2x12 Moving Average

Grundlegende Algorithmen von X-11 Das X-11-Zerlegungsverfahren basiert auf einem fünfstufigen einfachen saisonalen Anpassungsalgorithmus. Gemäß diesem Algorithmus sollte der Benutzer eine erste Schätzung des Trendzyklus durch Anwenden eines gleitenden Mittelwertes auf die Rohdaten ableiten, um diese Schätzung von den Rohdaten zu subtrahieren, um eine anfängliche Schätzung des saisonal-unregelmäßigen (SI ) Und einen gleitenden Durchschnitt an die SIs für jeden Quartentyp einzeln anzuwenden, um anfängliche Schätzungen der saisonalen Komponente zu erhalten, subtrahieren die ursprünglichen saisonalen Faktoren von den Rohdaten, um eine anfängliche Schätzung der saisonbereinigten Reihe zu erhalten (dh der Trendzyklus / irregulär ) Und einen Henderson-gleitenden Durchschnitt anwenden, um eine zweite Schätzung des Trendzyklus zu erhalten, subtrahieren Sie die zweite Schätzung des Trendzyklus von den Rohdaten, um eine zweite Schätzung der SIs zu erhalten, und wenden Sie einen gleitenden Durchschnitt für jede Art von Quartal separat an Um endgültige Schätzungen der saisonalen Komponente zu erhalten, subtrahieren die saisonalen Faktoren von den Rohdaten, um eine abschließende Schätzung der saisonbereinigten Reihen zu erhalten, und wenden einen Henderson-gleitenden Durchschnitt an, um eine abschließende Schätzung des Trendzyklus zu erhalten. Lesen Sie mehr darüber, wie dieser Algorithmus auf die X-11 Methode angewendet wird. Der grundlegende Algorithmus des X-11-Verfahrens besteht aus acht Schritten und entspricht dem zweimaligen zweimaligen Verwenden des einfachen Algorithmus, wobei die gleitenden Mittelwerte jedes Mal chaging werden. Dieser grundlegende achtstufige Algorithmus wird in Teil B, C und D von X-11 verwendet. Es schätzt die Komponenten zweimal. Die Markierungen (1) und (2) werden verwendet, um sie voneinander zu unterscheiden. Die Beschreibung unten zeigt, wie der Algorithmus in Teil B läuft. Für die Teile C und D läuft er in ähnlicher Weise. Schritt 1: Schätzung des Trend-Zyklus durch 2x12 gleitenden Durchschnitt: Die erste Schätzung des Taktzyklus wird durch Anwendung des gleitenden Mittelwerts auf die ursprüngliche Zeitreihe erhalten: Der hier verwendete gleitende Durchschnitt ist ein 2 × 12 gleitender Durchschnitt der Koeffizienten Den zentralen Punkt einer linearen Tendenz wiedergibt, die konstante Saisonalität der Ordnung 12 eliminiert und die Varianz der unregelmäßigen Komponente minimiert. Der Ausgang (Trendzyklus) ist in Tabelle B2 gespeichert. Schritt 2: Schätzung der saisonal-irregulären Komponente: Die erste Schätzung der saisonal-irregulären Komponente wird durch Entfernen des Trendzyklus aus Zeitreihen erhalten: Die Ergebnisse sind in Tabelle B3 aufgeführt. Schritt 3: Schätzung der Saisonkomponente um 3x3 gleitenden Durchschnitt über jeden Monat: Die Schätzung erfolgt auf der Basis der saisonal-unregelmäßigen Komponente aus dem vorherigen Schritt korrigiert mit den Extremwerten. Der hier verwendete gleitende Durchschnitt ist ein 3 × 3 gleitender Durchschnitt über 5 Ausdrücke von Koeffizienten. Der Filter wird auf die saisonal-unregelmäßigen Verhältnisse für jede Periode separat über 5 Jahre angewendet. Dann werden die saisonalen Faktoren mit einem zentrierten 12-term gleitenden Durchschnitt normalisiert, so dass die saisonalen Effekte über den gesamten Zeitraum von 12 Monaten annähernd annulliert werden. Das