Memilih metode dekomposisi musiman

20

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.R

Beberapa pertanyaan penting (tautan ke diskusi juga dapat diterima) dapat berupa:

  1. Apa persamaan dan perbedaan, poin kuat dan lemah dari metode ini? Apakah ada kasus khusus ketika satu metode lebih disukai daripada yang lain?
  2. Bisakah Anda memberikan panduan umum tentang apa yang ada di dalam kotak hitam dari berbagai metode dekomposisi?
  3. Adakah trik khusus memilih parameter untuk metode (saya tidak selalu puas dengan default, stlmisalnya memiliki banyak parameter untuk menangani, kadang-kadang saya merasa saya tidak tahu bagaimana memilih yang ini dengan cara yang benar).
  4. 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
1
Anda mungkin tertarik dengan jawaban ini dan pada referensi yang diberikan di sana.
javlacalle

Jawaban:

4

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.

Wayne
sumber
Yah itu berarti saya harus mempelajari trik-trik di luar X12-ARIMA terlebih dahulu, karena sebagian besar alat diagnostik biasanya tersembunyi dalam paket statistik. Dari sudut pandang praktis, ketika saya mencoba tekan gaya monyet-the-bottom-get-the-result, saya telah menemukan bahwa Tramo / Kursi bekerja lebih baik (menilai murni secara visual dengan tes tertawa-monyet) daripada X12-ARIMA, untuk stl I biasanya melakukan pekerjaan gaya monyet yang sama, jadi yang saya inginkan adalah mempelajari seni dekomposisi musiman. (+1) untuk panduan umum!
Dmitrij Celov
Dalam X-12-ARIMA, .outfile 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.
Wayne
Untuk saat ini (jika tidak ada yang akan mencoba memberikan lebih banyak detail), saya menandainya sebagai yang benar, tetapi apa yang ingin saya ketahui secara pribadi adalah panduan praktis, apa yang praktis dan grafis terbukti bermanfaat, dan banyak hal-hal bagaimana lain dari mereka yang menggali lebih dalam dari saya. Katakanlah saya agak malas untuk membaca manual, tetapi jika Anda mengatakan melakukannya, mungkin saya harus, terima kasih kepada tautan di bawah ini ...
Dmitrij Celov