Henderson moving average excel

Gráficos do MS Excel, como extrai os dados do ponto de tendência da média móvel do Ym9iYg raquo Tue, 10 Jan 2006 13:49:02 GMT Estou criando grandes conjuntos de dados com linhas de tendência médias móveis. Eu preciso criar novos gráficos com apenas as linhas de tendência. Talvez em uma planilha separada. Os dados médios móveis podem ser extraídos e copiados para outra folha MS Excel Charts gtgt Como extrai os dados do ponto de tendência da média móvel de Ed Ferrero raquo Tue, 10 Jan 2006 14:39:55 GMT Uma média móvel é calculada com bastante facilidade - Vamos assumir que você quer um MA de 13 pontos para suavizar os dados mensais, você só precisa de média de todos os valores para o mês atual e 6 meses acima e abaixo do mês atual. Por exemplo, se os dados estiverem na coluna A, entrem MÉDIA (A1: A12) na célula B7 e copie para baixo. Uma maneira melhor de suavizar uma série de tempo é com uma média móvel ponderada (chamada de filtro). Você pode baixar um suplemento para calcular o Filtro Henderson do meu site na edferrerovba. aspx MS Excel Charts gtgt como extrai a média móvel Dados do ponto da linha de tendência por Andy Pope raquo Tue, 10 Jan 2006 17:04:31 GMT Talvez você possa simplesmente formatar a série de dados nas quais as linhas de tendência se baseiam para não ter linha ou preencher. Você também pode, se necessário, excluir as entradas da série da legenda. Análise da série: o processo de ajuste sazonal Quais são as duas principais filosofias do ajuste sazonal. O que é um filtro. Qual é o problema do ponto final? Como podemos decidir qual filtro para Use O que é uma função de ganho O que é um deslocamento de fase Quais são as médias móveis de Henderson Como lidar com o problema do ponto final Quais são as médias móveis sazonais Por que as estimativas de tendência são revisadas? Quantas informações são necessárias para obter estimativas aceitáveis ​​sazonalmente AVANÇADAS? Duas filosofias de ajuste sazonal comparam QUAISQUERES AS DOIS PRINCIPAIS FILOSOFIAS DO AJUSTAMENTO SAONAL As duas principais filosofias para o ajuste sazonal são o método baseado em modelo e o método baseado em filtro. Métodos baseados em filtros Este método aplica um conjunto de filtros fixos (médias móveis) para decompor as séries temporais em uma componente de tendência, sazonal e irregular. A noção subjacente é que os dados econômicos são constituídos por uma série de ciclos, incluindo ciclos econômicos (a tendência), ciclos sazonais (sazonalidade) e ruído (o componente irregular). Um filtro essencialmente remove ou reduz a força de certos ciclos a partir dos dados de entrada. Para produzir uma série sazonalmente ajustada a partir de dados coletados mensalmente, os eventos que ocorrem a cada 12, 6, 4, 3, 2,4 e 2 meses precisam ser removidos. Estes correspondem a frequências sazonais de 1, 2, 3, 4, 5 e 6 ciclos por ano. Os ciclos não-sazonais mais longos são considerados parte da tendência e os ciclos não-sazonais mais curtos formam o irregular. No entanto, o limite entre a tendência e os ciclos irregulares pode variar com o comprimento do filtro usado para obter a tendência. No ajuste sazonal do ABS, os ciclos que contribuem significativamente para a tendência são tipicamente maiores do que cerca de 8 meses para séries mensais e 4 trimestres para séries trimestrais. A tendência, os componentes sazonais e irregulares não precisam de modelos individuais explícitos. O componente irregular é definido como o que resta após a tendência e os componentes sazonais foram removidos por filtros. Irregulares não exibem características de ruído branco. Os métodos baseados em filtros são freqüentemente conhecidos como métodos de estilo X11. Estes incluem X11 (desenvolvido pelo US Census Bureau), X11ARIMA (desenvolvido por Statistics Canada), X12ARIMA (desenvolvido pelo US Census Bureau), STL, SABL e SEASABS (o pacote usado pelo ABS). As diferenças computacionais entre vários métodos na família X11 são principalmente o resultado de diferentes técnicas utilizadas nos fins da série temporal. Por exemplo, alguns métodos usam filtros assimétricos nas extremidades, enquanto outros métodos extrapolam as séries