Implementação da planilha de ajuste sazonal e suavização exponencial É direto realizar ajustes sazonais e ajustar modelos de suavização exponencial usando o Excel. As imagens de tela e os gráficos abaixo são tirados de uma planilha que foi configurada para ilustrar o ajuste sazonal multiplicativo e o alisamento exponencial linear nos seguintes dados de vendas trimestrais da Outboard Marine: Para obter uma cópia do próprio arquivo de planilha, clique aqui. A versão do alisamento exponencial linear que será usada aqui para fins de demonstração é a versão Brown8217s, apenas porque pode ser implementada com uma única coluna de fórmulas e há apenas uma constante de suavização para otimizar. Normalmente, é melhor usar a versão Holt8217s que possui constantes de suavização separadas para nível e tendência. O processo de previsão prossegue da seguinte forma: (i) primeiro os dados são ajustados sazonalmente (ii), então, as previsões são geradas para os dados dessazonalizados por meio de alisamento exponencial linear e (iii) finalmente, as previsões sazonalmente ajustadas são quantitativas para obter previsões para a série original . O processo de ajuste sazonal é realizado nas colunas D a G. O primeiro passo no ajuste sazonal é calcular uma média móvel centrada (realizada aqui na coluna D). Isso pode ser feito tomando a média de duas médias de um ano que são compensadas por um período relativo um ao outro. (Uma combinação de duas médias de compensação em vez de uma única média é necessária para fins de centralização quando o número de estações é igual.) O próximo passo é calcular a proporção para a média móvel - i. e. Os dados originais divididos pela média móvel em cada período - o que é realizado aqui na coluna E. (Isso também é chamado de quottrend-cyclequot componente do padrão, na medida em que os efeitos da tendência e do ciclo comercial podem ser considerados como sendo tudo isso Permanece após uma média de um ano inteiro de dados. Claro, mudanças mensais que não são devidas à sazonalidade podem ser determinadas por muitos outros fatores, mas a média de 12 meses suaviza sobre eles em grande medida.) O índice sazonal estimado para cada estação é calculado primeiro calculando a média de todas as proporções para essa estação particular, o que é feito nas células G3-G6 usando uma fórmula AVERAGEIF. Os índices médios são então redimensionados de modo que somam exatamente 100 vezes o número de períodos em uma estação, ou 400 neste caso, o que é feito nas células H3-H6. Abaixo na coluna F, as fórmulas VLOOKUP são usadas para inserir o valor do índice sazonal apropriado em cada linha da tabela de dados, de acordo com o trimestre do ano que representa. A média móvel centralizada e os dados sazonalmente ajustados ficam assim: note que a média móvel geralmente se parece com uma versão mais suave da série sazonalmente ajustada, e é mais curta em ambas as extremidades. Outra planilha no mesmo arquivo do Excel mostra a aplicação do modelo de alisamento exponencial linear aos dados dessazonalizados, começando na coluna G. Um valor para a constante de alisamento (alfa) é inserido acima da coluna de previsão (aqui, na célula H9) e Por conveniência, é atribuído o nome do intervalo quotAlpha. quot (O nome é atribuído usando o comando quotInsertNameCreatequot.) O modelo LES é inicializado definindo as duas primeiras previsões iguais ao primeiro valor real da série dessazonalizada. A fórmula usada aqui para a previsão LES é a forma recursiva de equação única do modelo Brown8217s: Esta fórmula é inserida na célula correspondente ao terceiro período (aqui, célula H15) e copiada para baixo a partir daí. Observe que a previsão LES para o período atual refere-se às duas observações anteriores e aos dois erros de previsão precedentes, bem como ao valor de alpha. Assim, a fórmula de previsão na linha 15 refere-se apenas