Wahl der Methode der saisonalen Zersetzung

Die saisonale Anpassung ist ein entscheidender Schritt, um die Daten für die weitere Forschung aufzubereiten. Forscher haben jedoch eine Reihe von Optionen für die trendzyklus-saisonale Zerlegung. Die gebräuchlichste rivalisierenden saisonaler Zersetzungsverfahren (durch die Anzahl der Zitate in empirischer Literatur Beurteilung) sind X-11 (12) -ARIMA, Tramo / Sitze (beide in realisiert Demetra + ) und ‚s stl . Um eine zufällige Auswahl zwischen den oben genannten Zerlegungsmethoden (oder anderen einfachen Methoden wie saisonalen Dummy-Variablen) zu vermeiden, möchte ich eine grundlegende Strategie kennen, die zur effektiven Auswahl der saisonalen Zerlegungsmethode führt.$R$

Einige wichtige Unterfragen (Links zu einer Diskussion sind ebenfalls willkommen) könnten sein:

1. Was sind die Gemeinsamkeiten und Unterschiede, Stärken und Schwächen der Methoden? Gibt es spezielle Fälle, in denen eine Methode der anderen vorzuziehen ist?
2. Könnten Sie allgemeine Anleitungen geben, was sich in der Black-Box der verschiedenen Zerlegungsmethoden befindet?
3. Gibt es spezielle Tricks bei der Auswahl der Parameter für die Methoden (ich bin nicht immer mit den Standardeinstellungen zufrieden, stlzum Beispiel habe ich viele Parameter zu bewältigen, manchmal habe ich das Gefühl, ich weiß einfach nicht, wie ich diese richtig auswählen soll)?
4. Ist es möglich, einige (statistische) Kriterien vorzuschlagen, nach denen die Zeitreihen effizient saisonbereinigt werden (Korrelogrammanalyse, Spektraldichte, Kriterien für kleine Stichprobengröße, Robustheit)?

Wenn Sie bereit sind, sich mit der Diagnose vertraut zu machen, bietet X12-ARIMA eine Fülle von Diagnosen, die von ASCII-Diagrammen bis zu Faustregelindikatoren reichen. Das Erlernen und Verstehen der Diagnostik ist eine Art Ausbildung in Zeitreihen und saisonaler Anpassung.

Auf der anderen Seite ist die X12-ARIMA-Software ein One-Trick-Pony, während die Verwendung von stl in R es Ihnen ermöglichen würde, andere Dinge zu tun und auf andere Methoden (Zerlegen, DLMs usw.) umzuschalten, wenn Sie dies wünschen.

Andererseits erleichtert X12-Arima das Einbeziehen von exogenen Variablen und das Anzeigen von Ausreißern usw.

Das ist eine Antwort auf Frage 2.

• STL: http://www.wessa.net/download/stl.pdf
• X-12-ARIMA (und vieles mehr): http://www.census.gov/srd/www/sapaper/sapaper.html