Chapter 1 Introduction 1.1 Seasonality and Seasonal Adjustment Seasonality, which Hylleberg (1986, p. 23), defines as ‘the systematic, although not necessarily regular or unchanging, intrayear movement that is caused by climatic changes, timing of religious festivals, business practices, and expectations’, is often considered a nuisance in economic modeling. Seasonality in economic time series can ‘obscure’ movements of other components in a series that are operationally more important for economic and econometric analyses. Large seasonal movements may hide other movements of importance and it is easier to see related movements in different series after seasonal adjustment. Therefore macroeconomic time series are typically seasonally adjusted before being used in economic analyses. In practice, one often prefers to work with seasonally adjusted data to assess the current state of the economy and its future course, to get a better view on underlying movements (cycles, trends), and to be able to identify direction and turning points (Moulton 2012). Consequently, a whole industry has come into existence that is devoted to seasonal adjustment. The U.S. Census Bureau Basic Seasonal Adjustment Glossary (https:// www.census.gov/data/software/x13as/references/glossary.html) describes seasonal adjustment as the estimation of the seasonal component and, when applicable, also trading day and moving holiday effects, followed by their removal from the time series. The goal is usually to produce series whose movements are easier to analyze over consecutive time intervals and to compare with the movements of other series in order to detect co-movements. Underlying all seasonal adjustment methods is the decomposition of an observed series into latent non-seasonal and seasonal components, cf. Ghysels and Osborn (2001, Chap. 4). The aim is to extract the unobserved components from the observed series. The methods produce seasonal effects that are relatively stable in terms of annual timing, within the same month or quarter, direction and magnitude. Trend- cycle and seasonal components are traditionally extracted using sequential centered © The Author(s), under exclusive license to Springer Nature Switzerland AG 2023 B. Abeln and J. P. A. M. Jacobs, Seasonal Adjustment Without Revisions, SpringerBriefs in Economics, https://doi.org/10.1007/978-3-031-22845-2_1 1 2 1 Introduction moving average (CMA) filters and recently ARIMA and Unobserved Components (UC) models. The series are pretreated to adjust for outliers and trading-day and holiday effects, and forecast and backcast to deal with the beginning and the end of the series to avoid phase shifts in the series. Several procedures are in use, varying from taking annual (year-on-year) differ- ences, the Census X11 family (U.S. Census Bureau, Bank of Canada), i.e. meth- ods based on moving averages like X11 (see e.g. Ladiray and Quenneville 2001), X12-ARIMA (see the appendix of Wright 2013). For a brief overview see Monsell (2009). A typical example of the second class of seasonal adjustment methods is TRAMO/SEATS (Gómez and Maravall 1996), a model based methodology based on ARIMA models. Recently, the two most popular methods, Census X-12-ARIMA and TRAMO/SEATS, merged into X-13ARIMA-SEATS (henceforth X13), which has become the industry standard. For details see the X-13ARIMA-SEATS Seasonal Adjustment Program homepage at the U.S Department of Commerce Census Bureau https://www.census.gov/data/software/x13as.html. Below in Chaps. 5 and 6 we briefly describe and employ a third class of methods based on STL (a Seasonal-Trend decomposition procedure based on Loess), a non- parametric method introduced by Cleveland et al. (1990). This group of methods is quite flexible. Cleveland and Scott (2007) and Cleveland et al. (2018) perform seasonal adjustment of weekly time series building upon the seminal contribution of Pierce et al. (1984). For more enhanced, non-deterministic seasonal adjustment models see Pollock (2021). Detailed descriptions of these and other seasonal adjustment methods including their history go beyond the scope and size of this book. For a concise overview of methods and history see Darné et al. (2018). General guidelines on seasonal adjust- ment are provided by the U.S. Census Bureau (McDonald-Johnson et al. (2010)) and Eurostat (2015). The Handbook on Seasonal Adjustment (Mazzi et al. 2018) is a rich and general reference on seasonal adjustment which we consulted often, as will be shown below. 1.2 Revisions One consequence of using standard seasonal adjustment methods is that past values of the unobserved components change when new observations become available, thus causing revisions. This phenomenon is known as real-time data.1 Acknowledgement of data revisions dates at least back to the first issue of the first volume of the Review of Economic Statistics (Persons 1919) while Kuznets (1948) also explicitly mentions data revisions in his seminal article on national income statistics. Zellner (1958, page 58) begins by noting that ‘Many ...economic policy decisions are formulated or constructed on the basis of preliminary or provisional estimates of ...our national 1 This label is also used for high-frequency data, or data that come available without a lag.