a dados que estavam disponíveis na linha 14 e anteriores. (Claro que, se desejássemos usar um alisamento exponencial simples em vez de linear, podemos substituir a fórmula SES aqui. Poderíamos também usar Holt8217s em vez do modelo LES Brown8217s, o que exigiria mais duas colunas de fórmulas para calcular o nível e a tendência Que são usados na previsão.) Os erros são computados na próxima coluna (aqui, coluna J) subtraindo as previsões dos valores reais. O erro quadrático médio equivocado é calculado como a raiz quadrada da variância dos erros mais o quadrado da média. (Isto segue a identidade matemática: VARIÂNCIA MSE (erros) (MÉDIA (erros)) 2. No cálculo da média e variância dos erros nesta fórmula, os dois primeiros períodos são excluídos porque o modelo na verdade não inicia a previsão até O terceiro período (linha 15 na planilha). O valor ideal de alfa pode ser encontrado alterando o alfa manualmente até encontrar o RMSE mínimo, ou então você pode usar o quotSolverquot para executar uma minimização exata. O valor de alfa que o Solver encontrou é mostrado aqui (alfa0.471). Geralmente é uma boa idéia traçar os erros do modelo (em unidades transformadas) e também calcular e traçar suas autocorrelações em atrasos de até uma estação. Aqui está uma série de séries temporais dos erros (ajustados sazonalmente): as autocorrelações de erro são calculadas usando a função CORREL () para calcular as correlações dos erros com elas mesmas atrasadas por um ou mais períodos - os detalhes são mostrados no modelo de planilha . Aqui está um enredo das autocorrelações dos erros nos primeiros cinco atrasos: as autocorrelações nos intervalos 1 a 3 são muito próximas de zero, mas o pico no intervalo 4 (cujo valor é 0,35) é um pouco incômodo - sugere que a O processo de ajuste sazonal não foi completamente bem sucedido. No entanto, na verdade, é apenas marginalmente significativo. 95 bandas de significância para testar se as autocorrelações são significativamente diferentes de zero são mais ou menos 2SQRT (n-k), onde n é o tamanho da amostra e k é o atraso. Aqui n é 38 e k varia de 1 a 5, então a raiz quadrada de n-menos-k é em torno de 6 para todos eles e, portanto, os limites para testar a significância estatística de desvios de zero são aproximadamente mais - Ou-menos 26, ou 0,33. Se você variar o valor de alfa à mão neste modelo do Excel, você pode observar o efeito sobre os gráficos de séries temporais e autocorrelação dos erros, bem como sobre o erro da raiz-médio-quadrado, que será ilustrado abaixo. Na parte inferior da planilha, a fórmula de previsão é citada no futuro, simplesmente substituindo as previsões por valores reais no ponto em que os dados reais se esgotaram - ou seja. Onde quotthe futurequot começa. (Em outras palavras, em cada célula onde um futuro valor de dados ocorreria, uma referência de célula é inserida, que aponta para a previsão feita para esse período.) Todas as outras fórmulas são simplesmente copiadas de cima: Observe que os erros para as previsões de O futuro é calculado para ser zero. Isso não significa que os erros reais serão zero, mas sim reflete apenas o fato de que, para fins de predição, estamos assumindo que os dados futuros serão iguais às previsões em média. As previsões resultantes para os dados dessazonalizados são assim: com este valor particular de alfa, otimizado para previsões de um período de antecedência, a tendência projetada é ligeiramente ascendente, refletindo a tendência local observada nos últimos 2 anos ou então. Para outros valores de alfa, uma projeção de tendência muito diferente pode ser obtida. Geralmente é uma boa idéia ver o que acontece com a projeção de tendência de longo prazo quando o alfa é variado, porque o valor que é melhor para a previsão de curto prazo não será necessariamente o melhor valor para prever o futuro mais distante. Por