13 Term Henderson Moving Average

Introdução Na iteração B, (Tabela B7), iteração C (Tabela C7) e iteração D (Tabela D7 e Tabela D12), o componente de ciclo de tendência é extraído de uma estimativa da série ajustada sazonalmente usando As médias móveis de Henderson. O comprimento do filtro de Henderson é escolhido automaticamente por X-12-ARIMA em um procedimento de duas etapas. A escolha automática da ordem da média móvel baseia-se no valor de um indicador denominado proporção que mede o significado da componente irregular na série. Quanto mais forte for a componente irregular, maior a ordem da média móvel é selecionada. O procedimento utilizado em cada iteração é muito semelhante, as únicas diferenças são o número de opções disponíveis eo tratamento das observações nas duas extremidades da série. O procedimento abaixo é aplicado para séries temporais mensais. Escolha automática do filtro Henderson ndash parte B Primeiro, o ciclo de tendência é calculado usando uma média móvel de Henderson de 13 termos como: Em seguida, no caso aditivo, o componente irregular é extraído subtraindo o ciclo tendência da série ajustada sazonalmente. Para a decomposição multiplicativa, uma componente irregular é extraída pela divisão das séries ajustadas sazonalmente pelo ciclo tendencial. Para calcular a razão é calculada uma primeira decomposição da série SA (ajustada sazonalmente). Para as componentes C (tendência-ciclo) e I (irregular), calcula-se a média dos valores absolutos das taxas de crescimento mensal (modelo multiplicativo) ou mensal (modelo aditivo). As observações no início e no fim da série temporal que não podem ser suavizadas por médias de movimento de Henderson de 13 termos simétricas são ignoradas. Se a proporção for menor que 1, uma média móvel de Henderson de 9 termos é selecionada de outra forma, uma média móvel de Henderson de 13 termos é selecionada. O ciclo de tendência é calculado aplicando um filtro de Henderson selecionado à série ajustada sazonalmente da Tabela B6. As observações no início e no final da série temporal que não podem ser calculadas por meio de filtros de Henderson simétricos são estimadas por médias móveis assimétricas ad hoc. Escolha automática do filtro Henderson ndash parte C e D Em primeiro lugar, o ciclo de tendência é calculado usando uma média móvel Henderson de 13 termos como: Em seguida, no caso aditivo o componente irregular é extraído subtraindo o ciclo tendência do ajuste sazonal série. Para a decomposição multiplicativa, a componente irregular é extraída dividindo as séries ajustadas sazonalmente pelo ciclo-tendência. Para calcular a razão é calculada uma primeira decomposição da série SA (ajustada sazonalmente). Para as componentes C (tendência-ciclo) e I (irregular), calcula-se a média dos valores absolutos das taxas de crescimento mensal (modelo multiplicativo) ou mensal (modelo aditivo). As observações no início e no fim da série temporal que não podem ser suavizadas por médias de movimento de Henderson de 13 termos simétricas são ignoradas. Se a proporção for menor que 1, uma média móvel de Henderson de 9 termos é selecionada se a razão for maior que 3,5, uma média móvel de Henderson de 23 termos é selecionada de outra forma, uma média móvel de Henderson de 13 termos é selecionada. O ciclo de tendência é calculado aplicando um filtro de Henderson seleccionado às séries ajustadas sazonalmente da Tabela C6, Tabela D7 ou Tabela D12, em conformidade. Em ambas as extremidades da série, onde um filtro central de Henderson não pode ser aplicado, os pesos das extremidades assimétricas para o termo 7 Henderson filtro são usados ​​(Nota) Como a série na Tabela C1 foi ajustada para valores extremos, espera-se que a vontade Ser menor do que o calculado na parte B. A escolha manual do filtro Henderson X-12-ARIMA permite escolher manualmente qualquer média móvel Henderson ímpar para a estimativa final do ciclo tendencial. O usuário também pode alterar o filtro asmétrico padrão Henderson aplicado para observações em ambas as extremidades da série temporal.1 Esta publicação apresenta estimativas do valor do volume de negócios de comércio quotretail para empresas australianas classificadas por indústria e por estado e território. Para efeitos da presente publicação, a expressão comércio inclui as indústrias definidas nos n. os 5 e 6. 2 As estimativas de volume de negócios são elaboradas a partir do inquérito mensal às empresas de retalho. Cerca de 500 grandes empresas são incluídas na pesquisa a cada mês, enquanto uma amostra de cerca de 2.700 empresas menores é selecionada. A contribuição de grandes empresas de aproximadamente 64 do total estimativa assegura uma estimativa de volume de negócios australiana altamente confiável. 3 As estimativas mensais são apresentadas em termos de preços correntes. As medidas trimestrais de volume de cadeia nos níveis estadual e industrial são atualizadas com os números de março, junho, setembro e dezembro desta publicação. DEFINIÇÃO DO VOLUME DE NEGÓCIOS 4 O volume de negócios inclui: vendas a retalho vendas por grosso de reparações, refeições e aluguer de mercadorias (excepto aluguer, locação e aluguer de terrenos e edifícios) comissões de agências (por exemplo, Etc) e a partir de julho de 2000, o imposto sobre bens e serviços. DEFINIÇÃO DO COMÉRCIO DE RETALHO 5 As indústrias incluídas na pesquisa são definidas na Classificação Industrial Padrão da Austrália e da Nova Zelândia (ANZSIC) 2006 (nº de cat. 1292.0). As estatísticas da indústria nesta publicação são apresentadas em dois níveis de detalhe: Grupo da indústria - o nível industrial o mais largo compreendendo 6 grupos da indústria. Esse nível é usado para apresentar estimativas mensais de preço corrente e estimativa de volume de cadeia trimestral nesta publicação. Subgrupo da indústria - o nível mais detalhado da indústria, composto por 15 subgrupos da indústria. Este nível é usado para apresentar estimativas de preços atuais mensais em planilhas de séries temporais. 