Ergebnis dieses Schrittes wird in Tabelle B5 beibehalten. Schritt 4: Schätzung der saisonbereinigten Reihe: Die Schätzung der saisonbereinigten Reihe erfolgt durch Abbau der ersten Schätzung der Saisonkomponente aus der Ausgangsserie (Tabelle B1) (Tabelle B5): Schritt 5: Schätzung des Trend-Zyklus durch 13-term Henderson gleitender Durchschnitt: Die zweite Schätzung des Trendzyklus (Tabelle B7) wird aus saisonbereinigter Reihe (Tabelle B6) mit 13-term-Henderson-Filter geglättet. Schritt 6: Schätzung der saisonal-irregulären Komponente: Eine Schätzung der saisonal-unregelmäßigen Komponente wird durch Subtraktion des Trendzyklus der ursprünglichen Zeitreihe erreicht. Die Ergebnisse werden in Tabelle B8 gespeichert. Schritt 7: Schätzung der Saisonkomponente um 3x5 gleitenden Durchschnitt über jeden Monat: Die zweite Schätzung der Saison-Unregelmäßigen Komponente wird durch Entfernen des Trendzyklus aus Zeitreihen erhalten: Der hier verwendete gleitende Durchschnitt ist ein sogenannter 3x5 gleitender Durchschnitt Über 7 Terme von Koeffizienten und behält lineare Trends. Die Koeffizienten werden dann so normiert, dass ihre Summe über den gesamten Zeitraum von 12 Monaten annähernd annulliert wird. Das Ergebnis dieses Schrittes wird in Tabelle B10 gespeichert. Schritt 8: Schätzung der saisonbereinigten Reihe: Die Schätzung der saisonbereinigten Reihe erfolgt durch Entfernen der zweiten Schätzung der saisonalen Komponente (Tabelle B10) aus der Ausgangsserie (Tabelle B1): Die Ausgabe dieses Schritts ist Tabelle B11. Die ganze Schwierigkeit liegt also in der Wahl der gleitenden Mittelwerte, die für die Schätzung des Trendzyklus in den Schritten 1 und 5 einerseits und für die Schätzung der Saisonkomponente in den Schritten 3 und 5 verwendet werden Benötigt der Trendzyklus die Auswahl des passenden Henderson-Filters.6.2 Bewegungsdurchschnitte ma 40 elecales, order 5 41 In der zweiten Spalte dieser Tabelle wird ein gleitender Durchschnitt der Ordnung 5 angezeigt, der eine Schätzung des Trendzyklus liefert. Der erste Wert in dieser Spalte ist der Durchschnitt der ersten fünf Beobachtungen (1989-1993) der zweite Wert in der 5-MA-Spalte ist der Durchschnitt der Werte 1990-1994 und so weiter. Jeder Wert in der Spalte 5-MA ist der Mittelwert der Beobachtungen in den fünf Jahren, die auf das entsprechende Jahr zentriert sind. Es gibt keine Werte für die ersten zwei Jahre oder die letzten zwei Jahre, weil wir nicht zwei Beobachtungen auf beiden Seiten haben. In der obigen Formel enthält Spalte 5-MA die Werte von Hut mit k2. Um zu sehen, wie die Trend-Schätzung aussieht, stellen wir sie zusammen mit den Originaldaten in Abbildung 6.7 dar. Grundstück 40 elecsales, HauptsacheResidential Elektrizität salesquot, ylab quotGWhquot. Xlab quotYearquot 41 Zeilen 40 ma 40 elecales, 5 41. col quotredquot 41 Beachten Sie, wie der Trend (in rot) glatter als die ursprünglichen Daten ist und erfasst die Hauptbewegung der Zeitreihe ohne alle geringfügigen Schwankungen. Die gleitende Mittelmethode erlaubt keine Abschätzungen von T, wobei t nahe den Enden der Reihe ist, so daß sich die rote Linie nicht zu den Kanten des Graphen beiderseits erstreckt. Später werden wir anspruchsvollere Methoden der Trend-Zyklus-Schätzung verwenden, die Schätzungen nahe den Endpunkten erlauben. Die Reihenfolge des gleitenden Mittelwerts bestimmt die Glätte der Tendenzschätzung. Im Allgemeinen bedeutet eine