Bundesbank-Studie: Zeitauflösung bei Saisonbereinigung optimieren
Ökonomen und Statistiker stehen vor einer grundlegenden Frage: Soll die Saisonbereinigung hochfrequenter Daten vor oder nach der Aggregation erfolgen? Eine neue Bundesbank-Studie liefert nun praktische Leitlinien für die optimale zeitliche Auflösung.
Hochfrequente Daten: Wann bereinigen, wann aggregieren?
Mit der zunehmenden Verfügbarkeit von Tages- und Wochenzeitreihen stellt sich die Frage, ob die Saisonbereinigung bei der ursprünglichen hohen Frequenz oder nach der Aggregation der Daten auf eine niedrigere Frequenz durchgeführt werden sollte.
Die Studie von Daniel Ollech und Martin Stefan von der Deutschen Bundesbank bietet einen umfassenden Rahmen, um Praktiker bei der Auswahl der optimalen zeitlichen Auflösung für die Saisonbereinigung zu unterstützen.
Sie bewertet die Leistung der Saisonbereinigung bei verschiedenen zeitlichen Auflösungen anhand simulierter und realer Zeitreihen.
Dabei kommen führende Methoden wie DSA2, WSA, X-13 und TRAMO-SEATS zum Einsatz, um Daten auf Tages-, Wochen-, Monats- und Quartalsebene anzupassen.
Eine Reihe diagnostischer Tools, darunter Tests auf Rest-Saisonalität, Kalendereffekte und Revisionsgrößen, werden angewendet, um die Qualität der bereinigten Reihen zu beurteilen.
Zusätzlich wird die Beziehung zwischen hochfrequenten Proxies und ihren niederfrequenten Zielvariablen untersucht, um den praktischen Nutzen zu bewerten.
Informationsreichtum versus Robustheit
Das Diskussionspapier basiert auf der Prämisse, dass die Eigenschaften saisonaler Muster und Kalendereffekte mit der zeitlichen Auflösung der Daten variieren.
Tagesdaten können komplexe Muster wie Wochentagseffekte erfassen, während Monats- oder Quartalsdaten solche Details verdecken können.
Hochfrequente Daten sind jedoch oft verrauschter und anfälliger für Ausreißer, was den Bereinigungsprozess erschwert.
Die Autoren argumentieren, dass die Wahl der zeitlichen Auflösung einen Kompromiss zwischen der Bewahrung des Informationsreichtums und der Gewährleistung statistischer Robustheit darstellt.
Sie heben auch die Grenzen bestehender Saisonbereinigungsverfahren bei verschiedenen Frequenzen hervor, wie die Schwierigkeit, Kalendereffekte in Quartalsdaten zu identifizieren.
Praktische Hilfe für die Datenanalyse
Die Studie liefert eine dringend benötigte Entscheidungshilfe für die Praxis, indem sie einen klaren Pfad durch die Komplexität hochfrequenter Daten aufzeigt.
Insbesondere die Warnung vor Quartalsaggregation bei kritischen Kalendereffekten ist ein wichtiger Hinweis für Statistiker.
Damit wird die Qualität amtlicher Statistiken verbessert und ihre Relevanz für die wirtschaftspolitische Analyse gestärkt.