การเลือกวิธีการสลายตัวตามฤดูกาล

การปรับตามฤดูกาลเป็นขั้นตอนสำคัญในการประมวลผลข้อมูลล่วงหน้าเพื่อการวิจัยเพิ่มเติม อย่างไรก็ตามนักวิจัยมีตัวเลือกมากมายสำหรับการแยกย่อยของแนวโน้มตามฤดูกาล ที่พบมากที่สุด (ตัดสินโดยจำนวนของการอ้างอิงในวรรณคดีเชิงประจักษ์) คู่แข่งวิธีการสลายตัวตามฤดูกาล X-11 (12) -ARIMA, TRAMO / ที่นั่ง (ทั้งการดำเนินการในDemetra + ) และ 's STL การค้นหาเพื่อหลีกเลี่ยงการสุ่มเลือกระหว่างเทคนิคการสลายตัวที่กล่าวถึงข้างต้น (หรือวิธีการง่าย ๆ เช่นตัวแปรตัวแปรตามฤดูกาล) ฉันต้องการทราบกลยุทธ์พื้นฐานที่นำไปสู่การเลือกวิธีการสลายตัวตามฤดูกาลได้อย่างมีประสิทธิภาพ$R$

คำถามย่อยที่สำคัญหลายอย่าง (ยินดีต้อนรับลิงก์ไปยังการสนทนาด้วย) อาจเป็น:

1. อะไรคือความเหมือนและความแตกต่างจุดแข็งและจุดอ่อนของวิธีการคืออะไร? มีกรณีพิเศษหรือไม่เมื่อวิธีการหนึ่งเป็นที่นิยมมากกว่าวิธีอื่น?
2. คุณสามารถให้คำแนะนำทั่วไปกับสิ่งที่อยู่ในกล่องดำของวิธีการสลายตัวที่แตกต่างกันได้อย่างไร
3. มีเทคนิคพิเศษในการเลือกพารามิเตอร์สำหรับวิธีการ (ฉันไม่พอใจกับค่าเริ่มต้นเสมอstlตัวอย่างเช่นมีพารามิเตอร์จำนวนมากที่ต้องจัดการกับบางครั้งฉันรู้สึกว่าฉันไม่รู้วิธีเลือกสิ่งเหล่านี้อย่างถูกวิธี)
4. เป็นไปได้หรือไม่ที่จะแนะนำเกณฑ์บางอย่าง (สถิติ) ว่าอนุกรมเวลาได้รับการปรับตามฤดูกาลอย่างมีประสิทธิภาพ (การวิเคราะห์ความสัมพันธ์, ความหนาแน่นของสเปกตรัมหรือไม่? เกณฑ์ขนาดตัวอย่างขนาดเล็ก - ความทนทาน?)

หากคุณยินดีที่จะเรียนรู้ที่จะทำความเข้าใจกับการวินิจฉัย X12-ARIMA ให้ข้อมูลการวินิจฉัยที่มีตั้งแต่กราฟ (ASCII) ไปจนถึงตัวบ่งชี้กฎของหัวแม่มือ การเรียนรู้และทำความเข้าใจกับการวินิจฉัยเป็นเรื่องของการศึกษาในอนุกรมเวลาและการปรับตามฤดูกาล

ในทางกลับกันซอฟต์แวร์ X12-ARIMA เป็นม้าตัวเดียวในขณะที่การใช้ stl ใน R จะอนุญาตให้คุณทำสิ่งอื่นและเปลี่ยนไปใช้วิธีอื่น (แยกย่อย, dlm's ฯลฯ ) หากคุณต้องการ

ในทางกลับกัน X12-Arima ทำให้ง่ายต่อการรวมตัวแปรภายนอกและเพื่อระบุค่าผิดปกติ ฯลฯ

นั่นเป็นคำตอบสำหรับคำถาม 2

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