मौसमी समायोजन एक महत्वपूर्ण कदम है जो आगे के अनुसंधान के लिए डेटा को पूर्वनिर्मित करता है। हालांकि शोधकर्ता के पास ट्रेंड-साइकल-मौसमी अपघटन के लिए कई विकल्प हैं। सबसे आम (अनुभवजन्य साहित्य में उद्धरणों की संख्या को देखते हुए) प्रतिद्वंद्वी मौसमी अपघटन विधियां एक्स -11 (12) -एरिमा, ट्रामो / सीट्स (दोनों डेमेट्रा + में लागू की गई हैं ) और के एसएल हैं । उपर्युक्त अपघटन तकनीक (या मौसमी डमी चर जैसे अन्य सरल तरीके) के बीच यादृच्छिक विकल्प से बचने के लिए मैं एक मूल रणनीति जानना चाहूंगा जो मौसमी अपघटन विधि को प्रभावी ढंग से चुनने की ओर जाता है।
कई महत्वपूर्ण उपश्रेणियाँ (एक चर्चा के लिंक भी स्वागत है) हो सकते हैं:
- तरीकों की मजबूत और कमजोर बिंदुओं में समानताएं और अंतर क्या हैं? क्या कोई विशेष मामले हैं जब एक विधि दूसरों की तुलना में अधिक बेहतर है?
- क्या आप अलग-अलग अपघटन विधियों के ब्लैक-बॉक्स के अंदर सामान्य गाइड प्रदान कर सकते हैं?
- क्या तरीकों के लिए मापदंडों को चुनने के लिए विशेष चालें हैं (मैं हमेशा चूक से संतुष्ट नहीं हूं,
stlउदाहरण के लिए कई मापदंडों से निपटना है, कभी-कभी मुझे लगता है कि मैं नहीं जानता कि इन लोगों को सही तरीके से कैसे चुना जाए)। - क्या कुछ (सांख्यिकीय) मानदंडों का सुझाव देना संभव है कि समय श्रृंखला को मौसमी रूप से कुशलतापूर्वक समायोजित किया गया है (कोरोग्राम विश्लेषण, वर्णक्रमीय घनत्व? छोटा नमूना आकार मानदंड? मजबूती?)।
1
आपको इस उत्तर में और वहां दिए गए संदर्भों में रुचि हो सकती है ।
—
javlacalle