L'adeguamento stagionale è un passaggio cruciale che elabora i dati per ulteriori ricerche. Il ricercatore ha tuttavia una serie di opzioni per la decomposizione stagionale del ciclo di tendenza. I metodi di decomposizione stagionale rivali più comuni (a giudicare dal numero di citazioni nella letteratura empirica) sono X-11 (12) -ARIMA, Tramo / Seats (entrambi implementati in Demetra + ) e ' sl . Cercando di evitare la scelta casuale tra le tecniche di decomposizione sopra menzionate (o altri metodi semplici come variabili fittizie stagionali), vorrei conoscere una strategia di base che porta a scegliere efficacemente il metodo di decomposizione stagionale.
Diverse domande importanti (sono ben accetti anche i collegamenti a una discussione):
- Quali sono le somiglianze e le differenze, i punti forti e deboli dei metodi? Ci sono casi speciali in cui un metodo è più preferibile rispetto agli altri?
- Potresti fornire guide generali su cosa c'è dentro la scatola nera di diversi metodi di decomposizione?
- Ci sono trucchi speciali nella scelta dei parametri per i metodi (non sono sempre soddisfatto delle impostazioni predefinite,
stl
ad esempio ha molti parametri da affrontare, a volte sento di non sapere come scegliere questi nel modo giusto). - È possibile suggerire alcuni criteri (statistici) secondo cui le serie temporali vengono adattate stagionalmente in modo efficiente (analisi del correlogramma, densità spettrale, criteri di dimensioni ridotte del campione, robustezza?).