La désaisonnalisation est une étape cruciale du prétraitement des données pour de plus amples recherches. Le chercheur a cependant un certain nombre d'options pour la décomposition tendance-cycle-saisonnière. Les méthodes de décomposition saisonnières rivales les plus courantes (à en juger par le nombre de citations dans la littérature empirique) sont X-11 (12) -ARIMA, Tramo / Seats (toutes deux mises en œuvre dans Demetra + ) et 's stl . Cherchant à éviter le choix aléatoire entre les techniques de décomposition mentionnées ci-dessus (ou d'autres méthodes simples comme les variables factices saisonnières), je voudrais connaître une stratégie de base qui conduit à choisir efficacement la méthode de décomposition saisonnière.
Plusieurs sous-questions importantes (les liens vers une discussion sont également les bienvenus) pourraient être:
- Quelles sont les similitudes et les différences, les points forts et les points faibles des méthodes? Y a-t-il des cas particuliers où une méthode est plus préférable que les autres?
- Pourriez-vous fournir des guides généraux sur ce qui se trouve à l'intérieur de la boîte noire des différentes méthodes de décomposition?
- Y a-t-il des astuces spéciales pour choisir les paramètres des méthodes (je ne suis pas toujours satisfait des valeurs par défaut,
stlpar exemple, a de nombreux paramètres à gérer, parfois je sens que je ne sais pas comment les choisir correctement). - Est-il possible de suggérer certains critères (statistiques) selon lesquels les séries chronologiques sont désaisonnalisées efficacement (analyse du corrélogramme, densité spectrale? Critères de petite taille d'échantillon? Robustesse?).