exemplo, aqui está o resultado que é obtido se o valor de alfa for ajustado manualmente para 0.25: A tendência de longo prazo projetada é agora negativa e não positiva. Com um menor valor de alfa, o modelo está colocando mais peso em dados mais antigos em A estimativa do nível e da tendência atuais e suas previsões de longo prazo refletem a tendência de queda observada nos últimos 5 anos em vez da tendência ascendente mais recente. Este gráfico também ilustra claramente como o modelo com um menor valor de alfa é mais lento para responder a pontos de referência nos dados e, portanto, tende a fazer um erro do mesmo sinal por vários períodos seguidos. Seus erros de previsão de 1 passo à frente são maiores em média do que os obtidos anteriormente (RMSE de 34,4 em vez de 27,4) e fortemente auto-correlacionados positivamente. A autocorrelação de lag-1 de 0,56 excede muito o valor de 0,33 calculado acima para um desvio estatisticamente significativo de zero. Como uma alternativa para diminuir o valor do alfa, a fim de introduzir mais conservadorismo em previsões de longo prazo, um fator de amortecimento de quotstend às vezes é adicionado ao modelo para que a tendência projetada se aplique depois de alguns períodos. O passo final na construção do modelo de previsão é quantificar as expectativas do LES, multiplicando-os pelos índices sazonais apropriados. Assim, as previsões não submetidas à coluna I são simplesmente o produto dos índices sazonais na coluna F e as previsões LES corrigidas sazonalmente na coluna H. É relativamente fácil calcular intervalos de confiança para as previsões de um passo antes feitas por este modelo: primeiro Computa o RMSE (erro da raiz-médio-quadrado, que é apenas a raiz quadrada do MSE) e depois calcula um intervalo de confiança para a previsão ajustada sazonalmente, adicionando e subtraindo duas vezes o RMSE. (Em geral, um intervalo de confiança 95 para uma previsão de um período anterior é aproximadamente igual ao ponto de previsão mais-ou-menos-duas vezes o desvio padrão estimado dos erros de previsão, assumindo que a distribuição do erro é aproximadamente normal e o tamanho da amostra É grande o suficiente, digamos, 20 ou mais. Aqui, o RMSE em vez do desvio padrão da amostra dos erros é a melhor estimativa do desvio padrão dos futuros erros de previsão porque leva também o viés, bem como as variações aleatórias em conta.) Os limites de confiança Para a previsão ajustada sazonalmente são então resgatados. Juntamente com a previsão, multiplicando-os pelos índices sazonais apropriados. Nesse caso, o RMSE é igual a 27,4 e a previsão ajustada sazonalmente para o primeiro período futuro (dezembro-93) é 273,2. Então o intervalo de confiança 95 ajustado sazonalmente é de 273,2-227,4 218,4 a 273,2227,4 328,0. Multiplicando esses limites pelo índice sazonal Decembers de 68,61. Obtemos limites de confiança inferiores e superiores de 149,8 e 225,0 em torno da previsão do ponto 93 de 187,4. Os limites de confiança para as previsões mais de um período adiante geralmente se ampliarão conforme o horizonte de previsão aumenta, devido à incerteza sobre o nível e a tendência, bem como os fatores sazonais, mas é difícil computá-los em geral por métodos analíticos. (A maneira apropriada de calcular os limites de confiança para a previsão LES é usando a teoria ARIMA, mas a incerteza nos índices sazonais é outra questão.) Se você quer um intervalo de confiança realista para uma previsão de mais de um período adiante, tomando todas as fontes de Erro em sua conta, sua melhor aposta é usar métodos empíricos: por exemplo, para obter um intervalo de confiança para uma previsão anterior de 2 passos, você poderia criar outra coluna na planilha para calcular uma previsão de duas etapas para cada período ( Ao inicializar a previsão de um passo a frente). Em seguida, computa o RMSE dos erros de