داده های تنظیم شده فصلی - سوالات متداول

این مقاله ویژه پاسخ های غیر فنی به سؤالات منتخب مربوط به استفاده و تفسیر داده های تنظیم شده فصلی ارائه می دهد. سازماندهی شده به عنوان مجموعه ای از سؤالات متداول (سؤالات متداول) ، مباحث فنی تر تعدیل فصلی در انتشارات آمار کانادا و کتابچه های مرجع را تکمیل می کند.

این سند مرجع به دو بخش تقسیم می شود. بخش 1 مروری بر مفاهیم و تعاریف است که برای تئوری و عمل تنظیم فصلی اساسی است. بخش 2 بحثی در مورد موضوعات منتخب است که مربوط به تجزیه و تحلیل و تفسیر داده های تنظیم شده فصلی است.

بخش 1: مفاهیم و تعاریف

بخش 2: موضوعات مربوط به تحلیل و تفسیر

بخش 1: مفاهیم و تعاریف

سریال زمانی چیست؟

یک سری زمانی دنباله ای از مشاهدات جمع آوری شده در فواصل زمانی منظم است. این داده ها اطلاعاتی را در مورد یک مفهوم آماری به خوبی تعریف شده برای یک دوره مرجع خاص ارائه می دهند و در نقاط مختلف در زمان ارائه می شوند. بیشتر داده های اقتصادی منتشر شده توسط آمار کانادا به عنوان یک سری زمانی ارائه می شود. مثالها شامل داده های ماهانه در مورد قیمت مصرف کننده ، فروش خرده فروشی ، اشتغال و تولید ناخالص داخلی است. این داده ها مربوط به دوره های مرجع ماهانه است که برای یک دنباله طولانی از ماه ها در دسترس است ، تا مقایسه ها را با گذشت زمان تسهیل کند.

یک سری زمانی تنظیم شده فصلی چیست؟

داده های سری زمانی ماهانه یا سه ماهه گاهی اوقات تحت تأثیر اثرات فصلی و تقویم قرار می گیرند. این اثرات می تواند تغییراتی در داده هایی ایجاد کند که به طور معمول در همان زمان و تقریباً در همان بزرگی اتفاق می افتند. به عنوان مثال ، فروش خرده فروشی ماهانه از لحاظ تاریخی در دسامبر در بالاترین سطح خود در ماه دسامبر به دلیل خرید تعطیلات بوده و سپس در ژانویه از سطح پایین تر خودداری می کند. این سال به سال به سال رخ می دهد و با مقایسه داده های فروش خام برای این دو ماه ، اطلاعات مربوط به روند صنایع خرده فروشی را تحت تأثیر قرار می دهد. یک سری زمانی تنظیم شده فصلی یک سری زمانی ماهانه یا سه ماهه است که برای از بین بردن تأثیر تأثیرات فصلی و تقویم اصلاح شده است. داده های تنظیم شده فصلی امکان مقایسه معنی دار تر از شرایط اقتصادی از دوره به دوره را فراهم می کند. یک سری زمانی خام سری معادل آن قبل از تنظیم فصلی است و گاهی اوقات به عنوان سریال زمانی اصلی یا غیرقابل تنظیم گفته می شود.

چرا تنظیم فصلی مورد نیاز است؟

بسیاری از کاربران آمار اقتصادی و اجتماعی برای درک تغییرات در پدیده های اقتصادی و اجتماعی با گذشت زمان به داده های سری زمانی متکی هستند. خصوصیات آماری مهم یک سری زمانی شامل جهت و نقاط عطف آن و همچنین ارتباط آن با سایر شاخص های اقتصادی و اجتماعی است. یک الگوی فصلی در یک سری می تواند با ایجاد حرکات دوره ای به دوره در داده ها ، تفسیر این ویژگی های مهم را مبهم کند. بسیاری از کاربران داده های سری زمانی ، حرکات موجود در داده های مربوط به اثرات فصلی و دیگر تقویم را در نظر نمی گیرند تا از نظر تحلیلی معنی دار باشند. این اثرات فصلی و تقویم می تواند حرکات اساسی "واقعی" را در سری داده های مربوط به چرخه تجارت یا وقایع غیر فصلی مانند اعتصاب یا اختلال غیرقابل پیش بینی در تولید مبهم کند. در نتیجه ، تکنیک های تعدیل فصلی که تأثیر تأثیرات فصلی و تقویم را از داده های اصلی حذف می کند می تواند میزان استفاده از یک سری زمانی را برای ارزیابی تغییرات معنی دار در شرایط اقتصادی با گذشت زمان تیز کند.