temporais e aplicam filtros simétricos à série estendida. Métodos baseados em modelos Esta abordagem exige que os componentes de tendência, sazonal e irregular da série temporal sejam modelados separadamente. Assume que o componente irregular é 8220white noise8221 - isto é, todos os comprimentos de ciclo são igualmente representados. Os irregulares têm média zero e variância constante. O componente sazonal tem seu próprio elemento de ruído. Dois pacotes de software amplamente utilizados que aplicam métodos baseados em modelos são STAMP e SEATSTRAMO (desenvolvido pelo Banco de Espanha). Principais diferenças computacionais entre os vários métodos baseados em modelos geralmente são devidas às especificações do modelo. Em alguns casos, os componentes são modelados diretamente. Outros métodos Exigem que as séries temporais originais sejam modeladas primeiro, e os modelos de componentes se decompõem. Para uma comparação das duas filosofias em um nível mais avançado, veja Como as duas filosofias de ajuste sazonal comparam O QUE É UM FILTRO Os filtros podem ser usados ​​para se decompor Uma série de tempo em uma componente de tendência, sazonal e irregular. As médias móveis são um tipo de filtro que, sucessivamente, mede um intervalo de tempo de mudança de dados para produzir uma estimativa suavizada de uma série temporal. Esta série suavizada pode ser considerada derivada Executando uma série de entrada através de um processo em que h filtra certos ciclos. Conseqüentemente, uma média móvel é muitas vezes referida como um filtro. O processo básico envolve a definição de um conjunto de pesos de comprimento m 1 m 2 1 como: Nota: um conjunto simétrico de pesos tem m 1 m 2 e wjw - j Um valor filtrado no tempo t pode ser calculado por onde Y t descreve o valor Da série temporal no tempo t. Por exemplo, considere a seguinte série: Usando um simples filtro simétrico de 3 termos (ou seja, m 1 m 2 1 e todos os pesos são 13), o primeiro termo da série suavizada é obtido aplicando os pesos aos três primeiros termos do original Série: o segundo valor suavizado é produzido aplicando os pesos aos segundo, terceiro e quarto termos da série original: O QUE É O PROBLEMA DO PONTO FINAL Reconsideram a série: Esta série contém 8 termos. No entanto, a série suavizada obtida aplicando filtro simétrico aos dados originais contém apenas 6 termos: isto ocorre porque não há dados suficientes nas extremidades da série para aplicar um filtro simétrico. O primeiro termo da série suavizada é uma média ponderada de três termos, centrada no segundo termo da série original. Uma média ponderada centrada no primeiro termo da série original não pode ser obtida como dados antes deste ponto não está disponível. Da mesma forma, não é possível calcular uma média ponderada centrada no último termo da série, pois não há dados após esse ponto. Por este motivo, os filtros simétricos não podem ser usados ​​em qualquer extremidade de uma série. Isso é conhecido como o problema do ponto final. Os analistas da série de tempo podem usar filtros assimétricos para produzir estimativas suavizadas nessas regiões. Neste caso, o valor suavizado é calculado 8216off center8217, sendo a média determinada usando mais dados de um lado do ponto do que o outro de acordo com o que está disponível. Alternativamente, as técnicas de modelagem podem ser usadas para extrapolar as séries temporais e depois aplicar filtros simétricos à série estendida. COMO DECIDEMOS O FILTRO A USAR O analista de séries temporais escolhe um filtro apropriado com base em suas propriedades, como, por exemplo, quais ciclos o filtro remove quando aplicado. As propriedades de um filtro podem ser investigadas usando uma função de ganho. As funções de ganho são usadas para examinar o efeito de um filtro em uma determinada freqüência na amplitude de um ciclo para uma série temporal específica. Para obter mais detalhes sobre a matemática associada às funções de ganho, você pode baixar as Notas do Curso da Série de Tempo, um guia introdutório para análise de séries temporais publicado pela Seção de Análise da Série de Temporais do ABS (consulte a seção 4.4). O diagrama a seguir é a função de ganho para o