Ajuste estacional

El ajuste estacional o desestacionalización es un método estadístico para eliminar el componente estacional de una serie temporal . Generalmente 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 presentan ciclos estacionales, como la producción agrícola (los rendimientos de los cultivos fluctúan con las estaciones) y el consumo (el aumento del gasto personal previo a la 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 ]} Normalmente, se publican datos ajustados estacionalmente para las tasas de desempleo con el fin de revelar las tendencias y los 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 elementos:

• ${\displaystyle S_{t}}$: El componente estacional
• ${\displaystyle T_{t}}$: El componente de tendencia
• ${\displaystyle C_{t}}$: El componente cíclico
• ${\displaystyle E_{t}}$: El error o componente irregular.

La diferencia entre patrones estacionales y cíclicos:

• Los patrones estacionales tienen una duración fija y conocida, mientras que los patrones cíclicos tienen una duración variable y desconocida.
• Existe un patrón cíclico cuando los datos presentan subidas y bajadas que no tienen una duración fija (generalmente de al menos 2 años).
• La duración media de un ciclo suele ser mayor que la de la estacionalidad.
• La magnitud de la variación cíclica suele ser más variable que la de la variación estacional. ^{[ 4 ]}

La relación entre la descomposición de los componentes de las series temporales

• Descomposición aditiva:${\displaystyle Y_{t}=S_{t}+T_{t}+C_{t}+E_{t}}$, dónde${\displaystyle Y_{t}}$son los datos en el momento${\displaystyle t}$.
• Descomposición multiplicativa:${\displaystyle Y_{t}=S_{t}\cdot T_{t}\cdot C_{t}\cdot E_{t}}$.
• Los logaritmos transforman una relación multiplicativa en una relación aditiva:${\displaystyle Y_{t}=S_{t}\cdot T_{t}\cdot C_{t}\cdot E_{t}\rightarrow \log Y_{t}=\log S_{t}+\log T_{t}+\log C_{t}+\log E_{t}}$:
• Un modelo aditivo es apropiado si la magnitud de las fluctuaciones estacionales no varía con el nivel.
• Si las fluctuaciones estacionales son proporcionales al nivel de la serie, entonces un modelo multiplicativo es apropiado. La descomposición multiplicativa es más común en las series económicas.

A diferencia de los componentes de tendencia y cíclicos, los componentes estacionales, en teoría, ocurren con una magnitud similar durante el mismo período de tiempo cada año. Los componentes estacionales de una serie a veces se consideran poco interesantes y dificultan su interpretación. Eliminar el componente estacional permite centrarse en otros componentes y facilita 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 liderado por SJ Koopman; ^{[ 8 ]} y “Descomposición estacional y de tendencia usando 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 usar 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 en el tiempo. X-12-ARIMA puede manejar descomposición tanto aditiva como multiplicativa, mientras que STL solo se puede usar para descomposición aditiva. Para lograr una descomposición multiplicativa usando STL, el usuario puede tomar el logaritmo de los datos antes de descomponerlos y luego realizar la transformación inversa después de la descomposición. ^{[ 9 ]}

Un ejemplo bien conocido es la tasa de desempleo , que se representa mediante una serie temporal. Esta tasa depende particularmente de factores estacionales, por lo que es importante eliminar su componente estacional. Dichos factores estacionales pueden deberse a la incorporación al mercado laboral de graduados o desertores escolares y a las fluctuaciones habituales durante los periodos vacacionales. Una vez eliminada la influencia estacional de esta serie temporal, los datos de la tasa de desempleo pueden compararse de forma significativa entre diferentes meses y se pueden realizar predicciones para el futuro. ^{[ 3 ]}

Cuando no se realiza un ajuste estacional con datos mensuales, se utilizan los cambios interanuales en un intento de evitar la contaminación por estacionalidad.

Cuando se elimina la estacionalidad de los datos de series temporales, se dice que están ajustados estacionalmente de forma directa . Si se componen de una suma o agregación de índices de series temporales que han sido ajustadas estacionalmente, se dice que han sido ajustadas estacionalmente de forma indirecta . El ajuste estacional indirecto se utiliza para grandes componentes del PIB que están formados 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; esto a veces se denomina estacionalidad residual .

Debido a las diversas prácticas de ajuste estacional empleadas por las distintas instituciones, Eurostat y el Banco Central Europeo crearon un grupo para promover procesos estandarizados. En 2009, un pequeño grupo de expertos de instituciones estadísticas y bancos centrales de la Unión Europea elaboró ​​las Directrices del ESS sobre Ajuste Estacional ^{[ 16 ]} , que se están implementando en todas las instituciones estadísticas de la Unión Europea. Asimismo, otras instituciones estadísticas públicas fuera de la Unión Europea las están adoptando voluntariamente.

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 variables ficticias) y luego se ejecuta la regresión.

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 la no rechazamiento de la hipótesis nula de raíz unitaria . ^{[ 17 ]}

El uso de datos de series temporales ajustadas estacionalmente puede resultar engañoso, ya que una serie ajustada estacionalmente contiene tanto el componente de tendencia - ciclo como el componente de error . Por lo tanto, lo que parecen ser "reducciones" o "aumentos" pueden ser en realidad aleatoriedad en los datos. Por esta razón, si el objetivo es encontrar puntos de inflexión en una serie, se recomienda utilizar el componente de tendencia-ciclo en lugar de los datos ajustados estacionalmente. ^{[ 3 ]}

• Ergógrafo
• Lista de paquetes estadísticos
• Tasa anual ajustada estacionalmente
• Año estacional

• Enders, Walter (2010). Series temporales econométricas aplicadas (Tercera  ed.). Nueva York: Wiley. pp. 97–103 . ISBN  978-0-470-50539-7.
• Ghysels, Eric ; Osborn, Denise R. (2001). Análisis econométrico de series temporales estacionales . Nueva York: Cambridge University Press. pp. 93–120 . ISBN  0-521-56588-X.
• Hylleberg, Svend (1986). Estacionalidad en la regresión . Orlando: Academic Press. pp. 36–44 . ISBN  0-12-363455-5.
• Jaditz, Ted (diciembre de 1994). "Estacionalidad: datos económicos y estimación de modelos". BLS Monthly Labor Review. págs. 17–22 . 

• Descarga Demetra+ desde circa.europa.eu
• Ajuste estacional en el portal CROS (www.cros-portal.eu)
• Directrices del ESS sobre ajuste estacional