The consequences of trading day variation and calendar effects for ARIMA model building and seasonal adjustment

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.