13 istilah henderson moving average

Memilih panjang rata-rata bergerak Henderson Pendahuluan Dalam iterasi B, (Tabel B7), iterasi C (Tabel C7) dan iterasi D (Tabel D7 dan Tabel D12) komponen siklus tren diekstraksi dari perkiraan rangkaian disesuaikan musiman menggunakan Rata-rata bergerak Henderson. Panjang filter Henderson dipilih secara otomatis oleh X-12-ARIMA dalam prosedur dua langkah. Pilihan otomatis dari urutan rata-rata bergerak didasarkan pada nilai indikator yang disebut rasio yang mengukur signifikansi komponen tidak beraturan dalam rangkaian. Semakin kuat komponen tidak beraturan, semakin tinggi urutan rata-rata bergerak yang dipilih. Prosedur yang digunakan pada setiap iterasi sangat mirip satu-satunya perbedaan adalah jumlah pilihan yang tersedia dan perlakuan terhadap pengamatan pada kedua ujung rangkaian. Prosedur di bawah ini diterapkan untuk seri waktu bulanan. Pilihan otomatis dari komponen filter Henderson ndash B Pertama, siklus tren dihitung dengan menggunakan rata-rata moving average 13-tahun seperti: Kemudian, dalam kasus aditif komponen tidak beraturan diekstraksi dengan mengurangi siklus tren dari rangkaian yang disesuaikan secara musiman. Untuk dekomposisi multiplikatif, komponen tidak beraturan diekstraksi dengan membagi rangkaian musiman disesuaikan dengan siklus tren. Untuk menghitung rasio, dekomposisi pertama seri SA (disesuaikan secara musiman) dihitung. Untuk komponen C (trend-cycle) dan I (tidak beraturan), rata-rata nilai absolut untuk tingkat pertumbuhan bulanan (model multiplikatif) atau untuk pertumbuhan bulanan (model tambahan) dihitung. Mereka dilambangkan dan, secara reseptif, dimana dan pengamatan di awal dan pada akhir deret waktu yang tidak dapat dihaluskan dengan rata-rata rata-rata 13 langkah Henderson yang simetris diabaikan. Jika rasionya lebih kecil dari 1, rata-rata moving average Henderson 9 dipilih sebaliknya, rata-rata moving average 13-tahun dipilih. Siklus tren dihitung dengan menerapkan filter Henderson yang dipilih ke rangkaian musiman yang disesuaikan dari Tabel B6. Pengamatan di awal dan pada akhir deret waktu yang tidak dapat dihitung dengan menggunakan filter simetris Henderson diperkirakan dengan rata-rata bergerak asimetrik ad hoc. Pilihan otomatis dari bagian filter Henderson ndash C dan D Pertama, siklus tren dihitung dengan menggunakan rata-rata moving average 13-tahun seperti: Kemudian, dalam kasus aditif komponen tidak beraturan diekstraksi dengan mengurangi siklus tren dari penyesuaian musiman. seri. Untuk dekomposisi multiplikatif, komponen tidak beraturan diekstraksi dengan membagi rangkaian musiman disesuaikan dengan siklus tren. Untuk menghitung rasio, dekomposisi pertama seri SA (disesuaikan secara musiman) dihitung. Untuk komponen C (trend-cycle) dan I (tidak beraturan), rata-rata nilai absolut untuk tingkat pertumbuhan bulanan (model multiplikatif) atau untuk pertumbuhan bulanan (model tambahan) dihitung. Mereka dilambangkan dan, secara reseptif, dimana dan pengamatan di awal dan pada akhir deret waktu yang tidak dapat dihaluskan dengan rata-rata rata-rata 13 langkah Henderson yang simetris diabaikan. Jika rasionya lebih kecil dari 1, rata-rata moving average Henderson 9 dipilih jika rasionya lebih besar dari 3,5, maka rata-rata moving average Henderson 23 dipilih, maka rata-rata moving average Henderson 13 dipilih. Siklus tren dihitung dengan menerapkan filter Henderson yang dipilih ke rangkaian yang disesuaikan secara musiman dari Tabel C6, Tabel D7 atau Tabel D12. Pada kedua ujung seri, di mana filter Henderson utama tidak dapat diterapkan, bobot akhir asimetris untuk 7 parameter Henderson digunakan (Catatan) Karena rangkaian pada Tabel C1 telah disesuaikan dengan nilai ekstrim, diharapkan akan terjadi kemauan Menjadi lebih kecil dari yang dihitung di bagian B. Pilihan manual dari filter Henderson X-12-ARIMA memungkinkan untuk memilih rata-rata setiap oddnumbered Henderson moving average untuk estimasi akhir dari trend-cycle. Pengguna juga dapat mengubah filter Henderson asimetris default yang diterapkan untuk pengamatan pada kedua ujung rangkaian waktu.1 Publikasi ini menyajikan taksiran nilai omset perdagangan kuotret untuk bisnis Australia yang diklasifikasikan menurut industri, dan oleh negara bagian dan teritori. Untuk tujuan publikasi ini, perdagangan kuotret perdagangan mencakup industri-industri tersebut sebagaimana didefinisikan dalam paragraf 5 dan 6. 