Penyesuaian musiman adalah langkah penting untuk memproses data untuk penelitian lebih lanjut. Namun peneliti memiliki sejumlah opsi untuk dekomposisi tren-siklus-musiman. Metode dekomposisi musiman saingan yang paling umum (dilihat dari jumlah kutipan dalam literatur empiris) adalah X-11 (12) -ARIMA, Tramo / Kursi (keduanya diimplementasikan dalam Demetra + ) dan 's stl . Mencari untuk menghindari pilihan acak antara teknik dekomposisi yang disebutkan di atas (atau metode sederhana lainnya seperti variabel dummy musiman) Saya ingin mengetahui strategi dasar yang mengarah pada pemilihan metode dekomposisi musiman secara efektif.
Beberapa pertanyaan penting (tautan ke diskusi juga dapat diterima) dapat berupa:
- Apa persamaan dan perbedaan, poin kuat dan lemah dari metode ini? Apakah ada kasus khusus ketika satu metode lebih disukai daripada yang lain?
- Bisakah Anda memberikan panduan umum tentang apa yang ada di dalam kotak hitam dari berbagai metode dekomposisi?
- Adakah trik khusus memilih parameter untuk metode (saya tidak selalu puas dengan default,
stl
misalnya memiliki banyak parameter untuk menangani, kadang-kadang saya merasa saya tidak tahu bagaimana memilih yang ini dengan cara yang benar). - Apakah mungkin untuk menyarankan beberapa kriteria (statistik) agar deret waktu disesuaikan secara efisien (analisis korelasi, kepadatan spektral? Kriteria ukuran sampel kecil? Ketahanan?).
time-series
data-transformation
methodology
seasonality
Dmitrij Celov
sumber
sumber
Jawaban:
Jika Anda mau belajar untuk memahami diagnostik, X12-ARIMA menyediakan sejumlah diagnostik yang berkisar dari (ASCII) grafik hingga indikator umum. Mempelajari dan memahami diagnosa adalah semacam pendidikan dalam rangkaian waktu dan penyesuaian musiman.
Di sisi lain, perangkat lunak X12-ARIMA adalah kuda poni satu trik, sementara menggunakan stl di R akan memungkinkan Anda untuk melakukan hal-hal lain dan beralih ke metode lain (membusuk, dlm, dll) jika Anda mau.
Di sisi lain-lain, X12-Arima membuatnya lebih mudah untuk memasukkan variabel eksogen dan untuk menunjukkan outlier, dll.
sumber
.out
file default memiliki halaman diagnostik, dan jika Anda membaca manual dan menghidupkan beberapa lagi, Anda benar-benar akan memiliki halaman dan halaman informasi, grafik ASCII, dan diagnostik. Ini diatur secara logis dan diberi nomor dan semua diagnostik merujuk kembali ke bagian asal datanya. Berjalan melalui diagnostik ini dan mempelajari apa yang diperlukan untuk memahaminya sangat mendidik. Beberapa diagnostik memiliki heuristik yang cerdas. Tidak sulit untuk mendapatkan sebagian besar informasi ini dimasukkan ke dalam file yang dapat Anda impor dengan mudah ke R untuk memanipulasi dan membuat grafik dengan benar.Itu jawaban untuk pertanyaan 2.
sumber