یک سری زمانی دنباله ای از اندازه گیری های پی در پی از مقادیر به دست آمده در فواصل زمانی منظم (مانند هر ماه یا هر چهارم) است. برای اکثر انواع تجزیه و تحلیل سری زمانی ، داده ها باید با گذشت زمان قابل مقایسه باشند ، بنابراین باید در مفهوم و روش اندازه گیری سازگار باشند. بسیاری از سری زمانی سرشماری فعالیت اقتصادی را اندازه گیری می کند و ورودی هایی برای برآورد تولید ناخالص داخلی است.
2. تنظیم فصلی چیست؟
تعدیل فصلی تخمین و حذف اثرات فصلی از یک سری زمانی است تا ویژگی های غیر فصل خاصی را نشان دهد. اثرات فصلی اثرات مداوم و مکرر است که در همان زمان هر سال اتفاق می افتد و با پویایی روندها یا چرخه ها قابل توضیح نیست. نمونه هایی از تأثیرات فصلی شامل افت ژوئیه در تولید خودرو به عنوان کارخانه ها برای مدل های جدید و افزایش گرمایش روغن در ماه سپتامبر در انتظار فصل گرمایش زمستان است.
در صورت لزوم ، فرآیند تعدیل فصلی نه تنها اثرات فصلی بلکه اثرات تقویم را برآورد و از بین می برد. اینها اثرات سازگار و قابل پیش بینی است که کاملاً فصلی نیستند ، مانند اثرات روز معاملاشکرگذاری ، و عید پاک ، به Q9 مراجعه کنید
3. چرا فصلی داده های سری زمانی را تنظیم می کنید؟
حرکات فصلی اغلب به اندازه کافی بزرگ هستند که از سایر ویژگی های داده هایی که مورد توجه تحلیلگران روندها و چرخه های فعلی است ، ماسک می کند. به عنوان مثال ، اگر هر ماه (یا چهارم) تمایل فصلی متفاوتی به مقادیر زیاد یا پایین داشته باشد ، تشخیص جهت کلی یک حرکت ماهانه (یا سه ماهه) اخیر یک سری زمانی (افزایش ، کاهش ، تغییر جهت می تواند دشوار باشد.، بدون تغییر ، سازگاری با شاخص اقتصادی دیگر و غیره). تنظیم فصلی یک سری زمانی را تولید می کند که مقادیر همسایه آنها معمولاً راحت تر است. بسیاری از کاربران داده ها داده های تنظیم شده فصلی را به سری زمانی اصلی ترجیح می دهند ، زیرا می خواهند ویژگی هایی را که حرکات فصلی تمایل به ماسک دارند ، به ویژه تغییراتی در جهت سریال مشاهده کنند.
4- سری اصلی (نه تنظیم فصلی) افزایش می یابد ، اما سری تنظیم شده فصلی کاهش می یابد. این اختلاف به چه معنی است؟
این تفاوت در جهت متداول است. در مورد افزایش سری اصلی (نه تنظیم فصلی) و کاهش در سری تنظیم شده فصلی ، دلیل معمول این است که اثر فصلی برای ماه دوم (یا چهارم) بزرگتر از اثر فصلی برای ماه اول است(یا ربع). اگر سطح زیرین این سریال ثابت باشد ، مقدار اول به دلیل اثر فصلی از مقدار دوم بزرگتر خواهد بود. در این سناریو ، افزایش سریال اصلی باید از حد معمول کوچکتر باشد ، یا به این دلیل که سطح زیرین این سریال در حال کاهش است یا به این دلیل که برخی از رویدادهای خاص (یا رویدادها) ارزش ماه اول (یا چهارم) را افزایش داده اند یا ماه دوم را کاهش می دهند (یاارزش چهارم)توجه داشته باشید که اگر این سریال برای روز معاملاتی یا جابجایی جلوه های تعطیلات تنظیم شده باشد ، توضیحات دیگر امکان پذیر است.
سری تنظیم شده فصلی نیز می تواند افزایش یابد و سری اصلی نیز کاهش یابد.
