Choisir la méthode de décomposition saisonnière

20

La désaisonnalisation est une étape cruciale du prétraitement des données pour de plus amples recherches. Le chercheur a cependant un certain nombre d'options pour la décomposition tendance-cycle-saisonnière. Les méthodes de décomposition saisonnières rivales les plus courantes (à en juger par le nombre de citations dans la littérature empirique) sont X-11 (12) -ARIMA, Tramo / Seats (toutes deux mises en œuvre dans Demetra + ) et 's stl . Cherchant à éviter le choix aléatoire entre les techniques de décomposition mentionnées ci-dessus (ou d'autres méthodes simples comme les variables factices saisonnières), je voudrais connaître une stratégie de base qui conduit à choisir efficacement la méthode de décomposition saisonnière.R

Plusieurs sous-questions importantes (les liens vers une discussion sont également les bienvenus) pourraient être:

  1. Quelles sont les similitudes et les différences, les points forts et les points faibles des méthodes? Y a-t-il des cas particuliers où une méthode est plus préférable que les autres?
  2. Pourriez-vous fournir des guides généraux sur ce qui se trouve à l'intérieur de la boîte noire des différentes méthodes de décomposition?
  3. Y a-t-il des astuces spéciales pour choisir les paramètres des méthodes (je ne suis pas toujours satisfait des valeurs par défaut, stlpar exemple, a de nombreux paramètres à gérer, parfois je sens que je ne sais pas comment les choisir correctement).
  4. Est-il possible de suggérer certains critères (statistiques) selon lesquels les séries chronologiques sont désaisonnalisées efficacement (analyse du corrélogramme, densité spectrale? Critères de petite taille d'échantillon? Robustesse?).
time-series data-transformation methodology seasonality Dmitrij Celov
la source
1
Vous pouvez être intéressé par cette réponse et par les références qui y sont données.
javlacalle

Réponses:

4

Si vous souhaitez apprendre à comprendre les diagnostics, le X12-ARIMA fournit une multitude de diagnostics qui vont des graphiques (ASCII) aux indicateurs de base. Apprendre et comprendre les diagnostics est une sorte d'éducation aux séries chronologiques et à la désaisonnalisation.

D'un autre côté, le logiciel X12-ARIMA est un poney à un tour, alors que l'utilisation de stl dans R vous permettrait de faire d'autres choses et de passer à d'autres méthodes (décomposer, dlm, etc.) si vous le souhaitez.

D'un autre côté, X12-Arima facilite l'inclusion de variables exogènes et l'indication de valeurs aberrantes, etc.

Wayne
la source
Cela signifie que je dois d'abord apprendre les astuces au-delà de X12-ARIMA, car la plupart des outils de diagnostic sont généralement cachés dans des packages statistiques. D'un point de vue pratique, lorsque j'ai essayé le style singe, appuyez sur le fond pour obtenir le résultat, j'ai constaté que Tramo / Seats fonctionne mieux (à en juger uniquement visuellement par le test du singe qui rit) que X12-ARIMA, pour stl I font généralement le même travail de style singe, donc ce que je veux, c'est apprendre l'art de la décomposition saisonnière. (+1) pour les guides généraux!
Dmitrij Celov
Dans X-12-ARIMA, le .outfichier par défaut contient des pages de diagnostics, et si vous lisez le manuel et en activez quelques autres, vous aurez littéralement des pages et des pages d'informations, des graphiques ASCII et des diagnostics. Il est très logiquement organisé et numéroté et tous les diagnostics renvoient à la section dont proviennent ses données. Parcourir ces diagnostics et apprendre ce qui est nécessaire pour les comprendre est très instructif. Certains des diagnostics ont des heuristiques ingénieuses. Il n'est pas difficile d'obtenir la plupart de ces informations dans des fichiers que vous pouvez facilement importer dans R pour manipuler et représenter graphiquement correctement.
Wayne
Pour l'instant (si personne n'essaie de donner plus de détails), je marque celui-ci comme correct, mais ce que j'aimerais personnellement savoir, c'est un guide pratique, quelles règles générales et graphiques se sont révélés utiles, et beaucoup d'autres modes d'emploi de ceux qui creusent beaucoup plus profondément que moi. Dis que je suis un peu paresseux pour lire les manuels, mais si vous dites le faire, je devrais probablement, grâce aux liens ci-dessous ...
Dmitrij Celov