Elección del método de descomposición estacional

20

El ajuste estacional es un paso crucial en el procesamiento previo de los datos para futuras investigaciones. Sin embargo, el investigador tiene una serie de opciones para la descomposición estacional del ciclo de tendencia. Los métodos de descomposición estacional rivales más comunes (a juzgar por el número de citas en la literatura empírica) son X-11 (12) -ARIMA, Tramo / Asientos (ambos implementados en Demetra + ) y 's stl . Tratando de evitar una elección aleatoria entre las técnicas de descomposición mencionadas anteriormente (u otros métodos simples como variables ficticias estacionales) Me gustaría conocer una estrategia básica que conduzca a elegir el método de descomposición estacional de manera efectiva.R

Varias preguntas importantes (los enlaces a una discusión también son bienvenidos) podrían ser:

  1. ¿Cuáles son las similitudes y diferencias, puntos fuertes y débiles de los métodos? ¿Hay casos especiales cuando un método es más preferible que los otros?
  2. ¿Podría proporcionar guías generales sobre lo que hay dentro de la caja negra de los diferentes métodos de descomposición?
  3. ¿Hay trucos especiales para elegir los parámetros de los métodos (no siempre estoy satisfecho con los valores predeterminados, stlpor ejemplo, tengo muchos parámetros con los que lidiar, a veces siento que simplemente no sé cómo elegirlos correctamente).
  4. ¿Es posible sugerir algunos criterios (estadísticos) de que la serie temporal se ajusta estacionalmente de manera eficiente (análisis de correlogramas, densidad espectral? Criterios de tamaño de muestra pequeño? Robustez?).
Dmitrij Celov
fuente
1
Puede interesarle esta respuesta y las referencias que se dan allí.
javlacalle

Respuestas:

4

Si está dispuesto a aprender a comprender los diagnósticos, X12-ARIMA proporciona una gran cantidad de diagnósticos que van desde gráficos (ASCII) hasta indicadores de regla general. Aprender y comprender los diagnósticos es una especie de educación en series de tiempo y ajustes estacionales.

Por otro lado, el software X12-ARIMA es un pony de un solo truco, mientras que usar stl en R le permitiría hacer otras cosas y cambiar a otros métodos (descomponer, dlm, etc.) si lo desea.

Por otro lado, X12-Arima hace que sea más fácil incluir variables exógenas e indicar valores atípicos, etc.

Wayne
fuente
Bueno, significa que primero tengo que aprender los trucos más allá de X12-ARIMA, porque la mayoría de las herramientas de diagnóstico generalmente están ocultas en paquetes estadísticos. Desde el punto de vista práctico, cuando probé el estilo de mono presionar el fondo para obtener el resultado, descubrí que Tramo / Seats funciona mejor (juzgando solo visualmente mediante la prueba del mono risueño) que X12-ARIMA, por ejemplo. generalmente hago el mismo trabajo de estilo mono, así que lo que quiero es aprender el arte de la descomposición estacional. (+1) para las guías generales!
Dmitrij Celov
En X-12-ARIMA, el .outarchivo predeterminado tiene páginas de diagnóstico, y si lee el manual y activa algunos más, literalmente tendrá páginas y páginas de información, gráficos ASCII y diagnósticos. Está muy lógicamente organizado y numerado y todos los diagnósticos hacen referencia a la sección de la que provienen sus datos. Recorrer estos diagnósticos y aprender lo que es necesario para comprenderlos es muy educativo. Algunos de los diagnósticos tienen una heurística ingeniosa. No es difícil obtener la mayor parte de esta información en archivos que puede importar fácilmente en R para manipular y graficar adecuadamente.
Wayne
Por el momento (si nadie intenta dar más detalles), marco este como correcto, pero lo que personalmente me gustaría saber es una guía práctica, qué regla general y gráficos resultaron útiles, y muchos otras cosas prácticas de aquellos que cavan mucho más profundo que yo. Digamos que soy un poco flojo para leer los manuales, pero si dices hacerlo, probablemente debería hacerlo, gracias a los enlaces a continuación ...
Dmitrij Celov