نمودار زیر یک پوشش ماهانه اصلی (تنظیم نشده فصلی) را به رنگ خاکستری و سری تنظیم شده فصلی آن به رنگ آبی مشاهده کنید. در سال 2017 ، سری اصلی از ژانویه تا فوریه افزایش یافت و سری تنظیم شده فصلی کاهش یافت (ماه های دیگر نیز تفاوت در جهت را نشان می دهند). توجه داشته باشید که حرکات بالا و پایین در یک سری زمانی ممکن است از نظر آماری معنی دار نباشد و ممکن است هیچ تعبیر خاصی را تضمین نکند.
شکل 1. مجوزهای اصلی ساختمان خانوادگی مجرد جنوبی (تنظیم نشده فصلی) و تنظیم شده فصلی. منبع: دفتر سرشماری ایالات متحده.
5- چه نوع اثرات تنظیم فصلی را از بین می برد و چه نوع اثرات آن را از بین نمی برد؟
توجه به این نکته حائز اهمیت است که عوامل فصلی بر اساس تجربه فعلی و گذشته برآورد می شوند و داده های آینده ممکن است الگوی متفاوتی از اثرات فصلی را نشان دهند. به ویژه سطح زیاد سر و صدا یا وقایع غیرمعمول که در همان زمان در سالهای پی در پی اتفاق می افتد می تواند مانع این تخمین شود.
6. مؤلفه های یک سری زمانی که ناشی از تنظیم فصلی است چیست؟
تنظیم فصلی یک سری زمانی را به اجزای چرخه ، فصلی و نامنظم جدا می کند.
چرخه روند (C): برآورد سطح برای هر ماه (یا سه ماهه) حاصل از سال یا دو نفر از مشاهدات. این مؤلفه حرکت بلند مدت سری زمانی را نشان می دهد.
مؤلفه (های) فصلی: اثرات معقول از نظر زمان بندی ، جهت و بزرگی سالانه پایدار هستند. دلایل احتمالی شامل عناصر طبیعی (الگوهای معمول آب و هوا) ، اقدامات اداری (شروع و پایان تاریخ سال تحصیلی) و سنت های اجتماعی/فرهنگی/مذهبی (تعطیلات ثابت مانند کریسمس) است. اگر این سریال تحت تأثیر روز معاملاتی یا جلوه های تعطیلات باشد ، ما تنظیماتی را برای این موارد با مؤلفه فصلی قرار می دهیم ، حتی اگر آنها کاملاً فصلی نباشند. ما غالباً روزهای فصلی ، روز معاملاتی و در حال حرکت را به عنوان یک عامل ترکیبی منتشر می کنیم که به سادگی به عنوان یک عامل فصلی شناخته می شود.
مؤلفه نامنظم (I): هر چیزی که در چرخه روند یا مؤلفه فصلی (یا ترکیبی) گنجانده نشده باشد. مقادیر آن با توجه به زمان بندی ، تأثیر و مدت زمان غیرقابل پیش بینی است. این می تواند ناشی از خطای نمونه برداری ، خطای غیر نمونه برداری ، آب و هوای غیر منطقی ، بلایای طبیعی ، اعتصاب و غیره باشد.
اینها بسته به ماهیت سری زمانی ، دارای یک رابطه چند برابر یا افزودنی هستند. یعنی سری اصلی برابر با C X S X I است ، هنگامی که رابطه چند برابر است و با C + S + I برابر است ، وقتی رابطه افزودنی است.
اگر واریانس سری به طور کلی با افزایش سطح افزایش یابد ، مؤلفه ها رابطه چند برابر دارند. اگر واریانس این سریال بدون در نظر گرفتن سطح سریال ثابت باشد ، مؤلفه ها دارای یک رابطه افزودنی هستند. این ماهیت این سریال می تواند دشوار باشد و می تواند با گذشت زمان تغییر کند.
7. اثرات روز معاملات و تعدیل روز معاملات چیست؟
اثرات مکرر مرتبط با روزهای هفته اثرات روز معاملاتی است. مقادیر سری زمانی ماهانه (یا سه ماهه) ممکن است به ترکیب روز هفته ماه تقویم (یا چهارم) بستگی داشته باشد. سطح فعالیت ممکن است به این بستگی داشته باشد که روزهای هفته پنج بار در ماه به جای تنها چهار بار اتفاق می افتد ، یا اینکه در آن روزهای هفته 14 ، 13 یا 12 بار در سه ماهه اتفاق می افتد. به عنوان مثال ، دفاتر مجوز ساختمان معمولاً روزهای شنبه و یکشنبه بسته می شوند. بنابراین ، اگر ماه حاوی روزهای بیشتر باشد و اگر ماه حاوی روزهای بیشتر آخر هفته باشد ، تعداد مجوزهای ساختمان صادر شده در یک ماه معین بیشتر خواهد بود.