größere Ordnung eine glattere Kurve. Die folgende Grafik zeigt die Auswirkung der Veränderung der Reihenfolge des gleitenden Durchschnitts für die privaten Stromverkaufsdaten. Einfache gleitende Mittelwerte wie diese sind meist ungerade (z. B. 3, 5, 7 usw.). Das ist also symmetrisch: In einem gleitenden Durchschnitt der Ordnung m2k1 gibt es k frühere Beobachtungen, k spätere Beobachtungen und die mittlere Beobachtung Die gemittelt werden. Aber wenn m gerade war, wäre es nicht mehr symmetrisch. Gleitende Mittelwerte der gleitenden Mittelwerte Es ist möglich, einen gleitenden Durchschnitt auf einen gleitenden Durchschnitt anzuwenden. Ein Grund hierfür besteht darin, einen gleitenden Durchschnitt gleichmäßig symmetrisch zu machen. Zum Beispiel könnten wir einen gleitenden Durchschnitt der Ordnung 4 nehmen und dann einen anderen gleitenden Durchschnitt der Ordnung 2 auf die Ergebnisse anwenden. In Tabelle 6.2 wurde dies für die ersten Jahre der australischen vierteljährlichen Bierproduktionsdaten durchgeführt. Beer2 lt - fenster 40 ausbeer, start 1992 41 ma4 lt - ma 40 beer2, bestellen 4. center FALSE 41 ma2x4 lt - ma 40 beer2, bestellen 4. center TRUE 41 Die Notation 2times4-MA in der letzten Spalte bedeutet ein 4-MA Gefolgt von einem 2-MA. Die Werte in der letzten Spalte werden durch einen gleitenden Durchschnitt der Ordnung 2 der Werte in der vorhergehenden Spalte erhalten. Beispielsweise sind die ersten beiden Werte in der 4-MA-Säule 451,2 (443410420532) / 4 und 448,8 (410420532433) / 4. Der erste Wert in der 2 × 4-MA-Säule ist der Durchschnitt dieser beiden: 450,0 (451,2448,8) / 2. Wenn ein 2-MA einem gleitenden Durchschnitt gleicher Ordnung folgt (wie z. B. 4), wird er als zentrierter gleitender Durchschnitt der Ordnung 4 bezeichnet. Dies liegt daran, daß die Ergebnisse nun symmetrisch sind. Um zu sehen, dass dies der Fall ist, können wir die 2times4-MA wie folgt schreiben: begin hat amp frac Bigfrac (y y y y) frac (y y y y) Big amp frac y frac14y frac14y frac14y frac18y. Ende Es ist jetzt ein gewichteter Durchschnitt der Beobachtungen, aber er ist symmetrisch. Andere Kombinationen von gleitenden Durchschnitten sind ebenfalls möglich. Beispielsweise wird häufig ein 3times3-MA verwendet und besteht aus einem gleitenden Durchschnitt der Ordnung 3, gefolgt von einem anderen gleitenden Durchschnitt der Ordnung 3. Im allgemeinen sollte bei einer geraden Ordnung MA eine gerade Ordnung MA folgen, um sie symmetrisch zu machen. Ähnlich sollte eine ungerade Ordnung MA eine ungerade Ordnung MA folgen. Schätzung des Trendzyklus mit saisonalen Daten Die häufigste Verwendung von zentrierten Bewegungsdurchschnitten ist die Schätzung des Trendzyklus aus saisonalen Daten. Betrachten Sie die 2times4-MA: hat frac y frac14y frac14y frac14y frac18y. Bei der Anwendung auf vierteljährliche Daten wird jedes Quartal des Jahres gleiches Gewicht gegeben, wie die ersten und letzten Bedingungen für das gleiche Quartal in aufeinander folgenden Jahren gelten. Infolgedessen wird die saisonale Veränderung ausgemittelt und die resultierenden Werte von Hut t haben wenig oder keine saisonale Veränderung übrig. Ein ähnlicher Effekt würde mit einem 2 × 8-MA oder einem 2 × 12-MA erhalten werden. Im Allgemeinen ist ein 2-mal m-MA äquivalent zu einem gewichteten gleitenden Durchschnitt der Ordnung m1, wobei alle Beobachtungen das Gewicht 1 / m mit Ausnahme des ersten und des letzten