Mengapa kita harus menghapus musiman dari rangkaian waktu?


11

Saat bekerja dengan deret waktu, kami terkadang mendeteksi dan menghapus musiman menggunakan analisis spektral. Saya seorang pemula dalam rangkaian waktu, dan saya bingung mengapa orang ingin menghapus musiman dari rangkaian waktu asli? Tidak menghapus musiman mengubah data asli?

Apa manfaat yang kita dapatkan dengan membangun rangkaian waktu dengan menghapus musiman?


1
Kalimat terakhir dari paragraf pembuka entri wikipedia tentang penyesuaian musiman memberikan alasan mengapa pemerintah (dan organisasi lain yang harus berurusan dengan perencanaan, termasuk banyak bisnis) mungkin ingin melakukannya.
Glen_b -Reinstate Monica

Jawaban:


7

Alasan menurut Burman:

Yang paling umum adalah memberikan perkiraan tren saat ini sehingga perkiraan jangka pendek yang menghakimi dapat dibuat. Atau, itu dapat diterapkan pada sejumlah besar seri yang memasuki model ekonomi, karena telah terbukti tidak praktis untuk menggunakan data yang tidak disesuaikan dengan boneka musiman di semua kecuali model terkecil: ini sering disebut mode historis penyesuaian musiman

Tujuan utama mempelajari indikator ekonomi adalah untuk menentukan tahap siklus bisnis di mana ekonomi berada. Pengetahuan tersebut membantu dalam meramalkan pergerakan siklus berikutnya dan memberikan dasar faktual untuk mengambil langkah-langkah untuk memoderasi amplitudo dan ruang lingkup siklus bisnis. . . . Namun, dalam menggunakan indikator, para analis pada akhirnya selalu terganggu oleh kesulitan memisahkan siklus dari jenis fluktuasi lain, terutama fluktuasi musiman.

Jika Anda ingin 2 kopek saya, maka saya akan meringkasnya seperti ini:

  1. Kemudahan: Jika Anda berurusan dengan banyak seri ekonomi, masing-masing dari mereka akan memiliki musiman sendiri. Menjadi tidak praktis untuk menghadapi musiman dari setiap seri dalam model multivariat. Jadi, lebih mudah untuk menghilangkan musim semua seri ekonomi sebelum menambahkannya ke model multivarian, atau menganalisisnya bersama.
  2. Ekstraksi tren: banyak rangkaian ekonomi bersifat musiman, misalnya harga rumah lebih tinggi di musim panas. Oleh karena itu, ketika indeks harga rumah tiba-tiba turun, itu tidak selalu karena itu menandakan sesuatu yang penting dalam perekonomian, tetapi itu bisa saja merupakan penurunan musiman, yang tidak memiliki informasi signifikan. Oleh karena itu, kami ingin menasionalisasi rangkaian untuk memahami di mana kami berada.

jika saya melakukan pemodelan deret waktu, bukankah seharusnya model juga mempelajari musiman dan tren dalam seri?
vishnu viswanath

Ada banyak cara melakukan seri dasi. Anda dapat meninggalkan musiman dalam seri, lalu secara eksplisit menghadapinya dalam struktur lag dengan SARIMA, misalnya.
Aksakal

Terima kasih balasannya. jadi dari komentar Anda, saya berasumsi bahwa kita harus memperhitungkan musiman dan tren dalam pemodelan, tetapi kadang-kadang kita menghapusnya sehingga kita dapat mempelajari pola yang mendasarinya dan mempelajari bagian musiman secara terpisah dan menggabungkan. Apakah saya benar?
vishnu viswanath

1
ya, tidak ada satu-satunya cara pemodelan, Anda selalu memiliki opsi berbeda.
Aksakal

0

Ketika melihat hubungan antara dua variabel yang merupakan deret waktu, musiman akan mengurangi derajat kebebasan karena data tidak akan independen. Korelasi "serial" ini akan menghasilkan korelasi palsu. Dengan demikian musiman dihapus dengan tujuan meningkatkan derajat kebebasan.


Saya pikir Anda mungkin membuat beberapa argumen yang valid tentang deret waktu tetapi saya tidak mengerti penggunaan istilah "derajat jika kebebasan" dalam konteks ini.
Michael R. Chernick

Yang saya maksud adalah jumlah pengamatan independen yang akan memungkinkan kita untuk menghitung bar kesalahan untuk menetapkan signifikansi korelasi kita.
Alberto M Mestas-Nunez

Baik. Itu masalah yang berbeda. Derajat kebebasan adalah istilah statistik teknis yang berlaku untuk distribusi t dan F.
Michael R. Chernick
Dengan menggunakan situs kami, Anda mengakui telah membaca dan memahami Kebijakan Cookie dan Kebijakan Privasi kami.
Licensed under cc by-sa 3.0 with attribution required.