Сезонная корректировка или десезонализация - это статистический метод удаления сезонный компонент временного ряда . Обычно это делается, когда нужно проанализировать тренд и циклические отклонения от тренда временного ряда независимо от сезонных компонентов. Многие экономические явления имеют сезонные циклы, такие как сельскохозяйственное производство (урожайность колеблется в зависимости от сезона) и потребительское потребление (увеличение личных расходов до Рождества ). Этот компонент необходимо скорректировать, чтобы понять основные тенденции в экономике, поэтому официальная статистика часто корректируется, чтобы удалить сезонные компоненты. Обычно данные с поправкой на сезонность представляются для уровней безработицы, чтобы выявить основные тенденции и циклы на рынках труда.
Исследование многих экономических временных рядов становится проблематичным из-за сезонных колебаний. Временные ряды состоят из четырех компонентов:
Разница между сезонными и циклическими шаблонами:
Связь между разложением компонентов временного ряда
В отличие от тренда и циклических компонентов, сезонные компоненты, теоретически, имеют одинаковую величину в течение одного и того же периода времени каждый год. Сезонные составляющие ряда иногда считаются неинтересными и мешают интерпретации ряда. Удаление сезонного компонента позволяет сосредоточить внимание на других компонентах и улучшить анализ.
Различные группы статистических исследований разработали разные методы сезонной корректировки, например X-13-ARIMA и X-12-ARIMA разработан Бюро переписи населения США ; TRAMO / SEATS, разработанный Банком Испании ; MoveReg (для еженедельных данных), разработанный США Бюро статистики труда, STAMP разработан группой под руководством С.Дж. Купмана; и «Сезонная и трендовая декомпозиция с использованием лесса» (STL), разработанная Кливлендом и др. (1990). В то время как X-12/13-ARIMA может применяться только к ежемесячным или ежеквартальным данным, декомпозиция STL может использоваться для данных с любым типом сезонности. Кроме того, в отличие от X-12-ARIMA, STL позволяет пользователю контролировать степень плавности цикла тренда и то, насколько сезонная составляющая изменяется во времени. X-12-ARIMA может обрабатывать как аддитивное, так и мультипликативное разложение, тогда как STL может использоваться только для аддитивного разложения. Чтобы достичь мультипликативного разложения с использованием STL, пользователь может вести журнал данных перед разложением, а затем выполнять обратное преобразование после разложения.
Краткое введение в процесс X-12-ARIMA:
Например: описание предполагает данные за месяц. Аддитивное разложение: : Мультипликативное разложение:
Повторить весь процесс еще два раза с измененными данными. На последней итерации 3 * 5 MA шагов 11 и 12 заменяется скользящей средней 3 * 3, 3 * 5 или 3 * 9, в зависимости от изменчивости данных.
6. Временные ряды Каждая группа предоставляет программное обеспечение, поддерживающее их методы. Некоторые версии также входят в состав более крупных продуктов, а некоторые имеются в продаже. Например, SAS включает X-12-ARIMA, а Oxmetrics включает STAMP. Недавний шаг общественных организаций по гармонизации практики сезонной корректировки привел к разработке Demetra + Евростатом и Национальным банком Бельгии, который в настоящее время включает в себя X-12 -ARIMA и TRAMO / SEATS. R включает разложение STL. Метод X-12-ARIMA можно использовать через пакет R «X12». EViews поддерживает X-12, X-13, Tramo / Seats, STL и MoveReg.
Одним из хорошо известных примеров является уровень безработицы, который представлен временным рядом. Этот уровень зависит, в частности, от сезонных влияний, поэтому важно освободить уровень безработицы от его сезонной составляющей. Такие сезонные влияния могут быть вызваны тем, что выпускники школ или бросили учебу, стремясь найти работу, а также регулярными колебаниями во время отпусков. После удаления сезонного влияния из этого временного ряда данные об уровне безработицы можно осмысленно сравнивать по разным месяцам и делать прогнозы на будущее.
Если сезонная корректировка не выполняется с месячными данными, год-на -годовые изменения используются, чтобы избежать загрязнения из-за сезонности.
Когда из данных временных рядов удалена сезонность, считается, что они подвергаются прямой сезонной корректировке. Если он состоит из суммы или временных рядов, скорректированных с учетом сезонных колебаний, считается, что он подвергся косвенной сезонной корректировке. Косвенная сезонная корректировка используется для крупных компонентов ВВП, которые состоят из многих отраслей, которые могут иметь разные сезонные модели и поэтому анализируются и сезонно корректируются отдельно. Косвенная сезонная корректировка также имеет то преимущество, что совокупный ряд представляет собой точную сумму компонентного ряда. Сезонность может появляться в косвенно скорректированном ряду; это иногда называют остаточной сезонностью.
Из-за различных практик сезонной корректировки, применяемой различными учреждениями, Евростат и Европейский центральный банк создали группу для продвижения стандартных процессов.. В 2009 году небольшая группа, состоящая из экспертов из статистических учреждений Европейского союза и центральных банков, подготовила Руководство ЕСС по сезонной корректировке, которое внедряется во всех статистических учреждениях Европейского союза. Он также добровольно внедряется другими государственными статистическими учреждениями за пределами Европейского Союза.
Согласно теореме Фриша – Во – Ловелла не имеет значения, фиктивные переменные для всех, кроме одной сезонов вводятся в уравнение регрессии, или если независимая переменная сначала корректируется сезонно (с помощью того же метода фиктивной переменной), а затем выполняется регрессия.
Поскольку сезонная корректировка вводит компонент «необратимой» скользящей средней (MA) в данные временных рядов, единичный корень проверяет (например, тест Филлипса – Перрона ) будет смещен в сторону отказа от единичного корня null.
Использование сезонно скорректированных данных временных рядов может вводить в заблуждение, поскольку Скорректированный ряд содержит как компонент тренд - цикл, и компонент ошибки. Таким образом, то, что кажется «спадом» или «подъемом», на самом деле может быть случайностью в данных. По этой причине, если целью является поиск поворотных точек в серии, рекомендуется использовать компонент тренд-цикл, а не данные с поправкой на сезонные колебания.