2 Estimasi omset disusun dari Survei Bisnis Ritel bulanan. Sekitar 500 bisnis besar termasuk dalam survei setiap bulan, sementara sampel sekitar 2.700 bisnis kecil dipilih. Kontribusi bisnis besar sekitar 64 dari total perkiraan memastikan perkiraan total omset Australia yang dapat diandalkan. 3 Perkiraan bulanan disajikan dalam istilah harga berlaku. Ukuran volume rantai kuartalan di tingkat negara bagian dan industri diperbarui dengan edisi Maret, Juni, September, dan Desember dari publikasi ini. DEFINISI TURNOVER 4 Omset meliputi: penjualan eceran penjualan grosir dari perbaikan, makan dan perekrutan barang (kecuali untuk sewa, penyewaan dan penyewaan tanah dan bangunan) komisi dari aktivitas keagenan (misalnya komisi yang diterima dari mengumpulkan dry cleaning, menjual tiket lotre, Dll) dan mulai bulan Juli 2000, pajak barang dan jasa. DEFINASI PERDAGANGAN ECERAN 5 Industri yang termasuk dalam survei tersebut adalah sebagaimana didefinisikan dalam Klasifikasi Industri Standar Australia dan Selandia Baru (ANZSIC) 2006 (kucing no 1292.0). Statistik industri dalam publikasi ini dipresentasikan pada dua tingkat rincian: Kelompok industri - tingkat industri terluas yang terdiri dari 6 kelompok industri. Tingkat ini digunakan untuk menyajikan perkiraan harga arus bulanan dan estimasi volume kuartalan dalam publikasi ini. Subkelompok industri - tingkat industri yang paling rinci terdiri dari 15 subkelompok industri. Tingkat ini digunakan untuk menyajikan perkiraan harga bulanan saat ini dalam spreadsheet seri waktu. 6 Berikut ini menunjukkan tingkat di mana statistik perdagangan eceran dilepaskan dan mendefinisikan setiap kelompok industri dan subkelompok dalam hal kelas ANZSIC 2006: Toko eceran makanan dan toko kelontong dan penjualan non-bensin (toko serba ada) dari supermarket bahan bakar yang dipilih Supermarket dan toko kelontong (4110) Perdagangan eceran makanan ringan, ikan dan unggas (4121) Perdagangan eceran buah-buahan (4122) Perdagangan eceran makanan khusus (4122) Perdagangan makanan khas lainnya (4122) (4129) Peritel rumah tangga (4213) Peritel rumah tangga (4213) Perdagangan barang-barang rumah tangga dan ritel barang tekstil lainnya (4214) Peritel barang listrik dan elektronik Listrik, elektronik dan Ritel alat gas (4221) Peritel komputer dan komputer (4222) Barang elektronik dan barang elektronik lainnya Ailing (4229) Hardware, building amp garden supplies retailing Hardware and building supplies retailing (4231) Toko perlengkapan ritel (4232) Toko pakaian, alas kaki dan eceran aksesori pribadi Pakaian ritel ritel pakaian (4251) Alas kaki dan eceran aksesori pribadi lainnya Alas kaki (4252) Perhiasan dan eceran ritel (4253) Peritel aksesori pribadi lainnya (4259) Department store (4260) Peritel lainnya Toko koran dan buku ritel dan ritel barang (4244) Peritel barang rekreasi lainnya Peralatan olahraga dan peralatan berkemah (4241) Media hiburan ritel (4242) Peritel mainan dan permainan (4243) Peritel barang-barang farmasi, kosmetik dan perlengkapan mandi ritel, ritel barang kosmetik dan barang-barang rumah tangga (4271) Ritel ritel lainnya Toko eceran barang-barang etis (4272) Barang antik dan barang bekas ritel (4273) Belanja bunga (4274) Ritel nec (4279) Perdagangan non-toko (4310) Pembelian jual andor berbasis komisi eceran (4320 ) Kafe, restoran dan layanan makanan takeaway Kafe, restoran dan layanan katering Kafe dan restoran Layanan kamar 4511) Jasa