6 A seguir, mostra-se o nível em que são divulgadas as estatísticas do comércio varejista e define cada grupo e subgrupo da indústria em termos das classes ANZSIC 2006: Varejo de alimentos Supermercados e mercearias e vendas não-petrolíferas de varejo de combustível selecionado Supermercados e mercearias (4110) Comércio especializado de produtos alimentares (4101) Comércio especializado de produtos alimentares (4101) Comércio especializado de produtos alimentares (4102) Comércio especializado de produtos alimentares (4212) Venda a retalho de artigos para o lar (4213) Venda a retalho de artigos de malha e outros produtos têxteis (4214) Venda a retalho de artigos eléctricos e electrónicos (4212) Venda a retalho de artigos para casa e electrodomésticos (4221) Comércio varejista de computadores e de periféricos de computadores (4222) Comércio varejista de outros produtos eletroeletrônicos (4229) Acessórios para jardim e varejo (4231) Acessórios para jardim (4232) Vestuário, calçados e acessórios (4251) Varejo de vestuário, acessórios Varejistas de vestuário (4251) Varejo de calçados e outros acessórios pessoais Varejista de calçados e acessórios (4252) Varejo de relógios e joalharia (4253) Varejo de outros acessórios pessoais (4259) ) Varejo de outros produtos de lazer Varejo de equipamentos desportivos e de recreação (4241) Varejo de produtos de entretenimento e de varejo (4242) Varejo de brinquedos e jogos (4243) Varejo de produtos farmacêuticos, cosméticos e de toucador Varejistas de produtos farmacêuticos, cosméticos e de toucador 4272) Venda a retalho de produtos usados ​​e usados ​​(4273) Comércio a retalho de flores (4274) Comércio a retalho de outras lojas (4279) Comércio a retalho não estabelecido em estabelecimentos comerciais (4310) SERVIÇOS DE COMERCIO E SERVIÇOS DE COMERCIO (4511) SERVIÇOS DE COMERCIO (4513) SERVIÇOS DE COMERCIO EXTERIOR (4512) ESCOPO E COBERTURA 7 O âmbito do Inquérito ao Comércio de Empresas de Retalho emprega todas as empresas de comércio a retalho que vendem predominantemente para as famílias. Como a maioria dos inquéritos económicos do Bureau of Statistics (ABS) australiano, o enquadramento utilizado para o inquérito é retirado do ABS Business Register, que inclui inscrições para o regime de retenção na fonte (ATO) do Australian Taxation Offices (PAYGW). Cada unidade estatística incluída no Registo de Empresas do ABS é classificada na indústria ANZSIC em que opera principalmente. O quadro é complementado com informações sobre um pequeno número de empresas que são classificadas para uma indústria de comércio não-varejo, mas que têm atividade de comércio varejista significativa. 8 O quadro é actualizado trimestralmente para ter em conta as novas empresas, as empresas que deixaram de empregar, as alterações na indústria e outras alterações gerais dos negócios. As estimativas incluem um subsídio para o tempo que leva um negócio recém-registrado para chegar ao quadro de pesquisa. As empresas que deixaram de empregar são identificadas quando a ATO cancela o seu número de negócio australiano (ABN) e / ou registo PAYGW. Além disso, as empresas com menos de 50 empregados que não remissem no âmbito do sistema PAYGW em cada um dos cinco trimestres anteriores são removidas da moldura. 9 Para melhorar a cobertura e a qualidade das estimativas e reduzir o custo para a comunidade empresarial de relatar informações ao ABS, o volume de negócios para os franqueados é cobrado diretamente de uma série de sedes de franquia. Os franqueados incluídos neste relatório são identificados e removidos da moldura. 10 O ABS utiliza um modelo de unidades de estatísticas económicas baseado no Registo Comercial do ABS para descrever as características das empresas e as relações estruturais entre empresas relacionadas. Dentro de grandes e diversos grupos de negócios, o modelo de unidades é usado para definir unidades de relatório que podem fornecer dados ao ABS em níveis adequados de detalhes. Em meados de 2002, o ABS começou a buscar as informações de registro no Australian Business Register e, nesse momento, mudou seu registro de negócios para um modelo de duas populações. As duas populações compõem o que é chamado de população de perfil e população não-perfilada. A principal distinção entre empresas das duas populações está relacionada com a complexidade da estrutura da empresa eo grau de intervenção necessário para refletir a estrutura da empresa para fins estatísticos. 11 A maioria das empresas incluídas no Cadastro de Negócios da ABS estão na População Não-Formada. A maioria dessas empresas são entendidas como tendo estruturas simples. Para estas empresas, o ABS é capaz de usar o ABN como base para uma unidade estatística. Um ABN equivale a uma unidade estatística. 12 Para um pequeno número de empresas, a unidade ABN não é adequada para fins de estatísticas econômicas do ABS e o ABS mantém sua própria estrutura de unidades por meio do contato direto com as empresas. Essas empresas constituem a População Perfilada. Esta população consiste tipicamente de grandes ou complexos grupos de empresas. O modelo de unidades estatísticas abaixo refere-se a estas empresas: Grupo de empresas: Trata-se de uma unidade que abrange todas as operações na Austrália de uma ou mais entidades jurídicas sob propriedade comum e / ou controlo. Abrange todas as operações na Austrália de pessoas jurídicas que estão relacionadas na actual Lei das Sociedades Anónimas (tal como alterada pela Lei de Alteração da Legislação de 1991), incluindo entidades jurídicas, tais como empresas, fundos fiduciários e parcerias. Não é necessária a participação maioritária para que o controle seja exercido. Empresa: A empresa é uma unidade institucional composta por: uma única entidade jurídica ou entidade empresarial ou mais de uma entidade jurídica ou entidade empresarial dentro do mesmo grupo empresarial e no mesmo subsector institucional (ou seja, estão todos classificados num único Sector Institucional Padrão Classificação do subsector da Austrália (SISCA). Tipo de unidade de actividade (TAU): A TAU é constituída por uma ou mais entidades empresariais, sub-entidades ou sucursais de uma entidade empresarial de um grupo empresarial que pode comunicar dados de produção e de emprego para actividades económicas semelhantes. Quando um conjunto mínimo de itens de dados está disponível, é criada uma TAU que cobre todas as operações dentro de uma subdivisão da indústria (e a TAU é classificada na subdivisão relevante da ANZSIC). Quando uma empresa não pode fornecer dados adequados para cada setor, é formada uma TAU que contém atividade em mais de uma subdivisão da indústria. 