Сезонная корректировка или десезонализация — это статистический метод удаления сезонной составляющей временного ряда . Обычно это делается, когда требуется проанализировать тенденцию и циклические отклонения от тенденции временного ряда независимо от сезонных составляющих. Многие экономические явления имеют сезонные циклы, такие как сельскохозяйственное производство (урожайность колеблется в зависимости от сезона) и потребительское потребление (увеличение личных расходов перед Рождеством ) . Необходимо скорректировать этот компонент, чтобы понять основные тенденции в экономике, поэтому официальная статистика часто корректируется для удаления сезонных составляющих. [1] Обычно сезонно скорректированные данные сообщаются для уровня безработицы, чтобы выявить основные тенденции и циклы на рынках труда. [2] [3]
Исследование многих экономических временных рядов становится проблематичным из-за сезонных колебаний. Временные ряды состоят из четырех компонентов:
Разница между сезонными и циклическими закономерностями:
Связь между разложением компонентов временного ряда
В отличие от трендовых и циклических компонентов, сезонные компоненты, теоретически, происходят с одинаковой величиной в течение одного и того же периода времени каждый год. Сезонные компоненты ряда иногда считаются неинтересными и затрудняющими интерпретацию ряда. Удаление сезонного компонента направляет фокус на другие компоненты и позволяет провести лучший анализ. [5]
Различные статистические исследовательские группы разработали различные методы сезонной корректировки, например, X-13-ARIMA и X-12-ARIMA, разработанные Бюро переписи населения США ; TRAMO /SEATS, разработанный Банком Испании ; [6] MoveReg (для еженедельных данных), разработанный Бюро статистики труда США ; [7] STAMP, разработанный группой под руководством SJ Koopman; [8] и «Сезонная и трендовая декомпозиция с использованием Loess» (STL), разработанная Кливлендом и др. (1990). [9] В то время как X-12/13-ARIMA можно применять 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 сглаженности цикла тренда и то, насколько сильно сезонная составляющая изменяется с течением времени. X-12-ARIMA может обрабатывать как аддитивную, так и мультипликативную декомпозицию, тогда как STL можно использовать только для аддитивной декомпозиции. Чтобы добиться мультипликативного разложения с помощью STL, пользователь может взять журнал данных перед разложением, а затем выполнить обратное преобразование после разложения. [9]
Каждая группа предоставляет программное обеспечение, поддерживающее их методы. Некоторые версии также включены как части более крупных продуктов, а некоторые доступны на коммерческой основе. Например, SAS включает X-12-ARIMA, в то время как Oxmetrics включает STAMP. Недавний шаг государственных организаций по гармонизации практик сезонной корректировки привел к разработке Demetra+ Евростатом и Национальным банком Бельгии , которая в настоящее время включает как X-12-ARIMA, так и TRAMO/SEATS. [10] R включает разложение STL. [11] Метод X-12-ARIMA можно использовать через пакет R "X12". [12] EViews поддерживает X-12, X-13, Tramo/Seats, STL и MoveReg.
Одним из 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 связаны с выпускниками школ или бросившими учебу, которые хотят войти в состав рабочей силы, а также с регулярными колебаниями в периоды праздников. После того, как сезонное влияние будет удалено из этого временного ряда, данные об уровне безработицы можно будет осмысленно сравнивать по разным месяцам и делать прогнозы на будущее. [3]
Если сезонная корректировка не выполняется для ежемесячных данных, используются годовые изменения, чтобы избежать влияния сезонности.
Когда из данных временного ряда удалена сезонность, говорят, что они напрямую скорректированы на сезонность . Если они состоят из суммы или индексного агрегирования временных рядов, которые были скорректированы на сезонность, говорят, что они косвенно скорректированы на сезонность . Косвенная сезонная корректировка используется для больших компонентов ВВП, которые состоят из многих отраслей, которые могут иметь разные сезонные закономерности и которые, следовательно, анализируются и сезонно корректируются отдельно. Косвенная сезонная корректировка также имеет то преимущество, что совокупный ряд является точной суммой ряда компонентов. [13] [14] [15] Сезонность может появляться в косвенно скорректированном ряду; это иногда называется остаточной сезонностью .
Из-за различных практик сезонной корректировки, применяемых различными учреждениями, Евростат и Европейский центральный банк создали группу для продвижения стандартных процессов. В 2009 году небольшая группа, состоящая из экспертов из статистических учреждений и центральных банков Европейского союза , разработала Руководство ЕСС по сезонной корректировке [16] , которое внедряется во всех статистических учреждениях Европейского союза. Оно также добровольно принимается другими государственными статистическими учреждениями за пределами Европейского союза.
Согласно теореме Фриша–Во–Ловелла, не имеет значения, вводятся ли в уравнение регрессии фиктивные переменные для всех сезонов, кроме одного, или независимая переменная сначала сезонно корректируется (тем же методом фиктивной переменной), а затем выполняется регрессия.
Поскольку сезонная корректировка вводит «необратимый» компонент скользящей средней (MA) в данные временного ряда, тесты на единичный корень (такие как тест Филлипса–Перрона ) будут смещены в сторону неотвержения нулевого единичного корня . [17]
Использование сезонно скорректированных временных рядов может вводить в заблуждение, поскольку сезонно скорректированный ряд содержит как компонент тренд - цикл, так и компонент ошибки . Таким образом, то, что кажется «спадами» или «подъемами», на самом деле может быть случайностью в данных. По этой причине, если целью является поиск поворотных точек в ряду, рекомендуется использовать компонент тренд-цикл, а не сезонно скорректированные данные. [3]
{{cite book}}: |website=проигнорировано ( помощь ){{cite book}}: |website=проигнорировано ( помощь ){{cite book}}: |website=проигнорировано ( помощь )