filtro simétrico de 3 termos que estudamos anteriormente. Figura 1: Função de ganho para o filtro de termo 3 simétrico O eixo horizontal representa o comprimento de um ciclo de entrada em relação ao período entre pontos de observação na série temporal original. Assim, um ciclo de entrada de comprimento 2 é completado em 2 períodos, o que representa 2 meses para uma série mensal e 2 trimestres para uma série trimestral. O eixo vertical mostra a amplitude do ciclo de saída em relação a um ciclo de entrada. Este filtro reduz a força de 3 ciclos de período para zero. Ou seja, ele remove completamente ciclos de aproximadamente esse comprimento. Isso significa que, para uma série de tempo em que os dados são coletados mensalmente, todos os efeitos sazonais que ocorrem trimestralmente serão eliminados aplicando este filtro à série original. Uma mudança de fase é o deslocamento de tempo entre o ciclo filtrado e o ciclo não filtrado. Um deslocamento de fase positivo significa que o ciclo filtrado é deslocado para trás e um deslocamento de fase negativo é deslocado para a frente no tempo. A mudança de fase ocorre quando o tempo de pontos de rotação é distorcido, por exemplo, quando a média móvel é colocada fora do centro pelos filtros assimétricos. Isso é que eles ocorrerão anteriormente ou mais tarde na série filtrada do que no original. Médias móveis simétricas de comprimento ímpar (conforme usado pelo ABS), onde o resultado está centralmente colocado, não causa deslocamento de fase no tempo. É importante que os filtros sejam usados ​​para derivar a tendência de reter a fase do tempo e, portanto, o tempo de qualquer ponto de virada. As Figuras 2 e 3 mostram os efeitos da aplicação de uma média móvel simétrica 2x12 que está fora do centro. As curvas contínuas representam os ciclos iniciais e as curvas quebradas representam os ciclos de saída depois de aplicar o filtro médio móvel. Figura 2: Ciclo de 24 meses, fase -5,5 meses Amplitude 63 Figura 3: Ciclo de 8 meses, fase -1,5 meses Amplitude 22 QUAIS SÃO HENDERSON MUDANDO MÉDIOS As médias móveis de Henderson são filtros que foram derivados por Robert Henderson em 1916 para uso em aplicações atuariais. Eles são filtros de tendência, comumente usados ​​na análise de séries temporais para alisar as estimativas sazonalmente ajustadas para gerar uma estimativa de tendência. Eles são usados ​​de preferência para médias móveis mais simples porque podem reproduzir polinômios de até o grau 3, capturando assim os pontos de rotação da tendência. O ABS usa as médias móveis de Henderson para produzir estimativas de tendência de séries sazonalmente ajustadas. As estimativas de tendências publicadas pelo ABS são tipicamente derivadas usando um filtro Henderson de 13 termos para séries mensais e um filtro Henderson de 7 períodos para séries trimestrais. Os filtros Henderson podem ser simétricos ou assimétricos. As médias móveis simétricas podem ser aplicadas em pontos que estão suficientemente distantes das extremidades de uma série temporal. Nesse caso, o valor suavizado para um determinado ponto na série temporal é calculado a partir de um número igual de valores de cada lado do ponto de dados. Para obter os pesos, um compromisso é atingido entre as duas características geralmente esperadas de uma série de tendências. Isto é que a tendência deve ser capaz de representar uma ampla gama de curvaturas e que também deve ser o mais suave possível. Para a derivação matemática dos pesos, consulte a seção 5.3 das Notas do Curso da Série Temporada. Que pode ser baixado gratuitamente no site do ABS. Os padrões de ponderação para uma gama de médias móveis de Henderson simétricas são dados na tabela a seguir: Padrão de Ponderação Simétrica para Henderson Moagem em Movimento Em geral, quanto mais o filtro de tendência, mais suave é a tendência resultante, como é evidente a partir de uma comparação das funções de ganho acima. Um termo de Henderson 5 reduz ciclos de cerca de 2,4 períodos ou menos em pelo menos 80, enquanto um termo de Henderson de 23 reduz ciclos de cerca de 8 períodos ou menos em pelo menos 90. De fato, um filtro Henderson de 23 termos remove completamente ciclos de menos