Bergerak rata rata penyesuaian musiman

Penyebaran spreadsheet penyesuaian musiman dan eksponensial smoothing Sangat mudah melakukan penyesuaian musiman dan model pemulusan eksponensial yang sesuai dengan Excel. Gambar layar dan grafik di bawah diambil dari spreadsheet yang telah disiapkan untuk menggambarkan penyesuaian musiman multiplikatif dan pemulusan eksponensial linier pada data penjualan kuartalan berikut dari Outboard Marine: Untuk mendapatkan salinan file spreadsheet itu sendiri, klik di sini. Versi pemulusan eksponensial linier yang akan digunakan di sini untuk tujuan demonstrasi adalah versi Brown8217s, hanya karena dapat diimplementasikan dengan satu kolom formula dan hanya ada satu smoothing constant yang bisa dioptimalkan. Biasanya lebih baik menggunakan versi Holt8217 yang memiliki konstanta pemulusan terpisah untuk tingkat dan tren. Proses peramalan berjalan sebagai berikut: (i) pertama data disesuaikan secara musiman (ii) maka prakiraan dihasilkan untuk data penyesuaian musiman melalui pemulusan eksponensial linier dan (iii) perkiraan musim yang disesuaikan secara musiman adalah kuotimasi untuk mendapatkan perkiraan untuk rangkaian aslinya. . Proses penyesuaian musiman dilakukan di kolom D sampai G. Langkah pertama dalam penyesuaian musiman adalah menghitung rata-rata pergerakan terpusat (dilakukan di kolom D). Hal ini dapat dilakukan dengan menghitung rata-rata dua rata-rata satu tahun yang diimbangi dengan satu periode relatif terhadap satu sama lain. (Kombinasi dua rata-rata offset daripada rata-rata tunggal diperlukan untuk tujuan pemetikan saat jumlah musim genap.) Langkah selanjutnya adalah menghitung rasio terhadap rata-rata pergerakan - i. Data asli dibagi dengan rata-rata bergerak pada setiap periode - yang dilakukan di sini pada kolom E. (Ini juga disebut komponen siklus-trenwot dari pola, sejauh kecenderungan dan efek siklus bisnis dapat dianggap sebagai semua hal Tetap setelah rata-rata selama satu tahun penuh data. Tentu saja, perubahan bulan ke bulan yang bukan karena musiman dapat ditentukan oleh banyak faktor lainnya, namun rata-rata 12 bulan di atas mereka untuk sebagian besar.) Indeks musiman diperkirakan untuk setiap musim dihitung dengan rata-rata pertama untuk semua rasio untuk musim tertentu, yang dilakukan di sel G3-G6 menggunakan formula AVERAGEIF. Rasio rata-rata kemudian dikompres sehingga jumlahnya mencapai 100 kali jumlah periode dalam satu musim, atau 400 dalam kasus ini, yang dilakukan pada sel H3-H6. Di bawah kolom F, formula VLOOKUP digunakan untuk memasukkan nilai indeks musiman yang sesuai di setiap baris tabel data, sesuai dengan kuartal tahun yang diwakilinya. Rata-rata pergerakan terpusat dan data yang disesuaikan musiman akhirnya terlihat seperti ini: Perhatikan bahwa rata-rata bergerak biasanya terlihat seperti versi yang lebih halus dari rangkaian yang disesuaikan secara musiman, dan ini lebih pendek pada kedua ujungnya. Lembar kerja lain dalam file Excel yang sama menunjukkan penerapan model smoothing eksponensial linier ke data yang disesuaikan secara musiman, dimulai pada kolom G. Nilai untuk konstanta pemulusan (alpha) dimasukkan di atas kolom perkiraan (di sini, di sel H9) dan Untuk kenyamanan itu diberi nama kisaran quotAlpha. quot (Nama tersebut diberikan dengan menggunakan perintah quotInsertNameCreatequot.) Model LES diinisialisasi dengan menetapkan dua prakiraan pertama yang sama dengan nilai sebenarnya dari seri yang disesuaikan secara musiman. Rumus yang digunakan di sini untuk perkiraan