Seasonal Adjustment Without Revisions: A Real-Time Approach

فصلی بودن در سری‌های زمانی اقتصادی می‌تواند حرکات سایر مؤلفه‌های یک سری را که از نظر عملیاتی برای تحلیل‌های اقتصادی و اقتصادسنجی مهم‌تر هستند، \"معروف\" کند. در عمل، اغلب ترجیح می‌دهیم با داده‌های تنظیم‌شده فصلی کار کنیم تا وضعیت فعلی اقتصاد و مسیر آینده آن را ارزیابی کنیم.

این کتاب یک برنامه تعدیل فصلی به نام CAMPLET را ارائه می‌کند. مخفف پارامترهای تنظیم آن، که شامل یک روش تطبیقی ​​ساده برای استخراج مولفه فصلی و غیر فصلی از یک سری مشاهده شده است. هنگامی که این فرآیند انجام شد، در مرحله بعدی که مشاهدات جدید در دسترس قرار گرفت، دیگر نیازی به تجدید نظر در این اجزا نخواهد بود.

نویسندگان ویژگی‌های اصلی CAMPLET را توصیف می‌کنند، ارزیابی می‌کنند. نتایج CAMPLET و X-13ARIMA-SEATS در یک چارچوب شبیه سازی کنترل شده با استفاده از انواع فرآیندهای تولید داده، و نشان دادن CAMPLET و X-13ARIMA-SEATS با سه سری زمانی: استخدام حقوق و دستمزد غیرکشاورزی ایالات متحده، درآمد عملیاتی Ahold و واقعی تولید ناخالص داخلی در هلند علاوه بر این، نحوه عملکرد CAMPLET تحت بحران COVID-19 و جذابیت آن در برخورد با داده های روزانه را نشان می دهد.

این کتاب برای محققان و دانشجویان اقتصاد سنجی و آمار، علاقه مند به استفاده از روش های آماری برای مدل سازی تجربی اقتصادی.

Seasonality in economic time series can "obscure" movements of other components in a series that are operationally more important for economic and econometric analyses. In practice, one often prefers to work with seasonally adjusted data to assess the current state of the economy and its future course.

This book presents a seasonal adjustment program called CAMPLET, an acronym of its tuning parameters, which consists of a simple adaptive procedure to extract the seasonal and the non-seasonal component from an observed series. Once this process is carried out, there will be no need to revise these components at a later stage when new observations become available.

The authors describe the main features of CAMPLET, evaluate the outcomes of CAMPLET and X-13ARIMA-SEATS in a controlled simulation framework using a variety of data generating processes, and illustrate CAMPLET and X-13ARIMA-SEATS with three time series: US non-farm payroll employment, operational income of Ahold and real GDP in the Netherlands. Furthermore they show how CAMPLET performs under the COVID-19 crisis, and its attractiveness in dealing with daily data.

This book appeals to scholars and students of econometrics and statistics, interested in the application of statistical methods for empirical economic modeling.