آیا تنظیم فصلی همیشه لازم است؟

تنظیم فصلی ممکن است همیشه مناسب یا لازم نباشد. لازم نیست مجموعه ای را تنظیم کنید که الگوی فصلی قابل شناسایی یا سایر تأثیرات مبتنی بر تقویم را نشان ندهد. همچنین همیشه توصیه نمی شود که از داده های تنظیم شده فصلی استفاده کنید وقتی که برآورد خام نشان دهنده آمار واقعی علاقه باشد. به عنوان مثال ، تصمیم گیرندگان که برای اهداف نمایه سازی به شاخص قیمت مصرف کننده (CPI) اعتماد می کنند ، توصیه می شود از داده های غیرقابل تنظیم استفاده کنند-زیرا اینها منعکس کننده حرکات قیمت واقعی مشاهده شده از دوره به دوره است. با این حال ، کاربران داده ای که بیشتر علاقه مند به تجزیه و تحلیل روند قیمت های اساسی در اقتصاد هستند ، تشویق می شوند از شاخص های تنظیم شده فصلی استفاده کنند.

به همین ترتیب ، تحلیلگرانی که علاقه مند به محاسبه رشد خام در تعداد بزرگسالان جوان کار از آوریل 2012 تا مه 2012 هستند ، باید تخمین های خام را برای این دو ماه بررسی کنند و تفاوت را محاسبه کنند. این تغییر ماه به ماه در اشتغال خام ممکن است اطلاعات مفیدی در مورد تغییرات در شرایط بازار کار با بزرگسالان جوان در صورتی که اثرات فصلی یا تقویم تأثیر قابل توجهی در سطح اشتغال در هر دو یا هر دو ماه داشته باشد ، به همراه نیاورد. با این حال ، داده های خام نشان می دهد که میزان اشتغال واقعی برای این گروه از آوریل تا ماه مه - که ممکن است اطلاعات مفیدی برای اهداف دیگر باشد ، افزایش یافته است.

تعدیل فصلی در آمار کانادا چقدر رایج است؟

آمار کانادا به صورت فصلی تقریباً تمام شاخص های اصلی اقتصادی زیر سالانه خود ، از جمله تخمین های سه ماهه و ماهانه از تولید ناخالص داخلی و تخمین اشتغال ماهانه از نظرسنجی نیروی کار را تنظیم می کند. اگرچه اکثریت قریب به اتفاق نسخه های آژانس داده های تنظیم شده فصلی را برجسته می کنند ، هم سری تنظیم شده فصلی و هم سری های غیر قابل تنظیم اغلب در دسترس هستند.

چگونه داده های تنظیم شده فصلی تخمین زده می شوند؟

داده های تنظیم شده فصلی با تجزیه داده های سری زمانی به اجزای مختلف تخمین زده می شوند. با استفاده از تکنیک های آماری به خوبی تثبیت شده ، این فرآیند شامل تجزیه یک سری زمانی به چهار مؤلفه جداگانه است: (1) چرخه روند ، (2) اثرات فصلی ، (3) اثرات تقویم دیگر مانند روزهای معاملاتی و تعطیلات در حال حرکت ، و 4) مؤلفه نامنظم. سری تنظیم شده فصلی سریال اصلی با تخمین اثرات فصلی و تقویم حذف شده یا معادل آن ، ترکیب تخمین زده شده از چرخه روند و اجزای نامنظم است.

اجزای سری زمانی چیست؟

یک سری زمانی را می توان به چهار مؤلفه سری زمانی جداگانه تقسیم کرد: (1) چرخه روند ، (2) جلوه های فصلی ، (3) جلوه های دیگر تقویم مانند روزهای معاملاتی و تعطیلات در حال حرکت ، و (4) مؤلفه نامنظم. در اینجا یک مرور کلی از هر یک آورده شده است:

چرخه روند: این نشان دهنده نسخه صاف سری زمانی است و الگوی یا جهت کلی آن را نشان می دهد. چرخه روند را می توان به عنوان حرکت بلند مدت در سری زمانی تعبیر کرد ، نتیجه عوامل مختلف (یا عوامل تعیین کننده) که تغییرات طولانی مدت در داده ها را در طول زمان شرایط می کند. همانطور که از نام آن پیداست ، چرخه روند همچنین منعکس کننده گسترش دوره ای و انقباضات در فعالیت های اقتصادی ، مانند موارد مرتبط با چرخه تجارت است.

