Сезонная корректировка является решающим этапом предварительной обработки данных для дальнейших исследований. Исследователь, однако, имеет несколько вариантов сезонного разложения по трендовому циклу. Наиболее распространенными (судя по количеству ссылок в эмпирической литературе) конкурентными методами сезонного разложения являются X-11 (12) -ARIMA, Tramo / Seats (оба реализованы в Demetra + ) и 's stl . Стремясь избежать случайного выбора между вышеупомянутыми методами разложения (или другими простыми методами, такими как сезонные фиктивные переменные), я хотел бы знать базовую стратегию, которая приводит к эффективному выбору метода сезонного разложения.
Несколько важных подвопросов (ссылки на обсуждение приветствуются) могут быть:
- Каковы сходства и различия, сильные и слабые стороны методов? Есть ли особые случаи, когда один метод предпочтительнее других?
- Не могли бы вы дать общие рекомендации о том, что находится внутри черного ящика различных методов разложения?
- Существуют ли специальные приемы выбора параметров для методов (меня не всегда устраивают значения по умолчанию,
stlнапример, мне приходится иметь дело со многими параметрами, иногда я чувствую, что просто не знаю, как правильно выбрать эти параметры). - Можно ли предложить некоторые (статистические) критерии того, что временные ряды эффективно сезонно корректируются (коррелограммный анализ, спектральная плотность? Критерии малого размера выборки? Надежность).
1
Вас может заинтересовать этот ответ и ссылки, приведенные там.
—
Javlacalle