boga (4513) Layanan makanan lepas landas Layanan makanan lepas landas (4512) LINGKUP DAN CAKUPAN 7 Ruang lingkup Survei Bisnis Ritel semuanya menggunakan perdagangan eceran Bisnis yang banyak menjual ke rumah tangga. Seperti survei ekonomi Biro Statistik (ABS) Australia yang paling utama, kerangka yang digunakan untuk Survei diambil dari Register Bisnis ABS yang mencakup pendaftaran ke skema pemotongan gaji Australia (ATO) bayar-as-you-go (PAYGW). Setiap unit statistik yang termasuk dalam Business Register ABS diklasifikasikan ke dalam industri ANZSIC dimana perusahaan ini beroperasi. Bingkai dilengkapi dengan informasi tentang sejumlah kecil bisnis yang diklasifikasikan ke dalam industri perdagangan non-ritel namun memiliki aktivitas perdagangan ritel yang signifikan. 8 Rangka diperbarui setiap tiga bulan untuk memperhitungkan bisnis baru, bisnis yang telah berhenti bekerja, perubahan industri dan perubahan bisnis umum lainnya. Perkiraan tersebut mencakup penyisihan untuk waktu yang dibutuhkan bisnis yang baru terdaftar untuk beralih ke kerangka survei. Bisnis yang telah berhenti bekerja diidentifikasi saat ATO membatalkan Australian Business Number (ABN) dan atau pendaftaran PAYGW mereka. Selain itu, bisnis dengan kurang dari 50 karyawan yang tidak mengirimkannya di bawah skema PAYGW di masing-masing dari lima kuartal sebelumnya dikeluarkan dari frame tersebut. 9 Untuk meningkatkan cakupan dan kualitas perkiraan dan untuk mengurangi biaya kepada komunitas bisnis untuk melaporkan informasi ke ABS, omset untuk pemegang waralaba dikumpulkan langsung dari sejumlah kantor pusat waralaba. Penerima waralaba yang termasuk dalam pelaporan ini diidentifikasi dan dikeluarkan dari frame. 10 ABS menggunakan model unit statistik ekonomi berdasarkan ABS Business Register untuk menggambarkan karakteristik bisnis dan hubungan struktural antara bisnis terkait. Dalam kelompok bisnis yang besar dan beragam, model unit digunakan untuk mendefinisikan unit pelaporan yang dapat menyediakan data ke ABS pada tingkat detail yang sesuai. Pada pertengahan tahun 2002, ABS mulai mengumpulkan informasi pendaftarannya dari Australian Business Register dan pada saat itu mengubah daftar bisnisnya menjadi dua model populasi. Kedua populasi tersebut terdiri dari apa yang disebut Populasi yang Dipimpin dan Populasi Non-Profil. Perbedaan utama antara bisnis di dua populasi berkaitan dengan kompleksitas struktur bisnis dan tingkat intervensi yang diperlukan untuk mencerminkan struktur bisnis untuk tujuan statistik. 11 Mayoritas bisnis yang termasuk dalam Daftar Bisnis ABS berada dalam Populasi Non-Profil. Sebagian besar bisnis ini dipahami memiliki struktur sederhana. Untuk bisnis ini, ABS mampu menggunakan ABN sebagai basis unit statistik. Satu ABN setara dengan satu unit statistik. 12 Untuk sejumlah kecil bisnis, unit ABN tidak sesuai untuk tujuan statistik ekonomi ABS dan ABS mempertahankan struktur unitnya sendiri melalui kontak langsung dengan bisnis. Bisnis ini merupakan Populasi yang Dipimpin. Populasi ini biasanya terdiri dari kelompok usaha besar atau kompleks. Model unit statistik di bawah ini melayani bisnis semacam itu: Kelompok perusahaan: Ini adalah unit yang mencakup semua operasi di Australia dari satu atau lebih badan hukum yang berada di bawah kepemilikan dan kontrol bersama. Ini mencakup semua operasi di Australia entitas hukum yang terkait dengan Undang-undang Korporasi saat ini (sebagaimana telah diubah oleh Undang-Undang Amandemen Perundang-undangan Korporasi 1991), termasuk badan hukum seperti perusahaan, trust dan kemitraan. Kepemilikan mayoritas tidak diperlukan untuk pengendalian yang harus dilakukan. Perusahaan: Perusahaan adalah unit kelembagaan yang terdiri dari: satu badan hukum atau badan usaha, atau lebih dari satu badan hukum atau badan usaha di dalam kelompok perusahaan yang sama dan di subsektor institusional yang sama (semuanya tergolong ke dalam satu