Điều chỉnh theo mùa là một bước quan trọng tiền xử lý dữ liệu để nghiên cứu thêm. Tuy nhiên, nhà nghiên cứu có một số tùy chọn cho phân rã theo chu kỳ theo chu kỳ. Các phương pháp phổ biến nhất (đánh giá theo số lượng trích dẫn trong tài liệu thực nghiệm) phương pháp phân rã theo mùa đối thủ là X-11 (12) -ARIMA, Tramo / Seats (cả hai được thực hiện trong Demetra + ) và 's stl . Tìm cách tránh sự lựa chọn ngẫu nhiên giữa các kỹ thuật phân rã đã đề cập ở trên (hoặc các phương pháp đơn giản khác như biến giả theo mùa) Tôi muốn biết một chiến lược cơ bản dẫn đến việc chọn phương pháp phân rã theo mùa một cách hiệu quả.
Một số câu hỏi con quan trọng (liên kết đến một cuộc thảo luận cũng được chào đón) có thể là:
- Điểm tương đồng và khác biệt, điểm mạnh và điểm yếu của phương pháp là gì? Có trường hợp đặc biệt nào khi một phương pháp được ưa thích hơn các phương pháp khác không?
- Bạn có thể cung cấp hướng dẫn chung cho những gì bên trong hộp đen của các phương pháp phân tách khác nhau không?
- Có các thủ thuật đặc biệt khi chọn tham số cho các phương thức (tôi không luôn hài lòng với các mặc định,
stl
ví dụ: có nhiều tham số để xử lý, đôi khi tôi cảm thấy mình không biết cách chọn các tham số này theo cách phù hợp). - Có thể đề xuất một số tiêu chí (thống kê) rằng chuỗi thời gian được điều chỉnh theo mùa một cách hiệu quả (phân tích tương quan, mật độ phổ? Tiêu chí cỡ mẫu nhỏ? Độ mạnh?).