13 A Pesquisa é realizada mensalmente principalmente por entrevista por telefone, embora um pequeno número de questionários sejam enviados para as empresas. Os negócios incluídos na pesquisa são selecionados por amostra aleatória de um quadro estratificado por estado, indústria e tamanho do negócio. A pesquisa usa o volume de negócios anualizado como a medida do tamanho do negócio. Para a população não-perfilada, o volume de negócios anualizado é baseado no item Total de vendas da Actividade de Actividades da ATO e para a População Perfilada é utilizado um volume de negócios anualizado modelado. Para efeitos de estratificação, o volume de negócios anualizado atribuído a cada negócio é actualizado trimestralmente com as informações mais recentes sobre a Actividade Empresarial (BAS). 14 A cada trimestre, algumas empresas da amostra são substituídas, aleatoriamente, por outras empresas, para que a carga de reporte possa ser distribuída por pequenos varejistas. Essa substituição da amostra ocorre no primeiro mês de cada trimestre, o que pode aumentar a volatilidade das estimativas entre este mês e o mês anterior, especialmente no nível de subgrupo de cada setor. 15 A metodologia de estimação de regressão generalizada é utilizada para a estimação. Para fins de estimativa, o volume de negócios anualizado alocado a cada negócio é atualizado a cada trimestre. 16 A maioria das empresas pode fornecer o volume de negócios em uma base de mês calendário e é assim que os dados são apresentados. Quando as empresas não podem fornecer o volume de negócios em uma base de mês calendário, os dados relatados eo período que eles se relacionam são usados ​​para estimar o volume de negócios para o mês calendário. 17 A maioria dos varejistas opera em um único estado / território. Por esta razão, as estimativas de volume de negócios por estado / território são apenas recolhidos dos maiores retalhistas que são incluídos no inquérito de cada mês. Estes retalhistas são convidados a fornecer o volume de negócios para as vendas de cada estado / território em que a empresa opera. O volume de negócios das empresas de menor dimensão é atribuído ao estado do seu endereço de correio registado no registo de empresas da ABS. A amostragem estratificada é empregada quando, dentro de uma população de inquérito, existem subpopulações que variam de toda a população. A estratificação oferece a vantagem de amostrar cada estrato de forma independente. O Retail Business Survey utiliza estratificação para agrupar os negócios de varejo a serem vistos em estratos homogêneos com base no volume de negócios anualizado alocado a cada negócio. A variável de volume de negócios anualizada é derivada das informações do BAS do sistema de tributação e é utilizada tanto como variável de dimensionamento para fins de estratificação como para formar informação auxiliar (benchmarks de estimativa) para apoiar a metodologia de estimativa de regressão utilizada no Inquérito às Empresas de Retalho. A utilização das informações do BAS permite o desenho mais eficiente para o levantamento, mantendo o tamanho das amostras ao mínimo e fornecendo resultados precisos. A partir de outubro de 2013, os padrões de estratificação foram atualizados a cada trimestre, de forma a melhorar a precisão das estimativas de nível derivadas do levantamento, bem como abordar a questão dos padrões de estratificação de envelhecimento, que de outra forma deverão ser periodicamente atualizados. ESTABILIDADE ESTACIONAL E ESTIMATIVA DE TENDÊNCIAS 19 As estimativas dessazonalizadas são obtidas estimando e removendo os efeitos sistemáticos relacionados ao calendário da série original. Na série Comércio a retalho, estes efeitos relacionados com o calendário são conhecidos como: sazonais, e. Os padrões anuais nas vendas, tais como o aumento das despesas em Dezembro, como resultado das influências dia de negociação de Natal decorrentes de padrões semanais nas vendas e os diferentes períodos de cada mês eo número variável de domingos, segundas-feiras, terças, etc em cada mês uma Páscoa Efeito de proximidade, que é causado quando a Páscoa, um feriado móvel, cai no final de março ou início de abril um efeito Dia dos Pais, que é causada quando o primeiro domingo de setembro cai nos primeiros dias do mês e compras do Dia dos Pais ocorre em Agosto. 20 Cada uma dessas influências é estimada por fatores separados que, quando combinados, são chamados de fatores de ajuste combinados. Os fatores de ajuste combinados são baseados nos padrões observados nos dados históricos. É possível que, com a introdução do ANZSIC 2006 a partir de Julho de 2009, os padrões históricos possam não ser tão relevantes para algumas séries. Por exemplo, o varejo de relojoaria e joalharia mudou-se do subgrupo de indústria de varejo Outros varejo para o subgrupo de calçados e outro subgrupo de varejo de acessórios pessoais sob o ANZSIC 2006. Os padrões sazonais para outros negócios no subgrupo de calçados e outros itens Varejistas de jóias. Os fatores combinados de ajuste evoluirão ao longo do tempo para refletir quaisquer novos padrões sazonais ou de dia de negociação, embora neste exemplo, uma estimativa desse impacto (ruptura sazonal) tenha sido implementada nos fatores combinados de ajuste.21 As seguintes séries de varejo são diretamente sazonais Ajustado: volume de negócios australiano cada estado total cada subgrupo de indústria australiano total cada estado por subgrupo de indústria. 