Standar Sektor Kelembagaan Klasifikasi subsektor Australia (SISCA)). Jenis unit kegiatan (TAU): TAU terdiri dari satu atau lebih entitas bisnis, sub-entitas atau cabang badan usaha dalam kelompok perusahaan yang dapat melaporkan data produksi dan ketenagakerjaan untuk kegiatan ekonomi serupa. Bila seperangkat item data minimum tersedia, TAU dibuat yang mencakup semua operasi dalam subdivisi industri (dan TAU diklasifikasikan ke bagian yang relevan dari ANZSIC). Bila sebuah bisnis tidak dapat menyediakan data yang memadai untuk setiap industri, sebuah TAU dibentuk yang berisi aktivitas di lebih dari satu subdivisi industri. 13 Survei dilakukan setiap bulan terutama melalui wawancara telepon meskipun sejumlah kecil kuesioner dikirim ke bisnis. Bisnis yang termasuk dalam survei dipilih oleh sampel acak dari bingkai yang distratifikasi oleh negara, industri dan ukuran bisnis. Survei menggunakan omset tahunan sebagai ukuran ukuran bisnis. Untuk Populasi Non-Profil, omset tahunan didasarkan pada item ATOs Business Activity Statement Total Sales dan untuk Populasi yang Dipimpin, dimodelkan perputaran tahunan digunakan. Untuk tujuan stratifikasi, omset tahunan yang dialokasikan untuk setiap bisnis diperbarui setiap tiga bulan dengan informasi Activity Activity Statement (BAS) terbaru. 14 Setiap kuartal, beberapa bisnis dalam sampel diganti secara acak oleh bisnis lain sehingga beban pelaporan dapat tersebar di pengecer kecil. Penggantian sampel ini terjadi pada bulan pertama setiap kuartal yang dapat meningkatkan volatilitas estimasi antara bulan ini dan bulan sebelumnya terutama di negara bagian oleh tingkat subkelompok industri. 15 Metodologi estimasi regresi umum digunakan untuk estimasi. Untuk tujuan estimasi, omset tahunan yang dialokasikan untuk setiap bisnis diperbarui setiap kuartal. 16 Sebagian besar bisnis dapat memberikan omset pada basis bulan kalender dan ini adalah bagaimana data disajikan. Bila bisnis tidak dapat memberikan omset pada basis bulan kalender, data yang dilaporkan dan periode yang mereka kaitkan digunakan untuk memperkirakan omset untuk bulan kalender. 17 Sebagian besar pengecer beroperasi di satu wilayah stateter. Untuk alasan ini, perkiraan omset menurut wilayah hanya dikumpulkan dari peritel besar yang termasuk dalam survei setiap bulan. Pengecer ini diminta memberikan omset penjualan dari masing-masing wilayah kerja dimana bisnis beroperasi. Omset untuk bisnis kecil dialokasikan ke alamat negara mereka seperti yang tercatat pada ABS Business Register. 18 Stratified sampling digunakan ketika, dalam populasi survei, ada subpopulasi yang bervariasi dari keseluruhan populasi. Stratifikasi menawarkan keuntungan pengambilan sampel setiap strata secara mandiri. Survei Bisnis Ritel menggunakan stratifikasi untuk mengelompokkan bisnis ritel yang akan disurvei ke dalam strata homogen berdasarkan omset tahunan yang dialokasikan untuk setiap bisnis. Variabel omset tahunan diperoleh dari informasi BAS dari sistem perpajakan dan digunakan baik sebagai variabel ukuran untuk tujuan stratifikasi dan untuk membentuk informasi tambahan (tolok ukur estimasi) untuk mendukung metodologi estimasi regresi yang digunakan dalam Survei Bisnis Ritel. Pemanfaatan informasi BAS memungkinkan desain yang paling efisien untuk survei, menjaga ukuran sampel seminimal mungkin sambil memberikan hasil yang akurat. Dari bulan Oktober 2013, tolok ukur stratifikasi telah diperbarui setiap kuartal sehingga dapat meningkatkan akurasi perkiraan tingkat yang diperoleh dari survei serta menangani masalah tolok ukur stratifikasi penuaan yang harus diperbaharui secara berkala. PENYIMPANAN SEASONAL DAN TREND ESTIMASI 19 Perkiraan musiman disesuaikan dengan memperkirakan dan menghapus efek yang berhubungan dengan kalender secara sistematis dari rangkaian aslinya. Dalam rangkaian perdagangan Ritel, efek terkait kalender ini dikenal sebagai: musiman mis. Pola penjualan tahunan, seperti peningkatan pengeluaran pada bulan Desember sebagai akibat pengaruh hari perdagangan Natal yang timbul dari pola penjualan mingguan dan jangka waktu bervariasi setiap bulan dan jumlah hari Minggu, Senin, Selasa, dll di setiap bulan Paskah yang berbeda-beda. Efek kedekatan, yang disebabkan saat Paskah, liburan yang dapat dipindah-pindahkan, jatuh pada akhir Maret atau awal bulan April sebagai efek Hari Ayah, yang disebabkan ketika hari Minggu pertama di bulan September jatuh dalam beberapa hari pertama setiap bulan dan belanja Hari Ayah terjadi Agustus. 