Seasonal Adjustment Methods and Real Time Trend-Cycle Estimation

ویرایش: 1 
نویسندگان: Estela Bee Dagum. Silvia Bianconcini (auth.)  
سری: Statistics for Social and Behavioral Sciences 
ISBN (شابک) : 9783319318202, 9783319318226 
ناشر: Springer International Publishing 
سال نشر: 2016 
تعداد صفحات: 293 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 5 مگابایت 

قیمت کتاب (تومان) : 50,000



این کتاب روش‌های تعدیل فصلی پرکاربرد و پیشرفت‌های اخیر در تخمین چرخه روند زمان واقعی را بررسی می‌کند. این به تفصیل ویژگی‌ها و محدودیت‌های X12ARIMA، TRAMO-SEATS و STAMP - روش‌های اصلی تنظیم فصلی مورد استفاده توسط آژانس‌های آماری را مورد بحث قرار می‌دهد. چندین مورد در دنیای واقعی هر روش را نشان می‌دهند و نمونه‌های داده واقعی را می‌توان در سراسر متن دنبال کرد. تخمین چرخه روند با استفاده از تکنیک‌های ناپارامتری مبتنی بر میانگین‌های متحرک، فیلترهای خطی و بازتولید فضاهای هیلبرت هسته، با در نظر گرفتن پیشرفت‌های اخیر ارائه شده است. این کتاب یک بررسی سیستماتیک از نتایجی را ارائه می‌کند که تا به امروز در سراسر ادبیات پراکنده شده‌اند.

تعدیل فصلی و پیش‌بینی چرخه روند در زمان واقعی نقش اساسی در تمام سطوح فعالیت در اقتصادهای مدرن دارد. آنها توسط دولت ها برای مقابله با رکودهای چرخه ای، توسط بانک های مرکزی برای کنترل تورم، توسط تصمیم گیرندگان برای مدل سازی و برنامه ریزی بهتر و توسط بیمارستان ها، تولید کنندگان، سازندگان، حمل و نقل و به طور کلی مصرف کنندگان برای تصمیم گیری در مورد اقدامات مناسب استفاده می شوند.

این کتاب برای شاغلین در موسسات دولتی، امور مالی و تجارت، اقتصاددانان کلان و سایر متخصصان که از داده های اقتصادی و همچنین محققان دانشگاهی در تحلیل سری های زمانی، روش های تعدیل فصلی، فیلتر کردن و استخراج سیگنال استفاده می کنند، جذاب است. همچنین برای دوره های کارشناسی ارشد و سال آخر کارشناسی اقتصاد سنجی و سری های زمانی با درک خوب رگرسیون خطی و جبر ماتریس و همچنین مدل سازی ARIMA مفید است.

This book explores widely used seasonal adjustment methods and recent developments in real time trend-cycle estimation. It discusses in detail the properties and limitations of X12ARIMA, TRAMO-SEATS and STAMP - the main seasonal adjustment methods used by statistical agencies. Several real-world cases illustrate each method and real data examples can be followed throughout the text. The trend-cycle estimation is presented using nonparametric techniques based on moving averages, linear filters and reproducing kernel Hilbert spaces, taking recent advances into account. The book provides a systematical treatment of results that to date have been scattered throughout the literature.

Seasonal adjustment and real time trend-cycle prediction play an essential part at all levels of activity in modern economies. They are used by governments to counteract cyclical recessions, by central banks to control inflation, by decision makers for better modeling and planning and by hospitals, manufacturers, builders, transportation, and consumers in general to decide on appropriate action.

This book appeals to practitioners in government institutions, finance and business, macroeconomists, and other professionals who use economic data as well as academic researchers in time series analysis, seasonal adjustment methods, filtering and signal extraction. It is also useful for graduate and final-year undergraduate courses in econometrics and time series with a good understanding of linear regression and matrix algebra, as well as ARIMA modelling.

Front Matter....Pages i-xvi
Introduction....Pages 1-28
Time Series Components....Pages 29-57
Front Matter....Pages 59-59
Seasonal Adjustment: Meaning, Purpose, and Methods....Pages 61-78
Linear Filters Seasonal Adjustment Methods: Census Method II and Its Variants....Pages 79-114
Seasonal Adjustment Based on ARIMA Model Decomposition: TRAMO-SEATS....Pages 115-145
Seasonal Adjustment Based on Structural Time Series Models....Pages 147-164
Front Matter....Pages 165-165
Trend-Cycle Estimation....Pages 167-195
Further Developments on the Henderson Trend-Cycle Filter....Pages 197-223
A Unified View of Trend-Cycle Predictors in Reproducing Kernel Hilbert Spaces (RKHS)....Pages 225-241
Real Time Trend-Cycle Prediction....Pages 243-262
The Effect of Seasonal Adjustment on Real-Time Trend-Cycle Prediction....Pages 263-278
Back Matter....Pages 279-283