LES adalah bentuk rekursif tunggal model Brown8217s: Formula ini dimasukkan ke dalam sel yang sesuai dengan periode ketiga (di sini, sel H15) dan disalin dari sana. Perhatikan bahwa perkiraan LES untuk periode saat ini mengacu pada dua observasi sebelumnya dan dua kesalahan perkiraan sebelumnya, serta nilai alpha. Dengan demikian, rumus peramalan pada baris 15 hanya mengacu pada data yang tersedia pada baris 14 dan sebelumnya. (Tentu saja, jika kita ingin menggunakan yang sederhana daripada pemulusan eksponensial linier, kita bisa mengganti formula SES di sini sebagai gantinya. Kita juga bisa menggunakan model LES Holt8217s daripada Brown8217s, yang memerlukan dua kolom rumus untuk menghitung tingkat dan tren. Yang digunakan dalam ramalan.) Kesalahan dihitung di kolom berikutnya (di sini, kolom J) dengan mengurangi perkiraan dari nilai sebenarnya. Kesalahan kuadrat rata-rata akar dihitung sebagai akar kuadrat dari varians kesalahan ditambah kuadrat mean. (Berikut ini dari identitas matematis: MSE VARIANCE (error) (RATA-RATA (kesalahan)) 2.) Dalam menghitung mean dan varians dari kesalahan dalam formula ini, dua periode pertama dikeluarkan karena model tidak benar-benar mulai meramalkan sampai Periode ketiga (baris 15 di spreadsheet). Nilai alfa yang optimal dapat ditemukan baik dengan mengubah alpha secara manual sampai RMSE minimum ditemukan, atau Anda dapat menggunakan quotSolverquot untuk melakukan minimisasi yang tepat. Nilai alfa yang ditemukan Solver ditunjukkan di sini (alpha0.471). Biasanya ide bagus untuk merencanakan kesalahan model (dalam unit yang diubah) dan juga untuk menghitung dan merencanakan autokorelasi mereka pada kelambatan hingga satu musim. Berikut adalah rangkaian rangkaian waktu dari kesalahan (yang disesuaikan secara musiman): Autokorelasi kesalahan dihitung dengan menggunakan fungsi CORREL () untuk menghitung korelasi kesalahan dengan sendirinya yang tertinggal oleh satu atau beberapa periode - rincian ditampilkan dalam model spreadsheet . Berikut adalah sebidang autocorrelations dari kesalahan pada lima kelambatan pertama: Autokorelasi pada lags 1 sampai 3 sangat mendekati nol, namun lonjakan pada lag 4 (yang nilainya 0,35) sedikit merepotkan - ini menunjukkan bahwa Proses penyesuaian musiman belum sepenuhnya berhasil. Namun, sebenarnya hanya sedikit signifikan. 95 pita signifikan untuk menguji apakah autokorelasi berbeda secara signifikan dari nol kira-kira plus-atau-minus 2SQRT (n-k), di mana n adalah ukuran sampel dan k adalah lag. Di sini n adalah 38 dan k bervariasi dari 1 sampai 5, jadi kuadrat-akar-of-n-minus-k adalah sekitar 6 untuk semua itu, dan karenanya batas untuk menguji signifikansi statistik penyimpangan dari nol kira-kira plus - Atau-minus 26, atau 0,33. Jika Anda memvariasikan nilai alfa dengan tangan dalam model Excel ini, Anda dapat mengamati pengaruhnya pada deret waktu dan plot autokorelasi dari kesalahan, serta pada kesalahan akar-mean-kuadrat, yang akan digambarkan di bawah ini. Di bagian bawah spreadsheet, rumus peramalan adalah quotbootstrappedquot ke masa depan dengan hanya mengganti perkiraan untuk nilai aktual pada titik di mana data aktual habis - yaitu. Dimana quotthe futurequot dimulai. (Dengan kata lain, di setiap sel di mana nilai data masa depan akan terjadi, referensi sel dimasukkan yang mengarah ke perkiraan yang dibuat untuk periode itu.) Semua rumus lainnya hanya disalin dari atas: Perhatikan bahwa kesalahan untuk perkiraan Masa depan semuanya dihitung menjadi nol. Ini tidak berarti