22 Uma metodologia de reconciliação bidimensional é usada nas séries temporais corrigidas de sazonalidade para forçar a aditividade - isto é, forçar a soma de estimativas de nível fino (estado por subgrupo de indústria) para igualar os totais do subgrupo australiano, estadual e industrial. Os totais dos grupos de indústrias são derivados das estimativas de nível mais baixo.23 As séries trimestrais dessazonalizadas utilizadas na compilação das medidas de volume de cadeia são a soma das séries mensais aplicáveis. A modelagem de média móvel integrada (ARIMA) auto-regressiva pode melhorar as propriedades de revisão das estimativas de tendência e de ajuste sazonal. A modelagem ARIMA baseia-se nas características da série que está sendo analisada para projetar os dados do período futuro. Os valores projetados são temporários, valores intermediários, que são usados ​​apenas internamente para melhorar a estimativa dos fatores sazonais. Os dados projetados não afetam as estimativas originais e são descartados no final do processo de ajuste sazonal. A coleção de varejo usa um modelo ARIMA individual para cada um dos totais da indústria e totais do estado. O modelo ARIMA é avaliado como parte da reanálise anual. No processo de ajuste sazonal, tanto os fatores sazonais quanto os dias de negociação evoluem ao longo do tempo para refletir as mudanças nos padrões de gastos e negociação. Exemplos desta evolução incluem o movimento lento nos gastos de Dezembro para Janeiro e, o aumento da actividade comercial nos fins de semana e feriados. A série Varejo usa uma metodologia de ajuste sazonal concorrente para derivar os fatores de ajuste combinados. Isso significa que os dados do mês atual são usados ​​na estimativa dos fatores sazonais e do dia de negociação para os meses atual e anterior. Para obter mais informações, consulte o documento de Informações: Introdução do Ajuste Sazonal Concorrente para a Série de Comércio de Varejo (nº de cat. 8514.0). 26 Os fatores sazonais e de dia de negociação são revisados ​​anualmente em um nível mais detalhado do que o possível no ciclo de processamento mensal. A reanálise anual pode resultar em revisões relativamente maiores para as séries ajustadas sazonalmente do que durante o processamento mensal normal. 27 As estimativas corrigidas de sazonalidade continuam a reflectir os erros de amostragem e de não amostragem a que estão sujeitas as estimativas originais. É por isso que se recomenda que a série de tendências seja usada com a série ajustada sazonalmente para analisar os movimentos subjacentes mês a mês. 28 As estimativas de tendência são obtidas aplicando uma média móvel de Henderson de 13 termos à série mensal ajustada sazonalmente e uma média móvel de Henderson de 7 períodos à série trimestral sazonalmente ajustada. A média móvel de Henderson é simétrica, mas à medida que se aproxima o fim de uma série temporal, devem ser aplicadas formas assimétricas da média móvel. As médias móveis assimétricas foram adaptadas às características particulares das séries individuais e permitem a produção de estimativas de tendência para períodos recentes. Um parâmetro de peso final 2.0 da média móvel assimétrica é usado para produzir estimativas de tendência para os totais do grupo da indústria Austrália, Estado e Austrália. Para a outra série é utilizado um parâmetro 3.5 de peso-padrão da média móvel assimétrica. Estimativas da tendência serão melhoradas no final atual da série de tempo como observações adicionais tornam-se disponíveis. Essa melhora deve-se à aplicação de diferentes médias móveis assimétricas para os seis meses mais recentes das séries mensais e três trimestres para as séries trimestrais. Como resultado da melhoria, a maioria das revisões das estimativas de tendência será observada nos últimos seis meses ou três trimestres. As estimativas de tendência são usadas para analisar o comportamento subjacente da série ao longo do tempo. Como resultado da introdução do Novo Sistema Tributário, uma quebra na série de tendências mensais foi inserida entre junho e julho de 2000. Portanto, deve-se ter cuidado se comparações durante este período. Para mais detalhes, consulte o Apêndice na edição de dezembro de 2000 desta publicação. MEDIDAS DE VOLUME DA CADEIA 31 As estimativas de preços correntes mensais apresentadas nesta publicação refletem mudanças de preço e de volume. No entanto, as estimativas trimestrais de volume da cadeia mensuram as variações de valor após os efeitos directos das alterações de preços terem sido eliminados e, portanto, apenas reflectem as alterações de volume. As medidas de volume de retalho do volume de negócios de retalho que aparecem nesta publicação são os índices de Laspeyres de cadeia anualmente reponderados referenciados aos valores de preços correntes num ano de referência escolhido. O ano de referência é avançado em cada edição de setembro e atualmente é 2014-15. Os dados de cada ano da série de volumes da cadeia de Retalho são baseados nos preços do ano anterior, com excepção dos trimestres do exercício financeiro de 2016-17, que serão inicialmente baseados em dados de preços para o exercício de 2014-15. Comparabilidade com anos anteriores é conseguido através da ligação (ou encadeamento) da série em conjunto para formar uma série de tempo contínuo. Mais informações sobre a natureza e os conceitos das medidas de volume de correntes estão contidas na publicação do ABS Manual de Informação: Introdução de Medidas de Volume em Cadeia nas Contas Nacionais Australianas (nº de catálogo 5248.0) FIABILIDADE DE ESTIMATIVAS 32 Existem duas formas de erro nas estimativas Do volume de negócios de retalho: erro de amostragem que ocorre porque uma amostra, em vez de toda a população, é pesquisada. Uma medida da diferença provável resultante de não incluir todos os estabelecimentos na pesquisa é dada pelo erro padrão. O erro de amostragem pode ser influenciado pela substituição da amostra que ocorre no primeiro mês de cada trimestre. Isso pode aumentar a volatilidade das estimativas entre este mês e o mês anterior, especialmente no nível de subgrupo do setor público. Erro de não amostragem resultante de imprecisões na recolha, registo e tratamento dos dados. Os erros mais significativos são: a declaração errônea de itens de dados, deficiências na não-resposta da cobertura e erros de processamento. Todos os esforços são feitos para minimizar o erro de relatório através do desenho cuidadoso de questionários, treinamento intensivo e supervisão de entrevistadores e procedimentos de processamento de dados eficientes. 