previsão de 2 passos antes e usa isso como base para um intervalo de confiança de 2 passos à frente.8216Tais a sazonalidade de suas métricas Algumas postagens de volta, examinei uma técnica simples para usar uma movimentação exponencial Média (EMA) em suas métricas de séries temporais. Isso tem a vantagem de suavizar as métricas e, ao mesmo tempo, manter um 8220memory8221 de todos os valores anteriores da métrica anterior. Ele também tem o benefício lateral de ser mais fácil de atualizar à medida que novos valores para suas métricas se tornam disponíveis. Desta vez, quero mostrar-lhe uma técnica para corrigir outro problema comum da série temporal: sazonalidade. Sim, suas métricas estão em queda em janeiro, mas é a queda normal das vendas após o feriado. Ou é o início de uma verdadeira tendência de baixa que você precisa manter um olho. O artigo ilustrará uma maneira rápida e simples de desestacionalizar seu dados. Let8217s trabalham através de um exemplo passo a passo: Imagine que estamos trabalhando em uma empresa de software onde o produto de nível empresarial possui um ciclo de vendas razoavelmente longo e nossa métrica é conversão real crua durante um quarto. Se você estivesse olhando suas métricas de vendas de conversão no gráfico acima, como você está ultimamente Melhor do que 2010, bem como 2011 Here8217s os dados brutos: Etapa 1: Recolher dados de métricas que retornam pelo menos 3 períodos de ciclo completo Para a maioria das pessoas, Isso significa dados trimestrais ou mensais que retornam três anos. Sim, você pode usar dados semanais ou diários, embora you8217ll geralmente queira suavizar esses dados (cha-ching. Outro ótimo uso para a média móvel exponencial). E, não deve ser durante todo um ano se o 8220seasons8221 os seus dados passarem não é medido pelos meses do calendário 8212, então, se você estiver olhando os dados do dia da semana, digamos, para comparar a forma como seus clientes atuam na segunda-feira Em relação a quinta-feira, então um bom 8-12 semanas de dados seria um mínimo inteligente. Passo 2: Compare como períodos de tempo para curtir períodos de tempo Por exemplo, veja todos os meses de janeiro ou todas as terças e calcule uma média. Aqui, uso uma média simples em vez da EMA. Como o EMA foi projetado para ser útil para o período de séries temporais, comparou seqüencialmente 8212 comparando fevereiro a janeiro que veio antes dele 8212 e não estamos fazendo isso aqui, mas estamos tratando os dados como dados puros e nosso objetivo final é Extraia as séries temporais sazonais. Etapa 3: Normalização Compare todas essas médias entre si e divida cada uma das médias com a média das médias, produzindo um fator estacional ajustado para esse período, em média, em comparação com o valor normal, referido como 8220normalização.8221 Isso É como comparamos 8220apples com as maçãs8221 em vários anos e no contexto de todo o efeito sazonal. Etapa 4: Divida cada ponto de dados original por seu fator estacionalmente ajustado Isso lhe dá um valor efetivo para essa métrica com o componente sazonal removido. Etapa 5: Conclusões do sorteio Veja esses novos dados desestacionalizados e extraie conclusões, se houver, dele. Agora que restauramos a sazonalidade das vendas, suas conclusões são diferentes. Olhando para os dados vermelhos, desesperados, com certeza, parece que o baixo de 2012 é ainda menor do que o final de 2010, e o 2012 isn8217t quase tão alto como Em 2011. Isso deve causar alguma consternação na próxima reunião de vendas. Claro, há um zilhão de ressalvas aqui. Seus dados são mesmo sazonais, em primeiro lugar. Olhando para a linha azul, o melhor que podemos dizer é 8220maybe8221 8212 it8217d seja ótimo ter mais dados. Talvez uma quebra mensal de dados em vez de trimestralmente. Outra advertência pode ser cíclica 8212 se o ciclo econômico dominar seu ciclo de vendas, então