Terms, die die Gewichte 1 / (2m) nehmen, nehmen. Also, wenn die saisonale Zeit ist gleichmäßig und der Ordnung m, verwenden Sie eine 2times m-MA, um den Trend-Zyklus zu schätzen. Wenn die saisonale Periode ungerade und der Ordnung m ist, verwenden Sie eine m-MA, um den Trendzyklus abzuschätzen. Insbesondere kann ein 2 × 12-MA verwendet werden, um den Trendzyklus der monatlichen Daten abzuschätzen, und ein 7-MA kann verwendet werden, um den Trendzyklus der Tagesdaten abzuschätzen. Andere Optionen für die Reihenfolge der MA wird in der Regel in Trend-Zyklus Schätzungen durch die Saisonalität in den Daten kontaminiert werden. Beispiel 6.2 Herstellung elektrischer Geräte Abbildung 6.9 zeigt ein 2times12-MA, das auf den Index der elektrischen Ausrüstung angewendet wird. Beachten Sie, dass die glatte Linie keine Saisonalität zeigt, ist sie nahezu identisch mit dem in Abbildung 6.2 gezeigten Trendzyklus, der mit einer viel anspruchsvolleren Methode geschätzt wurde als die gleitenden Durchschnittswerte. Jede andere Wahl für die Reihenfolge des gleitenden Durchschnitts (mit Ausnahme von 24, 36 usw.) hätte zu einer glatten Linie geführt, die einige saisonale Schwankungen zeigt. Plot 40 elecequip, ylab quotNew Aufträge indexquot. (Euroregion) 41 Zeilen 40 ma 40 elecequip, bestellen 12 41. col quotredquot 41 Gewichtete gleitende Mittelwerte Kombinationen gleitender Mittelwerte ergeben gewichtete gleitende Mittelwerte. Zum Beispiel ist das oben diskutierte 2x4-MA äquivalent zu einem gewichteten 5-MA mit Gewichten, die durch frac, frac, frac, frac, frac gegeben werden. Im allgemeinen kann ein gewichtetes m-MA als Hut t sum k aj y geschrieben werden, wobei k (m-1) / 2 und die Gewichte durch a, dots, ak gegeben sind. Es ist wichtig, dass die Gewichte alle auf eins addieren und dass sie symmetrisch sind, so dass aj a. Der einfache m-MA ist ein Spezialfall, bei dem alle Gewichte gleich 1 / m sind. Ein großer Vorteil von gewichteten gleitenden Durchschnitten ist, dass sie eine glattere Schätzung des Trendzyklus ergeben. Anstelle von Beobachtungen, die die Berechnung bei Vollgewicht verlassen und verlassen, werden ihre Gewichte langsam erhöht und dann langsam verringert, was zu einer glatteren Kurve führt. Einige spezifische Sätze von Gewichten sind weit verbreitet. Einige von ihnen sind in Tabelle 6.3 aufgeführt. Zeitreihenanalyse: Saisonale Anpassungsmethoden Wie werden X11-Stilmethoden angewendet? Was sind einige Pakete, die für die saisonale Anpassung verwendet werden X11 X11ARIMA X12ARIMA SITZE / TRAMO DEMETRA Was sind die Techniken, die vom ABS angewandt werden, um mit saisonalen Situationen umzugehen Anpassung Wie funktioniert SEASABS Wie bearbeiten andere statistische Agenturen jahreszeitliche Anpassung WIE DO X11 STYLE-METHODEN WORK Filterbasierte Methoden der saisonalen Anpassung werden oft als X11-Stil Methoden bekannt. Diese basieren auf dem im Jahre 1931 von Fredrick R. Macaulay, dem National Bureau of Economic Research in den USA, beschriebenen Verfahren. Das Verfahren besteht aus folgenden Schritten: 1) Schätzen Sie den Trend durch einen gleitenden Durchschnitt 2) Entfernen Sie die Tendenz verlassen die saisonalen und unregelmäßigen Komponenten 3) Schätzen Sie die saisonale Komponente mit gleitenden Durchschnitten, um die irregulars glätten. Saisonalität kann in der Regel nicht identifiziert werden, bis der Trend bekannt ist, aber eine gute Schätzung des