Implementación de hojas de cálculo de ajuste estacional y suavizado exponencial Es sencillo realizar ajustes estacionales y ajustar modelos de suavizado exponencial utilizando Excel. Las imágenes y gráficos de pantalla que se muestran a continuación se toman de una hoja de cálculo que se ha configurado para ilustrar el ajuste estacional multiplicativo y el suavizado lineal exponencial en los siguientes datos de ventas trimestrales de Outboard Marine: Para obtener una copia del archivo de la hoja de cálculo, haga clic aquí. La versión de suavizado exponencial lineal que se utilizará aquí para propósitos de demostración es la versión de Brown8217s, simplemente porque puede implementarse con una sola columna de fórmulas y sólo hay una constante de suavizado para optimizar. Por lo general, es mejor usar la versión de Holt8217s que tiene constantes de suavizado separadas para nivel y tendencia. El proceso de pronóstico se desarrolla de la siguiente manera: (i) en primer lugar los datos se ajustan estacionalmente (ii) luego se generan pronósticos para los datos desestacionalizados a través de la suavización exponencial lineal y (iii) finalmente los pronósticos desestacionalizados son quotorasonalizados para obtener pronósticos para la serie original . El proceso de ajuste estacional se lleva a cabo en las columnas D a G. El primer paso en el ajuste estacional es calcular una media móvil centrada (realizada aquí en la columna D). Esto puede hacerse tomando el promedio de dos promedios de un año que son compensados por un período entre sí. (Se necesita una combinación de dos promedios de compensación en lugar de un solo promedio para fines de centrado cuando el número de estaciones es par.) El siguiente paso es calcular la relación con el promedio móvil - ie. Los datos originales divididos por la media móvil en cada período - que se realiza aquí en la columna E. (Esto también se llama el componente quottrend-cyclequot del patrón, en la medida en que los efectos de tendencia y de ciclo de negocio podrían considerarse como todo lo que Por supuesto, los cambios mensuales que no son debidos a la estacionalidad podrían ser determinados por muchos otros factores, pero el promedio de 12 meses suaviza sobre ellos en gran medida. El índice estacional estimado para cada estación se calcula primero haciendo un promedio de todas las razones para esa estación particular, que se hace en las células G3-G6 usando una fórmula de AVERAGEIF. Las relaciones medias se vuelven a escalar de modo que suman exactamente 100 veces el número de períodos en una estación, o 400 en este caso, lo que se hace en las células H3-H6. En la columna F, las fórmulas VLOOKUP se usan para insertar el valor de índice estacional apropiado en cada fila de la tabla de datos, de acuerdo con el trimestre del año que representa. La media móvil centrada y los datos desestacionalizados terminan pareciendo esto: Obsérvese que la media móvil típicamente se parece a una versión más suave de la serie con ajuste estacional, y es más corta en ambos extremos. Otra hoja de trabajo en el mismo archivo de Excel muestra la aplicación del modelo de suavizado exponencial lineal a los datos desestacionalizados, empezando en la columna G. Un valor para la constante de suavizado (alfa) se introduce por encima de la columna de pronóstico (aquí en la celda H9) y Por comodidad se le asigna el nombre de rango quotAlpha. quot (El nombre se asigna mediante el mandato quotInsert / Name / Createquot). El modelo LES se inicializa estableciendo los dos primeros pronósticos igual al primer valor real de la serie ajustada estacionalmente. La fórmula utilizada aquí para la previsión de LES es la forma recursiva de una sola ecuación del modelo Brown8217s: Esta fórmula se introduce en la celda correspondiente al tercer período (aquí, célula H15) y se copia desde allí. Obsérvese que la previsión de LES para el período actual se refiere a las dos observaciones precedentes ya los dos errores de pronóstico precedentes, así como al valor de alfa. Por lo tanto, la fórmula de pronóstico