سری زمانی جریان ، کسانی که مقادیر آنها با گذشت زمان جمع می شوند (به عنوان مثال فروش) ممکن است به تعداد هر روز هفته در ماه (یا چهارم) بستگی داشته باشد. سری زمانی سهام ، کسانی که مقادیر آنها نشان دهنده عکس فوری در زمان است (به عنوان مثال موجودی ها) ممکن است به روز هفته اندازه گیری بستگی داشته باشد. به عنوان مثال ، مقادیر موجودی در پایان ماه (یا سه ماهه) ممکن است پایین تر باشد اگر روز آخر چهارشنبه باشد از اینکه روز آخر جمعه باشد ، اگر سهام جدید همیشه در روز پنجشنبه وارد شود.
اثرات روز معاملاتی می تواند مقایسه مقادیر سری یا مقایسه حرکات در یک سری با حرکات در دیگری را دشوار کند. در صورت لزوم برای این سریال ، و هنگامی که برآورد اثرات روز معاملاتی از نظر آماری معنی دار است ، ما آنها را از این سریال حذف می کنیم. تعدیل روز معاملات حذف چنین تخمین هایی است. معمولاً ما عوامل روز معاملاتی جداگانه را منتشر نمی کنیم ، که تخمین این اثرات است. در عوض ، ما اثرات ترکیبی را منتشر می کنیم ، که شامل عوامل روز معاملاتی به طور ضمنی است. طبق کنوانسیون ، ما معمولاً اثرات ترکیبی را به سادگی به عنوان عوامل فصلی معرفی می کنیم.
8- آیا تخمین های فوریه برای اثرات سال جهش تنظیم شده است؟
برای سریال های زمانی جریان ، که مقادیر آن به مرور زمان جمع می شوند ، اثرات سال جهش بخشی از تخمین و تنظیم روز معاملاتی است که بخشی از روند تنظیم فصلی است ، هنگامی که برای سری مناسب است و اثر از نظر آماری معنی دار است. برای تنظیم چند برابر ، برآوردهای فوریه با ضرب برآورد با نسبت طول متوسط فوریه (28. 25 روز) به طول فوریه داده شده (یا 28 یا 29 روز) نجات می یابد. برای یک تنظیم افزودنی ، مدل رگرسیون شامل یک رگرسور سال جهش است.
برای سری سهام (موجودی) ، ما به طور کلی برای اثرات جهش سال یا طول ماه (یا طول سه ماهه) تنظیم نمی کنیم.
9. تعطیلات در حال حرکت و تنظیم تعطیل چیست؟
تعطیلات که اثرات آنها همیشه در همان ماه (یا چهارم) هر سال سقوط می کند ، صرفاً بخشی از الگوی معمولی فصلی و روند تعدیل فصلی است. با این حال ، تعطیلات که اثرات آنها بین ماهها یا ماهها (یا چهارم) از سال به سال دیگر حرکت می کند ، تعطیلات در حال حرکت نامیده می شود. جابجایی تعدیل تعطیلات تخمین این اثرات با رگرسیون و حذف آنها از سری زمانی است.
به عنوان مثال ، تعطیلات متحرک با بیشترین تأثیر در سریال سرشماری دفتر عید پاک است که می تواند در مارس یا آوریل (یا در سه ماهه 1 یا چهارم 2) سقوط کند. هنگامی که عید پاک در ماه مارس است ، ما انتظار داریم در ماه مارس فروش بالاتری را در فروشگاه های پوشاک مشاهده کنیم زیرا مردم لباس های جدیدی را برای تعطیلات خریداری می کنند. هنگامی که عید پاک در ماه آوریل است ، این افزایش فعالیت ممکن است کاملاً در ماه آوریل کاهش یابد یا بسته به میزان نزدیک شدن به ابتدای ماه سقوط عید پاک ، بین مارس و آوریل تقسیم شود.