Trends kann nicht gemacht werden, bis die Serie saisonbereinigt wurde. Daher verwendet X11 einen iterativen Ansatz, um die Komponenten einer Zeitreihe abzuschätzen. Als Standard nimmt sie ein multiplikatives Modell an. Zur Veranschaulichung der grundlegenden Schritte in X11 beteiligt, betrachten die Zerlegung einer monatlichen Zeitreihe unter einem multiplikativen Modell. Schritt 1: Erste Schätzung des Trends Ein symmetrischer 13 Term (2x12) gleitender Durchschnitt wird auf eine ursprüngliche monatliche Zeitreihe O t angewendet. Um eine anfängliche Schätzung des Trends T t zu erzeugen. Der Trend wird dann aus der ursprünglichen Serie entfernt, um eine Schätzung der saisonalen und unregelmäßigen Komponenten zu geben. Sechs Werte an jedem Ende der Serie gehen als Ergebnis des Endpunktproblems verloren - es werden nur symmetrische Filter verwendet. Schritt 2: Vorläufige Schätzung der Saisonkomponente Eine vorläufige Schätzung der Saisonkomponente kann dann gefunden werden, indem ein gewichteter 5-Term-Bewegungsdurchschnitt (S3x3) zur S t. I t-Reihe für jeden Monat getrennt angewendet wird. Obwohl dieses Filter die Standardeinstellung innerhalb von X11 ist, verwendet das ABS 7 stattdessen gleitende Mittelwerte (S 3x5). Die Saisonkomponenten sind so angepasst, dass sie sich in etwa 12 Monaten addieren, sodass sie durchschnittlich 1 betragen, um sicherzustellen, dass die saisonale Komponente das Niveau der Serie nicht ändert (keinen Einfluss auf den Trend). Die fehlenden Werte am Ende der Saisonkomponente werden durch die Wiederholung des Vorjahreswertes ersetzt. Schritt 3: Vorläufige Schätzung der angepassten Daten Eine Annäherung der saisonbereinigten Reihe wird gefunden, indem man die Schätzung des Saisonalters vom vorherigen Schritt in die ursprüngliche Reihe aufteilt: Schritt 4: Eine bessere Schätzung der Tendenz A 9, 13 oder 23 Term Je nach Volatilität der Serie (eine volatilere Reihe erfordert einen längeren gleitenden Durchschnitt) wird der gleitende Durchschnitt von Henderson auf die saisonbereinigten Werte angewendet, um eine verbesserte Schätzung des Trends zu erzielen. Die resultierende Trendreihe wird in die ursprüngliche Serie unterteilt, um eine zweite Schätzung der saisonalen und unregelmäßigen Komponenten zu geben. Asymmetrische Filter werden an den Enden der Reihe verwendet, daher gibt es keine fehlenden Werte wie in Schritt 1. Schritt 5: Abschließende Abschätzung der saisonalen Komponente Schritt 2 wird wiederholt, um eine endgültige Schätzung der saisonalen Komponente zu erhalten. Schritt 6: Endgültige Schätzung der angepassten Daten Eine abschließende saisonbereinigte Reihe wird gefunden, indem die zweite Schätzung der Saison vom vorherigen Schritt in die ursprüngliche Reihe geteilt wird: Schritt 7: Abschließende Abschätzung der Tendenz A 9, 13 oder 23 von Henderson Mittelwert wird auf die endgültige Schätzung der saisonbereinigten Serie angewendet, die für Extremwerte korrigiert wurde. Dies ergibt eine verbesserte und abschließende Abschätzung des Trends. In mehr fortgeschrittenen Versionen von X11 (wie X12ARIMA und SEASABS) kann jede ungerade Länge Henderson gleitender Durchschnitt verwendet werden. Schritt 8: Abschließende Abschätzung der irregulären Komponente Die Irreguläre können dann geschätzt werden, indem die Trendschätzungen in die saisonbereinigten Daten aufgeteilt werden. Offensichtlich werden diese Schritte davon abhängen, welches