جلوه های فصلی: اینها نشان دهنده حرکات یا الگوهای منظم در داده های سری زمانی است که در همان ماه یا سه ماهه هر سال رخ می دهد. بر اساس حرکات گذشته سری زمانی ، این الگوهای منظم خود را از سال به سال تکرار می کنند. این الگوهای فصلی از نظر زمان بندی ، جهت و بزرگی نسبتاً پایدار هستند. غالباً این اثرات فصلی مربوط به تغییرات مبتنی بر تقویم در فعالیت های اقتصادی است ، مانند افزایش خرده فروشی در منجر به کریسمس یا افزایش اشتغال ساخت و ساز در بهار. اثرات فصلی این الگوهای مرتباً در داده ها را مشخص می کند.

سایر اثرات تقویم مانند روزهای معاملاتی و تعطیلات در حال حرکت: گذشته از اثرات فصلی ، سایر اثرات مبتنی بر تقویم سیستماتیک می توانند در یک دوره خاص بر سطح فعالیت اقتصادی تأثیر بگذارند. مهمترین آنها اثرات روز تجارت است. این اثرات می تواند وجود داشته باشد که سطح فعالیت اقتصادی بسته به روز هفته متفاوت باشد. به عنوان مثال ، فروش خرده فروشی معمولاً روزهای شنبه نسبت به هر روز دیگر هفته بیشتر است. در نتیجه ، یک ماه پنج شنبه بیشتر از یک ماه با تنها چهار شنبه منجر به فروش خرده فروشی بالاتر می شود. نمونه بارز دیگر از اثر تقویم ، تاریخ عید پاک است که انتظار می رود بسته به ماه وقوع آن ، فروش خرده فروشی را در ماه مارس یا آوریل افزایش دهد. این اثر تقویم خاص به عنوان یک اثر تعطیلات در حال حرکت گفته می شود.

مؤلفه نامنظم: این مؤلفه شامل حرکات غیرقابل پیش بینی در داده ها است که (1) بخشی از چرخه روند نیستند و (2) مربوط به عوامل فصلی فعلی یا اثرات تقویم نیست. مؤلفه نامنظم می تواند مربوط به وقایع اقتصادی پیش بینی نشده یا شوک ها باشد (به عنوان مثال ، اعتصاب ، اختلال ، آب و هوای غیر منطقی و غیره) ، یا به سادگی می تواند در اندازه گیری داده های غیر قابل تنظیم (به دلیل نمونه گیری و خطاهای غیر نمونه برداری) از سر و صدا ناشی شود.

کدام مؤلفه ها در یک سری تنظیم شده فصلی گنجانده و حذف می شوند؟

جلوه های فصلی و سایر اثرات تقویم مانند روزهای معاملاتی و تعطیلات متحرک از سری تنظیم شده فصلی حذف نمی شوند. در نتیجه ، سری تنظیم شده فصلی ترکیبی از چرخه روند و مؤلفه نامنظم است. سهم مؤلفه نامنظم ارزش تأکید دارد ، زیرا داده های تنظیم شده فصلی گاهی اوقات به عنوان ارائه اطلاعات "خالص" در چرخه روند ، به اشتباه تفسیر می شوند.

چرا داده های تنظیم شده خام و فصلی با گذشت زمان اصلاح می شوند؟

داده های خام را می توان اصلاح کرد تا داده های اضافی را که اواخر گزارش شده است ، برای تصحیح داده هایی که در ابتدا گزارش نادرست یا به دلایل مختلف دیگر هستند ، مورد توجه قرار دهند. در چنین مواردی ، داده های تنظیم شده فصلی که مبتنی بر داده های غیر قابل تنظیم هستند نیز باید اصلاح شوند.