برای تعطیلات مانند عید پاک (یا روز کار ، شکرگذاری یا سایر رویدادهای مکرر) ، اثرات رگرسیون نشان دهنده نسبت پنجره دوره تعطیلات است که در هر ماه (یا در صورت لزوم) قرار می گیرد. به عنوان مثال ، اگر اثر عید پاک در هشت روز قبل از عید پاک رخ دهد ، و عید پاک در 4 آوریل سقوط می کند ، 5/8 اثر در مارس است و 3/8 اثر در آوریل است. اگر عید پاک در تاریخ 1 آوریل (یا قبل از آن) سقوط کند ، تمام اثر در ماه مارس است. اگر عید پاک در 9 آوریل (یا بعد از آن) سقوط کند ، تمام اثر در ماه آوریل است.
روز کارگر همیشه در ماه سپتامبر است و شکرگذاری همیشه در ماه نوامبر است ، اما پنجره دوره تعطیلات بین ماهها به سال دیگر متناسب است. به عنوان مثال ، اگر پنجره دوره تعطیلات شکرگذاری تصمیم بگیرد روز بعد از شکرگذاری را آغاز کند و تا 24 دسامبر ادامه یابد ، پس اگر شکرگذاری در اوایل ماه نوامبر سقوط کند ، انتظار داریم بیشتر فعالیت های خرید کریسمس در ماه نوامبر اتفاق بیفتد. اگر شکرگذاری در اواخر ماه نوامبر باشد ، انتظار داریم کمتر از فعالیت خرید کریسمس در ماه نوامبر اتفاق بیفتد.
تحلیلگران طول پنجره تعطیلات را بر اساس دانش در مورد موضوع سری زمانی و آزمایش های اهمیت اثرات رگرسیون تعیین می کنند. برای یک ماه معین ، متغیر رگرسیون برای اثر تعطیلات نسبت دوره زمانی آسیب دیده است که در آن ماه قرار می گیرد (در مثال عید پاک فوق ، 5/8 در مارس و 3/8 در آوریل). رگرسیون ها با تفریق وسایل بلند مدت خود متمرکز شده اند ، بنابراین آنها نسبت های ساده و دقیقی نیستند.
در صورت لزوم برای این سریال ، و هنگامی که اثر از نظر آماری معنی دار است ، آن را از سری تخمین می زنیم و حذف می کنیم. ما عوامل تعطیلات متحرک را با عوامل فصلی و عوامل روز معاملاتی ترکیب می کنیم تا عوامل ترکیبی را تولید کنیم ، به طور معمول به عنوان عوامل فصلی منتشر و برچسب گذاری می شویم.
10. چگونه تنظیم فصلی را استخراج می کنید؟
ما از نرم افزار X-13ARIMA-SEATS برای استخراج تنظیم فصلی خود و تولید عوامل فصلی استفاده می کنیم.
تخمین اثرات فصلی دشوار است که سطح زیرین سری (چرخه روند) با گذشت زمان تغییر کند. تخمین سطح زیرین این سریال در حضور اثرات فصلی دشوار است. به همین دلایل ، روش تنظیم فصلی X-11 موجود در X-13ARIMA-SEATS از یک روش تکراری از برآوردهای مؤلفه استخراج ، با پیشرفت های پی در پی استفاده می کند. این کار با از بین بردن یک تخمین خام و اولیه از چرخه روند آغاز می شود. سپس عوامل فصلی خام را از سری De-Trended مشتق می کند. این اثرات فصلی را برای به دست آوردن تخمین بهتر از چرخه روند ، حذف می کند ، و این امکان را برای برآورد بهتر از سری De-Trended فراهم می کند ، که منجر به عوامل فصلی تصفیه شده تر می شود. این فرآیند از برآوردهای مؤلفه نامنظم و پس از پی در پی تصفیه شده تر استفاده می کند تا مقادیر شدید را شناسایی و جایگزین کند که می تواند تخمین های چرخه روند و فاکتورهای فصلی را تحریف کند.
صندلی ها (استخراج سیگنال در سری زمانی ARIMA) روش تنظیم فصلی موجود در x 13arima-seats از برآورد پارامترها از مدلهای میانگین متحرک یکپارچه خودجوش (ARIMA) برای فیلتر کردن سری و به دست آوردن عوامل فصلی و سایر اجزای استفاده می کند.
