Zusammenfassung
Zeitreihenmodelle haben in den letzten Jahren stark an Bedeutung gewonnen. Sie werden immer häufiger zur kurzfristigen Prognose und—vor allem in jüngster Zeit—auch zur Saisonbereinigung ökonomischer Zeitreihen herangezogen. Die vorliegende Arbeit beschäftigt sich ausschließlich mit dieser neuen Anwendungsmöglichkeit. Die Ausgangsposition bei den bisher üblichen Regressionsansätzen und bei Zeitreihenmodellen ist völlig konträr. Regressionsansätze wollen den Einfluß von unabhängigen Variablen auf die zu erklärende Größe erfassen. Die Existenz einer Zufallskomponente wird zwar prinzipiell anerkannt, aber mögliche, daraus resultierende Schwierigkeiten werden sofort durch heroische Annahmen verharmlost. Zeitreihenansätze wieder konzentrieren sich ausschließlich auf die Modellierung dieser Zufallskomponente. Für viele Zeitreihen, mit denen man es in der empirischen Arbeit zu tun hat, sind nun jedoch sowohl Einflüsse von unabhängigen Variablen als auch Zufallseinflüssen von Wichtigkeit. Es sollte daher nicht weiter überraschen, daß für derartigen Zeitreihen keiner der erwähnten Ansätze zu einer wirklich brauchbaren Modellierung der untersuchten Zeitreihe führt. Im folgenden wird nun am Beispiel der österreichischen Einzelhandelsumsätze gezeigt, daß in einer derartigen Situation ein “gemischter” Ansatz weit bessere Resultate liefern kann. Dabei wird der Einfluß der unabhängigen Variablen durch einen Regressionsansatz modelliert, und für die verbleibende Zufallskomponente wird ein ARIMA-Modell geschätzt. In theoretischer Hinsicht ist dieser Ansatz jedoch weit weniger anspruchsvoll als die in jüngster Zeit entwickelten ARMAX-Systeme. Trotzdem führt er zu einer sprunghaften Verbesserung in der Qualität der mit Hilfe dieses Modells berechneten saisonbereinigten Werte.
References
Bell, W. R., Hillmer, S. C., “Modeling Time Series with Calendar Variation”, Journal of the American Statistical Association, 1983, 78(383), pp. 526–534.
Box, G. E. P., Jenkins, G. M., Time Series Analysis: Forecasting and Control, Holden Day, San Francisco,, 1970.
Box, G. E. P., Tiao, G. C., “Intervention Analysis with Applications to Economic and Environmental Problems”. Journal of the American Statistical Association, 1975, 70(349), pp. 70–79.
Cleveland, W. S., Devlin, S. J., “Calendar Effects in Monthly Time Series: Detection by Spectrum Analysis and Graphical Methods”, Journal of the American Statistical Association, 1980, 75(371), pp. 487–496.
Cleveland, W. S., Devlin, S. J., “Calendar Effects in Monthly Time Series: Modeling and Adjustment”, Journal of the American Statistical Association, 1982, 77(379), pp. 520–528.
Granger, C. W. J., Newbold, P., Forecasting Economic Time Series, Academic Press, New York, 1977.
Grupe, M. R., Modified Computer Programs to Analyze: (i) Univariate Time Series, (ii) Univariate Time Series with Interventions, and (iii) Single Input Transfer Function Time Series, The University of Wisconsin-Madison, Department of Statistics, mimeo, 1977.
Ljung, G. M., Box, G. E. P., “On a Measure of Lack of Fit in Time Series Models”, Biometrika, 1978, 65, pp. 59–76.
Thury, G., “Modelling Private Consumer Expenditure in Austria by Intervention Analysis”, in Anderson, O. D. (Ed.), Time Series Analysis: Theory and Practice 1, North-Holland, Amsterdam, 1982, pp. 307–322.
Young, A. H., “Estimating Trading-Day Variation in Monthly Economic Time Series”, U. S. Department of Commerce, Bureau of the Census, Technical Paper, 1965, (12).
Author information
Authors and Affiliations
Additional information
Financial support by the Jubiläumsfonds der Oesterreichischen Nationalbank under grant No. 2203 is gratefully acknowledged.
Rights and permissions
About this article
Cite this article
Thury, G. The consequences of trading day variation and calendar effects for ARIMA model building and seasonal adjustment. Empirica 13, 3–25 (1986). https://doi.org/10.1007/BF00924931
Issue Date:
DOI: https://doi.org/10.1007/BF00924931