为什么STL函数使用随机数据会产生明显的季节性变化

我使用stl（黄土时间序列的季节性分解）函数使用以下代码进行绘制：

plot(stl(ts(rnorm(144), frequency=12), s.window="periodic"))

它显示了明显的季节性变化，上面的代码中放有随机数据（rnorm函数）。每次运行都会看到明显的变化，尽管模式是不同的。下面显示了两个这样的模式：

当显示季节性变化时，如何依靠stl函数处理某些数据。是否需要考虑其他一些参数来查看这种季节性变化？感谢您的见解。

代码摘自此页：这是测试自杀计数数据中季节性影响的适当方法吗？

黄土分解的目的是通过对数据应用平均值来使序列平滑，从而使其分解为对数据分析感兴趣的成分，例如趋势或季节。但是，这种方法论并不是要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，但该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，其余部分解释了数据中的大多数方差（正如我们期望的白噪声处理一样）。

如果我们采用具有季节性的序列，则季节性分量的相对方差更为相关（尽管由于黄土不是参数性的，所以我们没有直接测试的方法）。

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该系列动态的主要成分。

粗心地看情节stl可能具有欺骗性。所返回的良好模式stl可能使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。如果目的是确定季节性的存在，则黄土分解可以作为初步观察有用，但应与其他工具相辅相成。

同样，我也看到了将傅立叶模型用于非季节数据，迫使季节结构进入拟合值和预测值，从而导致相似的结果（令人讨厌！）。拟合假定模型会为用户提供他要施加/假定的内容，而这并不总是好的分析会建议/提供的内容。