El ajuste estacional o desestacionalización es un método estadístico para eliminar el componente estacional de una serie temporal . Por lo general, se realiza cuando se desea 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 (los rendimientos de los cultivos fluctúan con las estaciones) y el consumo de los consumidores (aumento del gasto personal antes de Navidad ). Es necesario ajustar este componente para comprender las tendencias subyacentes en la economía, por lo que las estadísticas oficiales a menudo se ajustan para eliminar los componentes estacionales. [1] Por lo general, se informan datos ajustados estacionalmente para 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 las series temporales
A diferencia de los componentes cíclicos y de tendencia, los componentes estacionales, en teoría, ocurren con una magnitud similar durante el mismo período de tiempo cada año. A veces se considera que los componentes estacionales de una serie carecen de interés y dificultan la interpretación de la misma. Eliminar el 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 los 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 dirigido 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 tanto la descomposición aditiva como la multiplicativa, mientras que STL solo se puede utilizar para la descomposición aditiva. Para lograr una descomposición multiplicativa utilizando STL, el usuario puede tomar el logaritmo de los datos antes de descomponerlos y luego transformarlos nuevamente después de la descomposición. [9]
Cada grupo proporciona software que respalda sus métodos. Algunas versiones también se incluyen como parte 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 las organizaciones públicas para armonizar las prácticas de ajuste estacional ha dado como resultado el 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 la 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 se representa mediante una serie temporal. Esta tasa depende en particular de influencias estacionales, por lo que es importante liberar la tasa de desempleo de su componente estacional. Dichas influencias estacionales pueden deberse a graduados o desertores escolares que buscan ingresar a la fuerza laboral y 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 de manera significativa a lo largo de diferentes meses y se pueden hacer predicciones para el futuro. [3]
Cuando no se realiza un ajuste estacional con datos mensuales, se utilizan cambios interanuales en un intento de evitar la contaminación con la estacionalidad.
Cuando a los datos de series temporales se les ha eliminado la estacionalidad, se dice que están ajustados estacionalmente de forma directa . Si están compuestos por una suma o agregación de índices de series temporales que han sido ajustadas estacionalmente, se dice que han sido ajustados estacionalmente de forma indirecta . 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 la serie componente. [13] [14] [15] La estacionalidad puede aparecer en una serie ajustada indirectamente; esto a veces se denomina estacionalidad residual .
Debido a las diversas prácticas de ajuste estacional de las distintas instituciones, Eurostat y el Banco Central Europeo crearon un grupo para promover procesos estandarizados. En 2009, un pequeño grupo compuesto por expertos de instituciones estadísticas de la Unión Europea y bancos centrales elaboró las Directrices del SEE sobre ajuste estacional [16] , que se están aplicando en todas las instituciones estadísticas de la Unión Europea. También las están adoptando voluntariamente otras instituciones estadísticas públicas fuera de la Unión Europea.
Según el teorema de Frisch-Waugh-Lovell, no importa si se introducen variables ficticias para todas las estaciones excepto una en la ecuación de regresión, o si primero se ajusta estacionalmente la variable independiente (mediante el mismo método de variable ficticia) y luego se ejecuta la regresión.
Dado que el ajuste estacional introduce un componente de promedio móvil (MA) "no revertible" en los datos de series de tiempo, 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 ajustados estacionalmente puede ser engañoso, ya que una serie ajustada estacionalmente contiene tanto el componente tendencia - ciclo como el componente de error . Por lo tanto, lo que parecen ser "recesiones" o "recesiones" pueden ser en realidad aleatoriedad en los datos. Por este motivo, si el objetivo es encontrar puntos de inflexión en una serie, se recomienda utilizar el componente tendencia-ciclo en lugar de los datos ajustados estacionalmente. [3]
{{cite book}}: |website=ignorado ( ayuda ){{cite book}}: |website=ignorado ( ayuda ){{cite book}}: |website=ignorado ( ayuda )