La elección de descomposición estacional método

Question

El ajuste estacional es un paso crucial en el preprocesamiento de los datos para la investigación futura. El investigador, sin embargo, tiene un número de opciones para la tendencia-ciclo de descomposición estacional. La más común (a juzgar por el número de citas en la literatura empírica) rival de temporada métodos de descomposición son X-11(12)-ARIMA, Tramo/Seats (tanto implementado en Demetra+) y $R$'s de la stl. Tratando de evitar una elección al azar entre las mencionadas técnicas de descomposición (u otros métodos simples como estacional de las variables ficticias) me gustaría saber una estrategia básica que conduce a la elección de descomposición estacional método eficaz.

Varios importantes preguntas (enlaces a una discusión son bienvenidos también) podría 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 una guía general de lo que está dentro de la caja negra de los diferentes métodos de descomposición?
3. Hay trucos especiales la elección de los parámetros de los métodos (que no siempre estoy satisfecho con los valores predeterminados, stl , por ejemplo, tiene muchos parámetros para lidiar con el, a veces me siento sólo que no sé cómo elegir estos de una manera correcta).
4. Es posible sugerir algunas (estadística) los criterios que la serie de tiempo es ajustado a las variaciones estacionales de manera eficiente (correlogram análisis, la densidad espectral? pequeño tamaño de la muestra criterios? la robustez?).

Answer 1

Esa es una respuesta para la pregunta 2.

• STL: http://cs.wellesley.edu/~cs315/Papers/stl%20statistical%20model.pdf
• X-12-ARIMA (y mucho más): http://www.census.gov/srd/www/sapaper/sapaper.html

Answer 2

Si usted está dispuesto a aprender a comprender el diagnóstico, X12-ARIMA ofrece una gran variedad de diagnósticos que van desde (ASCII) los gráficos de la regla-de-pulgar indicadores. Aprendizaje y comprensión de los diagnósticos es algo de una educación en las series de tiempo y ajuste estacional.

Por otro lado, X12-ARIMA es un software de one-trick pony, mientras que el uso de stl en R les permite hacer otras cosas y de cambiar a otros métodos (se descomponen, dlm, etc) si lo desea.

Por otro, de otro lado, X12-Arima hace más fácil incluir variables exógenas y para indicar los valores atípicos, etc.