نگاه به گذشته برای تحلیل سری های زمانی بسیار مهم است. حتی زمانی که سری خام اصلاح نشده است، اغلب مفید است که داده های فصلی تنظیم شده را اصلاح کنید. برای تخمین اثرات فصلی در هر نقطه از زمان، آماردانان از اطلاعات مشاهدات قبلی، فعلی و آینده استفاده می کنند. اطلاعات مربوط به مشاهدات آینده در زمان واقعی در دسترس نیست، بنابراین تنظیم فصلی با استفاده از مقادیر قبلی و فعلی، همراه با مقادیر پیش بینی شده انجام می شود. این پیش بینی ها بر اساس یک مدل آماری است که از اطلاعات گذشته استفاده می کند. با در دسترس قرار گرفتن داده های جدید، اجزای سری زمانی مختلف را می توان با دقت بیشتری تخمین زد. این منجر به برآوردهای اصلاح شده و دقیق تر از داده های فصلی تنظیم شده می شود.

به صورت دوره‌ای، روش‌های مورد استفاده برای تخمین مولفه‌های سری زمانی برای سری‌های داده خاص نیز بررسی می‌شوند. هر برنامه آماری در Statistics Canada استراتژی بازنگری خاص خود را دارد و زمان‌بندی‌ها به طور معمول قبل از این ویرایش‌ها در اختیار کاربران داده قرار می‌گیرد.

آیا مقایسه سال به سال داده های خام و همچنین تکنیک های رسمی تر تعدیل فصلی کار می کند؟

مقایسه داده های خام برای دوره مشابه در هر سال اطلاعاتی را در مورد روندهای بلندمدت و چرخه های اقتصادی ارائه می دهد، اما این مقایسه ها لزوماً همه الگوهای فصلی را از داده ها حذف نمی کند. برخی از تعطیلات، مانند عید پاک، سال به سال در یک تاریخ یا حتی در یک ماه قرار نمی گیرند. اگر زمان این تعطیلات بر متغیر اندازه گیری شده تأثیر بگذارد، مانند خرده فروشی ماهانه، مقایسه خام سال به سال می تواند گمراه کننده باشد. به عنوان مثال، در سال 2013، عید پاک در 31 مارس بود، در حالی که در سال 2012، در 8 آوریل بود. بنابراین، ممکن است نتیجه گیری شود که تغییر در فروش از مارس 2012 تا مارس 2013 منعکس کننده روندهای اساسی در صنایع خرده فروشی است، زیرا تفاوت در فروش ممکن است تحت تأثیر زمان تعطیلات عید پاک باشد، گمراه کننده باشد.

به طور مشابه، مقایسه سال به سال داده های خام، اثر روز معاملات را نادیده می گیرد، که در بسیاری از سری ها رخ می دهد، و می تواند اعتبار مقایسه های سال به سال را تحت تاثیر قرار دهد. به عنوان مثال، بسیاری از کسب و کارها در روزهای شنبه و یکشنبه تولید کمتری نسبت به روزهای هفته دارند. در سال 2011، اکتبر از یک شنبه شروع شد و شامل 5 آخر هفته کامل و 21 روز هفته بود. در سال 2012، اکتبر از یک روز دوشنبه آغاز شد و شامل 4 آخر هفته کامل و 23 روز هفته بود. یک مقایسه ساده سال به سال بین این دو ماه نمی تواند این تفاوت ها را محاسبه کند و می تواند بر تحلیل تغییرات تولید اقتصادی در طول زمان تأثیر بگذارد.

حتی وقتی هیچ اثر تقویم دیگری در داده ها وجود ندارد ، مقایسه دوره های مشابه در هر سال هنوز هم می تواند مشکل ساز باشد. به طور کلی ، می توان نشان داد که این نوع مقایسه فاقد به موقع برای شناسایی نقاط عطف است (نقطه ای که یک سری کاهش دهنده به عنوان مثال شروع به افزایش می کند).