en la fila 15 se refiere sólo a los datos que estaban disponibles en la fila 14 y anteriores. (Por supuesto, si deseamos usar el suavizado exponencial lineal simple en vez de lineal, podríamos sustituir la fórmula SES aquí en lugar. También podríamos usar Holt8217s en lugar de Brown8217s modelo LES, lo que requeriría dos columnas más de fórmulas para calcular el nivel y la tendencia Que se utilizan en la previsión). Los errores se calculan en la siguiente columna (aquí, columna J) restando las previsiones de los valores reales. El error cuadrático medio raíz se calcula como la raíz cuadrada de la varianza de los errores más el cuadrado de la media. En el cálculo de la media y la varianza de los errores en esta fórmula, se excluyen los dos primeros períodos porque el modelo no comienza realmente a pronosticar hasta el momento en que se calcula la media y la varianza de los errores en esta fórmula. El tercer período (fila 15 en la hoja de cálculo). El valor óptimo de alpha se puede encontrar cambiando manualmente alfa hasta que se encuentre el RMSE mínimo, o bien puede usar el quotSolverquot para realizar una minimización exacta. El valor de alfa que encontró el Solver se muestra aquí (alpha0.471). Por lo general, es una buena idea trazar los errores del modelo (en unidades transformadas) y también calcular y trazar sus autocorrelaciones en retrasos de hasta una temporada. Las correlaciones de error se calculan usando la función CORREL () para calcular las correlaciones de los errores con ellos mismos rezagados por uno o más períodos - los detalles se muestran en el modelo de hoja de cálculo . Aquí hay una gráfica de las autocorrelaciones de los errores en los primeros cinco retrasos: Las autocorrelaciones en los retornos 1 a 3 son muy cercanas a cero, pero el pico con retraso 4 (cuyo valor es 0,35) es ligeramente problemático. El proceso de ajuste estacional no ha sido completamente exitoso. Sin embargo, en realidad sólo es marginalmente significativo. 95 para determinar si las autocorrelaciones son significativamente diferentes de cero son más o menos 2 / SQRT (n-k), donde n es el tamaño de la muestra yk es el retraso. Aquí n es 38 y k varía de 1 a 5, por lo que la raíz cuadrada de - n-menos-k es de alrededor de 6 para todos ellos, y por lo tanto los límites para probar la significación estadística de las desviaciones de cero son más o menos - O-menos 2/6, o 0,33. Si se modifica el valor de alfa manualmente en este modelo de Excel, se puede observar el efecto sobre la serie temporal y las gráficas de autocorrelación de los errores, así como sobre el error cuadrático medio de raíz, que se ilustrará a continuación. En la parte inferior de la hoja de cálculo, la fórmula de pronóstico se quotbootrapeado en el futuro mediante la simple sustitución de los pronósticos de los valores reales en el punto en que se agotan los datos reales, es decir, Donde comienza el futuro. (En otras palabras, en cada celda donde ocurrirá un valor de datos futuro, se inserta una referencia de celda que apunta a la previsión hecha para ese período). Todas las otras fórmulas son simplemente copiadas desde arriba: Obsérvese que los errores para las previsiones de El futuro se calcula que es cero. Esto no significa que los errores reales sean cero, sino que simplemente refleja el hecho de que para propósitos de predicción estamos asumiendo que los datos futuros serán iguales a los pronósticos en promedio. Las previsiones de LES para los datos desestacionalizados se ven así: Con este valor particular de alfa, que es óptimo para predicciones de un período de anticipación, la tendencia proyectada es levemente ascendente, reflejando la tendencia local que se observó en los últimos 2 años más o menos. Para otros valores de alfa, se podría obtener una proyección de tendencia muy diferente. Por lo general, es una buena idea ver qué sucede con la proyección de tendencia a largo plazo cuando el alfa es variado, porque el valor que es mejor para pronósticos a corto plazo no será necesariamente el mejor valor para predecir el futuro