33 As estimativas de tendência e as estimativas desestacionalizadas e de tendência também estão sujeitas à variabilidade da amostragem. Para estimativas ajustadas sazonalmente, os erros-padrão são aproximadamente os mesmos que para as estimativas originais. Para estimativas de tendência, é provável que os erros-padrão sejam menores. Para as medidas trimestrais do volume da cadeia, os erros-padrão podem ser até 10 mais elevados do que os das estimativas de preços correntes correspondentes devido à variabilidade da amostragem contida nos dados sobre os preços usados ​​para esvaziar as estimativas de preços correntes. 34 As estimativas, em termos originais, estão disponíveis na aba Downloads deste número no site do ABS. As estimativas que têm um erro padrão relativo estimado (RSE) entre 10 e 25 são anotadas com o símbolo. Estas estimativas devem ser utilizadas com cautela, uma vez que estão sujeitas a uma variabilidade de amostragem demasiado elevada para algumas finalidades. Estimativas com RSE entre 25 e 50 são anotadas com o símbolo, indicando que as estimativas devem ser usadas com cautela, pois estão sujeitas a variabilidade de amostragem muito alta para a maioria dos propósitos práticos. Estimativas com um RSE maior que 50 são anotadas com o símbolo indicando que a variabilidade de amostragem faz com que as estimativas sejam consideradas não confiáveis ​​para uso geral. Para auxiliar ainda mais os usuários na avaliação da confiabilidade das estimativas, as séries de dados chave receberam uma classificação de A para B. Onde: A representa um erro padrão relativo em nível menor que 2. As estimativas publicadas são altamente confiáveis ​​para análise de movimento. B representa um erro padrão relativo no nível entre 2 e 5, o que significa que as estimativas são confiáveis ​​para fins de análise de movimento. 36 Os quadros abaixo fornecem um indicador de confiabilidade para as estimativas em termos originais. O indicador de confiabilidade é baseado em um RSE médio derivado ao longo de quatro anos. Erros Padrão Relativos Por Grupo de Indústria O processo de tendência atenua a volatilidade nas estimativas originais e sazonalmente ajustadas. No entanto, as estimativas de tendência estão sujeitas a revisões à medida que as futuras observações ficam disponíveis. COMPARABILIDADE COM OUTRAS ESTIMATIVAS DE ABS 39 As estimativas de Volume de negócios de varejo nesta publicação serão diferentes das vendas de bens e serviços pela indústria de varejo em Business Indicators, Austrália (número de catálogo 5676.0). Esta publicação apresenta estimativas mensais do valor do volume de negócios dos negócios de varejo, é obtida a partir do Varejo Business Survey. Inclui o imposto sobre os bens e serviços e inclui algumas empresas de comércio a retalho classificadas numa indústria que não é do comércio a retalho mas que têm uma actividade significativa no comércio a retalho. As estimativas para vendas de bens e serviços em Indicadores de Negócios, na Austrália, são provenientes da Pesquisa Trimestral de Indicadores de Negócios da economia e excluem o Imposto sobre Produtos e Serviços. Além disso, o Retail Business Survey não inclui todas as classes na Divisão de Comércio de Varejo ANZSIC, mas inclui cafés, restaurantes e serviços de comida para fora da Divisão de Hospedagem e Serviços de Alimentos. O uso de diferentes amostras nas duas pesquisas também contribui para diferenças. 40 Estimativas trimestrais do volume da cadeia de comércio retalhista contribuem para as contas nacionais trimestrais em duas áreas principais. Em primeiro lugar, são um indicador das Despesas de Consumo Final das Famílias no lado das despesas do Produto Interno Bruto. Historicamente, as estimativas do comércio retalhista contribuem com cerca de 55-60% das despesas de consumo final das famílias, mas esta contribuição relativa pode variar de trimestre para trimestre, uma vez que as despesas das famílias deslocam-se entre o comércio a retalho e áreas como serviços pessoais, viagens e actividades de lazer fora do âmbito do comércio retalhista. Segundo, as estimativas do comércio de varejo, junto com as estimativas dos Indicadores de Negócio, Austrália. Contribuem para estimativas para a Divisão de Comércio a Retalho no lado da produção do Produto Interno Bruto. As estimativas do volume de negócios de retalho per capita são compiladas a partir do Inquérito Mensal às Empresas de Retalho e da População Residente Estimada (ERP) trimestral publicada nas Estatísticas Demográficas da Austrália (N ° de catálogo 3101.0). As estimativas de rotatividade do varejo per capita são os rácios do volume total de varejo trimestral para o ERP trimestral. Os métodos utilizados para determinar as estimativas do volume de negócios de retalho per capita são consistentes com os utilizados para a derivação do PIB per capita. Como as estimativas trimestrais de ERP atualmente apresentam defasagens trimestrais de comércio varejista em aproximadamente seis meses, os dois trimestres mais recentes das estimativas de Varejo per capita utilizam projeções de ERP baseadas na tendência atual. 42 O escopo, cobertura e metodologia para o Estudo de Empresas de Varejo e estimativas de ERP estão incluídos nas notas explicativas das publicações correspondentes. Uma discussão detalhada sobre a metodologia de derivação, a projeção do ERP e a interpretação das estimativas per capita do volume de negócios de varejo estão disponíveis como apêndice na guia Notas explicativas para a publicação de junho de 2014 desta publicação. 43 As estimativas atuais de preços e as medidas de volume de cadeia, em termos originais, corrigidos de sazonalidade e tendência, estão disponíveis na aba Downloads deste número no site do ABS. As revisões da série de volume de negócios de retalho per capita irão ocorrer com cada revisão futura das estimativas trimestrais do ERP e também após quaisquer revisões das estimativas do Comércio Varejista. 