kesalahan sebenarnya akan menjadi nol, namun ini hanya mencerminkan fakta bahwa untuk tujuan prediksi, kita mengasumsikan bahwa data masa depan akan sama dengan perkiraan rata-rata. Perkiraan LES yang dihasilkan untuk data penyesuaian musiman terlihat seperti ini: Dengan nilai alpha tertentu ini, yang optimal untuk prediksi satu periode di depan, tren yang diproyeksikan sedikit ke atas, yang mencerminkan tren lokal yang diamati selama 2 tahun terakhir. Atau lebih. Untuk nilai alpha lainnya, proyeksi tren yang sangat berbeda bisa didapat. Biasanya ide bagus untuk melihat apa yang terjadi pada proyeksi tren jangka panjang ketika alfa bervariasi, karena nilai yang terbaik untuk peramalan jangka pendek tidak akan menjadi nilai terbaik untuk memprediksi masa depan yang lebih jauh. Sebagai contoh, berikut ini adalah hasil yang diperoleh jika nilai alpha diatur secara manual menjadi 0,25: Tren jangka panjang yang diproyeksikan sekarang negatif daripada positif Dengan nilai alpha yang lebih kecil, model ini menempatkan bobot lebih pada data lama di Perkiraan tingkat dan tren saat ini, dan perkiraan jangka panjangnya mencerminkan tren penurunan yang diamati selama 5 tahun terakhir daripada tren kenaikan yang lebih baru. Bagan ini juga secara jelas mengilustrasikan bagaimana model dengan nilai alpha yang lebih kecil lebih lambat untuk merespons quotturning pointsquot dalam data dan oleh karena itu cenderung membuat kesalahan dari tanda yang sama untuk banyak periode berturut-turut. Kesalahan perkiraan 1 langkahnya lebih besar rata-rata dibandingkan yang diperoleh sebelumnya (RMSE 34,4 bukan 27,4) dan autokorelasi positif sangat positif. Autokorelasi lag-1 sebesar 0,56 sangat melebihi nilai 0,33 yang dihitung di atas untuk penyimpangan signifikan secara statistik dari nol. Sebagai alternatif untuk menurunkan nilai alpha dalam rangka memperkenalkan lebih banyak konservatisme ke dalam ramalan jangka panjang, faktor perendaman shortdown cenderung ditambahkan ke model untuk membuat tren yang diproyeksikan merata setelah beberapa periode. Langkah terakhir dalam membangun model peramalan adalah memperkirakan tingkat perkiraan LES dengan mengalikannya dengan indeks musiman yang sesuai. Dengan demikian, ramalan yang direvisi di kolom I hanyalah produk dari indeks musiman di kolom F dan perkiraan LES musiman yang disesuaikan di kolom H. Hal ini relatif mudah untuk menghitung interval kepercayaan untuk perkiraan satu langkah yang dibuat oleh model ini: pertama Menghitung RMSE (kesalahan akar-mean-kuadrat, yang merupakan akar kuadrat dari MSE) dan kemudian menghitung interval kepercayaan untuk ramalan musiman disesuaikan dengan menambahkan dan mengurangkan dua kali RMSE. (Secara umum interval kepercayaan 95 untuk perkiraan satu periode di depan kira-kira sama dengan perkiraan titik ditambah atau minus dua kali perkiraan deviasi standar dari kesalahan perkiraan, dengan asumsi distribusi kesalahan kira-kira normal dan ukuran sampel Cukup besar, katakanlah, 20 atau lebih. Berikut ini, RMSE daripada standar deviasi sampel dari kesalahan adalah perkiraan terbaik dari standar deviasi kesalahan perkiraan di masa depan karena diperlukan variasi yang bias dan juga variasi acak.) Batas kepercayaan Untuk perkiraan musiman disesuaikan kemudian reseasonalized. Bersama dengan perkiraan, dengan mengalikannya dengan indeks musiman yang sesuai. Dalam hal ini RMSE sama dengan 27,4 dan perkiraan penyesuaian musiman untuk periode depan pertama (Des-93) adalah 273,2. Sehingga interval kepercayaan 