más lejano. Por ejemplo, aquí está el resultado que se obtiene si el valor de alpha se establece manualmente en 0.25: La tendencia a largo plazo proyectada es ahora negativa en lugar de positiva Con un valor menor de alfa, el modelo está poniendo más peso en datos antiguos en Su estimación del nivel y tendencia actual y sus pronósticos a largo plazo reflejan la tendencia a la baja observada en los últimos 5 años en lugar de la tendencia al alza más reciente. Este gráfico también ilustra claramente cómo el modelo con un valor menor de alpha es más lento para responder a los puntos de quotturning en los datos y por lo tanto tiende a hacer un error del mismo signo para muchos períodos en una fila. Sus errores de pronóstico de 1 paso son mayores en promedio que los obtenidos antes (RMSE de 34,4 en lugar de 27,4) y fuertemente positivamente autocorrelacionados. La autocorrelación lag-1 de 0,56 excede en gran medida el valor de 0,33 calculado anteriormente para una desviación estadísticamente significativa de cero. Como alternativa a la disminución del valor de alfa para introducir un mayor conservadurismo en los pronósticos a largo plazo, a veces se añade al modelo un factor quottrend de amortiguación para hacer que la tendencia proyectada se aplaste después de unos pocos períodos. El paso final en la construcción del modelo de predicción es el de la obtención de la razón de los pronósticos de LES, multiplicándolos por los índices estacionales apropiados. Por lo tanto, las previsiones reseasonalized en la columna I son simplemente el producto de los índices estacionales en la columna F y las previsiones desestacionalizadas de LES en la columna H. Es relativamente fácil calcular intervalos de confianza para los pronósticos de un paso adelante realizados por este modelo: primero Calcular el RMSE (error cuadrático-medio cuadrático, que es sólo la raíz cuadrada del MSE) y luego calcular un intervalo de confianza para el pronóstico ajustado estacionalmente sumando y restando dos veces el RMSE. (En general, un intervalo de confianza de 95 para un pronóstico de un período por delante es aproximadamente igual al punto de previsión más o menos dos veces la desviación estándar estimada de los errores de pronóstico, suponiendo que la distribución del error es aproximadamente normal y el tamaño de la muestra Es lo suficientemente grande, por ejemplo, 20 o más. En este caso, el RMSE en lugar de la desviación estándar de la muestra de los errores es la mejor estimación de la desviación estándar de futuros errores de pronóstico, ya que toma el sesgo, así como las variaciones aleatorias en cuenta. Para el pronóstico estacionalmente ajustado son entonces reseasonalized. Junto con el pronóstico, multiplicándolos por los índices estacionales apropiados. En este caso el RMSE es igual a 27,4 y la previsión desestacionalizada para el primer período futuro (Dic-93) es de 273,2. Por lo que el intervalo de confianza estacionalmente ajustado es de 273.2-227.4 218.4 a 273.2227.4 328.0. Multiplicando estos límites por Decembers índice estacional de 68,61. Obtenemos límites de confianza inferiores y superiores de 149,8 y 225,0 en torno al pronóstico del punto Dec-93 de 187,4. Los límites de confianza para los pronósticos más de un período por delante se ampliarán generalmente a medida que aumenta el horizonte de pronóstico, debido a la incertidumbre sobre el nivel y la tendencia, así como los factores estacionales, pero es difícil calcularlos en general por métodos analíticos. (La forma apropiada de calcular los límites de confianza para la previsión de LES es utilizando la teoría ARIMA, pero la incertidumbre en los índices estacionales es otra cuestión.) Si desea un intervalo de confianza realista para un pronóstico de más de un período, tomando todas las fuentes de Su mejor opción es utilizar métodos empíricos: por ejemplo, para obtener un intervalo de confianza para un pronóstico de dos pasos adelante, podría crear otra columna en la hoja de cálculo para calcular un pronóstico de 2 pasos adelante para cada período ( Iniciando