Modell (multiplikativ, additiv und pseudo-additiv) innerhalb von X11 ausgewählt wird. Es gibt auch kleine Unterschiede in den Schritten in X11 zwischen verschiedenen Versionen. Ein zusätzlicher Schritt bei der Schätzung der saisonalen Faktoren ist die Verbesserung der Robustheit des Mittelungsprozesses durch Modifikation der SI-Werte für Extreme. Für weitere Informationen über die wichtigsten Schritte, siehe Abschnitt 7.2 des Informationspapiers: Ein Einführungskurs zur Zeitreihenanalyse - Elektronische Lieferung. WAS SIND EINIGE PAKETE, DIE DURCHFÜHREN SEASONAL EINSTELLUNG Die am häufigsten verwendeten saisonalen Anpassung Pakete sind die in der X11 Familie. X11 wurde vom US-Büro der Volkszählung entwickelt und begann seinen Betrieb in den Vereinigten Staaten im Jahr 1965. Es wurde bald von vielen statistischen Agenturen auf der ganzen Welt, einschließlich der ABS übernommen. Es wurde in eine Reihe von handelsüblichen Softwarepaketen wie SAS und STATISTICA integriert. Es nutzt Filter zu saisonalen Anpassung von Daten und schätzen die Komponenten einer Zeitreihe. Das X11-Verfahren beinhaltet das Anwenden symmetrischer gleitender Mittelwerte auf eine Zeitreihe, um den Trend, jahreszeitliche und irreguläre Komponenten abzuschätzen. Jedoch am Ende der Reihe, gibt es unzureichende Daten verfügbar, um symmetrische Gewichte 8211 das 8216end-point8217 Problem zu verwenden. Folglich werden entweder asymmetrische Gewichte verwendet, oder die Reihenfolgen müssen extrapoliert werden. Die X11ARIMA-Methode, die von Statistics Canada 1980 entwickelt und im Jahr 1988 auf X11ARIMA88 aktualisiert wurde, verwendet Box Jenkins AutoRegressive Integrated Moving Average (ARIMA) Modelle zur Verlängerung einer Zeitreihe. Im Wesentlichen reduziert die Verwendung von ARIMA-Modellierung auf der Original-Serie reduzieren Revisionen in der saisonbereinigten Serie, so dass die Wirkung des Endpunkts Problem reduziert wird. X11ARIMA88 unterscheidet sich auch von der ursprünglichen X11-Methode bei der Behandlung von Extremwerten. Sie kann durch Kontaktaufnahme mit Statistics Canada bezogen werden. In den späten 19908217s, veröffentlicht die US-Volkszählung Bureau X12ARIMA. Es verwendet regARIMA-Modelle (Regressionsmodelle mit ARIMA-Fehlern), um es dem Anwender zu ermöglichen, die Serie mit Prognosen zu erweitern und die Reihe für Ausreißer - und Kalendereffekte vorzujustieren, bevor saisonale Anpassungen stattfinden. X12ARIMA erhalten Sie von der Präsidium ist es kostenlos erhältlich und kann von census. gov/srd/www/x12a heruntergeladen werden. Die von Victor Gomez und Augustn Maravall entwickelte Software SEATS (Signalextraktion in der ARIMA Zeitreihe) ist ein Programm, das die Trend-, Saison - und unregelmäßigen Komponenten einer Zeitreihe schätzt und prognostiziert. TRAMO (Zeitreihenregression mit ARIMA-Störungen, fehlende Beobachtungen und Ausreißer) ist ein Begleitprogramm zur Schätzung und Prognose von Regressionsmodellen mit ARIMA-Fehlern und fehlenden Werten. Es wird verwendet, um eine Reihe vorjustieren, die dann saisonabhängig durch SEATS eingestellt wird. Um die beiden Programme kostenlos aus dem Internet herunterladen, wenden Sie sich an die Bank von Spanien. Bde. es/homee. htm Eurostat konzentriert sich auf zwei saisonale Anpassungsmethoden: Tramo / Sitze und X12Arima. Versionen dieser Programme wurden in einer einzigen Schnittstelle implementiert, die als