چکیده فارسی
فصل 1 مقدمه 1.1 فصلی بودن و تنظیم فصلی فصلی بودن، که هایلبرگ (1986، ص 23) آن را به عنوان "جنبش سیستماتیک، هرچند نه لزوما منظم یا بدون تغییر، درون سالی که ناشی از تغییرات آب و هوایی، زمان برگزاری جشن های مذهبی است، تعریف می کند. شیوههای تجاری و انتظارات، اغلب به عنوان یک مزاحم در مدلسازی اقتصادی در نظر گرفته میشوند. فصلی بودن در سریهای زمانی اقتصادی میتواند حرکات سایر مؤلفههای یک سری را که از نظر عملیاتی برای تحلیلهای اقتصادی و اقتصادسنجی مهمتر هستند، «مبهم» کند. حرکات فصلی بزرگ ممکن است حرکات مهم دیگری را پنهان کند و پس از تنظیم فصلی، دیدن حرکات مرتبط در سری های مختلف آسان تر است. بنابراین سریهای زمانی کلان اقتصادی معمولاً قبل از استفاده در تحلیلهای اقتصادی به صورت فصلی تعدیل میشوند. در عمل، اغلب ترجیح میدهیم با دادههای فصلی تنظیمشده کار کنیم تا وضعیت فعلی اقتصاد و مسیر آینده آن را ارزیابی کنیم، تا دید بهتری در مورد حرکتهای اساسی (چرخهها، روندها) داشته باشیم و بتوانیم جهت و نقاط عطف را شناسایی کنیم. مولتون 2012). در نتیجه، یک صنعت کامل به وجود آمده است که به تعدیل فصلی اختصاص دارد. واژه نامه تعدیل فصلی پایه دفتر سرشماری ایالات متحده (https://www.census.gov/data/software/x13as/references/glossary.html) تعدیل فصلی را به عنوان تخمین جزء فصلی و در صورت لزوم، روز معاملات و نیز توصیف می کند. جلوه های تعطیلات متحرک و به دنبال آن حذف آنها از سری زمانی. هدف معمولاً تولید سریالهایی است که حرکات آنها در بازههای زمانی متوالی آسانتر تحلیل میشوند و با حرکات سریالهای دیگر به منظور تشخیص حرکات مشترک مقایسه میشوند. زیربنای همه روشهای تنظیم فصلی، تجزیه یک سری مشاهده شده به اجزای نهفته غیرفصلی و فصلی است. گیسلز و آزبورن (2001، فصل 4). هدف استخراج مولفه های مشاهده نشده از سری مشاهده شده است. روشها اثرات فصلی را تولید میکنند که از نظر زمانبندی سالانه، در همان ماه یا سهماهه، جهت و بزرگی نسبتاً پایدار هستند. چرخه روند و اجزای فصلی به طور سنتی با استفاده از © The Author(s)، تحت مجوز انحصاری Springer Nature Switzerland AG 2023 B. Abeln and J. P. A. M. Jacobs, Seasonal Adjustment Without Revisions, SpringerBriefs in Economics, https://doi استخراج می شوند. org/10.1007/978-3-031-22845-2_1 1 2 1 معرفی فیلترهای میانگین متحرک (CMA) و اخیراً مدلهای ARIMA و اجزای مشاهده نشده (UC). مجموعهها برای تعدیل اثرات دورافتاده و اثرات روز معاملاتی و تعطیلات، و پیشبینی و پسکست برای مقابله با شروع و پایان سریال برای جلوگیری از تغییر فاز در سریال، از قبل آمادهسازی شدهاند. روشهای مختلفی در حال استفاده هستند، از تفاوتهای سالانه (سال به سال)، خانواده سرشماری X11 (اداره سرشماری ایالات متحده، بانک کانادا)، یعنی روشهای مبتنی بر میانگینهای متحرک مانند X11 (مثلاً Ladiray و را ببینید. Quenneville 2001)، X12-ARIMA (به پیوست Wright 2013 مراجعه کنید). برای مروری کوتاه به Monsell (2009) مراجعه کنید. یک مثال معمولی از دسته دوم روشهای تنظیم فصلی، TRAMO/SEATS (گومز و ماراوال 1996)، یک روش مبتنی بر مدل مبتنی بر مدلهای ARIMA است. اخیراً دو روش محبوب Census X-12-ARIMA و TRAMO/SEATS در X-13ARIMA-SEATS (از این پس X13) ادغام شدند که به استاندارد صنعتی تبدیل شده است. برای جزئیات به صفحه اصلی برنامه تنظیم فصلی X-13ARIMA-SEATS در اداره سرشماری وزارت بازرگانی ایالات متحده https://www.census.gov/data/software/x13as.html مراجعه کنید. زیر در فصل. در 5 و 6 به طور مختصر دسته سومی از روشهای مبتنی بر STL (روش تجزیه فصلی-روند بر اساس Loess) را توصیف و به کار میبریم، یک روش غیر پارامتری که توسط کلیولند و همکاران معرفی شده است. (1990). این گروه از روش ها کاملاً منعطف هستند. کلیولند و اسکات (2007) و کلیولند و همکاران. (2018) تعدیل فصلی ساخت سری زمانی هفتگی را بر اساس سهم اصلی پیرس و همکاران انجام داد. (1984). برای مدلهای تعدیل فصلی پیشرفتهتر و غیر قطعیتر، پولاک (2021) را ببینید. شرح مفصل این روش ها و سایر روش های تنظیم فصلی از جمله تاریخچه آنها فراتر از محدوده و اندازه این کتاب است. برای مرور مختصر روشها و تاریخچه، Darné et al. (2018). دستورالعمل های کلی در مورد تعدیل فصلی توسط اداره سرشماری ایالات متحده (مک دونالد-جانسون و همکاران (2010)) و یورواستات (2015) ارائه شده است. کتابچه راهنمای تنظیم فصلی (مازی و همکاران 2018) یک مرجع غنی و کلی در مورد تعدیل فصلی است که ما اغلب با آن مشورت کرده ایم، همانطور که در زیر نشان داده خواهد شد. 1.2 تجدید نظرها یکی از پیامدهای استفاده از روشهای تعدیل فصلی استاندارد این است که مقادیر گذشته اجزای مشاهده نشده با در دسترس قرار گرفتن مشاهدات جدید تغییر میکنند و در نتیجه باعث تجدیدنظر میشوند. این پدیده به عنوان داده های زمان واقعی شناخته می شود. 1 تصدیق تجدید نظر داده ها حداقل به اولین شماره از جلد اول بررسی آمار اقتصادی (Persons 1919) برمی گردد، در حالی که کوزنتس (1948) نیز به صراحت به تجدید نظر داده ها در مقاله اصلی خود اشاره می کند. مقاله آمار درآمد ملی زلنر (1958، صفحه 58) با ذکر این نکته آغاز می کند که «بسیاری از تصمیمات سیاست اقتصادی بر اساس تخمین های اولیه یا موقتی از ... ملی ما تدوین یا ساخته می شوند. 1 این برچسب همچنین برای داده های با فرکانس بالا یا داده هایی که بدون تاخیر در دسترس هستند.
ادامه ...
بستن ...
