# 계절성 제거 (Seasonal Adjustment)

계절성 제거란 시계열 데이터에서 특정 주기(계절)마다 반복되는 패턴을 제거하여, 데이터의 전반적인 추세(Trend)와 불규칙 변동(Irregular)을 명확히 분석하는 기법입니다. 이를 통해 외부 요인에 의한 일시적인 변동을 배제하고 데이터의 본질적인 흐름을 파악할 수 있습니다.

## 계절성의 정의

시계열 분석에서 **계절성(Seasonality)**과 **주기성(Cyclicity)**은 모두 반복되는 패턴을 보이지만, 그 성격이 다릅니다.

*   **계절성 (Seasonality):** 1년, 1분기, 1주일 등 고정된 시간 간격으로 반복되는 패턴입니다. 예를 들어, 여름철 에어컨 판매량 증가나 명절 전후의 물동량 증가는 전형적인 계절성 패턴입니다.
*   **주기성 (Cyclicity):** 반복되기는 하지만 그 주기가 일정하지 않은 변동을 의미합니다. 주로 경제적 호황과 불황의 반복(경기 변동)과 같이 수년에 걸쳐 나타나는 장기적인 파동이 이에 해당합니다.

## 제거 방법

계절성을 제거하기 위해 주로 사용되는 기법들은 다음과 같습니다.

### 1. 이동평균법 (Moving Average)
특정 윈도우 크기(예: 12개월) 내의 데이터 평균을 계산하여 단기적인 변동과 계절성을 매끄럽게(Smoothing) 만드는 방법입니다.

### 2. 계절 차분 (Seasonal Differencing)
현재 시점의 값에서 이전 주기(예: 전년 동월)의 값을 빼는 방식입니다. 데이터의 정상성(Stationarity)을 확보하는 데 유용합니다.

### 3. STL 분해 (Seasonal-Trend decomposition using Loess)
Loess(Locally Estimated Scatterplot Smoothing) 회귀를 사용하여 시계열 데이터를 추세(Trend), 계절성(Seasonal), 잔차(Remainder)의 세 가지 성분으로 분해하는 강력한 기법입니다.

### 기법별 비교

| 기법 | 장점 | 단점 | 적합한 상황 |
| :--- | :--- | :--- | :--- |
| **이동평균법** | 구현이 매우 간단하고 직관적임 | 데이터의 양 끝단에 손실이 발생함 | 단순 추세 확인 시 |
| **계절 차분** | 정상성 확보에 유리하며 계산이 빠름 | 원래 데이터의 절대적 수준 정보가 사라짐 | ARIMA 모델링 전처리 |
| **STL 분해** | 복잡한 계절성 패턴을 유연하게 처리함 | 계산 복잡도가 높고 파라미터 설정이 필요함 | 정밀한 성분 분석 필요 시 |

## 활용 사례

*   **경제 지표:** 분기별 GDP 성장률 분석 시, 명절이나 휴가철로 인한 일시적 변동을 제거하여 실제 경제 성장 추세를 파악합니다.
*   **기상 데이터:** 월별 평균 기온 데이터에서 계절성을 제거하여 지구 온난화로 인한 장기적 기온 상승 추세를 분석합니다.
*   **매출 분석:** 이커머스 기업에서 블랙 프라이데이, 크리스마스 등 특정 시즌의 매출 급증 효과를 제거하여 순수 제품 경쟁력에 따른 성장세를 측정합니다.

## Python 실무 적용 예시

Python의 `statsmodels` 라이브러리를 사용하여 STL 분해를 통해 계절성을 제거하는 예시 코드입니다.

```python
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.seasonal import STL

# 1. 데이터 로드 (시계열 데이터 가정)
# df는 'date' 인덱스와 'value' 컬럼을 가진 DataFrame
# df = pd.read_csv('data.csv', index_col='date', parse_dates=True)

# 2. STL 분해 수행 (period는 데이터의 주기, 예: 월별 데이터면 12)
stl = STL(df['value'], period=12)
res = stl.fit()

# 3. 성분 추출
trend = res.trend       # 추세 성분
seasonal = res.seasonal # 계절 성분
resid = res.resid       # 잔차 성분

# 4. 계절성 제거 데이터 생성 (원본 - 계절성)
deseasonalized = df['value'] - seasonal

# 5. 시각화
plt.figure(figsize=(10, 8))
plt.subplot(411)
plt.plot(df['value'], label='Original')
plt.legend()
plt.subplot(412)
plt.plot(trend, label='Trend')
plt.legend()
plt.subplot(413)
plt.plot(seasonal, label='Seasonal')
plt.legend()
plt.subplot(414)
plt.plot(deseasonalized, label='Deseasonalized')
plt.legend()
plt.tight_layout()
plt.show()
```