44 As publicações atuais e outros produtos divulgados pelo ABS estão disponíveis no Statistics View. O ABS também publica um conselho de lançamento diário no site que detalha os produtos a serem lançados na próxima semana. Os utilizadores podem também consultar as seguintes publicações: Contas Nacionais Australianas: Rendimento Nacional, Despesas e Produto (número de catálogo 5206.0) Indústria australiana (número de catálogo 8155.0) Indicadores de Negócio, Austrália (nº de catálogo 5676.0). 45 Além das estatísticas incluídas nesta publicação e publicações relacionadas, o ABS pode ter outros dados relevantes disponíveis. Os inquéritos devem ser feitos ao Serviço Nacional de Informações e Referências em 1300 135 070. Estes documentos serão apresentados numa nova janela. Análise da Série Temporal: O Processo do Ajuste Sazonal Quais são as duas principais filosofias do ajuste sazonal O que é um filtro O que é O problema do ponto final Como decidimos qual filtro usar O que é uma função de ganho O que é um deslocamento de fase O que são médias móveis Henderson Como lidamos com o problema do ponto final O que são médias móveis sazonais Por que as estimativas de tendência foram revisadas Quanta informação é Necessário para obter estimativas ajustadas sazonalmente aceitáveis ​​AVANÇADO Como as duas filosofias de ajuste sazonal comparam QUAIS SÃO AS DOIS PRINCIPAIS FILOSOFIAS DE AJUSTE ESTACIONAL As duas principais filosofias para ajuste sazonal são o método baseado em modelo eo método baseado em filtros. Métodos baseados em filtros Este método aplica um conjunto de filtros fixos (médias móveis) para decompor a série temporal em uma componente tendencial, sazonal e irregular. A noção subjacente é que os dados econômicos são constituídos por uma série de ciclos, incluindo ciclos econômicos (a tendência), ciclos sazonais (sazonalidade) e ruído (componente irregular). Um filtro essencialmente remove ou reduz a resistência de certos ciclos a partir dos dados de entrada. To produce a seasonally adjusted series from data collected monthly, events that occur every 12, 6, 4, 3, 2.4 and 2 months need to be removed. These correspond to seasonal frequencies of 1, 2, 3, 4, 5 and 6 cycles per year. The longer non-seasonal cycles are considered to be part of the trend and the shorter non-seasonal cycles form the irregular. However the boundary between the trend and irregular cycles can vary with the length of the filter used to obtain the trend. In ABS seasonal adjustment, cycles which contribute significantly to the trend are typically larger than about 8 months for monthly series and 4 quarters for quarterly series. The trend, seasonal and irregular components do not need explicit individual models. The irregular component is defined as what remains after the trend and seasonal components have been removed by filters. Irregulars do not display white noise characteristics. Filter based methods are often known as X11 style methods . These include X11 (developed by U. S. Census Bureau ), X11ARIMA (developed by Statistics Canada ), X12ARIMA (developed by U. S. Census Bureau ), STL, SABL and SEASABS (the package used by the ABS ). Computational differences between various methods in X11 family are chiefly the result of different techniques used at the ends of the time series. For example, some methods use asymmetric filters at the ends, while other methods extrapolate the time series and apply symmetric filters to the extended series. Model based methods This approach requires the trend, seasonal and irregular components of the time series to be modelled separately. It assumes the irregular component is 8220white noise8221 - that is all cycle lengths are equally represented. The irregulars have zero mean and a constant variance. The seasonal component has its own noise element. Two widely used software packages which apply model based methods are STAMP and SEATS/TRAMO (developed by the Bank of Spain . Major computational differences between the various model based methods are usually due to model specifications. In some cases, the components are modelled directly. Other methods require the original time series to be modelled first, and the component models decomposed from that. For a comparison of the two philosophies at a more advanced level, see How do the two seasonal adjustment philosophies compare WHAT IS A FILTER Filters can be used to decompose a time series into a trend, seasonal and irregular component. Moving averages are a type of filter that successively average a shifting time span of data in order to produce a smoothed estimate of a time series. This smoothed series can be considered to have been derived by running an input series through a process whic h filters out certain cycles. Consequently, a moving average is often referred to as a filter. The basic process involves defining a set of weights of length m 1 m 2 1 as: Note: a symmetric set of weights has m 1 m 2 and w j w - j A filtered value at time t can be calculated by where Y t describes the value of the time series at time t. For example, consider the following series: Using a simple 3 term symmetric filter (i. e. m 1 m 2 1 and all weights are 1/3), the first term of the smoothed series is obtained by applying the weights to the first three terms of the original series: The second smoothed value is produced by applying the weights to the second, third and fourth terms in the original series: WHAT IS THE END POINT PROBLEM Reconsider the series: This series contains 8 terms. However, the smoothed series obtained by applying symmetric filter to the original data contains only 6 terms: This is because there is insufficient data at the ends of the series to apply a symmetric filter. The first term of the smoothed series is a weighted average of three terms, centered on the second term of the original series. A weighted average centered on the first term of the original series cannot be obtained as data before this point is not available. Similarly, it is not possible to calculate a weighted average centered on the last term of the series, as there is no data after this point. For this reason, symmetric filters cannot be used at either end of a series. This is known as the end point problem. Time series analysts can use asymmetric filters to produce smoothed estimates in these regions. In