Wahl der Methode der saisonalen Zersetzung

20

Die saisonale Anpassung ist ein entscheidender Schritt, um die Daten für die weitere Forschung aufzubereiten. Forscher haben jedoch eine Reihe von Optionen für die trendzyklus-saisonale Zerlegung. Die gebräuchlichste rivalisierenden saisonaler Zersetzungsverfahren (durch die Anzahl der Zitate in empirischer Literatur Beurteilung) sind X-11 (12) -ARIMA, Tramo / Sitze (beide in realisiert Demetra + ) und ‚s stl . Um eine zufällige Auswahl zwischen den oben genannten Zerlegungsmethoden (oder anderen einfachen Methoden wie saisonalen Dummy-Variablen) zu vermeiden, möchte ich eine grundlegende Strategie kennen, die zur effektiven Auswahl der saisonalen Zerlegungsmethode führt.R

Einige wichtige Unterfragen (Links zu einer Diskussion sind ebenfalls willkommen) könnten sein:

  1. Was sind die Gemeinsamkeiten und Unterschiede, Stärken und Schwächen der Methoden? Gibt es spezielle Fälle, in denen eine Methode der anderen vorzuziehen ist?
  2. Könnten Sie allgemeine Anleitungen geben, was sich in der Black-Box der verschiedenen Zerlegungsmethoden befindet?
  3. Gibt es spezielle Tricks bei der Auswahl der Parameter für die Methoden (ich bin nicht immer mit den Standardeinstellungen zufrieden, stlzum Beispiel habe ich viele Parameter zu bewältigen, manchmal habe ich das Gefühl, ich weiß einfach nicht, wie ich diese richtig auswählen soll)?
  4. Ist es möglich, einige (statistische) Kriterien vorzuschlagen, nach denen die Zeitreihen effizient saisonbereinigt werden (Korrelogrammanalyse, Spektraldichte, Kriterien für kleine Stichprobengröße, Robustheit)?
Dmitrij Celov
quelle
1
Diese Antwort und die dort angegebenen Referenzen könnten Sie interessieren .
Javlacalle

Antworten:

4

Wenn Sie bereit sind, sich mit der Diagnose vertraut zu machen, bietet X12-ARIMA eine Fülle von Diagnosen, die von ASCII-Diagrammen bis zu Faustregelindikatoren reichen. Das Erlernen und Verstehen der Diagnostik ist eine Art Ausbildung in Zeitreihen und saisonaler Anpassung.

Auf der anderen Seite ist die X12-ARIMA-Software ein One-Trick-Pony, während die Verwendung von stl in R es Ihnen ermöglichen würde, andere Dinge zu tun und auf andere Methoden (Zerlegen, DLMs usw.) umzuschalten, wenn Sie dies wünschen.

Andererseits erleichtert X12-Arima das Einbeziehen von exogenen Variablen und das Anzeigen von Ausreißern usw.

Wayne
quelle
Das bedeutet, dass ich erst die Tricks jenseits von X12-ARIMA lernen muss, da die meisten Diagnosewerkzeuge normalerweise in statistischen Paketen versteckt sind. Aus praktischer Sicht habe ich festgestellt, dass Tramo / Seats besser funktioniert (rein visuell durch Lach-Affentest beurteilt) als X12-ARIMA, wenn ich versuchte, das Ergebnis im Affenstil auf den Boden zu drücken Normalerweise mache ich die gleiche Arbeit wie bei Affen. Ich möchte also die Kunst der saisonalen Zersetzung erlernen. (+1) für die allgemeinen Führer!
Dmitrij Celov
In X-12-ARIMA enthält die Standarddatei .outSeiten mit Diagnosen. Wenn Sie das Handbuch lesen und einige weitere einschalten, erhalten Sie buchstäblich Seiten mit Informationen, ASCII-Diagrammen und Diagnosen. Es ist sehr logisch organisiert und nummeriert und alle Diagnosen beziehen sich auf den Abschnitt, aus dem die Daten stammen. Es ist sehr lehrreich, durch diese Diagnosen zu gehen und zu lernen, was notwendig ist, um sie zu verstehen. Einige der Diagnosen haben eine ausgeklügelte Heuristik. Es ist nicht schwer, die meisten dieser Informationen in Dateien abzulegen, die Sie einfach in R importieren können, um sie zu bearbeiten und richtig grafisch darzustellen.
Wayne
Vorläufig (wenn niemand versuchen wird, mehr Details anzugeben), stelle ich fest, dass dies korrekt ist, aber ich persönlich würde gerne wissen, welche Faustregeln und Grafiken sich als nützlich erwiesen haben und wie viele andere Anleitungen von denen, die viel tiefer graben als ich. Angenommen, ich bin ein bisschen faul, die Handbücher zu lesen, aber wenn Sie sagen, tun Sie es, wahrscheinlich sollte ich dank der folgenden Links ...
Dmitrij Celov