Barend Abeln
Bussum, The Netherlands
Jan P. A. M. Jacobs
University of Groningen
Groningen, The Netherlands
ISSN 2191-5504 ISSN 2191-5512 (electronic)
SpringerBriefs in Economics
ISBN 978-3-031-22844-5 ISBN 978-3-031-22845-2 (eBook)
https://doi.org/10.1007/978-3-031-22845-2
© The Author(s), under exclusive license to Springer Nature Switzerland AG 2023
This work is subject to copyright. All rights are solely and exclusively licensed by the Publisher, whether
the whole or part of the material is concerned, specifically the rights of translation, reprinting, reuse
of illustrations, recitation, broadcasting, reproduction on microfilms or in any other physical way, and
transmission or information storage and retrieval, electronic adaptation, computer software, or by similar
or dissimilar methodology now known or hereafter developed.
The use of general descriptive names, registered names, trademarks, service marks, etc. in this publication
does not imply, even in the absence of a specific statement, that such names are exempt from the relevant
protective laws and regulations and therefore free for general use.
The publisher, the authors, and the editors are safe to assume that the advice and information in this book
are believed to be true and accurate at the date of publication. Neither the publisher nor the authors or
the editors give a warranty, expressed or implied, with respect to the material contained herein or for any
errors or omissions that may have been made. The publisher remains neutral with regard to jurisdictional
claims in published maps and institutional affiliations.
This Springer imprint is published by the registered company Springer Nature Switzerland AG
The registered company address is: Gewerbestrasse 11, 6330 Cham, Switzerland
ادامه ...
بستن ...
Contents
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1 Seasonality and Seasonal Adjustment . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Revisions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Aim . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4 Outline . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2 CAMPLET: Seasonal Adjustment Without Revisions . . . . . . . . . . . . . . . 7
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2 CAMPLET . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.2.1 Seasonals and Non-seasonals . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.2.2 Seasonal Adjustment in CAMPLET . . . . . . . . . . . . . . . . . . . . . 9
2.2.3 Initialization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2.4 Outliers and Change in Seasonal Pattern . . . . . . . . . . . . . . . . . . 11
2.2.5 Automatic Parameter Adjustment for Volatile Series . . . . . . . 12
2.2.6 CAMPLET Parameters . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.3 Simulations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.3.1 Design . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.3.2 X-13ARIMA-SEATS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.3.3 Quality Measures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.3.4 Current Vintage Comparison . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.3.5 Quasi-Real-Time Comparison Experiment . . . . . . . . . . . . . . . . 17
2.3.6 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.4 Illustrations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.4.1 U.S. Non-farm Payroll Employment . . . . . . . . . . . . . . . . . . . . . 22
2.4.2 Ahold . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.4.3 Real GDP in the Netherlands . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.5 Concluding Remarks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3 Seasonal Adjustment of Economic Tendency Survey Data . . . . . . . . . . . 31
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.2 Seasonal Adjustment: Census and CAMPLET . . . . . . . . . . . . . . . . . . . 32
3.3 The KOF Barometer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
vii
viii Contents
3.4 Empirical Illustration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.4.1 Comparison of KOF-Census and CAMPLET Seasonally
Adjusted Variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.4.2 Implications for the KOF Barometer . . . . . . . . . . . . . . . . . . . . . 38
3.5 Concluding Remarks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4 Residual Seasonality: A Comparison of X13 and CAMPLET . . . . . . . . 43
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
4.2 Measuring Seasonality . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.3 Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.4 Seasonality and Residual Seasonality Outcomes . . . . . . . . . . . . . . . . . 45
4.5 Concluding Remarks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
5 COVID-19 and Seasonal Adjustment . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.2 Seasonal Adjustment Methodology . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
5.2.1 Seasonal Decomposition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
5.2.2 Description of Methods Used in This Chapter . . . . . . . . . . . . . 55
5.2.3 Adjustments Because of the COVID-19 Crisis . . . . . . . . . . . . . 57
5.3 Illustrations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
5.3.1 Data and Settings of Seasonal Adjustment Methods . . . . . . . . 58
5.3.2 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
5.3.3 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
5.4 Concluding Remarks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
6 Seasonal Adjustment of Daily Data with CAMPLET . . . . . . . . . . . . . . . 63
6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
6.2 Seasonal Adjustment of Daily Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
6.3 Adjustments in CAMPLET for Daily Data . . . . . . . . . . . . . . . . . . . . . . 65
6.4 Comparisons . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
6.5 Gas Consumption and Production in the Netherlands . . . . . . . . . . . . . 71
6.5.1 Seasonal Cycles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
6.5.2 Gas Consumption and Production, and Mean
Temperature . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
6.6 Concluding Remarks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
Bibliography . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
About the Authors
Barend Abeln began his career at Unilever (Rotterdam,
Netherlands) in the economics department, where he
reported on macroeconomic developments in European
countries. Subsequently, he became a product manager
at Unilever Frozen Foods (Utrecht). In 1972, he entered
the real estate market as a founder and the CEO of
Vlakland Planontwikkeling BV, realizing five second-
home projects and a hotel on the French Côte d’Azur.