برای بسیاری از سری های زمانی ، یک تنظیم فصلی چند برابر مناسب است ، و سری تنظیم شده فصلی سری اصلی است که بر اساس عوامل فصلی (یا ترکیبی) تقسیم می شود. به عنوان مثال ، برای ژانویه 2017 فرض کنید ، یک سری دارای ارزش اصلی 100000 و یک فاکتور فصلی چند برابر 0. 80 است. ارزش تعدیل شده فصلی برای ژانویه 2017 100000/0. 80 = 125،000 است.
برای برخی از سری های زمانی ، یک تنظیم فصلی افزودنی مناسب است ، و سری تنظیم شده فصلی سری اصلی منهای عوامل فصلی (یا ترکیبی) است. به عنوان مثال ، برای ژانویه 2017 فرض کنید ، یک سری دارای ارزش اصلی 90،000 و یک عامل فصلی افزودن ی-10،000 است. ارزش تعدیل شده فصلی برای ژانویه 2017 90،000-(-10،000) = 100،000 است.
در صورت لزوم ، ما اثرات رگرسیون را به همراه مدلهای ARIMA برای برآورد روز معاملاتی و/یا جلوه های تعطیلات در حال حرکت قرار می دهیم و نرم افزار قبل از تخمین اجزای فصلی ، چرخه روند و نامنظم ، این اثرات را از این سریال حذف می کند. بنابراین ، سری تنظیم شده فصلی نتیجه ای از تقسیم (یا تفریق) روز تجارت ترکیبی ، تعطیلات و عوامل فصلی است. بسیاری از جداول از عوامل ترکیبی به عنوان عوامل فصلی برای سادگی استفاده می کنند.
اگر یک سری دارای ارزش غیرمعمول یا تغییر ناگهانی در مقادیر باشد ، روشهای تنظیم فصلی می توانند تخمین های تحریف شده از عوامل فصلی ایجاد کنند. به همین دلیل ، ما سری را برای Outliers با استفاده از اثرات رگرسیون قبل از تنظیم فصلی تنظیم می کنیم. این جلوه های مهم بخش مهمی از داستان اقتصادی است که این سریال می گوید ، و بنابراین پس از برآورد نهایی عوامل فصلی ، به سری تنظیم شده فصلی بازگردانده می شوند.
مدل ها (رگرسیون همراه با ARIMA ، یا Regarima) همچنین پیش بینی مقادیر سری را برای تخمین در طول فیلتر ارائه می دهند ، خواه با روش X-11 یا SEATS باشد.
11. X-13ARIMA-SEATS چیست؟
X-13ARIMA-SEATS یک برنامه نرم افزاری تنظیم فصلی است که در دفتر سرشماری ایالات متحده تهیه و نگهداری می شود. این برنامه گسترش برنامه سرشماری اولیه X-12-ARIMA است که خود گسترش نرم افزار اولیه X-11 از دفتر سرشماری و X-11-Arima از آمار کانادا تحت استلا داگوم بود.
نرم افزار X-13ARIMA-SEATS همان روش های تنظیم X-12-ARIMA را امکان پذیر می کند و در تشخیص و همچنین نسخه پیشرفته نرم افزار صندلی های اسپانیا ، پیشرفت هایی را ارائه می دهد. روال صندلی ها نتیجه همکاری با توسعه دهندگان این نرم افزار است (آگستین ماراوال ، اقتصاددان ارشد سابق بانک اسپانیا ، که اکنون بازنشسته شده و جیانلوکا کاپورلو).
پیشرفت در صندلی های X-13ARIMA در مقایسه با X-12-ARIMA شامل
- رگرسیونرهای اضافی برای مدل سازی اثرات تقویم در سری (موجودی) سری زمانی
- رگرسرهای داخلی برای انواع جدید جدید ، از جمله دور فصلی ، رمپ های درجه دوم و تغییر سطح موقت
- امکان تعیین گروه هایی از رگرسیون های تعطیلات تعریف شده توسط کاربر و تولید تشخیص مدل برای گروه های مختلف
- تست های F مبتنی بر مدل رگرسیون برای رگرسیون روزهای پایدار فصلی و روز تجارت
- خروجی HTML قابل دسترسی به طور مستقیم توسط نرم افزار و نه با یک ابزار جداگانه تولید می شود.