el pronóstico de un paso adelante). A continuación, calcular el RMSE de los errores de pronóstico de 2 pasos adelante y utilizar esto como la base para un intervalo de confianza de 2 pasos adelante.8216 Es la estacionalidad de sus métricas Algunos posts atrás, he examinado una técnica simple para el uso de un movimiento exponencial Promedio (EMA) en sus métricas de series de tiempo. Esto tiene la ventaja de suavizar las métricas mientras que al mismo tiempo mantiene una 8220memoria8221 de todos los valores anteriores de la métrica anterior. También tiene el beneficio de ser más fácil de actualizar a medida que vayan apareciendo nuevos valores para sus métricas. Esta vez, quiero mostrarles una técnica para corregir otro problema común de series de tiempo: la estacionalidad. Sí, sus indicadores se han reducido en enero, pero es que la caída de las ventas post-vacaciones habituales O es el comienzo de una tendencia bajista real que usted necesita para mantener un ojo El artículo ilustrará una manera rápida y sencilla de desestatizar su datos. Vamos a trabajar a través de un ejemplo paso a paso: Imagínese que estamos trabajando en una empresa de software donde el producto de nivel empresarial tiene un ciclo de ventas bastante largo, y nuestra métrica es conversiones reales en bruto durante un trimestre. Si estuviera viendo sus métricas de ventas de conversión en el gráfico anterior, ¿cómo lo está haciendo últimamente Mejor que 2010 Tan bueno como 2011 Here8217s los datos sin procesar: Paso 1: recopilar datos de métricas que vuelven al menos 3 períodos de ciclo completo Para la mayoría de la gente, Esto significa datos trimestrales o mensuales que se remontan a tres años. Sí, puede utilizar datos semanales o diarios, aunque normalmente desea suavizar estos datos (cha-ching, otro gran uso de la media móvil exponencial). Y, no debe ser en el transcurso de un año entero si la 8220seasons8221 sus datos pasan por isn8217t medida por los meses calendario 8212 por lo que si you8217re mirando los datos del día de la semana, por ejemplo, para comparar cómo actúan sus clientes el lunes Versus el jueves, entonces un buen 8-12 semanas de datos sería un mínimo inteligente. Paso 2: Compara como los períodos de tiempo como los períodos de tiempo Por ejemplo, mira todos los enero, o todos los martes, y calcular un promedio. Aquí, yo uso un promedio simple en lugar de la EMA. Debido a que el EMA está diseñado para ser útil para el período de series de tiempo comparado secuencialmente 8212 comparando un febrero con el enero que vino antes de 8212 y no lo estamos haciendo aquí, más bien, estamos tratando los datos como datos puros y nuestro objetivo final es Extraer las series temporales estacionales. Paso 3: Normalización Compare todos estos promedios entre sí y divida cada uno de los promedios con el promedio de promedios, proporcionando un factor ajustado estacional para ese período de tiempo, en promedio, comparado con el valor normal, denominado 8220normalización. Es la forma en que comparamos las manzanas 8220 con las manzanas8221 a lo largo de varios años y en el contexto de todo el efecto estacional. Paso 4: Divida cada punto de datos original por su factor estacionalmente ajustado Esto le da un valor efectivo para esa métrica con el componente estacional eliminado. Paso 5: Dibujar conclusiones Mire estos nuevos datos desescalonizados y extraiga las conclusiones, si las hay, de ella. Ahora que hemos sustraído la estacionalidad de las ventas, ¿sus conclusiones son diferentes? Mirando los datos rojos y desestillados, seguro que parece que el mínimo de 2012 es aún más bajo que el final de 2010, y el 2012 es casi tan alto como En 2011. Esto debería causar cierta consternación en la próxima reunión de ventas Por supuesto, hay una advertencia zillion aquí. Es sus datos incluso estacionales en el primer lugar Mirando la línea azul, lo mejor que podemos decir es 8220maybe8221 8212 it8217d ser grande tener más datos. Tal vez un desglose mensual de datos en lugar de trimestral. Otra advertencia podría ser cíclica 