In 1982, he became a private investment consultant in
Amsterdam and developed a state-of-the-art seasonal
adjustment process.
Jan P. A. M. Jacobs studied econometrics at the Univer-
sity of Groningen (Netherlands) and played volley-
ball at international level (46 international matches).
After a brief position at Philips Medical Systems, he
returned to his alma mater and received his Ph.D. on
“Econometric Business Cycle Research” in 1998. He is
an associate professor at the Faculty of Economics of
the University of Groningen, where he teaches applied
macroeconometrics to master and graduate students. He
published more than forty articles in peer-reviewed jour-
nals in economics (Journal of Econometrics, Journal
of Applied Econometrics, Journal of Business and
Economic Statistics, Macroeconomics Dynamics, Scan-
dinavian Journal of Economics, Journal of Macroeco-
nomics), law (International Journal of Law in the Built
Environment), and medicine (BMC Family Practice,
Economics and Human Biology).
ix
List of Figures
Fig. 2.1 If the gradient gt changes, all seasonals change . . . . . . . . . . . . . . . 9
Fig. 2.2 Extrapolation on the basis of period t . . . . . . . . . . . . . . . . . . . . . . . 10
Fig. 2.3 Division of extrapolation error over changes in the seasonal
and changes in the seasonally adjusted values of period t + 1 . . . 10
Fig. 2.4 U.S. Non-farm payroll employment, vintage 2014M2 . . . . . . . . . . 23
Fig. 2.5 Quasi-real-time analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
Fig. 2.6 Spectra of U.S. Non-farm employment . . . . . . . . . . . . . . . . . . . . . . 25
Fig. 2.7 Ahold operating income . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
Fig. 2.8 Ahold operating income: Seasonal pattern . . . . . . . . . . . . . . . . . . . 26
Fig. 2.9 Real GDP in the Netherlands (X13: black; CAMPLET: red) . . . . 27
Fig. 2.10 Real GDP in the Netherlands (levels: left axis; growth rates:
right axis) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
Fig. 3.1 Year-on-year (blue line; left axis) versus seasonally adjusted
quarter-on-quarter differences (red line; right axis) of Swiss
real GDP . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
Fig. 3.2 KOF Barometers after September 2016 (index numbers;
2016M09 = 100) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
Fig. 3.3 KOF Barometers before and after the September 2016 update
(index numbers; 2016M09 = 100) . . . . . . . . . . . . . . . . . . . . . . . . . . 35
Fig. 3.4 Metal industry (quarterly growth rates) . . . . . . . . . . . . . . . . . . . . . . 36
Fig. 3.5 Metal industry (quarterly growth rates) . . . . . . . . . . . . . . . . . . . . . . 37
Fig. 3.6 EU: Industry survey (quarterly growth rates) . . . . . . . . . . . . . . . . . 37
Fig. 3.7 Chemistry, petroleum processing, rubber (quarterly growth
rates) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
Fig. 3.8 Electric, electronic equipment (quarterly growth rates) . . . . . . . . . 38
Fig. 3.9 Economic situation in Switzerland (quarterly growth rates) . . . . . 39
Fig. 3.10 Netherlands: EU survey indicators (quarterly growth rates) . . . . . 40
Fig. 3.11 KOF and KOF-CAMPLET Barometers, April 2017 (index
numbers; 2004M1 = 100) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
Fig. 4.1 U.S. real GDP, 2002Q1–2022Q1 . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
Fig. 4.2 U.S. real GDP by quarter, 2002Q1–2022Q1 . . . . . . . . . . . . . . . . . . 47
xi
xii List of Figures