20 Masing-masing pengaruh ini diperkirakan oleh faktor-faktor terpisah yang, bila dikombinasikan, disebut sebagai faktor penyesuaian gabungan. Faktor penyesuaian gabungan didasarkan pada pola yang diamati dalam data historis. Ada kemungkinan bahwa dengan diperkenalkannya ANZSIC 2006 dari Juli 2009, pola historis mungkin tidak sesuai dengan beberapa seri. Misalnya ritel Peritel dan perhiasan pindah dari subkelompok industri ritel lainnya ke Alas Kaki dan subkelas industri ritel aksesori pribadi lainnya di bawah ANZSIC 2006. Pola musiman untuk bisnis lain di Alas Kaki dan subkelas industri ritel aksesori pribadi lainnya tampaknya berbeda dari jam tangan dan jam kerja. Pengecer perhiasan Faktor penyesuaian gabungan akan berkembang dari waktu ke waktu untuk mencerminkan pola musiman atau perdagangan baru, walaupun dalam contoh ini, perkiraan dampak (break musiman) ini telah diimplementasikan pada faktor penyesuaian gabungan.21 Rangkaian perdagangan Eceran berikut secara langsung musiman. Disesuaikan: omset Australia masing-masing negara total setiap subkelompok industri Australia total masing-masing negara oleh subkelompok industri. 22 Metodologi rekonsiliasi kuotomatis dua dimensi digunakan pada rangkaian waktu yang disesuaikan secara musiman untuk memaksa aditif - yaitu, untuk memaksa jumlah perkiraan tingkat (negara bagian oleh sub kelompok industri) memperkirakan sama dengan jumlah subkelompok negara bagian Australia dan negara bagian. Total kelompok industri berasal dari perkiraan tingkat yang lebih rendah.23 Seri penyesuaian musiman triwulanan yang digunakan dalam penyusunan ukuran volume rantai adalah jumlah rangkaian bulanan yang berlaku. Pemodelan moving average moving average (ARIMA) autoregressive dapat memperbaiki sifat revisi dari perkiraan musiman dan perkiraan tren. Pemodelan ARIMA bergantung pada karakteristik dari seri yang dianalisis untuk memproyeksikan data masa depan. Nilai yang diproyeksikan bersifat sementara, nilai antara, yang hanya digunakan secara internal untuk memperbaiki perkiraan faktor musiman. Data yang diproyeksikan tidak mempengaruhi perkiraan awal dan dibuang pada akhir proses penyesuaian musiman. Koleksi ritel menggunakan model ARIMA individu untuk masing-masing total industri dan total negara. Model ARIMA dinilai sebagai bagian dari reanalisis tahunan. 25 Dalam proses penyesuaian musiman, faktor musiman dan perdagangan hari berkembang dari waktu ke waktu untuk mencerminkan perubahan pola belanja dan perdagangan. Contoh evolusi ini termasuk lambannya pengeluaran pada bulan Desember sampai Januari dan, aktivitas perdagangan meningkat pada akhir pekan dan hari libur. Seri Ritel menggunakan metodologi penyesuaian musiman bersamaan untuk mendapatkan kombinasi faktor penyesuaian. Ini berarti data dari bulan berjalan digunakan untuk memperkirakan faktor musiman dan perdagangan hari ini dan bulan sebelumnya. Untuk informasi lebih lanjut, lihat Makalah informasi: Pengenalan Penyesuaian Musiman Bersamaan ke dalam Seri Perdagangan Ritel (kucing no 8514.0). Faktor musiman dan hari perdagangan ditinjau setiap tahun pada tingkat yang lebih rinci daripada yang mungkin dilakukan dalam siklus pemrosesan bulanan. Reanalisis tahunan dapat menghasilkan revisi yang relatif lebih tinggi pada seri yang disesuaikan secara musiman daripada pada pemrosesan bulanan normal. 