C'è un'obiezione teorica all'utilizzo di dati destagionalizzati, che ho visto in un saggio di Kalman (sviluppatore del filtro di Kalman); scusa, non riesco a trovare il riferimento. L'argomento è che l'aggiustamento stagionale è un filtro, che ha le sue dinamiche. Quindi stai incorporando queste dinamiche di filtro all'interno del sistema che stai modellando. Questa sarebbe una cattiva idea nei sistemi di ingegneria, ma non sono del tutto convinto che sia importante per i sistemi economici. (Il mio background accademico è nei sistemi di controllo ingegneristico.) Tuttavia, se le variabili che state pronunciando mostrano approssimativamente lo stesso andamento stagionale, la loro correzione stagionale potrebbe essere problematica.
La maggior parte degli esercizi di previsione economica coinvolge variabili con diversi modelli stagionali, ed è probabilmente più facile lavorare con dati destagionalizzati. Dovresti incorporare la destagionalizzazione all'interno del tuo modello, che aumenta la complessità del modello e probabilmente introduce errori aggiuntivi che sappiamo che possiamo spiegare.
Se il tuo obiettivo è di prevedere la variabile non destagionalizzata, la prassi abituale nell'economia di mercato finanziaria è di fornire una stima della variabile non destagionalizzata, quindi applicare il modello stagionale esistente. L'esempio principale che ho in mente è la previsione dell'indice CPI nei mercati legati all'inflazione, in cui gli strumenti sono collegati all'indice non aggiustato. Queste previsioni erano a breve termine (pochi mesi all'orizzonte) e si prevedeva che fossero abbastanza accurate. Anche le previsioni a lungo termine avevano un modello stagionale incorporato, dal momento che contava per il valore relativo anche per gli strumenti con scadenze più lunghe.
Gli accademici possono preferire altre tecniche, ma non sono a conoscenza del loro utilizzo nelle previsioni di inflazione a breve termine.
Se si sta tentando di prevedere un indice aggregato prevedendo i suoi componenti, potrebbe essere necessario prevedere ogni componente, quindi aggregarlo e modificarlo stagionalmente utilizzando gli stessi algoritmi utilizzati dall'agenzia di statistica. Tuttavia, è raro che tu possa ottenere il livello di accuratezza necessario perché ciò sia importante.