyczny (pozostałe). W związku z tym możemy wywnioskować, że dane te nie wykazują trendu.
Teraz spójrz na inny przykład:
> plot(stl(co2, "per"))
co daje
Jeśli spojrzymy na względne rozmiary słupków na tym wykresie, zauważymy, że trend dominuje w serii danych, w związku z czym szare słupki mają podobny rozmiar. Kolejne największe znaczenie ma zmienność w skali sezonowej, chociaż zmienność w tej skali jest znacznie mniejszym składnikiem zmienności wykazanej w oryginalnych danych. Resztki (reszta) reprezentują tylko małe fluktuacje stochastyczne, ponieważ szary pasek jest bardzo duży w stosunku do innych paneli.
Ogólna idea jest taka, że jeśli skalujesz wszystkie panele w taki sposób, aby szare paski były tego samego rozmiaru, będziesz w stanie określić względną wielkość zmian w każdym z komponentów i wielkość zmiany w oryginalnych danych zawierały. Ale ponieważ wykres rysuje każdy komponent we własnej skali, potrzebujemy słupków, aby dać nam skalę względną do porównania.
Czy to pomaga?
pdf()
urządzeniu i sprawdź, czy się pojawi? Jeśli chodzi o kolor kleszcza, opublikuję coś na meta, aby zobaczyć, czy możemy to zmienić i wskazać ten problem z dostępnością.