季节性调整是预处理数据以进行进一步研究的关键步骤。但是,研究人员对于趋势周期-季节分解有多种选择。最常见的季节性分解方法(根据经验文献中的引用次数)是X-11(12)-ARIMA,Tramo / Seats(均在Demetra +中实现)和的stl。试图避免在上述分解技术(或其他简单方法,如季节性虚拟变量)之间随机选择,我想知道一种可以有效选择季节性分解方法的基本策略。
几个重要的子问题(也欢迎进入讨论链接)可能是:
- 这些方法有什么异同,优点和缺点?在某些情况下,一种方法比其他方法更可取吗?
- 您能否提供有关不同分解方法黑匣子内部内容的一般指南?
- 是否有一些特殊的技巧为方法选择参数(我并不总是对默认值感到满意,
stl
例如,有许多参数需要处理,有时我觉得我不知道如何正确选择这些参数)。 - 是否有可能提出一些(统计)标准来对时间序列进行季节性有效调整(相关图分析,频谱密度,小样本量标准或鲁棒性?)。
1
您可能对此答案以及那里给出的参考文献感兴趣。
—
javlacalle 2015年