27 Perkiraan musiman yang disesuaikan masih mencerminkan kesalahan sampling dan non-sampling yang menjadi perkiraan awal. Inilah sebabnya mengapa direkomendasikan agar seri tren digunakan dengan seri musiman disesuaikan untuk menganalisis pergerakan bulan-ke-bulan yang mendasarinya. 28 Perkiraan tren diturunkan dengan menerapkan rata-rata moving average 13-tahun ke seri bulanan yang disesuaikan secara musiman dan rata-rata moving average 7-tahun ke seri kuartalan musiman yang disesuaikan. Rata-rata pergerakan Henderson simetris, namun seiring dengan berakhirnya deret waktu, bentuk asimetris rata-rata bergerak harus diterapkan. Rata-rata pergerakan asimetris telah disesuaikan agar sesuai dengan karakteristik masing-masing seri individual dan memungkinkan perkiraan tren untuk periode terakhir yang akan diproduksi. Parameter end-weight 2.0 dari rata-rata bergerak asimetris digunakan untuk menghasilkan perkiraan tren untuk total kelompok industri Australia, Negara Bagian dan Australia. Untuk seri lainnya, parameter akhir bobot standar 3.5 dari rata-rata pergerakan asimetris digunakan. Perkiraan tren akan ditingkatkan pada akhir rangkaian waktu saat observasi tambahan tersedia. Perbaikan ini disebabkan oleh penerapan rata-rata pergerakan asimetris yang berbeda untuk enam bulan terakhir untuk seri bulanan dan tiga perempat untuk seri triwulanan. Sebagai hasil dari perbaikan tersebut, sebagian besar revisi terhadap perkiraan tren akan diamati dalam enam bulan terakhir atau tiga kuartal. 29 Perkiraan tren digunakan untuk menganalisis perilaku dasar rangkaian dari waktu ke waktu. Sebagai hasil dari pengenalan Sistem Perpajakan Baru, terobosan dalam seri tren bulanan telah dimasukkan antara bulan Juni dan Juli 2000. Oleh karena itu, perhatian harus diambil jika perbandingan mencakup periode ini. Untuk lebih jelasnya lihat Lampiran pada terbitan edisi 2 Desember 2000 ini. TINDAKAN VOLUME RANTAI 31 Perkiraan harga terkini bulanan yang disajikan dalam publikasi ini mencerminkan perubahan harga dan volume. Namun, perkiraan volume rantai kuartalan mengukur perubahan nilai setelah efek langsung dari perubahan harga telah dieliminasi dan oleh karena itu hanya mencerminkan perubahan volume. Ukuran volume rantai perputaran ritel yang muncul dalam publikasi ini adalah indeks rantai Laspeyres tahunan yang dikalikan ulang yang mengacu pada nilai harga saat ini pada tahun referensi yang dipilih. Tahun referensi sudah maju setiap edisi September dan saat ini 2014-15. Setiap tahun data dalam rangkaian volume rantai Ritel didasarkan pada harga tahun sebelumnya, kecuali kuartal keuangan 2016-17 yang pada awalnya akan didasarkan pada data harga untuk tahun buku 2014-15. Komparabilitas dengan tahun-tahun sebelumnya dicapai dengan menghubungkan (atau merantai) rangkaian bersama untuk membentuk rangkaian waktu kontinyu. Informasi lebih lanjut mengenai sifat dan konsep pengukuran volume rantai terdapat dalam publikasi ABS Information Paper: Pengenalan Tindakan Volume Rantai di Australian National Accounts (kucing 5265,0) KEANDALAN ESTIMASI 32 Ada dua jenis kesalahan yang mungkin terjadi dalam perkiraan Perputaran eceran: Kesalahan sampling yang terjadi karena sampel, bukan keseluruhan populasi, disurvei. Salah satu ukuran kemungkinan perbedaan yang dihasilkan dari tidak termasuk semua perusahaan dalam survei diberikan oleh kesalahan standar. Kesalahan sampling dapat dipengaruhi oleh penggantian sampel yang terjadi pada bulan pertama setiap kuartal. Hal ini dapat meningkatkan volatilitas perkiraan antara bulan ini dan bulan sebelumnya terutama di negara bagian oleh tingkat subkelompok industri. Kesalahan non sampling yang timbul dari ketidakakuratan dalam mengumpulkan, mencatat dan mengolah data. Kesalahan yang paling signifikan dari kesalahan ini adalah: salah pelaporan item data kekurangan dalam cakupan non-respon dan kesalahan pemrosesan. Setiap upaya dilakukan untuk meminimalkan kesalahan pelaporan dengan