12. چه اطلاعات توصیفی از تعدیل فصلی در اختیار کاربران قرار می دهید؟
سالانه، بسیاری از مناطق برنامه اقدامات خلاصه ای را که در زیر ذکر شده است منتشر می کنند، حداقل برای مجموعه های اصلی یا مجموعه های فردی با مشخصات بالا. به دنبال این نوع اطلاعات در توضیحات روش شناسی شاخص های اقتصادی باشید.
-
برای تنظیمات ضربی، میانگین درصد تغییر (یا برای تنظیمات افزایشی، میانگین تغییر)، با حذف اثرات پرت، در
- سریال اصلی
- سری های تنظیم شده فصلی، حاصل ضرب (یا مجموع) اجزای چرخه روند و نامنظم
- جزء روند چرخه
- جزء نامنظم
13. چه نوع تشخیصی را مرور می کنید و چه چیزی نشان دهنده تنظیم فصلی با کیفیت خوب است؟
نرم افزار X-13ARIMA-SEATS اطلاعات تشخیصی زیادی تولید می کند. برای مدلسازی، از تشخیصهای استاندارد، اغلب ماهیت مقایسهای، برای انتخاب مدلهایی با خطای پیشبینی کمتر، تناسب بهتر، و باقیماندههایی که بهصورت سریالی نامرتبط به نظر میرسند، استفاده میکنیم. هنگام انتخاب تنظیمات تنظیم فصلی، انواع تشخیص را در نظر می گیریم. برای قضاوت در مورد کیفیت یک تعدیل فصلی، در درجه اول تشخیصهایی را در نظر میگیریم که نشان میدهد آیا سری تنظیمشده نشانههایی از باقیمانده فصلی قابل توجه را نشان میدهد یا خیر و این تعدیل چقدر پایدار است، یعنی با اضافه کردن سریهای بیشتر، بازبینیها در عوامل فصلی تخمینی چقدر است. ارزش های.
-
شواهدی از فصلی بودن باقیمانده قابل توجه وجود ندارد پس از اینکه ما یک سری زمانی را به صورت فصلی تنظیم کردیم، نباید اثر فصلی قابل توجهی باقی بماند (بدون فصلی باقیمانده). X-13ARIMA-SEATS دارای تست های تشخیصی برای فصلی بودن است که ما آنها را بررسی می کنیم. مانند تمام آمارها، اینها نیز در معرض عدم قطعیت هستند. این آزمایشات شامل
-
تشخیص QS Maravall، بررسی همبستگی خودکار در تاخیرهای فصلی سری تنظیم شده فصلی. تشخیصی از توزیع تقریبی مجذور کای پیروی می کند، و مقدار p مرتبط کمتر از 0. 01 فصلی بودن احتمالی باقیمانده را نشان می دهد.
- دهانه های لغزشی، مقایسه تنظیمات فصلی زیر بازه های همپوشانی سری های زمانی. به عنوان مثال، وقتی که در چهار دوره فرعی 2006-2016، 2007-2017، 2008-2018، و 2009-2019 در سری تمام وقت تخمین زده می شود، تعدیل های فصلی چگونه متفاوت است؟
- تاریخچه تجدیدنظرها، مقایسههای تعدیلهای فصلی با تاخیر، معمولاً مقایسه تخمینهای اولیه زمانی که آن نقطه زمانی آخرین مقدار سری است (گاهی اوقات تخمین همزمان نامیده میشود) با تخمینهای مربوط به همان نقاط زمانی که سری تماموقت دارای دادههای بیشتری است.
14. چرا تنظیم فصلی را تجدید نظر می کنید؟
ما به دو دلیل اصلی ، تنظیم فصلی (و عوامل فصلی) را تجدید نظر می کنیم.
- ما وقتی سری اصلی را تجدید نظر می کنیم ، سری تنظیم شده فصلی را تجدید نظر می کنیم تا بتوانیم متناسب با داده های اصلاح شده به دست بیاوریم.