مقایسه یک مقدار فعلی با تنها یک مقدار گذشته (مقدار سری 12 ماه قبل از ماه مرجع فعلی) همچنین می تواند گمراه کننده باشد اگر این مقدار خاص غیرمعمول باشد. به عنوان مثال ، مقایسه داده های اقتصادی برای بریتیش کلمبیا برای فوریه 2011 با داده های فوریه 2010 (ماه که استان میزبان المپیک زمستانی بود) ممکن است اطلاعات مفیدی در مورد تغییرات در روند ارائه ندهد. برای کاهش جزئی این اثر ، داده های ماه جاری (فوریه 2011) را می توان با میانگین داده ها برای فوریه های قبلی (به عنوان مثال ، پنج سال گذشته) مقایسه کرد. یک روش مشابه می تواند برای بررسی حرکات ماه به ماه اعمال شود. به عنوان مثال ، جنبش دسامبر تا ژانویه امسال می تواند با میانگین تاریخی حرکات دسامبر تا ژانویه برای پنج سال گذشته مقایسه شود. اگرچه این روش ممکن است بینش دیگری داشته باشد ، اما برخی از احتیاط ها ضروری است زیرا جایگاه تکنیک های رسمی تنظیم فصلی را نمی گیرد.

بخش 2: موضوعات مربوط به تحلیل و تفسیر

چگونه می توانم تغییرات دوره به دوره را در داده های تنظیم شده فصلی تعبیر کنم؟

تغییرات دوره به دوره در داده های خام و تغییرات دوره به دوره در داده های تنظیم شده فصلی اطلاعات متفاوتی را ارائه می دهد. برای نشان دادن این موضوع ، داده های اشتغال فرضی را از یک بررسی ماهانه صنعت در نظر بگیرید. هر ماه ، این داده ها جمع آوری و پردازش می شوند تا برآورد کل اشتغال صنعت را بدست آورند. این برآورد خام است (تنظیم نشده فصلی) - این یک معیار تعداد افرادی است که در ماه مرجع در صنعت کار می کنند ، بدون آنکه بین مؤلفه های مختلف سری زمانی که در این برآورد نقش دارند ، تمایز قائل شوند.

قبل از انتشار ، این برآورد از اشتغال صنعت به صورت فصلی تنظیم شده است تا تأثیر اثرات فصلی و تقویم را از داده های خام (با استفاده از اطلاعات فعلی و گذشته در مورد اشتغال صنعت) حذف کند. این برآورد تعدیل شده تخمین رسمی اشتغال صنعت منتشر شده در روز است.

نکته مهم در مورد مقایسه با گذشت زمان - تفاوت بین برآورد اشتغال تعدیل شده فصلی برای دو ماه متوالی قابل تفسیر نیست زیرا تفاوت خام در تعداد افرادی که در این ماه ها واقعاً در صنعت کار می کنند. تفاوت خام تفاوت در برآورد اشتغال غیر قابل تنظیم به دست آمده مستقیم از نظرسنجی است.

در عوض ، تفاوت در برآوردهای تنظیم شده ماه به ماه ، اندازه گیری مستقیم تغییر در تعداد افراد شاغل است ،پس از تغییرات مورد انتظار به دلیل تغییر در اشتغال فصلی بین این دو ماهبشربسته به نحوه تغییر اثرات فصلی از ماه به ماه ، ممکن است تعداد حاصل از تفاوت خام کمتر باشد یا ممکن است بیشتر باشد.

مثال زیر تمایز بین داده های تنظیم شده خام و فصلی ، با استفاده از داده های اشتغال فرضی برای یک صنعت ، جمع آوری شده در طی دو ماه متوالی را نشان می دهد. در این مثال فرض بر این است که هیچ اثر تقویم دیگری وجود ندارد.

جدول 1 اشتغال صنعت ، جدول 1 کارآیی و فصلی تنظیم شده در صنعت ، اشتغال صنعت ، خلاصه جدول خام و فصلی تنظیم شده در این جدول نتایج اشتغال صنعت را نشان می دهد. این اطلاعات بر اساس دوره زمانی (ظاهر به عنوان هدر ردیف) ، داده های غیر قابل تنظیم ، داده های تنظیم شده فصلی ، چرخه روند ، مؤلفه نامنظم و جلوه های فصلی (ظاهر به عنوان عنوان ستون) گروه بندی می شوند.

در ماه اول ، برآورد غیرقابل تنظیم از اشتغال صنعت 6،200 بود. برآورد اشتغال تعدیل شده فصلی در 7،200 بزرگتر بود. بر این اساس ، اشتغال منسوب به اثرات فصلی در ماه 1-1000 بود. این یعنی چی؟

این بدان معناست که انتظار می رود حدود 1000 کارمند کمتر در ماه 1 کار کنند در مقایسه باسطح متوسط اشتغال صنعت در طول سالبشراین سطح "مورد انتظار" و "متوسط" مبتنی بر الگوهای تاریخی است که منعکس کننده حرکات فصلی معمولی در این داده ها است.