DEMETRAquot bezeichnet wird. Dies erleichtert die Anwendung dieser Techniken auf große Maßstäbe von Zeitreihen. DEMETRA enthält zwei Hauptmodule: eine saisonale Anpassung und Trendschätzung mit automatisierter Prozedur (z. B. für unerfahrene Anwender oder für große Zeitreihenreihen) und mit einem benutzerfreundlichen Verfahren zur detaillierten Analyse einzelner Zeitreihen. Es kann heruntergeladen werden von forum. europa. eu. int/irc/dsis/eurosam/info/data/demetra. htm. WAS SIND DIE TECHNIKEN, DIE MIT DEM ABS MIT DEM ABSATZ MIT SEASONALER EINSTELLUNG ANGEFÜHRT WERDEN Das wichtigste Werkzeug, das im Australian Bureau of Statistics verwendet wird, ist SEASABS (SEASonal analysis, ABS standards). SEASABS ist ein saisonales Anpassungs-Softwarepaket mit einem Kernverarbeitungssystem auf der Basis von X11 und X12ARIMA. SEASABS ist ein wissensbasiertes System, das Zeitreihenanalysten dabei unterstützen kann, angemessene und korrekte Urteile in der Analyse einer Zeitreihe zu machen. SEASABS ist ein Teil des ABS Saisonbereinigungssystems. Weitere Komponenten sind das ABSDB (ABS Information Warehouse) und FAME (Forecasting, Analysis and Modeling Environment) zur Speicherung und Manipulation von Zeitreihendaten. SEASABS führt vier wesentliche Funktionen durch: Datenüberprüfung Saisonale Reanalyse der Zeitreihe Untersuchung der Zeitreihen Erfassung von Zeitreihenwissen SEASABS ermöglicht sowohl die Experten - als auch die Client-Nutzung der X11-Methode (die durch das ABS deutlich verbessert wurde). Dies bedeutet, dass ein Benutzer keine detaillierten Kenntnisse über das X11-Paket benötigt, um eine Zeitreihe entsprechend saisonal anzupassen. Eine intelligente Benutzeroberfläche führt Benutzer durch den saisonalen Analyseprozess, wobei geeignete Wahlmöglichkeiten von Parametern und Anpassungsmethoden mit wenig oder keinerlei Notwendigkeit für den Benutzer erforderlich sind. Der grundlegende Iterationsvorgang, der in SEASABS involviert ist, ist: 1) Test und korrekte saisonale Pausen. 2) Testen und entfernen Sie große Spikes in den Daten. 3) Testen Sie und korrigieren Sie Trendtrennungen. 4) Prüfung und Korrektur von Extremwerten für saisonale Anpassungszwecke. 5) Schätzen Sie jeden vorhandenen Handelstageffekt. 6) Korrekturen für bewegliche Feiertage einfügen oder ändern. 7) Überprüfen Sie die gleitenden Mittelwerte (Trendbewegungsdurchschnitte und dann saisonale gleitende Durchschnittswerte). 8) Führen Sie X11 aus. 9) Die Einstellung abschließen. SEASABS hält Aufzeichnungen der vorherigen Analyse einer Reihe, damit es X11 Diagnosen über Zeit vergleichen kann und weiß, welche Parameter zu der annehmbaren Justage an der letzten Analyse führten. Es identifiziert und korrigiert Trend - und Saisonbrüche sowie Extremwerte, fügt Handelstagfaktoren bei Bedarf ein und ermöglicht bewegliche Urlaubskorrekturen. SEASABS ist frei verfügbar zu anderen Regierungsorganisationen. Kontaktieren Sie time. series. analysisabs. gov. au für weitere Details. WIE ANDERE STATISTISCHE AGENTUREN MIT SEASONALER EINSTELLUNG STELLEN Statistiken New Zealand nutzt X12-ARIMA, verwendet jedoch nicht die ARIMA-Fähigkeiten des Pakets. Office of National Statistics, UK verwendet X11ARIMA88 Statistiken Kanada verwendet X11-ARIMA88 US-Büro der Volkszählung verwendet X12-ARIMA Eurostat verwendet SEATS / TRAMO Diese Seite wurde veröffentlicht am 14. November 2005, zuletzt aktualisiert am 10. September 2008