ele pode facilmente pular o componente sazonal 8212, mas se isso acontecer, por que o menor baixo em vendas de 2012 Então, minha pergunta este mês: quando você olha suas métricas , Você é responsável pela sazonalidade Ou você apenas olha para ver se os números são 8220up8221 no relatório mais recente. Você pode estar faltando uma visão chave. Algumas opiniões expressas neste artigo podem ser as de um autor convidado e não necessariamente da Marketing Land. Os autores da equipe estão listados aqui. Sobre o autor John Quarto-vonTivadar é um dos inventores da Persuasion Architecture e regularmente combate a inumerabilidade entre os comerciantes em sua série popular de Matemática para comerciantes. O best-seller de Johns 2008, Always Be Testing, escrito com o parceiro comercial Bryan Eisenberg, tem sido a referência padrão para otimização de conversão através do teste desde a sua versão e tem sido usado tanto para cursos acadêmicos quanto para treinamento corporativo. Análise da série de tempo : Métodos de Ajuste sazonal Como funcionam os métodos de estilo X11 Quais são alguns pacotes usados para realizar o ajuste sazonal X11 X11ARIMA X12ARIMA SEATSTRAMO DEMETRA Quais são as técnicas empregadas pelo ABS para lidar com o ajuste sazonal? Como o SEASABS funciona Como outras agências estatísticas lidam com o ajuste sazonal COMO OS MÉTODOS DO ESTILO DO X11 TRABALHAM Os métodos baseados no filtro do ajuste sazonal são freqüentemente conhecidos como métodos de estilo X11. Estes são baseados no procedimento 8216ratio to moving average8217 descrito em 1931 por Fredrick R. Macaulay, do National Bureau of Economic Research nos EUA. O procedimento consiste nas seguintes etapas: 1) Estimar a tendência por uma média móvel 2) Remover a tendência deixando os componentes sazonais e irregulares 3) Estimar o componente sazonal usando médias móveis para suavizar os irregulares. A sazonalidade geralmente não pode ser identificada até que a tendência seja conhecida, no entanto, uma boa estimativa da tendência não pode ser feita até a série ter sido ajustada sazonalmente. Portanto, o X11 usa uma abordagem iterativa para estimar os componentes de uma série temporal. Como padrão, ele assume um modelo multiplicativo. Para ilustrar as etapas básicas envolvidas no X11, considere a decomposição de uma série de tempo mensal sob um modelo multiplicativo. Etapa 1: estimativa inicial da tendência Uma média móvel simétrica de 13 (2x12) é aplicada a uma série temporal mensal original, O t. Para produzir uma estimativa inicial da tendência T t. A tendência é então removida da série original, para fornecer uma estimativa dos componentes sazonais e irregulares. Seis valores em cada extremidade da série são perdidos como resultado do problema do ponto final - somente filtros simétricos são usados. Etapa 2: estimativa preliminar do componente sazonal Uma estimativa preliminar do componente sazonal pode então ser encontrada aplicando uma média móvel ponderada de 5 termos (S 3x3) para a série S t. I t para cada mês separadamente. Embora este filtro seja o padrão dentro do X11, o ABS usa 7 médias móveis a termo (S 3x5). Os componentes sazonais são ajustados para adicionar a 12 aproximadamente ao longo de um período de 12 meses, de modo que eles medem para 1 para garantir que o componente sazonal não altere o nível da série (não afeta a tendência). Os valores faltantes nas extremidades do componente sazonal são substituídos pela repetição do valor do ano anterior. Etapa 3: estimativa preliminar dos dados ajustados Uma aproximação das séries dessazonalizadas é encontrada dividindo a estimativa do período sazonal do passo anterior para a série original: Etapa 4: Uma melhor estimativa da tendência A 9, 13 ou 23 A média móvel de Henderson é aplicada aos valores sazonalmente ajustados, dependendo da volatilidade da série (uma série mais