95 yang disesuaikan musiman adalah dari 273,2-227,4 218,4 sampai 273,2227,4 328,0. Mengalikan batas ini dengan indeks musiman Decembers sebesar 68,61. Kita memperoleh batas kepercayaan bawah dan atas 149,8 dan 225,0 sekitar perkiraan titik 93 Desember 187,4. Batas keyakinan untuk perkiraan lebih dari satu periode ke depan umumnya akan melebar seiring perkiraan horizon meningkat, karena ketidakpastian tentang tingkat dan kecenderungan serta faktor musiman, namun sulit untuk menghitungnya secara umum dengan metode analitik. (Cara yang tepat untuk menghitung batas kepercayaan untuk perkiraan LES adalah dengan menggunakan teori ARIMA, namun ketidakpastian dalam indeks musiman adalah masalah lain.) Jika Anda menginginkan interval kepercayaan yang realistis untuk perkiraan lebih dari satu periode di depan, mengambil semua sumber Dengan mempertimbangkan kesalahan, taruhan terbaik Anda adalah menggunakan metode empiris: misalnya, untuk mendapatkan interval kepercayaan untuk perkiraan 2 langkah di depan, Anda bisa membuat kolom lain di spreadsheet untuk menghitung perkiraan 2 langkah untuk setiap periode ( Dengan melakukan bootstrap perkiraan satu langkah di depan). Kemudian hitung RMSE dari perkiraan kesalahan 2 langkah di depan dan gunakan ini sebagai dasar untuk interval keyakinan 2 langkah. Statistik keuangan pemerintah - data kuartalan Data dari 23 Januari 2017. Metadata penyesuaian musiman diperbarui pada tanggal 23 Januari 2017. Data terbaru: Informasi Eurostat lebih lanjut, tabel utama dan database. Direncanakan update artikel: 25 April 2017. Dalam beberapa tahun terakhir, Eurostat telah secara signifikan memperluas jangkauan data kuartalan terpadu mengenai statistik keuangan pemerintah yang tersedia, memberikan gambaran yang cepat dan berkualitas mengenai evolusi keuangan pemerintah di Uni Eropa (UE) . Data yang disajikan dalam artikel ini mencerminkan transaksi non-keuangan dan keuangan (transaksi keuangan non finansial dan keuangan untuk umum) dan mencakup semua negara Uni Eropa (EU-28) serta Islandia, Norwegia dan Swiss. Artikel ini didasarkan pada data yang dikirimkan ke Eurostat pada akhir Desember 2016 dan selama bulan Januari 2017 dan mencakup cakupan data pada kuartal ketiga tahun 2016, dan mengikuti metodologi ESA 2010. Ini dilengkapi dengan data penyesuaian musiman non-finansial yang diperkirakan diberikan secara sukarela oleh negara-negara anggota EU dan EFTA National Statistical Institutes. Eurostat secara teratur menerbitkan data kuartalan penyesuaian musiman dan disesuaikan hari kerja mengenai defisit pendapatan, pengeluaran dan surplus pemerintah (-), saat ini untuk delapan belas negara anggota. Swiss dan agregat UE. Tabel 1: Pinjaman bersih triwulanan EA-19 dan EU-28 () pinjaman bersih (-), total pengeluaran dan pendapatan total sebagai persentase dari PDB, data musiman disesuaikan Sumber: Eurostat (gov10qggnfa). Data musiman disesuaikan: Eurostat dan Lembaga Statistik Nasional memperkirakan Tabel 2: Pinjaman bersih triwulanan () pinjaman bersih (-) sebagai persentase dari PDB, data musiman disesuaikan Sumber: Eurostat (gov10qggnfa). Data musiman yang disesuaikan: Perkiraan Statistik Statistik Nasional Tabel 3: Pinjaman bersih triwulanan () pinjaman bersih (-) menurut negara, data yang tidak disesuaikan musiman Sumber: Eurostat (gov10qggnfa) Gambar 1: Pinjaman bersih triwulanan EU-28 dan EA-19 Pinjaman bersih (-), 160 dari PDB, data musiman disesuaikan Sumber: Eurostat (gov10qggnfa) Gambar 2: EA-19 total pendapatan dan total pengeluaran, data