O ajuste sazonal é uma etapa crucial no pré-processamento dos dados para pesquisas adicionais. O pesquisador, no entanto, tem várias opções para decomposição sazonal-ciclo-tendência. Os mais comuns (a julgar pelo número de citações na literatura empírica) métodos de decomposição sazonais rivais são X-11 (12) -ARIMA, Tramo / Assentos (ambos implementados em Demetra + ) e 's STL . Buscando evitar a escolha aleatória entre as técnicas de decomposição acima mencionadas (ou outros métodos simples, como variáveis fictícias sazonais), gostaria de conhecer uma estratégia básica que leve à escolha eficaz do método de decomposição sazonal.
Várias subquestões importantes (links para uma discussão também são bem-vindos) podem ser:
- Quais são as semelhanças e diferenças, pontos fortes e fracos dos métodos? Existem casos especiais em que um método é mais preferível que os outros?
- Você poderia fornecer guias gerais sobre o que há dentro da caixa preta dos diferentes métodos de decomposição?
- Existem truques especiais para escolher os parâmetros para os métodos (nem sempre estou satisfeito com os padrões,
stlpor exemplo, há muitos parâmetros para lidar, às vezes sinto que simplesmente não sei como escolher esses parâmetros da maneira correta). - É possível sugerir alguns critérios (estatísticos) de que as séries temporais sejam ajustadas sazonalmente de maneira eficiente (análise por correlograma, densidade espectral? Critérios de tamanho pequeno da amostra? Robustez?).
time-series
data-transformation
methodology
seasonality
Dmitrij Celov
fonte
fonte
Respostas:
Se você deseja aprender a entender os diagnósticos, o X12-ARIMA fornece um monte de diagnósticos que variam de gráficos (ASCII) a indicadores de regra geral. Aprender e entender o diagnóstico é uma espécie de educação em séries temporais e ajustes sazonais.
Por outro lado, o software X12-ARIMA é um pônei de um truque, ao usar o stl no R, você pode fazer outras coisas e alternar para outros métodos (decomposição, dlm's, etc.), se desejar.
Por outro lado, o X12-Arima facilita a inclusão de variáveis exógenas e a indicação de valores extremos, etc.
fonte
.outarquivo padrão possui páginas de diagnóstico e, se você ler o manual e ativar mais algumas, literalmente terá páginas e páginas de informações, gráficos ASCII e diagnósticos. É muito logicamente organizado e numerado e todos os diagnósticos se referem à seção de onde vieram seus dados. Percorrer esses diagnósticos e aprender o que é necessário para entendê-los é muito educativo. Alguns dos diagnósticos têm heurísticas engenhosas. Não é difícil obter a maior parte dessas informações em arquivos que você pode importar facilmente para o R para manipular e representar graficamente corretamente.Essa é uma resposta para a pergunta 2.
fonte