merancang kuesioner secara seksama, pelatihan intensif dan pengawasan pewawancara, dan prosedur pengolahan data yang efisien. Perkiraan musiman dan perkiraan tren dan ukuran volume rantai juga tunduk pada variabilitas sampling. Untuk perkiraan penyesuaian musiman, kesalahan standar kira-kira sama dengan perkiraan semula. Untuk perkiraan tren, kesalahan standar cenderung lebih kecil. Untuk ukuran volume rantai kuartalan, kesalahan standar mungkin mencapai 10 lebih tinggi daripada perkiraan harga saat ini karena variabilitas sampling yang terdapat dalam data harga yang digunakan untuk mengempis perkiraan harga saat ini. 34 Perkiraan, dalam istilah asli, tersedia di tab Unduhan edisi ini di situs web ABS. Perkiraan yang memiliki estimasi kesalahan standar relatif (RSE) antara 10 dan 25 diberi catatan dengan simbol. Perkiraan ini harus digunakan dengan hati-hati karena variabilitas sampling terlalu tinggi untuk beberapa tujuan. Perkiraan dengan RSE antara 25 dan 50 diberi catatan dengan simbol, yang menunjukkan bahwa perkiraan tersebut harus digunakan dengan hati-hati karena variabilitas sampling terlalu tinggi untuk sebagian besar tujuan praktis. Perkiraan dengan RSE lebih besar dari 50 diberi catatan dengan simbol yang menunjukkan bahwa variabilitas sampling menyebabkan perkiraan dianggap terlalu tidak dapat diandalkan untuk penggunaan umum. Untuk lebih membantu pengguna dalam menilai reliabilitas perkiraan, rangkaian data utama telah diberi nilai A sampai B. Dimana: A mewakili kesalahan standar relatif pada tingkat kurang dari 2. Perkiraan yang dipublikasikan sangat dapat diandalkan untuk analisis gerakan. B mewakili kesalahan standar relatif pada tingkat antara 2 dan 5, yang berarti perkiraan dapat diandalkan untuk tujuan analisis gerakan. 36 Tabel di bawah ini memberikan indikator keandalan untuk perkiraan dalam istilah awal. Indikator keandalan didasarkan pada rata-rata RSE yang diturunkan selama empat tahun. Kesalahan Standar Relatif Oleh Kelompok Industri KEHANDALAN TREND ESTIMAT 38 Proses trending mengurangi volatilitas estimasi asli dan perkiraan musiman. Namun, perkiraan tren tunduk pada revisi karena pengamatan di masa depan tersedia. KOMPARABILITAS DENGAN ESTIMASI ABS LAIN 39 Perkiraan omset Eceran dalam publikasi ini akan berbeda dengan penjualan barang dan jasa oleh industri Perdagangan Ritel dalam Indikator Bisnis, Australia (kucing 5676.0). Publikasi ini menyajikan perkiraan bulanan nilai omset bisnis ritel, bersumber dari Survei Bisnis Ritel. Termasuk Pajak Barang dan Jasa dan mencakup beberapa bisnis perdagangan eceran yang diklasifikasikan ke dalam industri perdagangan non-ritel namun memiliki aktivitas perdagangan ritel yang signifikan. Perkiraan penjualan barang dan jasa dalam Indikator Bisnis, Australia bersumber dari Survei Indikator Bisnis Triwulanan secara umum dan tidak termasuk Pajak Barang dan Jasa. Selain itu, Survei Bisnis Ritel tidak mencakup semua kelas di Divisi Perdagangan Ritel ANZSIC namun mencakup restoran Kafe, restoran dan makanan ringan dari Divisi Akomodasi dan Layanan Makanan. Penggunaan sampel yang berbeda dalam dua survei juga berkontribusi terhadap perbedaan. Perkiraan volume rantai perdagangan eceran kuartalan berkontribusi pada akun nasional triwulanan di dua bidang utama. Pertama, indikator tersebut merupakan indikator Pengeluaran Konsumsi Akhir Rumah Tangga di sisi pengeluaran produk domestik bruto. Secara historis, perkiraan perdagangan Ritel menyumbang sekitar 55-60 Pengeluaran Konsumsi Akhir Rumah Tangga namun kontribusi relatif ini dapat bervariasi dari kuartal ke kuartal karena pengeluaran rumah tangga bergeser antara perdagangan eceran dan area seperti layanan pribadi, kegiatan perjalanan dan liburan yang berada di luar cakupan perdagangan eceran. Kedua, perkiraan perdagangan Ritel, bersama dengan perkiraan dari Business Indicators, Australia. Berkontribusi terhadap perkiraan Divisi Perdagangan Ritel di sisi