بر این اساس ، این 1000 کارمند کمتر به تخمین اشتغال برای ماه 1 اضافه می شوند و یک تخمین تنظیم شده فصلی را که بزرگتر از تخمین غیر قابل تنظیم یا خام است ، جمع آوری شده از نظرسنجی ارائه می دهد. چرا این کار انجام شده است؟این امر به این دلیل اتفاق می افتد که هدف تنظیم فصلی این است که داده های ماه به ماه قابل مقایسه تر باشد به طوری که آنها اطلاعات بهتری در مورد روندها و حرکات چرخه ای ارائه می دهند. تنظیم فصلی داده ها مقایسه ماه به ماه را با سرعت مساوی قرار می دهد.

برآورد اشتغال صنعت برای ماه 2 الگوی مشابهی را نشان می دهد ، با برآورد نهایی فصلی که بیش از برآورد غیرقابل تنظیم است. در این ماه ، انتظار می رود 1400 کارمند کمتر در این صنعت کار کنند (در مقایسه با میانگین سطح عمومی اشتغال ماهانه در طول سال) ، بر اساس حرکات منظم فصلی. افزودن این اشتغال به برآورد غیرقابل تنظیم از داده های نظرسنجی ، تخمین منتشر شده (تنظیم شده فصلی) را به 6،800 می رساند.

هر دو ماه نمونه ای از "اضافه کردن بازگشت" - تکمیل داده های نظرسنجی با اشتغال اضافی - زیرا اثرات فصلی منفی است. در این موارد ، به دلیل الگوهای فصلی گذشته ، اشتغال کمتری در ماه مرجع پیش بینی می شود ، بنابراین اشتغال باید به آن اضافه شود تا داده ها از ماه به ماه قابل مقایسه باشند. برای ماه های دیگر ، برعکس می تواند اعمال شود - زیرا عوامل فصلی مثبت هستند. در این ماه ها انتظار می رود تعداد بیشتری از کارمندان نسبت به میانگین ماهانه فرضی کار کنند ، بنابراین تعدیل فصلی برخی از اشتغال را از داده های غیر قابل تعدیل حذف می کند تا این ماه ها (به صورت آماری) را با سرعت مساوی با ماه های دیگر در طول سال قرار دهند.

الگوهای فصلی چگونه بر تفسیر تغییرات ماه به ماه تأثیر می گذارد؟

تفسیر تغییرات ماه به ماه می تواند پیچیده باشد زیرا شامل برخی از جنبه های فنی تر مدل سازی داده های مورد استفاده در روالهای تنظیم فصلی است. الگوهای فصلی را می توان "به صورت اضافی" یا "چند برابر" مدل کرد. اگر الگوهای فصلی به عنوان افزودنی مدل شوند ، میزان تغییر ماه به ماه در اشتغال تحت تأثیر تغییرات در اثرات فصلی است که می تواند به روشی نسبتاً ساده بررسی شود.

برای دیدن این موضوع ، مجدداً داده های اشتغال فرضی مورد استفاده در مثال مورد نظر را در نظر بگیرید.

این متفاوت از تغییر غیرقابل تنظیم محاسبه شده به طور مستقیم از داده های نظرسنجی است. برآورد غیر قابل تنظیم از 6،200 در ماه 1 به 5،400 در ماه 2 سقوط کرد ، کاهش خالص 800 کارگر یا دو برابر کاهش داده های تنظیم شده فصلی.

تفاوت زیادی در این دو تخمین چیست؟همانطور که در بالا ذکر شد ، هر دو ماه اثرات فصلی منفی داشتند. این بدان معنی است که ، با توجه به الگوهای گذشته فصلی ، اشتغال کمتر صنعت در هر دو ماه پیش بینی می شود که با میانگین ماهانه عمومی سالانه مقایسه شود. اما اثر فصلی منفی در ماه دوم توسط حدود 400 کارگر از نظر مطلق بزرگتر بود. در حالی که حدود 1000 کارگر در ماه 1 به داده های بررسی خام اضافه شدند تا تخمین تنظیم شده فصلی را بدست آورند ، حدود 1400 کارگر در ماه 2 اضافه شدند.

