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.
Einige wichtige Unterfragen (Links zu einer Diskussion sind ebenfalls willkommen) könnten sein:
- Was sind die Gemeinsamkeiten und Unterschiede, Stärken und Schwächen der Methoden? Gibt es spezielle Fälle, in denen eine Methode der anderen vorzuziehen ist?
- Könnten Sie allgemeine Anleitungen geben, was sich in der Black-Box der verschiedenen Zerlegungsmethoden befindet?
- Gibt es spezielle Tricks bei der Auswahl der Parameter für die Methoden (ich bin nicht immer mit den Standardeinstellungen zufrieden,
stl
zum Beispiel habe ich viele Parameter zu bewältigen, manchmal habe ich das Gefühl, ich weiß einfach nicht, wie ich diese richtig auswählen soll)? - Ist es möglich, einige (statistische) Kriterien vorzuschlagen, nach denen die Zeitreihen effizient saisonbereinigt werden (Korrelogrammanalyse, Spektraldichte, Kriterien für kleine Stichprobengröße, Robustheit)?
quelle
Antworten:
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.
quelle
.out
Seiten 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.Das ist eine Antwort auf Frage 2.
quelle