选择季节性分解方法

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。$R$

几个重要的子问题（也欢迎进入讨论链接）可能是：

1. 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？
2. 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？
3. 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）。
4. 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？）。

如果您愿意学习了解诊断程序，则X12-ARIMA提供了大量的诊断程序，从（ASCII）图形到经验法则指示器。学习和理解诊断方法是对时间序列和季节性调整的一种教育。

另一方面，X12-ARIMA软件是一个小技巧，而在R中使用stl将允许您做其他事情，并根据需要切换到其他方法（分解，dlm等）。

另一方面，X12-Arima使包含外生变量和指示异常值等变得更加容易。

这是对问题2的回答。

• STL：http：//www.wessa.net/download/stl.pdf
• X-12-ARIMA（及更多）：http : //www.census.gov/srd/www/sapaper/sapaper.html