de 4 períodos . As médias móveis Henderson também atenuam os ciclos sazonais em graus variados. No entanto, as funções de ganho nas Figuras 4-8 mostram que os ciclos anuais em séries mensais e trimestrais não são atenuados significativamente o suficiente para justificar a aplicação de um filtro Henderson diretamente às estimativas originais. É por isso que eles são aplicados apenas em séries sazonalmente ajustadas, onde os efeitos relacionados ao calendário já foram removidos com filtros especificamente projetados. A Figura 9 mostra os efeitos de suavização da aplicação de um filtro Henderson a uma série: Figura 9: Filtro Henderson de 23 termos - Valor das Aprovações de Construção Não Residencial COMO TRABALHAMOS COM O PROBLEMA DO PONTO FINAL O filtro Henderson simétrico só pode ser aplicado a regiões De dados suficientemente distantes dos fins da série. Por exemplo, o termo padrão 13 Henderson só pode ser aplicado a dados mensais que são pelo menos 6 observações do início ou fim dos dados. Isso ocorre porque o filtro suaviza a série, levando uma média ponderada dos 6 termos em ambos os lados do ponto de dados, bem como o próprio ponto. Se tentarmos aplicá-lo a um ponto que seja inferior a 6 observações a partir do final dos dados, não há dados suficientes disponíveis em um lado do ponto para calcular a média. Para fornecer estimativas de tendência desses pontos de dados, é utilizada uma média móvel modificada ou assimétrica. O cálculo de filtros Henderson assimétricos pode ser gerado por vários métodos diferentes que produzem resultados semelhantes, mas não idênticos. Os quatro métodos principais são o método Musgrave, o método de Minimização do Método da Revisão Quadrada Média, o Método de Melhorias Lineares Unâncas Estimadas (BLUE) e o método de Kenny e Durbin. Shiskin et. Al (1967) derivou os pesos assimétricos originais para a média móvel Henderson que são utilizados nos pacotes X11. Para obter informações sobre a derivação dos pesos assimétricos, consulte a seção 5.3 das Notas do Curso da Série Temporada. Considere uma série de tempo em que o último ponto de dados observado ocorre no tempo N. Então, um filtro Henderson simétrico de 13 termos não pode ser aplicado aos pontos de dados que são medidos a qualquer momento após e inclusive o tempo N-5. Para todos esses pontos, um conjunto assimétrico de pesos deve ser usado. A tabela a seguir fornece o padrão de ponderação assimétrica para uma média móvel padrão de Henderson de 13 termos. Os filtros de Henderson de 13 terminais assimétricos não removem ou amortecem os mesmos ciclos que o filtro de Henderson de 13 termos simétrico. De fato, o padrão de ponderação assimétrica usado para estimar a tendência na última observação amplifica a força de 12 ciclos do período. Também os filtros assimétricos produzem algum deslocamento de fase no tempo. QUAIS SÃO AS PROMOÇÕES MOVENTES TEMPORÁRIAS Quase todos os dados investigados pelo ABS têm características sazonais. Uma vez que as médias móveis de Henderson usadas para estimar a série de tendências não eliminam a sazonalidade, os dados devem ser desestacionalizados primeiro usando filtros sazonais. Um filtro sazonal tem pesos que são aplicados no mesmo período ao longo do tempo. Um exemplo do padrão de ponderação para um filtro sazonal seria: (13, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 13, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 13) onde, por exemplo, um peso de um terço é aplicado a três janeiros consecutivos. Dentro do X11, uma variedade de filtros sazonais estão disponíveis para escolher. Estes são uma média móvel ponderada de 3 termos (ma) S 3x1. Ponderado 5-term ma S 3x3. Ponderado 7-term ma S 3x5. E uma ponderada 11-term ma S 3x9. A estrutura de ponderação das médias móveis ponderadas da forma, S nxm. É que uma média simples de m é calculada, e então uma média móvel de n dessas médias é determinada. Isso significa que os termos nm-1 são usados ​​para calcular cada valor suavizado final. Por exemplo, para calcular um S 3x9 de 11 termos. Um peso de 19 é aplicado no mesmo período em 9 anos consecutivos. Em seguida, uma média móvel de 3 termos simples é aplicada em todos os valores