选择季节性分解方法


20

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?)。

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

Answers:


4

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。


好的,这意味着我必须首先学习X12-ARIMA之外的技巧,因为大多数诊断工具通常都隐藏在统计软件包中。从实践的角度来看,当我尝试按猴子的方式从底部获得结果时,我发现Tramo / Seats(对于Xl-ARIMA而言,比X12-ARIMA更好)(纯粹通过肉眼测试来判断)。通常情况下,猴子会做同样的事情,所以我想要的是学习季节性分解的艺术。(+1)为一般指南!
Dmitrij Celov

在X-12-ARIMA中,默认.out文件包含诊断页面,如果您阅读手册并再打开几页,则字面上将包含信息页面,ASCII图形和诊断页面。它的逻辑组织和编号非常合理,所有诊断信息均回溯到其数据所来自的部分。遍历这些诊断程序并了解了解它们的必要条件非常有教育意义。一些诊断程序具有巧妙的启发式功能。将大多数信息放入文件中并不难,您可以将这些信息轻松导入R以进行操作并正确绘制图形。
韦恩

目前(如果没有人尝试提供更多详细信息),我将其标记为正确,但是我个人想知道的是实用指南,哪些经验法则和图形被证明是有用的,还有许多那些比我更深入的人的其他方法。说我是一个有点懒惰的人,阅读手册,但是如果您说的话,也许应该这样做,这要归功于下面的链接...
Dmitrij Celov 2011年

By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.