Fig. 4.3 U.S. real GDP, 2002Q1–2022Q1: First-round seasonal
adjustments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
Fig. 5.1 Real GDP in the Netherlands, 2019Q4–2020Q3 . . . . . . . . . . . . . . 59
Fig. 5.2 U.S. Initial claims, weekly, ending Saturday, and STL
and CAMPLET seasonal adjustments, 1967W1–2021W4 . . . . . . . 59
Fig. 5.3 U.S. Initial claims, STL and CAMPLET seasonal
adjustments, 2019W1–2021W4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
Fig. 6.1 Seasonal adjustments of three series of Ollech (2021)
based on annual cycles of 365 and 366 days (the last digit
of the series refers to the annual cycle taken) . . . . . . . . . . . . . . . . . 68
Fig. 6.2 CAMPLET seasonal adjustments of three series of Ollech
(2021) with monthly cycles (the last digit of the series refers
to the monthly cycle taken) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
Fig. 6.3 Order of seasonal adjustments in CAMPLET (365_31tv_7
means adjusting for annual cycles first, then monthly cycles
and finally weekly cycles; 7_31tv_365 first adjusts for weekly
cycles, then monthly cycles and annual cycles) and daily
seasonal adjustments (DSA) outcomes of Ollech (2021) . . . . . . . . 72
Fig. 6.4 Gas consumption and production in the Netherlands (Gwh
per day) from 2006 to 2014 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
Fig. 6.5 Intra-week seasonality (Gwh), industry 2014 . . . . . . . . . . . . . . . . . 75
Fig. 6.6 Intra-week seasonality (Gwh), retail 2014 . . . . . . . . . . . . . . . . . . . . 76
Fig. 6.7 Intra-month seasonality (Gwh), retail 2014 . . . . . . . . . . . . . . . . . . . 76
Fig. 6.8 Mean temperature in the Netherlands (degrees Celcius), daily
from 2006 to 2014 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
Fig. 7.1 Seasonally adjusted values for NL GDP 2008Q3 . . . . . . . . . . . . . . 80
List of Tables
Table 2.1 CAMPLET parameters and default settings . . . . . . . . . . . . . . . . . . 13
Table 2.2 Simulation settings . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
Table 2.3 Relative quality measures: Current vintage . . . . . . . . . . . . . . . . . . 18
Table 2.4 Quality measures of CAMPLET versus X13: Current vintage . . . 19
Table 2.5 Seasonal adjustment in X13 and CAMPLET . . . . . . . . . . . . . . . . . 19
Table 2.6 Relative quality measures: Quasi-real time . . . . . . . . . . . . . . . . . . . 20
Table 2.7 Quality measures of CAMPLET versus X13: Quasi-real time . . . 21
Table 3.1 Seasonal adjustment of the variables in the KOF Barometer . . . . . 34
Table 4.1 Outcomes of seasonality measures . . . . . . . . . . . . . . . . . . . . . . . . . 48
Table 6.1 CAMPLET seasonal adjustments of three series of Ollech
(2021) based on cycles of 365 and 366 days: Descriptive
statistics and tests of equality . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
Table 6.2 CAMPLET seasonal adjustments of three series of Ollech
(2021) with monthly cycles: Descriptive statistics and tests
of equality . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
Table 6.3 Order of seasonal adjustment in CAMPLET and comparison
with daily seasonal adjustments (DSA) outcomes of Ollech
(2021): Descriptive statistics and tests of equality . . . . . . . . . . . . . 73
Table 6.4 Gas consumption and production, and mean temperature
in the Netherlands, non-seasonally adjusted (NSA)
and seasonally adjusted (SA) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
xiii
ادامه ...
بستن ...