this case, the smoothed value is calculated 8216off centre8217, with the average being determined using more data from one side of the point than the other according to what is available. Alternatively, modelling techniques may be used to extrapolate the time series and then apply symmetric filters to the extended series. HOW DO WE DECIDE WHICH FILTER TO USE The time series analyst chooses an appropriate filter based on its properties, such as which cycles the filter removes when applied. The properties of a filter can be investigated using a gain function. Gain functions are used to examine the effect of a filter at a given frequency on the amplitude of a cycle for a particular time series. For more details on the mathematics associated with gain functions, you can download the Time Series Course Notes , an introductory guide to time series analysis published by the Time Series Analysis Section of the ABS (refer to section 4.4). The following diagram is the gain function for the symmetric 3 term filter we studied earlier . Figure 1: Gain Function for Symmetric 3 Term Filter The horizontal axis represents the length of an input cycle relative to the period between observation points in the original time series. So an input cycle of length 2 is completed in 2 periods, which represents 2 months for a monthly series, and 2 quarters for a quarterly series. The vertical axis shows the amplitude of the output cycle relative to an input cycle. This filter reduces the strength of 3 period cycles to zero. That is, it completely removes cycles of approximately this length. This means that for a time series where data is collected monthly, any seasonal effects which occur quarterly will be eliminated by applying this filter to the original series. A phase shift is the time shift between the filtered cycle and the unfiltered cycle. A positive phase shift means that the filtered cycle is shifted backwards and a negative phase shift it is shifted forwards in time. Phase shifting occurs when timing of turning points is distorted, for example when the moving average is placed off-centre by the asymmetric filters. That is they will occur either earlier or later in the filtered series, than in the original. Odd length symmetric moving averages (as used by the ABS), where the result is centrally placed, do not cause time phase shifting. It is important for filters used to derive the trend to retain the time phase, and hence the timing of any turning points. Figures 2 and 3 show the effects of applying a 2x12 symmetric moving average which is off-centre. The continuous curves represent the initial cycles and the broken curves represents the output cycles after applying the moving average filter. Figure 2: 24 Month Cycle, Phase -5.5 months Amplitude 63 Figure 3: 8 Month Cycle, Phase -1.5 months Amplitude 22 WHAT ARE HENDERSON MOVING AVERAGES Henderson moving averages are filters which were derived by Robert Henderson in 1916 for use in actuarial applications. They are trend filters, commonly used in time series analysis to smooth seasonally adjusted estimates in order to generate a trend estimate. They are used in preference to simpler moving averages because they can reproduce polynomials of up to degree 3, thereby capturing trend turning points. The ABS uses Henderson moving averages to produce trend estimates from a seasonally adjusted series. The trend estimates published by the ABS are typically derived using a 13 term Henderson filter for monthly series, and a 7 term Henderson filter for quarterly series. Henderson filters can be either symmetric or asymmetric. Symmetric moving averages can be applied at points which are sufficiently far away from the ends of a time series. In this case, the smoothed value for a given point in the time series is calculated from an equal number of values on either side of the data point. To obtain the weights, a compromise is struck between the two characteristics generally expected of a trend series. Estes são que a tendência deve ser capaz de representar uma ampla gama de curvaturas e que ele também deve ser tão suave quanto possível. For the mathematical derivation of the weights, refer to section 5.3 of the Time Series Course Notes . which can be downloaded free from the ABS web site. The weighting patterns for a range of symmetric Henderson moving averages are given in the following table: Symmetric Weighting Pattern for Henderson Moving Average In general, the longer the trend filter, the smoother the resulting trend, as is evident from a comparison of the gain functions above. A 5 term Henderson reduces cycles of about 2.4 periods or less by at least 80, while a 23 term Henderson reduces cycles of about 8 periods or less by at least 90. In fact a 23 term Henderson filter completely removes cycles of less than 4 periods. Henderson moving averages also dampen the seasonal cycles to varying degrees. However the gain functions in Figures 4-8 show that annual cycles in monthly and quarterly series are not dampened significantly enough to justify applying a Henderson filter directly to original estimates. This is why they are only applied to a seasonally adjusted series, where the calendar related effects have already been removed with specifically designed filters. Figure 9 shows the smoothing effects of applying a Henderson filter to a series: Figure 9: 23-Term Henderson Filter - Value of Non-residential Building Approvals HOW DO WE DEAL WITH THE END POINT PROBLEM The symmetric Henderson filter can only be applied to regions of data that are sufficiently far away from the ends of the series. For example the standard 13 term Henderson can only be applied to monthly data that is at least 6 observations from the start or end of the data. This is because the filter smoothness the series by taking a weighted average of the 6 terms on either side of the data point as well as the point itself. If we attempt to apply it to a point that is less than 6 observations from the end of the data, then there is not enough data available on one side of the point to calculate the average. To provide trend estimates of these data points, a