médios: isto dá um padrão de ponderação final de (127, 227, 19, 19, 19, 19, 19, 19, 19, 227, 127). A função de ganho para um filtro temporário de 11 termos, S 3x9. Parece ser: Figura 10: Função de Ganho para Filtro Sazonal de 11 Termo (S 3x9) A aplicação de um filtro sazonal aos dados gerará uma estimativa do componente sazonal das séries temporais, pois preserva a força dos harmônicos sazonais e amortece os ciclos de não - Comprimentos sazonais. Os filtros sazonais assimétricos são usados ​​nas extremidades da série. Os pesos assimétricos para cada um dos filtros sazonais utilizados no X11 podem ser encontrados na seção 5.4 das Notas do Curso da Série Temporária. PORQUE AS ESTIMAÇÕES DE TENDÊNCIA REVISADAS No final atual de uma série de tempo, não é possível usar filtros simétricos para estimar a tendência devido ao problema do ponto final. Em vez disso, os filtros assimétricos são usados ​​para produzir estimativas de tendências provisórias. No entanto, à medida que mais dados se tornam disponíveis, é possível recalcular a tendência usando filtros simétricos e melhorar as estimativas iniciais. Isso é conhecido como uma revisão de tendência. QUANIS DADOS QUE OBRIGA SER OBTIDOS DE ESTIMATIVAS AJUSTADAS TEMPORALMENTE ACEITÁVEIS Se uma série de tempo exibir estacionalidade relativamente estável e não é dominada pelo componente irregular, então 5 anos de dados podem ser considerados um comprimento aceitável para obter estimativas dessazonalizadas de. Para uma série que mostra uma estacionalidade particularmente forte e estável, um ajuste bruto pode ser feito com 3 anos de dados. Geralmente, é preferível ter pelo menos 7 anos de dados para uma série de tempo normal, para identificar com precisão os padrões sazonais, o dia de negociação e os efeitos das férias em mudança, as rupturas de tendências e sazonais, bem como os valores atípicos. AVANÇADO COMO OS DOIS FILOSOFIAS DE AJUSTE TEMPORAL COMPARAM As abordagens baseadas em modelos permitem as propriedades estocásticas (aleatoriedade) da série em análise, no sentido de que eles adaptam os pesos do filtro com base na natureza da série. A capacidade do modelo8217 para descrever com precisão o comportamento da série pode ser avaliada e as inferências estatísticas para as estimativas estão disponíveis com base no pressuposto de que o componente irregular é ruído branco. Os métodos baseados em filtros são menos dependentes das propriedades estocásticas das séries temporais. É a responsabilidade do analista analógico8217 para selecionar o filtro mais apropriado de uma coleção limitada para uma série específica. Não é possível realizar verificações rigorosas sobre a adequação do modelo implícito e medidas exatas de precisão e inferência estatística não estão disponíveis. Portanto, um intervalo de confiança não pode ser construído em torno da estimativa. Os diagramas a seguir comparam a presença de cada um dos componentes do modelo nas freqüências sazonais para as duas filosofias de ajuste sazonal. O eixo x é o comprimento do período do ciclo e o eixo y representa a força dos ciclos que compõem cada componente: Figura 11: Comparação das duas filosofias de ajuste sazonal Os métodos baseados no filtro assumem que cada componente existe apenas um determinado ciclo de comprimentos. Os ciclos mais longos formam a tendência, o componente sazonal está presente nas freqüências sazonais e o componente irregular é definido como ciclos de qualquer outro comprimento. Sob uma filosofia baseada em modelo, a componente tendencial, sazonal e irregular está presente em todos os comprimentos do ciclo. O componente irregular é de força constante, os picos de componentes sazonais nas freqüências sazonais eo componente de tendência são mais fortes nos ciclos mais longos. Esta página foi publicada pela primeira vez em 14 de novembro de 2005, atualizada pela última vez em 25 de julho de 2008. Análise da série: 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 Ajuste sazonal Como funciona o SEASABS Como outras agências estatísticas lidam com o ajuste sazonal COMO OS MÉTODOS DO ESTILO X11 TRABALHAM Os métodos baseados no filtro de 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