El ajuste estacional o desestacionalización es un método estadístico para eliminar el componente estacional de una serie temporal . Generalmente se hace cuando se quiere analizar la tendencia y las desviaciones cíclicas de la tendencia de una serie temporal independientemente de los componentes estacionales. Muchos fenómenos económicos tienen ciclos estacionales, como la producción agrícola (el rendimiento de los cultivos fluctúa con las estaciones) y el consumo de los consumidores (aumento del gasto personal antes de la Navidad ). Es necesario ajustar este componente para comprender las tendencias subyacentes de la economía, por lo que las estadísticas oficiales a menudo se ajustan para eliminar los componentes estacionales. [1] Normalmente, se presentan datos desestacionalizados sobre las tasas de desempleo para revelar las tendencias y ciclos subyacentes en los mercados laborales. [2] [3]
La investigación de muchas series temporales económicas se vuelve problemática debido a las fluctuaciones estacionales. Las series temporales se componen de cuatro componentes:
La diferencia entre patrones estacionales y cíclicos:
La relación entre la descomposición de los componentes de series temporales.
A diferencia de los componentes tendencial y cíclico, los componentes estacionales, teóricamente, ocurren con magnitud similar durante el mismo período de tiempo cada año. A veces se considera que los componentes estacionales de una serie no son interesantes y dificultan la interpretación de una serie. La eliminación del componente estacional dirige la atención a otros componentes y permitirá un mejor análisis. [5]
Diferentes grupos de investigación estadística han desarrollado diferentes métodos de ajuste estacional, por ejemplo X-13-ARIMA y X-12-ARIMA desarrollados por la Oficina del Censo de Estados Unidos ; TRAMO /SEATS desarrollado por el Banco de España ; [6] MoveReg (para datos semanales) desarrollado por la Oficina de Estadísticas Laborales de los Estados Unidos ; [7] STAMP desarrollado por un grupo liderado por SJ Koopman; [8] y “Descomposición estacional y de tendencias utilizando Loess” (STL) desarrollado por Cleveland et al. (1990). [9] Mientras que X-12/13-ARIMA solo se puede aplicar a datos mensuales o trimestrales, la descomposición STL se puede utilizar en datos con cualquier tipo de estacionalidad. Además, a diferencia de X-12-ARIMA, STL permite al usuario controlar el grado de suavidad del ciclo de tendencia y cuánto cambia el componente estacional con el tiempo. X-12-ARIMA puede manejar descomposición aditiva y multiplicativa, mientras que STL solo puede usarse para descomposición aditiva. Para lograr una descomposición multiplicativa usando STL, el usuario puede tomar el registro de los datos antes de descomponerlos y luego volver a transformarlos después de la descomposición. [9]
Cada grupo proporciona software que respalda sus métodos. Algunas versiones también se incluyen como partes de productos más grandes y algunas están disponibles comercialmente. Por ejemplo, SAS incluye X-12-ARIMA, mientras que Oxmetrics incluye STAMP. Una iniciativa reciente de organizaciones públicas para armonizar las prácticas de ajuste estacional ha dado lugar al desarrollo de Demetra+ por parte de Eurostat y el Banco Nacional de Bélgica, que actualmente incluye tanto X-12-ARIMA como TRAMO/SEATS. [10] R incluye descomposición STL. [11] El método X-12-ARIMA se puede utilizar a través del paquete R "X12". [12] EViews admite X-12, X-13, Tramo/Seats, STL y MoveReg.
Un ejemplo bien conocido es la tasa de desempleo , que está representada por una serie temporal. Esta tasa depende particularmente de influencias estacionales, por lo que es importante liberar la tasa de desempleo de su componente estacional. Estas influencias estacionales pueden deberse a que los graduados o desertores escolares buscan ingresar a la fuerza laboral y a fluctuaciones regulares durante los períodos de vacaciones. Una vez que se elimina la influencia estacional de esta serie temporal, los datos de la tasa de desempleo se pueden comparar significativamente entre diferentes meses y se pueden hacer predicciones para el futuro. [3]
Cuando no se realiza el ajuste estacional con datos mensuales, se utilizan cambios año tras año en un intento de evitar la contaminación con la estacionalidad.
Cuando a los datos de series de tiempo se les elimina la estacionalidad, se dice que están ajustados estacionalmente directamente . Si está formado por una suma o agregación de índices de series temporales que han sido desestacionalizadas, se dice que ha sido desestacionalizado indirectamente . El ajuste estacional indirecto se utiliza para grandes componentes del PIB que están compuestos por muchas industrias, que pueden tener diferentes patrones estacionales y que, por lo tanto, se analizan y ajustan estacionalmente por separado. El ajuste estacional indirecto también tiene la ventaja de que la serie agregada es la suma exacta de las series componentes. [13] [14] [15] La estacionalidad puede aparecer en una serie ajustada indirectamente; A esto a veces se le llama estacionalidad residual .
Debido a las diversas prácticas de ajuste estacional de las diferentes instituciones, Eurostat y el Banco Central Europeo crearon un grupo para promover procesos estándar. En 2009, un pequeño grupo compuesto por expertos de instituciones estadísticas y bancos centrales de la Unión Europea produjo las Directrices ESS sobre ajuste estacional, [16] que se están implementando en todas las instituciones estadísticas de la Unión Europea. También lo están adoptando voluntariamente otras instituciones estadísticas públicas fuera de la Unión Europea.
Según el teorema de Frisch-Waugh-Lovell, no importa si se introducen en la ecuación de regresión variables ficticias para todas las estaciones excepto una, o si la variable independiente se ajusta primero estacionalmente (mediante el mismo método de variable ficticia) y la regresión entonces corre.
Dado que el ajuste estacional introduce un componente de media móvil (MA) "no reversible" en los datos de series temporales, las pruebas de raíz unitaria (como la prueba de Phillips-Perron ) estarán sesgadas hacia el no rechazo de la raíz unitaria nula . [17]
El uso de datos de series temporales ajustadas estacionalmente puede ser engañoso porque una serie ajustada estacionalmente contiene tanto el componente de tendencia - ciclo como el componente de error . Como tal, lo que parecen ser "bajas" o "mejoras" pueden en realidad ser aleatoriedad en los datos. Por esta razón, si el propósito es encontrar puntos de inflexión en una serie, se recomienda utilizar el componente tendencia-ciclo en lugar de los datos desestacionalizados. [3]
{{cite book}}
: |website=
ignorado ( ayuda ){{cite book}}
: |website=
ignorado ( ayuda ){{cite book}}
: |website=
ignorado ( ayuda )