8212 si el ciclo económico domina su ciclo de ventas, entonces puede fácilmente inundar el componente de temporada 8212, pero si that8217s el caso, ¿por qué el menor bajo en las ventas de 2012 Así, mi pregunta este mes: cuando mire sus métricas , ¿Tiene en cuenta la estacionalidad O simplemente busca para ver si los números son 8220up8221 en el informe más reciente Usted puede ser que falte una visión clave. Algunas opiniones expresadas en este artículo pueden ser las de un autor invitado y no necesariamente Marketing Land. Los autores del personal se enumeran aquí. Sobre el autor Juan Quarto-vonTivadar es uno de los inventores de la arquitectura de la persuasión y combata regularmente innumeracy entre vendedores en su serie popular de la matemáticas para los vendedores. El best-seller de Johns 2008, Always Be Testing, escrito con el socio de negocios Bryan Eisenberg, ha sido la referencia estándar para la optimización de la conversión a través de pruebas desde su lanzamiento y se ha utilizado tanto como cursos académicos como corporativos. Análisis de series temporales: métodos de ajuste estacional ¿Cómo funcionan los métodos de estilo X11 X11 X11ARIMA X12ARIMA SEATS / TRAMO DEMETRA ¿Cuáles son las técnicas empleadas por el ABS para hacer frente al ajuste estacional? ¿Cómo funciona SEASABS? Los organismos estadísticos se ocupan de los ajustes estacionales ¿CÓMO HACEN LOS MÉTODOS DEL ESTILO X11? Los métodos basados en filtros de ajuste estacional se conocen a menudo como métodos del estilo X11. Estos se basan en el procedimiento de la 821ración a la media móvil8217 descrito en 1931 por Fredrick R. Macaulay, de la Oficina Nacional de Investigación Económica en los Estados Unidos. El procedimiento consta de los siguientes pasos: 1) Estimar la tendencia por un promedio móvil 2) Eliminar la tendencia dejando los componentes estacionales e irregulares 3) Estimar el componente estacional utilizando las medias móviles para suavizar los irregulares. La estacionalidad generalmente no puede ser identificada hasta que se conozca la tendencia, sin embargo, no se puede hacer una buena estimación de la tendencia hasta que la serie se haya ajustado estacionalmente. Por lo tanto X11 utiliza un acercamiento iterativo para estimar los componentes de una serie de tiempo. Como valor predeterminado, asume un modelo multiplicativo. Para ilustrar los pasos básicos involucrados en X11, considere la descomposición de una serie temporal mensual bajo un modelo multiplicativo. Paso 1: Estimación inicial de la tendencia Se aplica una media móvil simétrica de 13 períodos (2x12) a una serie temporal mensual original, O t. Para producir una estimación inicial de la tendencia T t. La tendencia se elimina de la serie original, para dar una estimación de los componentes estacionales e irregulares. Se pierden seis valores en cada extremo de la serie como resultado del problema de punto final - sólo se utilizan filtros simétricos. Paso 2: Estimación preliminar del componente estacional Una estimación preliminar del componente estacional puede determinarse aplicando un promedio móvil de 5 términos ponderado (S 3x3) a la serie S t. I t para cada mes por separado. Aunque este filtro es el predeterminado dentro de X11, el ABS utiliza 7 promedios móviles de término (S 3x5) en su lugar. Los componentes estacionales se ajustan para sumar a 12 aproximadamente durante un período de 12 meses, de manera que la media a 1 para asegurar que el componente estacional no cambie el nivel de la serie (no afecta la tendencia). Los valores que faltan en los extremos del componente estacional se sustituyen por la repetición del valor del año anterior. Paso 3: Estimación preliminar de los datos ajustados Se obtiene una aproximación de la serie ajustada estacionalmente dividiendo la estimación de la estación estacional de la etapa anterior en la serie original: Paso 4: Una mejor estimación de la tendencia A 9, 13 o 23 término La media móvil de Henderson se aplica a los valores desestacionalizados, dependiendo de la volatilidad de la serie (una serie más