volátil requer uma média móvel mais longa), para produzir uma estimativa melhorada da tendência. A série de tendências resultante é dividida em séries originais para dar uma segunda estimativa dos componentes sazonais e irregulares. Os filtros assimétricos são usados nas extremidades da série e, portanto, não há valores faltantes como no passo 1. Etapa 5: estimativa final do componente sazonal O passo dois é repetido para obter uma estimativa final do componente sazonal. Passo 6: estimativa final dos dados ajustados Uma série final ajustada sazonalmente é encontrada dividindo a segunda estimativa do período sazonal do passo anterior na série original: Etapa 7: estimativa final da tendência A 9, 13 ou 23 termo Henderson em movimento A média é aplicada na estimativa final da série dessazonalizada, que foi corrigida para valores extremos. Isso dá uma estimativa melhorada e final da tendência. Em versões mais avançadas do X11 (como X12ARIMA e SEASABS), qualquer média móvel Henderson pode ser usada. Passo 8: estimativa final do componente irregular Os irregulares podem então ser estimados dividindo as estimativas de tendência em dados dessazonalizados. Obviamente, essas etapas dependerão de qual modelo (multiplicativo, aditivo e pseudo-aditivo) é escolhido dentro do X11. Há também pequenas diferenças nas etapas do X11 entre várias versões. Um passo adicional na estimativa dos fatores sazonais é melhorar a robustez do processo de média, por modificação dos valores de SI para extremos. Para obter mais informações sobre as principais etapas envolvidas, consulte a seção 7.2 do documento de informações: um curso introdutório sobre análise de séries temporais - entrega eletrônica. QUAISQUER ALGUNS PACOTES UTILIZADOS PARA REALIZAR O AJUSTAMENTO TEMPORAL Os pacotes de ajuste sazonal mais utilizados são aqueles da família X11. O X11 foi desenvolvido pelo Escritório do Censo dos EUA e começou a operar nos Estados Unidos em 1965. Foi adotado em breve por muitas agências estatísticas em todo o mundo, incluindo o ABS. Ele foi integrado em uma série de pacotes de software comercialmente disponíveis, como SAS e STATISTICA. Ele usa filtros para ajustar os dados de forma sazonal e estimar os componentes de uma série temporal. O método X11 envolve a aplicação de médias móveis simétricas a uma série temporal, a fim de estimar a tendência, os componentes sazonais e irregulares. No entanto, no final da série, não há dados suficientes disponíveis para usar pesos simétricos 8211 o problema 8216end-point8217. Consequentemente, os pesos assimétricos são utilizados ou a série deve ser extrapolada. O método X11ARIMA, desenvolvido pela Statistics Canada em 1980 e atualizado em 1988 para X11ARIMA88, usa os modelos Box Jenkins AutoRegressive Integrated Moving Average (ARIMA) para estender uma série de tempo. Essencialmente, o uso da modelagem ARIMA na série original ajuda a reduzir as revisões na série sazonalmente ajustada para que o efeito do problema do ponto final seja reduzido. X11ARIMA88 também difere do método X11 original em seu tratamento de valores extremos. Pode ser obtido contatando a estatística de Canadá. No final de 19908217, o Departamento de Censo dos EUA lançou X12ARIMA. Ele usa modelos regARIMA (modelos de regressão com erros ARIMA) para permitir ao usuário estender a série com previsões e pré-ajustar a série para efeitos de calendário e calendário antes do ajuste sazonal ter lugar. X12ARIMA pode ser obtido no Bureau e está disponível gratuitamente e pode ser baixado de census. govsrdwwwx12a. Desenvolvido por Victor Gomez e Augustn Maravall, o SEATS (Signal Extraction em ARIMA Time Series) é um programa que estima e projeta os componentes de tendência, sazonal e irregular de uma série temporal usando técnicas de extração de sinal aplicadas aos modelos ARIMA. TRAMO (Regressão de séries temporais com ruído