季節ごとの分解方法の選択

季節調整は、さらなる研究のためにデータを前処理する重要なステップです。ただし、研究者には、トレンドサイクルと季節性の分解に関する多くのオプションがあります。最も一般的な（経験的文献の引用数から判断する）競合する季節分解法は、X-11（12）-ARIMA、Tramo / Seats（両方ともDemetra +で実装）およびのstlです。上記の分解手法（または季節ダミー変数のような他の単純な手法）間のランダムな選択を回避するために、季節分解手法を効果的に選択するための基本戦略を知りたいと思います。$R$

いくつかの重要なサブ質問（ディスカッションへのリンクも歓迎）は次のとおりです。

1. メソッドの類似点と相違点、長所と短所は何ですか？ある方法が他の方法よりも望ましい特別なケースはありますか？
2. さまざまな分解方法のブラックボックスの中にあるものへの一般的なガイドを提供できますか？
3. メソッドのパラメーターを選択するための特別なトリックはありstlますか？
4. 時系列が効率的に季節的に調整されるいくつかの（統計）基準（コレログラム分析、スペクトル密度、小さなサンプルサイズの基準、ロバストネス）を提案することは可能ですか？

診断の理解を習得したい場合、X12-ARIMAは（ASCII）グラフから経験則インジケーターまでの範囲のさまざまな診断を提供します。診断の学習と理解は、時系列および季節調整における教育のようなものです。

一方、X12-ARIMAソフトウェアはワントリックポニーですが、Rでstlを使用すると、他のことを実行したり、必要に応じて他の方法（分解、dlmなど）に切り替えたりできます。

一方、X12-Arimaを使用すると、外生変数を含めたり、外れ値などを簡単に示したりできます。

それが質問2の答えです。

• STL：http : //www.wessa.net/download/stl.pdf
• X-12-ARIMA（およびその他）：http : //www.census.gov/srd/www/sapaper/sapaper.html