volátil requiere una media móvil más larga), para producir una estimación mejorada de la tendencia. La serie de tendencias resultante se divide en la serie original para dar una segunda estimación de los componentes estacionales e irregulares. Los filtros asimétricos se utilizan en los extremos de la serie, por lo tanto no hay valores faltantes como en el paso 1. Paso 5: Estimación final del componente estacional Se repite el paso dos para obtener una estimación final del componente estacional. Paso 6: Estimación final de los datos ajustados Se encuentra una serie final desestacionalizada dividiendo la segunda estimación de la temporada de la etapa anterior en la serie original: Paso 7: Estimación final de la tendencia A 9, 13 o 23 término Henderson en movimiento Promedio se aplica a la estimación final de la serie ajustada estacionalmente, la cual ha sido corregida para valores extremos. Esto da una estimación mejorada y final de la tendencia. En versiones más avanzadas de X11 (como X12ARIMA y SEASABS), se puede usar cualquier media móvil Henderson de longitud impar. Paso 8: Estimación final del componente irregular Los valores irregulares se pueden estimar dividiendo las estimaciones de tendencia en los datos desestacionalizados. Obviamente, estos pasos dependerán de qué modelo (multiplicativo, aditivo y pseudo-aditivo) se elija dentro de X11. También hay pequeñas diferencias en los pasos en X11 entre varias versiones. Un paso adicional en la estimación de los factores estacionales, es mejorar la robustez del proceso de promediado, mediante la modificación de los valores de SI para los extremos. Para obtener más información sobre los principales pasos involucrados, consulte la sección 7.2 del documento de información: Un curso introductorio sobre el análisis de la serie temporal - entrega electrónica. QUÉ SON ALGUNOS PAQUETES UTILIZADOS PARA EFECTUAR EL AJUSTE ESTACIONAL Los paquetes de ajuste estacional más usados son los de la familia X11. X11 fue desarrollado por la Oficina de los Estados Unidos del Censo y comenzó a operar en los Estados Unidos en 1965. Pronto fue adoptado por muchos organismos de estadística en todo el mundo, incluyendo el ABS. Se ha integrado en un número de paquetes de software disponibles comercialmente tales como SAS y STATISTICA. Utiliza filtros para ajustar temporalmente los datos y estimar los componentes de una serie temporal. El método X11 consiste en aplicar promedios móviles simétricos a una serie temporal con el fin de estimar la tendencia, los componentes estacionales e irregulares. Sin embargo, al final de la serie, no hay suficientes datos disponibles para usar los pesos simétricos 8211 el problema 8216end-point8217. En consecuencia, se utilizan pesos asimétricos o las series deben extrapolarse. El método X11ARIMA, desarrollado por Statistics Canada en 1980 y actualizado en 1988 a X11ARIMA88, utiliza los modelos de la Caja Movida Automática Integrada de Caja Jenkins (ARIMA) para extender una serie de tiempo. Esencialmente, el uso del modelado de ARIMA en la serie original ayuda a reducir las revisiones en la serie ajustada estacionalmente de modo que el efecto del problema del punto final sea reducido. X11ARIMA88 también difiere del método X11 original en su tratamiento de valores extremos. Se puede obtener contactando a Statistics Canada. A fines de la década de 1990, la Oficina del Censo de los Estados Unidos publicó X12ARIMA. Utiliza modelos regarima (modelos de regresión con errores ARIMA) para permitir al usuario extender la serie con pronósticos y preadjust la serie de efectos de valores atípicos y calendarios antes del ajuste estacional. X12ARIMA se puede obtener de la Oficina está disponible gratis y se puede descargar de census. gov/srd/www/x12a. Desarrollado por Víctor Gómez y Augustn Maravall, SEATS (Extracción de Señales en ARIMA Time Series) es un programa que estima y pronostica la tendencia, los componentes estacionales e irregulares de una serie de tiempo utilizando técnicas de extracción de señales aplicadas a los modelos ARIMA. TRAMO (regresión de series temporales con ruido ARIMA, observaciones faltantes y valores atípicos) es un programa complementario para la estimación y pronóstico de modelos de regresión con errores ARIMA y valores faltantes. Se utiliza para preadjust una serie, que luego se ajustará estacionalmente por SEATS. Para descargar gratuitamente los dos programas desde Internet, póngase en contacto con el Banco de España. Bde. es/homee. htm Eurostat se ha centrado en dos métodos de ajuste estacional: Tramo / Asientos y X12Arima. Versiones de estos programas se han implementado en una sola interfaz, llamada quotDEMETRAquot. Esto facilita la aplicación de estas técnicas a series de series de tiempo a gran escala. DEMETRA contiene dos módulos principales: el ajuste estacional y la estimación de tendencias con un procedimiento automatizado (por ejemplo, para usuarios inexpertos o series a gran escala de series temporales) y con un procedimiento fácil de usar para el análisis detallado de series de tiempo únicas. Se puede descargar desde forum. europa. eu. int/irc/dsis/eurosam/info/data/demetra. htm. ¿CUÁLES SON LAS TÉCNICAS EMPLEADAS POR EL ABS PARA TRATAR CON EL AJUSTE ESTACIONAL? La principal herramienta utilizada en la Oficina Australiana de Estadística es SEASABS (SEASonal analysis, ABS standards). SEASABS es un paquete de software de ajuste estacional con un sistema de procesamiento de base basado en X11 y X12ARIMA. SEASABS es un sistema basado en el conocimiento que puede ayudar a los analistas de series de tiempo a tomar juicios apropiados y correctos en el análisis de una serie de tiempo. SEASABS es una parte del sistema ABS de ajuste estacional. Otros componentes incluyen el ABSDB (almacén de información ABS) y FAME (entorno de predicción, análisis y modelado, utilizado para almacenar y manipular datos de series de tiempo). SEASABS realiza cuatro funciones principales: Revisión de datos Reanálisis estacional de series temporales Investigación de series temporales Mantenimiento del conocimiento de series temporales SEASABS permite el uso tanto del experto como del cliente del método X11 (que ha sido mejorado significativamente por el ABS). Esto significa que un usuario no necesita un conocimiento detallado del paquete X11 para ajustar apropiadamente las series temporales. Una interfaz inteligente guía a los usuarios a través del proceso de análisis estacional, haciendo elecciones adecuadas de parámetros y métodos de ajuste con poca o ninguna orientación necesaria en la parte usuarios. El proceso básico de iteración involucrado en SEASABS es: 1) 2) Pruebe y elimine los picos grandes en los datos. 3) Pruebe y corrija las roturas de tendencia. 4) Comprobar y corregir los valores extremos para fines de ajuste estacional. 5) Estimar cualquier día de comercio efecto presente. 6) Insertar o cambiar las correcciones de vacaciones en movimiento. 7) Compruebe los promedios móviles (promedios móviles de tendencia, y luego promedios móviles estacionales). 8) Ejecutar X11. 9) Finalizar el ajuste. SEASABS mantiene registros del análisis previo de una serie para poder comparar los diagnósticos X11 con el tiempo y sabe qué parámetros llevaron al ajuste aceptable en el último análisis. Identifica y corrige las pausas de tendencia y estacionales, así como los valores extremos, inserta factores de día de negociación si es necesario, y permite las correcciones de vacaciones en movimiento. SEASABS está disponible gratuitamente para otras organizaciones gubernamentales. Para obtener más detalles, póngase en contacto con time. series. analysisabs. gov. au. ¿CÓMO OTROS ORGANISMOS ESTADÍSTICOS TRATAN DE AJUSTE ESTACIONAL? Statistics New Zealand utiliza X12-ARIMA, pero no utiliza las capacidades ARIMA del paquete. Oficina de Estadísticas Nacionales, el Reino Unido utiliza X11ARIMA88 Estadísticas de Canadá utiliza X11-ARIMA88 EE. UU. Oficina del Censo utiliza X12-ARIMA Eurostat utiliza SEATS / TRAMO Esta página se publicó por primera vez 14 de noviembre de 2005, última actualización 10 de septiembre de 2008
No comments:
Post a Comment