produksi produk domestik bruto. Perkiraan perputaran ritel per kapita disusun dari Survei Bisnis Ritel bulanan dan Perkiraan Penduduk Berwenang (ERP) triwulanan yang diterbitkan dalam Australian Demographic Statistics (Cat no 3101.0). Rasio perputaran perkapita ritel adalah rasio total perputaran omset triwulanan terhadap kuartalan ERP. Metode yang digunakan dalam menurunkan perkiraan perputaran perkapita Retail konsisten dengan yang digunakan untuk penurunan PDB per kapita. Karena perkiraan kuartalan ERP saat ini telah melampaui perkiraan perdagangan ritel kuartalan sekitar enam bulan, dua kuartal terakhir perkiraan Ritel per kapita menggunakan proyeksi ERP berdasarkan tren saat ini. Lingkup, cakupan dan metodologi untuk Survei Bisnis Ritel dan perkiraan ERP termasuk dalam catatan penjelasan dari publikasi terkait. Diskusi terperinci seputar metodologi derivasi, proyeksi dan interpretasi ERP perkiraan perputaran ritel per kapita tersedia sebagai Lampiran dalam tab Catatan untuk rilis publikasi bulan Juni 2014 ini. 43 Perkiraan harga dan ukuran rantai saat ini, dalam istilah asli, tren musiman dan tren tersedia dari tab Unduhan dari masalah ini di situs web ABS. Revisi perputaran ritel per kapita akan terjadi dengan setiap revisi perkiraan kuartalan ERP di masa mendatang dan juga mengikuti revisi terhadap perkiraan Perdagangan Ritel. 44 Publikasi saat ini dan produk lainnya yang dikeluarkan oleh ABS tersedia dari Tampilan Statistik. ABS juga mengeluarkan Saran Rilis harian di situs web yang merinci produk yang akan dirilis di minggu depan. Pengguna juga mungkin ingin merujuk pada publikasi berikut: Australian National Accounts: Penghasilan, Pengeluaran dan Produk Nasional (kucing no. 5206.0) Industri Australia (kucing no 8155.0) Indikator Bisnis, Australia (kucing 5676.0). 45 Seperti halnya statistik yang termasuk dalam publikasi ini dan yang terkait, ABS mungkin memiliki data relevan lainnya yang tersedia. Permintaan harus dilakukan ke National Information and Referral Service pada 1300 135 070. Dokumen-dokumen ini akan dipresentasikan dalam window baru. Analisis Seri Waktu: Proses Penyesuaian Musiman Apa dua filosofi utama penyesuaian musiman Apa itu filter Apa itu Masalah titik akhir Bagaimana kita memutuskan filter mana yang akan digunakan Apa itu fungsi keuntungan Apa itu pergeseran fasa Berapakah rata-rata pergerakan Henderson Bagaimana kita mengatasi masalah titik akhir Berapa rata-rata pergerakan musiman Mengapa perkiraan tren direvisi Berapa banyak data yang Diperlukan untuk mendapatkan perkiraan penyesuaian musiman yang dapat diterima ADVANCED Bagaimana dua filosofi penyesuaian musiman membandingkan APA FILSAFAT UTAMA PENYESUAIAN SEASONAL Dua filosofi utama penyesuaian musiman adalah metode berbasis model dan metode berbasis filter. Metode berbasis filter Metode ini menerapkan satu set filter tetap (moving averages) untuk menguraikan deret waktu menjadi komponen musiman, tren dan tidak beraturan. Gagasan dasarnya adalah bahwa data ekonomi terdiri dari serangkaian siklus, termasuk siklus bisnis (tren), siklus musiman (musiman) dan kebisingan (komponen tidak beraturan). Filter pada dasarnya menghilangkan atau mengurangi kekuatan siklus tertentu dari data masukan. 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 SEATSTRAMO (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 13), 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. These are that the trend should be able to represent a wide range of curvatures and that it should also be as smooth as possible. 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: (13, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 13, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 13) 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 19 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 (127, 227, 19, 19, 19, 19, 19, 19, 19, 227, 127). 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