از نظر عددی ، حدود 40 ٪ از این کاهش تخمین تنظیم شده فصلی را می توان به تغییرات در چرخه روند نسبت داد. 60 ٪ باقیمانده به دلیل مؤلفه نامنظم است.

کدام تخمین - از نظر فصلی تنظیم شده یا خام - "صحیح" است؟

هر دو تخمین صحیح هستند ، زیرا هر دو از فرآیندهای آماری قانونی ناشی می شوند. انتخاب یکی از طرف دیگر به هدف تجزیه و تحلیل بستگی دارد.

اگر کاربران علاقه مند به برآورد سطح واقعی اشتغال صنعت در یک دوره خاص (تعداد افراد شاغل) یا در تغییر دوره به دوره در این سطوح اشتغال واقعی هستند ، این تخمین ها می توانند مستقیماً از نظرسنجی ها بدون هیچ گونه نظرسنجی دریافت کنندتنظیم فصلی.

مشکلی هنگام تلاش برای استفاده از این داده های غیر قابل تنظیم برای تفسیر تغییرات در شرایط اقتصادی بوجود می آید. داده های خام منعکس کننده اثر ترکیبی کلیه مؤلفه هایی است که در یک دوره ماهانه یا سه ماهه به سطح اشتغال مشاهده شده کمک کرده اند. این شامل چرخه روند ، اثرات فصلی ، سایر اثرات تقویم و مؤلفه نامنظم است. در مثال سوال 11 ، صحیح است که بگوییم اشتغال صنعت از 800 کارگر از ماه 1 تا ماه 2 کاهش یافته است - کاهش به طور مستقیم از داده های خام. اما نسبت دادن این کاهش به عوامل خاص ، چنین رکودهای چرخه ای کمتر مناسب است ، در حالی که تأثیر بالقوه سایر مؤلفه ها ، مانند تغییرات روتین در الگوهای استخدام فصلی را نادیده می گیرد ، که این امر به تغییرات در داده های خام نیز کمک می کند.

نکته اصلی این است که انتخاب بین داده های تنظیم شده فصلی و خام ، متن محور است. این بستگی به این مسئله دارد که داده ها در تلاش برای اطلاع رسانی هستند و اینکه آیا حرکات دوره به دوره در این داده ها که از تأثیرات فصلی ناشی می شوند مربوط به آن مسئله است.

چگونه می توان داده های تنظیم شده فصلی را هنگام تغییر یک صنعت در حال تغییر ساختاری تفسیر کرد؟

این سوال مربوط به قابلیت اطمینان داده های تنظیم شده فصلی است. دو امتیاز تأکید بر ضمانت:

• اثرات فصلی منعکس کننده حرکات معمولی در داده های سری زمانی به دلیل الگوهای فصلی است.
• داده های تنظیم شده فصلی (که مؤلفه فصلی و سایر اثرات تقویم را حذف می کنند) بیش از تغییر در چرخه روند تحت تأثیر قرار می گیرند. آنها همچنین تحت تأثیر وقایع نامنظم قرار دارند که در بسیاری از موارد تأثیر زیادی در برآورد حاصل دارند.

تغییر ساختاری می تواند به موقعیت هایی اشاره کند که در آن برخی از جنبه های اساسی یک اقتصاد یا صنعت در حال تغییر است و در نتیجه شرایط جدیدی که با هنجارهای گذشته متفاوت است. اینها می تواند شامل نوآوری های اصلی فناوری باشد که ماهیت تولید را تغییر می دهد. آنها همچنین می توانند در پاسخ به شیوه های اداری جدید ، تغییرات روتین بیشتری در الگوهای استخدام داشته باشند.

هر دو نمونه می توانند الگوهای فصلی جدیدی را در صنعتی ایجاد کنند که با الگوهای فصلی سنتی در تضاد باشد. چگونه اینها در داده های تنظیم شده فصلی منعکس می شوند؟

در کوتاه مدت ، این شیفت ها به عنوان حرکات نامنظم در داده ها در نظر گرفته می شوند ، تا حدی که آنها به طور ناگهانی از الگوهای مورد انتظار منحرف شوند. با گذشت زمان ، این الگوهای جدید فصلی می شوند و به تدریج در سوابق تاریخی گنجانیده می شوند ، زیرا اطلاعات سری جدید در مورد این تغییرات در دسترس قرار می گیرد. این فرض می کند که این تغییرات به یک ویژگی منظم داده ها تبدیل می شوند - و نه نتیجه وقایع نامنظم یا شوک.

