Penyesuaian musiman adalah langkah penting untuk memproses data untuk penelitian lebih lanjut. Namun peneliti memiliki sejumlah opsi untuk dekomposisi tren-siklus-musiman. Metode dekomposisi musiman saingan yang paling umum (dilihat dari jumlah kutipan dalam literatur empiris) adalah X-11 (12) -ARIMA, Tramo / Kursi (keduanya diimplementasikan dalam Demetra + ) dan 's stl . Mencari untuk menghindari pilihan acak antara teknik dekomposisi yang disebutkan di atas (atau metode sederhana lainnya seperti variabel dummy musiman) Saya ingin mengetahui strategi dasar yang mengarah pada pemilihan metode dekomposisi musiman secara efektif.
Beberapa pertanyaan penting (tautan ke diskusi juga dapat diterima) dapat berupa:
- Apa persamaan dan perbedaan, poin kuat dan lemah dari metode ini? Apakah ada kasus khusus ketika satu metode lebih disukai daripada yang lain?
- Bisakah Anda memberikan panduan umum tentang apa yang ada di dalam kotak hitam dari berbagai metode dekomposisi?
- Adakah trik khusus memilih parameter untuk metode (saya tidak selalu puas dengan default,
stlmisalnya memiliki banyak parameter untuk menangani, kadang-kadang saya merasa saya tidak tahu bagaimana memilih yang ini dengan cara yang benar). - Apakah mungkin untuk menyarankan beberapa kriteria (statistik) agar deret waktu disesuaikan secara efisien (analisis korelasi, kepadatan spektral? Kriteria ukuran sampel kecil? Ketahanan?).
1
Anda mungkin tertarik dengan jawaban ini dan pada referensi yang diberikan di sana.
—
javlacalle