disesuaikan musiman dan tidak disesuaikan, miliar euro Sumber: Eurostat (gov10qggnfa) Gambar 3: EA-19 total pendapatan dan total pengeluaran, data disesuaikan musiman dan tidak disesuaikan, 160 dari PDB Sumber: Eurostat (gov10qggnfa) Gambar 4: Pinjaman bersih EA-19 () pinjaman bersih (-), data penyesuaian musiman dan tidak disesuaikan, 160 dari PDB dan miliar euro Sumber: Eurostat (gov10qggnfa) Gambar 5: Komponen EU-28 dari total pendapatan pemerintah umum, miliar euro Sumber: Eurostat (gov10qggnfa) Gambar 6: Komponen EU-28 dari pengeluaran total pemerintah umum, miliar euro Sumber: Eurostat (gov10qggnfa) Gambar 7: EU-28 net fina Transaksi keuangan neto, transaksi aset dan kewajiban, miliar euro Sumber: Eurostat (gov10qggfa) Gambar 8: EA-19 transaksi keuangan bersih, transaksi aset dan kewajiban, miliar euro Sumber: Eurostat (gov10qggfa) Gambar 9: Nilai bersih nirlaba-28 , Persediaan aset dan kewajiban, miliar euro dan160 dari PDB Sumber: Eurostat (gov10qggfa) Gambar 10: nilai finansial bersih EA-19, persediaan aset dan kewajiban, miliar euro dan160 dari PDB Sumber: Eurostat (gov10qggfa) Gambar 11: EU - 28 saham aset berdasarkan instrumen keuangan, 160 dari PDB Sumber: Eurostat (gov10qggfa) Gambar 12: Persediaan aset EA-19 oleh instrumen keuangan, 160 dari PDB Sumber: Eurostat (gov10qggfa) Gambar 13: Stok kewajiban EU-28 oleh keuangan Instrumen, 160 dari PDB Sumber: Eurostat (gov10qggfa) Gambar 14: EA-19 stok kewajiban berdasarkan instrumen keuangan, 160 dari PDB Sumber: Eurostat (gov10qggfa) Gambar 15: Evolusi nilai finansial bersih menurut negara, 160 dari PDB Sumber: Eurostat (Gov10qggfa) Gambar 16: Genera Gambar 18: Perubahan hutang kotor pemerintah secara umum, persentase poin PDB, 2016Q3 dibandingkan tahun 2016Q2 Sumber: Eurostat (gov10qggdebt) Gambar 18: Perubahan hutang kotor pemerintah secara umum , Persentase poin PDB, 2016Q3 dibandingkan dengan 2015Q3 Sumber: Eurostat (gov10qggdebt) Gambar 19: EA-19 evolusi defisit pemerintah umum dan hutang, 2016Q3, persentase PDB Sumber: Eurostat (gov10qggdebt) Temuan statistik utama Pada kuartal ketiga tahun 2016 , Rasio defisit pemerintah yang disesuaikan musiman terhadap PDB mencapai 1.7160 di kawasan euro (EA-19), meningkat dibandingkan dengan 1,5160 dari PDB pada kuartal kedua 2016. Di Uni Eropa-28, rasio defisit terhadap PDB berada pada 1.9160, sedikit meningkat dibandingkan dengan 1,8160 pada triwulan sebelumnya. Akun non-keuangan triwulanan untuk pendapatan dan belanja pemerintah umum Baik total pendapatan dan pengeluaran menunjukkan musim yang cerah. Untuk menafsirkan tren untuk kuartal terakhir, data musiman disesuaikan disajikan di samping data mentah yang dikirimkan oleh Negara Anggota UE (lihat penjelasan di bawah). Pada kuartal ketiga tahun 2016, penyesuaian musiman total pendapatan pemerintah di wilayah euro sebesar 46,5160 dari PDB. Tidak berubah dibandingkan dengan kuartal kedua 2016. Total belanja pemerintah di wilayah euro berada pada 48,2160 dari PDB, meningkat dibandingkan dengan triwulan sebelumnya (48,1 dari PDB). Di UE-28, total pendapatan pemerintah adalah 45.1160 dari PDB pada kuartal ketiga tahun 2016, dibandingkan dengan 45.0160 pada kuartal kedua tahun 2016. Total pengeluaran pemerintah di UE-28 adalah 46,9160 dari PDB, dibandingkan dengan 46,8160 pada triwulan sebelumnya. . Dari kuartal keempat tahun 2010 dan seterusnya, tren penurunan tingkat rasio pengeluaran terhadap PDB terlihat, yang mencerminkan penurunan total total pengeluaran serta dampak dari pertumbuhan baru di