بر این اساس ، تفسیر حرکات در داده های تنظیم شده فصلی دشوار است وقتی که الگوهای فصلی اساسی در حال تحول یا تغییر سریع هستند. در چنین مواردی ، عوامل نامنظم می توانند تأثیر زیادی بر برآوردهای تنظیم شده فصلی داشته باشند.

تنظیم فصلی چگونه آب و هوای "غیر منطقی" را به خود اختصاص می دهد؟

این سوالی است که مربوط به یک تصور غلط رایج در مورد داده های تنظیم شده فصلی است - یعنی اینکه این تکنیکی است که تنها هدف آن حذف تأثیر تغییرات آب و هوا یا آب و هوا از داده ها است. تنظیم فصلی میانگین یا پیش بینی شده از عوامل فصلی را از داده های ماهانه یا سه ماهه حذف می کند ، که بسیاری از آنها مربوط به تغییر در آب و هوا یا آب و هوا است. اما دقیق تر این است که بیان کنیم که این عوامل فصلی مربوط به همه چیز فصلی است-آب و هوا و مرتبط با آب و هوا یا در غیر این صورت-این پتانسیل را دارد که بر تجزیه و تحلیل روند یا الگوهای چرخه ای در داده ها تأثیر بگذارد.

ایده اثر "متوسط" که قبلاً ذکر شد مهم است ، زیرا بزرگی این تنظیمات فصلی خاص دوره دوباره بر اساس الگوهای تاریخی است. اگر شرایط آب و هوایی یا آب و هوا به طور کلی منعکس کننده این الگوهای گذشته باشد ، انتظار می رود روال تعدیل فصلی کار نسبتاً کاملی از فاکتورسازی حرکات در داده های غیر قابل تنظیم که به این تغییرات آب و هوایی یا آب و هوا مربوط می شود ، انجام دهد. اما آب و هوای غیر منطقی ، مانند بهار بسیار گرم در شرق کانادا در سال 2012 ، به تعریف ، نشانگر الگوی متوسط نیست و برآوردهای تنظیم شده فصلی را تحت تأثیر قرار می دهد.

آمار کانادا برای تولید داده های تنظیم شده فصلی از چه روشی استفاده می کند؟

آمار کانادا به صورت فصلی داده های سری زمانی زیر سالانه را با استفاده از روش X-12-ARIMA تنظیم می کند ، که از تکنیک های آماری کاملاً تثبیت شده برای حذف تأثیر الگوهای منظم و تقویم از داده های غیرقابل تنظیم استفاده می کند. اگرچه ممکن است از گزینه های کمتری استفاده شود ، مانند مقایسه داده های اصلی در مدت مشابه در هر سال ، این تکنیک ها در هنگام از بین بردن اثرات تقویم محدودیت هایی دارند. بر این اساس ، آمار کانادا استفاده از روشهای رسمی و مستقر برای مقابله با فصلی را توصیه می کند. در عمل ، تنظیم فصلی به دنبال دستورالعمل های کیفیت آمار کانادا انجام می شود.

از کجا می توانم اطلاعات بیشتری در مورد موضوعات منتخب پیدا کنم؟

همانطور که در ابتدا ذکر شد ، این سند به عنوان یک راهنمای عملی در نظر گرفته شده است که دیدگاه بیشتری را در مورد موضوعات مربوط به استفاده و تفسیر داده های تنظیم شده فصلی در اختیار کاربران قرار می دهد. این برنامه برای تکمیل مقاله ای از وایمن (2010) طراحی شده است که بسیاری از این نکات را با داده های آماری کانادا نشان داده است. علاوه بر این ، ادبیات گسترده در مورد تنظیم فصلی می تواند به خوانندگان معاینه کامل تری از موضوعات مورد بحث در این سند ارائه دهد.

منابع

Ladiray ، D. and Quenneville B. (2001) تنظیم فصلی با روش X-11 ، Springer-Verlag ، یادداشت های سخنرانی در آمار ، جلد 158.