modified or asymmetric moving average is used. Calculation of asymmetric Henderson filters can be generated by a number of different methods which produce similar, but not identical results. The four main methods are the Musgrave method, the Minimisation of the Mean Square Revision method, the Best Linear Unbiased Estimates (BLUE) method, and the Kenny and Durbin method. Shiskin et. al (1967) derived the original asymmetric weights for the Henderson moving average which are used within the X11 packages. For information on the derivation of the asymmetric weights, see section 5.3 of the Time Series Course Notes . Consider a time series where the last observed data point occurs at time N. Then a 13 term symmetric Henderson filter cannot be applied to data points which are measured at any time after and including time N-5. For all these points, an asymmetric set of weights must be used. The following table gives the asymmetric weighting pattern for a standard 13 term Henderson moving average. The asymmetric 13 term Henderson filters do not remove or dampen the same cycles as the symmetric 13 term Henderson filter. In fact the asymmetric weighting pattern used to estimate the trend at the last observation amplifies the strength of 12 period cycles. Also asymmetric filters produce some time phase shifting. WHAT ARE SEASONAL MOVING AVERAGES Almost all of the data investigated by the ABS have seasonal characteristics. Since the Henderson moving averages used to estimate the trend series do not eliminate seasonality, the data must be seasonally adjusted first using seasonal filters. A seasonal filter has weights which are applied to same period over time. An example of the weighting pattern for a seasonal filter would be: (1/3, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1/3, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1/3) where, for instance, a weight of one third is applied to three consecutive Januarys. Within X11, a range of seasonal filters are available to choose from. These are a weighted 3-term moving average (ma) S 3x1 . weighted 5-term ma S 3x3 . weighted 7-term ma S 3x5 . and a weighted 11-term ma S 3x9 . The weighting structure of weighted moving averages of the form, S nxm . is that a simple average of m terms calculated, and then a moving average of n of these averages is determined. This means that nm-1 terms are used to calculate each final smoothed value. For example, to calculate an 11-term S 3x9 . a weight of 1/9 is applied to the same period in 9 consecutive years. Then a simple 3 term moving average is applied across the averaged values: This gives a final weighting pattern of (1/27, 2/27, 1/9, 1/9, 1/9, 1/9, 1/9, 1/9, 1/9, 2/27, 1/27). The gain function for an 11 term seasonal filter, S 3x9 . looks like: Figure 10: Gain Function for 11 Term (S 3x9 ) Seasonal Filter Applying a seasonal filter to data will generate an estimate of the seasonal component of the time series, as it preserves the strength of seasonal harmonics and dampens cycles of non-seasonal lengths. Asymmetric seasonal filters are used at the ends of the series. The asymmetric weights for each of the seasonal filters used in X11 can be found in section 5.4 of the Time Series Course Notes . WHY ARE TREND ESTIMATES REVISED At the current end of a time series, it is not possible to use symmetric filters to estimate the trend because of the end point problem . Instead, asymmetric filters are used to produce provisional trend estimates. However, as more data becomes available, it is possible to recalculate the trend using symmetric filters and improve the initial estimates. This is known as a trend revision. HOW MUCH DATA IS REQUIRED TO OBTAIN ACCEPTABLE SEASONALLY ADJUSTED ESTIMATES If a time series exhibits relatively stable seasonality and is not dominated by the irregular component, then 5 years of data can be considered an acceptable length to derive seasonally adjusted estimates from. For a series that shows particularly strong and stable seasonality, a crude adjustment can be made with 3 years of data. It is generally preferable to have at least 7 years of data for a normal time series, to precisely identify seasonal patterns, trading day and moving holiday effects, trend and seasonal breaks, as well as outliers. ADVANCED HOW DO THE TWO SEASONAL ADJUSTMENT PHILOSOPHIES COMPARE Model based approaches allow for the stochastic properties (randomness) of the series under analysis, in the sense that they tailor the filter weights based on the nature of the series. The model8217s capability for accurately describing the behaviour of the series can be evaluated, and statistical inferences for the estimates are available based on the assumption that the irregular component is white noise. Filter based methods are less dependent on the stochastic properties of the time series. It is the time series analyst8217s responsibility to select the most appropriate filter from a limited collection for a particular series. It is not possible to perform rigorous checks on the adequacy of the implied model and exact measures of precision and statistical inference are not available. Therefore, a confidence interval cannot be built around the estimate. The following diagrams compare the presence of each of the model components at the seasonal frequencies for the two seasonal adjustment philosophies. The x axis is the period length of the cycle and the y axis represents the strength of the cycles which comprise each component: Figure 11: Comparison of the two seasonal adjustment philosophies Filter based methods assume that the each component exists only a certain cycle lengths. The longer cycles form the trend, the seasonal component is present at seasonal frequencies and the irregular component is defined as cycles of any other length. Under a model based philosophy, the trend, seasonal and irregular component are present at all cycle lengths. The irregular component is of constant strength, the seasonal component peaks at seasonal frequencies and the trend component is strongest in the longer cycles. This page first published 14 November 2005, last updated 25 July 2008