यहाँ एक उदाहरण पर चर्चा के खिलाफ है:
> plot(stl(nottem, "per"))
इसलिए ऊपरी पैनल पर, हम बार को भिन्नता की 1 इकाई मान सकते हैं। मौसमी पैनल पर बार डेटा पैनल पर उससे थोड़ा ही बड़ा है, यह दर्शाता है कि मौसमी संकेत डेटा में भिन्नता के सापेक्ष बड़ा है। दूसरे शब्दों में, यदि हम मौसमी पैनल को सिकोड़ते हैं, जैसे कि बॉक्स डेटा पैनल में समान आकार का हो जाता है, तो सिकुड़ते हुए मौसमी पैनल पर भिन्नता की सीमा डेटा पैनल पर उसी के समान लेकिन उससे थोड़ी छोटी होगी।
अब ट्रेंड पैनल पर विचार करें; ग्रे बॉक्स अब डेटा या मौसमी पैनल में से किसी एक की तुलना में बहुत बड़ा है, यह दर्शाता है कि प्रवृत्ति के कारण भिन्नता मौसमी घटक की तुलना में बहुत छोटी है और परिणामस्वरूप डेटा श्रृंखला में भिन्नता का केवल एक छोटा सा हिस्सा है। प्रवृत्ति के लिए जिम्मेदार भिन्नता स्टोकेस्टिक घटक (अवशेष) की तुलना में काफी कम है। जैसे, हम यह अनुमान लगा सकते हैं कि ये डेटा एक प्रवृत्ति का प्रदर्शन नहीं करते हैं।
अब एक और उदाहरण देखें:
> plot(stl(co2, "per"))
जो देता है
यदि हम इस भूखंड पर सलाखों के सापेक्ष आकार को देखते हैं, तो हम ध्यान दें कि प्रवृत्ति डेटा श्रृंखला पर हावी है और परिणामस्वरूप ग्रे पट्टियाँ समान आकार की हैं। अगले सबसे बड़े महत्व में मौसमी पैमाने पर भिन्नता है, हालांकि इस पैमाने पर भिन्नता मूल डेटा में प्रदर्शित भिन्नता का एक बहुत छोटा घटक है। अवशिष्ट (शेष) केवल छोटे स्टोचैस्टिक उतार-चढ़ाव का प्रतिनिधित्व करते हैं क्योंकि ग्रे पैनल अन्य पैनलों के सापेक्ष बहुत बड़ा है।
इसलिए सामान्य विचार यह है कि यदि आप सभी पैनलों को ऐसे मापते हैं जैसे कि ग्रे बार सभी एक ही आकार के होते हैं, तो आप प्रत्येक घटक में भिन्नता के सापेक्ष परिमाण और मूल डेटा में कितनी भिन्नता निर्धारित कर पाएंगे? वे निहित लेकिन क्योंकि यह प्रत्येक घटक को अपने पैमाने पर खींचता है, हमें तुलना के लिए हमें एक सापेक्ष पैमाने देने के लिए सलाखों की आवश्यकता होती है।
क्या इससे कोई मदद मिलती है?