ARIMA, Observações em falta e Outliers) é um programa complementar para estimativa e previsão de modelos de regressão com erros ARIMA e valores em falta. Ele é usado para pré-ajustar uma série, que será ajustada sazonalmente pelo SEATS. Para baixar gratuitamente os dois programas da internet, entre em contato com o Banco da Espanha. Bde. eshomee. htm O Eurostat concentrou-se em dois métodos de ajuste sazonais: TramoSeats e X12Arima. As versões desses programas foram implementadas em uma única interface, chamada quotDEMETRAquot. Isso facilita a aplicação dessas técnicas a conjuntos de séries temporais em grande escala. DEMETRA contém dois módulos principais: ajuste sazonal e estimativa de tendências com um procedimento automatizado (por exemplo, para usuários inexperientes ou para conjuntos de séries temporais em larga escala) e com um procedimento fácil de usar para análise detalhada de séries temporais únicas. Pode ser baixado de forum. europa. eu. intircdsiseurosaminfodatademetra. htm. QUAIS SÃO AS TÉCNICAS EMPREGADAS PELO ABS PARA TRATAR COM AJUSTAMENTO TEMPORAL A principal ferramenta utilizada no Departamento Australiano de Estatística é a SEASABS (Análise SEASonal, padrões ABS). SEASABS é um pacote de software de ajuste sazonal com um sistema de processamento básico baseado em X11 e X12ARIMA. O SEASABS é um sistema baseado no conhecimento que pode auxiliar os analistas das séries temporais a fazerem julgamentos apropriados e corretos na análise de uma série temporal. SEASABS é uma parte do sistema de ajuste sazonal do ABS. Outros componentes incluem ABSDB (ABS information warehouse) e FAME (Forecasting, Analysis and Modeling Environment, usado para armazenar e manipular dados de séries temporais). SEASABS desempenha quatro funções principais: revisão de dados Reanálise sazonal de séries temporais Investigação de séries temporais Manutenção do conhecimento de séries temporais O SEASABS permite o uso experiente e cliente do método X11 (que foi significativamente aprimorado pelo ABS). Isso significa que um usuário não precisa de um conhecimento detalhado do pacote X11 para ajustar adequadamente as séries temporais adequadamente sazonais. Uma interface inteligente orienta os usuários através do processo de análise sazonal, fazendo escolhas adequadas de parâmetros e métodos de ajuste com pouca ou nenhuma orientação necessária na parte dos usuários. O processo básico de iteração envolvido no SEASABS é: 1) Teste e corrija as quebras sazonais. 2) Teste e remova picos grandes nos dados. 3) Teste e corrija quebras de tendência. 4) Teste e corrija valores extremos para fins de ajuste sazonal. 5) Estimar qualquer efeito de dia de negociação presente. 6) Insira ou altere as correções de férias em movimento. 7) Verifique as médias móveis (médias móveis de tendência e, em seguida, médias móveis sazonais). 8) Execute X11. 9) Finalize o ajuste. O SEASABS mantém registros da análise anterior de uma série para que possa comparar diagnósticos X11 ao longo do tempo e sabe quais parâmetros levaram ao ajuste aceitável em última análise. Ele identifica e corrige as rupturas de tendência e sazonal, bem como os valores extremos, insere os fatores do dia de negociação, se necessário, e permite mudanças nas férias. O SEASABS está disponível gratuitamente para outras organizações governamentais. Entre em contato com time. series. analysisabs. gov. au para obter mais detalhes. COMO AS OUTRAS AGÊNCIAS ESTATÍSTICAS TRABALHAM COM AJUSTAMENTO TEMPORAL Estatísticas A Nova Zelândia usa X12-ARIMA, mas não usa as capacidades ARIMA do pacote. Office of National Statistics, UK usa X11ARIMA88 Statistics Canada usa X11-ARIMA88 US Bureau of the Census usa X12-ARIMA Eurostat usa SEATSTRAMO Esta página foi publicada pela primeira vez 14 de novembro de 2005, última atualização 10 de setembro de 2008
No comments:
Post a Comment