Как выбрать идеальный набор регрессоров и спецификаций в Demetra+?

TURKISH STATISTICAL INSTITUTE TurkStat

UNECE Workshop on Seasonal Adjustment20 – 23 February 2012, Ankara, Turkey

20.04.23 1

Как выбрать идеальный набор регрессоров и

спецификаций в Demetra+?

Н. Алпай КОЧАК

Турецкий статистический институт



20.04.23 2

Механизм наблюдения по Tramo&Seats в Demetra+

1. Главным вопросом является то, имеют ли динамические ряды элементы значительных сезонных и/или календарных колебаний?

– Для проверки сезонных колебаний, • сезонный график, • сезонная периодограмма или спектр AR• испытания сезонности – часть Demetra+!

– Для проверки календарного эффекта, следует взглянуть на графики спектров исходных рядов и остаточные величины!



20.04.23 3

Проверка сезонности и календарного эффекта



20.04.23 4

Проверка сезонности и календарного эффекта



20.04.23 5

Механизм наблюдения по Tramo&Seats в Demetra+

2. SEATS может изменить модель ARIMA, определенную TRAMO. Это происходит из-за того, что TRAMO пытается как можно лучше подстроиться для наилучшего прогнозирования динамических рядов, а SEATS – разложить основные компоненты динамических рядов, используя соответствующую модель ARIMA. Поскольку мы преследуем цель найти динамические ряды с наилучшей корректировкой на сезонные колебания, такое изменение не имеет отрицательного воздействия на процесс корректировки на сезонные колебания.



20.04.23 6

Механизм наблюдения по Tramo&Seats

Например, давайте предположим, что TRAMO выбрал модель ARIMA (0,1,1)(1,0,0)12 для ежемесячных временных рядов. Эта модель оценивается, как хорошая модель для прогнозирования динамических рядов. Однако SEATS не может составить схему разложения с помощью этой модели ARIMA. Тогда SEATS меняет эту модель на модель (0,1,1)(0,1,1).

SEATS меняет модель не только в данной ситуации, но и еще в нескольких случаях.



20.04.23 7

SEATS может менять модель!



20.04.23 8


3. Значение календарного эффекта крайне важно. Он может напрямую повлиять на характеристики модели, выпадающие показатели и оцениваемые параметры. Будут протестированы календарные переменные по умолчанию (TD1, TD2, TD6, TD7), Пасха, Национальные праздники или календарные регрессоры, созданные пользователем, которые будут удалены в том случае, если они незначительны.



20.04.23 9


• Например, давайте предположим, что TRAMO выбрал модель ARIMA (3,1,0)(0,1,1)12 для ежемесячных временных рядов без календарного эффекта TD6. При добавлении TD6 к модели (при допущении, что это важно), модель меняется на (0,1,1)(0,1,1)12 с календарным эффектом TD6.



20.04.23 10


4. TRAMO может быть оценен с помощью статистической диагностики, поскольку этот подход основан на модели.

a) Оценивается значимость параметров ARIMA

b) Независимость остаточных величин

c) Нормальность остаточных величин

d) Случайность остаточных величин

e) Линейность остаточных величин (менее значительный)



20.04.23 11


• Проблемы и их возможные решения представлены ниже– Незначительные параметры → Изменение характеристик модели

ARIMA– Независимость остаточных величин (в первую очередь важная

автокорреляция, а затем сезонный сдвиг) → Проверка числа выпадающих показателей, если не помогло – увеличение порядка MA

– Нормальность остаточных величин (завышенный коэффициент эксцесса или асимметрия) → Проверка числа выпадающих показателей или проверка согласованности диапазона данных

– Случайность остаточных величин (слишком много положительных или отрицательных остаточных величин). Это признак нелинеарности → Проверка числа выпадающих показателей или проверка согласованности диапазона данных

– Линейность остаточных величин (менее значительный) Если проблема только в этом, оставьте ее! Это не влияет на значение оцениваемых параметров, используемых в расчете фильтра SEATS



20.04.23 12


5. SEATS может также быть оценен с помощью статистической диагностики, поскольку этот подход основывается на модели.

a) Функции изменения и автокорреляции компонентовi. Оценка в отношении недостаточной или чрезмерной

корректировки из-за отклоненийii. Важная автокорреляция сезонных временных сдвигов

b) Взаимная корреляция компонентов

Точного решения этих вопросов нет. Они могут зависеть от промежутков времени, моделей, календарных эффектов и т.д. Однако, если имеется проблема, следует применить модель Airline (0,1,1)(0,1,1), которая является самой подходящей для ряда динамических рядов.



20.04.23 13


6. Поскольку целью процесса является удаление всех сезонных колебаний, следует проверить, что у оставшихся компонентов более нет сезонных колебаний.

a. Результаты испытаний остаточных величин на сезонные колебания

b. Спектральный анализ



20.04.23 14


7. Необходимо определить политику пересмотра для официального опубликования данных.

– История пересмотров– Скользящие промежутки времени

Documents

Как выбрать идеальный набор регрессоров и спецификаций в Demetra+?