- ما با در دسترس بودن مقادیر سری جدید ، برخی از عوامل گذشته را تجدید نظر می کنیم. ما از مقادیر جدید برای بهبود تنظیمات فصلی تخمین زده شده در سالهای اخیر استفاده می کنیم. به عنوان مثال ، برآورد یک عامل فصلی برای ژانویه 2015 به شدت تحت تأثیر تخمین های جانوران اطراف (به ویژه از سال 2014 و 2016) است. در سال 2015 ، قبل از ژانویه 2016 و مقادیر بعدی در دسترس بود ، برآورد عاملی فصلی برای ژانویه 2015 کمتر قابل اعتماد بود. ما برآورد فاکتور فصلی ژانویه 2015 را برای گنجاندن اطلاعات از ارزش های سری جدید تجدید نظر خواهیم کرد.
15. نرخ سالانه چیست؟چرا داده های تنظیم شده فصلی گاهی به عنوان نرخ سالانه نشان داده می شوند؟
به طور کلی ، آنچه ما آن را نرخ سالانه تنظیم شده فصلی برای یک ماه (یا چهارم) می نامیم ، تخمین ای از کل سالانه است که اگر شرایط غیر فصلی در طول سال یکسان باشد. این "نرخ" به معنای فنی نرخ نیست ، بلکه تخمین سطح است.
برای یک سری ماهانه ، نرخ سالانه تنظیم شده فصلی مقدار تنظیم فصلی است که توسط 12 ضرب می شود. برای یک سری سه ماهه ، آن را با 4 ضرب می کند.
نرخ سالانه به ما امکان می دهد به راحتی ارزش یک ماه یا ارزش یک چهارم را با کل سالانه مقایسه کنیم و یک ماه را با یک چهارم مقایسه کنیم.
دفتر تجزیه و تحلیل اقتصادی (BEA) تخمین های سه ماهه تولید ناخالص داخلی ایالات متحده را با نرخ سالانه منتشر می کند ، و بسیاری از سری داده های سرشماری دفتر ورودی به تولید ناخالص داخلی است. نرخ سالانه برای سری ورودی به کاربران کمک می کند تا داده ها را در همان سطح تخمین های تولید ناخالص داخلی مشاهده کنند.
16. چرا مبلغ مقادیر ماهانه (یا سه ماهه) تنظیم شده فصلی برابر با کل سالانه نیست؟
هنگامی که تعدیل فصلی چند برابر با تقسیم سری زمانی بر اساس عوامل فصلی (یا عوامل ترکیبی) حاصل می شود ، از نظر حسابی غیرممکن است که سری تنظیم شده دارای همان سالانه سری اصلی باشد. حتی با تنظیم فصلی افزودنی ، این رابطه فقط در مورد غیرقابل علاقه امکان پذیر است که در آن الگوی فصلی کاملاً از سال به سال تکرار می شود و این سریال هیچ روز معاملاتی (یا سال جهش) ندارد. حتی در این حالت ، حتی گرد کردن ساده از عوامل فصلی می تواند نابرابری ایجاد کند. روشهای "معیار" می تواند سری تنظیم شده را مجبور به داشتن مجموعه های مشابه سری اصلی کند ، اما این رویه ها به دلیل تحول در مورد فصلی یا اختلاف روز معاملات به دلیل ترکیبات متفاوت روزهای هفته های مختلف ، به حساب نمی آید. X-13ARIMA-SEATS روش هایی برای نگه داشتن مبالغ سالانه به جمع ماهها یا محله های مؤلفه جداگانه دارد ، در حالی که هنوز هم در طول زمان و اثرات روز معاملاتی تغییرات را فراهم می کند.
17. چگونه می توانم مقادیر سه ماهه تنظیم فصلی را هنگام انتشار تنظیمات ماهانه فصلی (یا نرخ) تنظیم کنم؟
برای سری جریان ماهانه ، مانند فروش ، جمع آوری مقادیر تنظیم شده ماهانه فصلی یا میانگین مقادیر نرخ سالانه تنظیم شده ماهانه در یک چهارم ، ارزش تنظیم فصلی مربوطه را برای سه ماهه تولید می کند.
برای سری سهام ماهانه (موجودی) ، ما معمولاً ارزش تنظیم فصلی را برای آخرین ماه سه ماهه به عنوان ارزش تنظیم فصلی مربوطه برای سه ماهه می گیریم.
توجه داشته باشید که این روش ها نتیجه مشابهی با تنظیم مستقیم فصلی سری سه ماهه ایجاد نمی کنند.
18- تنظیم فصلی همزمان چیست؟چرا از آن استفاده می شود؟
تنظیم همزمان تنظیم ناشی از استفاده از تمام مقادیر سری زمانی موجود تا ماه جاری (یا چهارم) است. در اولین روزهای تعدیل فصلی ، قدرت محاسبات موجود باعث تنظیم همزمان فصلی به جز غیرممکن می شود ، بنابراین بیشتر تنظیم فصلی از عوامل پیش بینی شده یک بار در سال محاسبه می شود. برخی از مناطق برنامه هنوز از عوامل پیش بینی شده استفاده می کنند تا بدانند که عوامل فصلی برای سال آینده چه خواهد بود. پیش بینی ها ممکن است بیش از یک بار در سال اتفاق بیفتد ، مانند یک چهارم یا با زمان دیگر.
از آنجایی که تعدیل فصلی همزمان بیشتر از اطلاعات موجود برای هر تعدیل استفاده میکند، معمولاً نسبت به تعدیل پیشبینیشده به تعدیل فصلی نهایی نزدیکتر است، بهویژه وقتی مدت زمان از زمان وقوع پیشبینیها افزایش مییابد.
برخی منابع از عبارت Concurrent Adjustment فقط برای اشاره به تعدیل آخرین مقدار سری زمانی استفاده می کنند و نحوه ارجاع به نقاط زمانی قبل از آخرین را نامشخص می گذارند. ما تمایل داریم از عبارت به طور کلی تر استفاده کنیم تا به تعدیل کل سری از جمله آخرین و جدیدترین مقدار و برآوردهای بالقوه تجدید نظر شده مقادیر قبلی اشاره کنیم.
19. تعدیل غیر مستقیم چیست؟چرا استفاده می شود؟
تعدیل غیرمستقیم ترکیبی از سایر تنظیمات فصلی است. می تواند اشکال مختلفی داشته باشد.
به عنوان مثال، اگر یک سری زمانی مجموع سری مؤلفه های فصلی باشد، مجموع هر مؤلفه تعدیل شده فصلی، تعدیل فصلی غیرمستقیم کل را فراهم می کند. این تنظیم میتواند تا حد زیادی با تنظیم فصلی مستقیم مجموعه اصلی (تعدیل فصلی) مجموع متفاوت باشد.
ایالات متحده = منطقه شمال شرق + منطقه غرب میانه + منطقه جنوب + منطقه غرب
SAdj غیر مستقیم (U. S.) = SAdj (NE) + SAdj (MW) + SAdj (S) + SAdj (W)
مستقیم SAdj (U. S.) = SAdj (NE + MW + S + W)
که در آن "SAdj (سریال)" تنظیم فصلی سریال را نشان می دهد.
از آنجا که الگوهای فصلی بر اساس منطقه متفاوت است، ما در سطح منطقه ای تنظیم می کنیم و نتایج را برای به دست آوردن تعدیل فصلی برای کل ایالات متحده، با حفظ ماهیت تجمع، جمع می کنیم.
توجه داشته باشید که تعدیل غیر مستقیم به روابط افزایشی محدود نمی شود. به عنوان مثال، برای بدست آوردن تراز تجاری تعدیل شده فصلی، مقادیر صادراتی تعدیل شده فصلی را اضافه کنید و مقادیر واردات تعدیل شده فصلی را کم کنید. سایر اشکال تعدیل غیر مستقیم نیز امکان پذیر است.
هنگامی که سری اجزا دارای الگوهای فصلی متمایز و دارای تنظیمات با کیفیت خوب هستند، ما اغلب یک تنظیم غیرمستقیم فصلی را ترجیح می دهیم. برخی از کاربران داده تنظیمات فصلی غیرمستقیم را ترجیح می دهند، زیرا آنها یک رابطه ثابت بین سری مؤلفه و کل را حفظ می کنند.
X-13ARIMA-SEATS عیبیابی را برای تنظیمات فصلی مستقیم و غیرمستقیم فراهم میکند تا به بازبینان در انتخاب تنظیمات تنظیم کمک کند.