UE dan wilayah euro (semua Disesuaikan secara musiman). Kemerosotan yang terlihat pada kuartal kedua dan keempat tahun 2012, disebabkan oleh serangkaian efek satu kali di beberapa Negara Anggota. Khususnya, pada kuartal keempat tahun 2012 dan pada kuartal kedua 2013, total belanja meningkat sedikit di kedua wilayah tersebut, dipengaruhi oleh intervensi untuk mendukung sektor perbankan di beberapa negara anggota, terutama di Spanyol pada kuartal keempat tahun 2012 dan di Yunani pada Kuartal kedua 2013. Mendukung sektor perbankan di beberapa Negara Anggota juga menjadi alasan utama kenaikan pada kuartal IV 2015. Pada kuartal pertama 2016, terutama karena efek satu kali di beberapa negara anggota, musiman. Belanja pemerintah yang disesuaikan meningkat secara signifikan. Defisit pemerintah secara umum Perbedaan antara pendapatan total pemerintah dan total pengeluaran diketahui dalam terminologi ESA2010 sebagai pinjaman bersih pemerintah () pinjaman bersih (-) (kategori ESA2010 B.9) dan biasanya disebut defisit pemerintah (atau surplus). Angka ini merupakan indikator penting dari keseluruhan situasi keuangan pemerintah. Hal ini biasanya dinyatakan sebagai persentase dari PDB. Pada kuartal ketiga tahun 2016, rasio defisit pemerintah yang disesuaikan secara musiman terhadap PDB mencapai 1.7160 di kawasan euro (EA-19), meningkat dibandingkan dengan 1,5160 pada kuartal kedua 2016. Di UE-28, defisit ke Rasio PDB mencapai 1.9160, juga sedikit meningkat dibandingkan dengan 1,8160 pada triwulan sebelumnya. Karena krisis ekonomi dan keuangan, yang dimulai pada tahun 2008, defisit pemerintah UE terus memburuk dan mencapai tingkat rekor -7.1160 dari PDB (disesuaikan secara musiman) pada kuartal ketiga 2010. Awal konsolidasi keuangan publik yang dapat Yang diamati dari kuartal keempat tahun 2010 dan seterusnya adalah karena pengurangan pengeluaran pemerintah tidak hanya dalam hal PDB, tetapi juga secara absolut dan juga pertumbuhan pendapatan absolut (angka absah musiman yang disesuaikan secara musiman), yang melampaui pertumbuhan PDB. Dari kuartal pertama tahun 2011 dan seterusnya, defisit pemerintah secara musiman disesuaikan disesuaikan tidak melebihi 5 dari PDB. Namun, dari kuartal ketiga tahun 2011 dan seterusnya, total pengeluaran pemerintah secara umum melanjutkan pertumbuhan bila diukur secara absolut. Dari kuartal keempat 2014 dan seterusnya, defisit pemerintah reguler yang disesuaikan musiman tetap di bawah 3 di kawasan euro dan Uni Eropa secara keseluruhan. Defisit pemerintah umum disesuaikan secara musiman Perlu dicatat bahwa data penyesuaian musiman yang disetahunkan secara tahunan tidak sama dengan data non-adjusted tahunan. Bila menggunakan angka tahunan, lebih tepat menggunakan data non-musiman yang disesuaikan. Dengan menggunakan data musiman disesuaikan sebaliknya lebih tepat bila melihat tingkat pertumbuhan triwulan-ke-triwulan. Bagi Belgia, defisit yang disesuaikan secara musiman meningkat pada kuartal ketiga tahun 2016, terutama karena kombinasi antara efek total pendapatan - sementara pajak modal pada tahun 2015 didorong oleh beberapa perubahan sementara, mereka menurun pada kuartal 2016 bersamaan dengan pajak atas pendapatan Dan kekayaan. Namun, kenaikan pendapatan diamati untuk pajak tidak langsung dan biaya (tol jalan tol). Defisit besar untuk Slovenia pada kuartal keempat tahun 2013 terutama disebabkan oleh suntikan modal untuk mendukung lembaga keuangan. Ini juga menjadi alasan defisit yang relatif besar pada kuartal pertama 2013 dan kuartal keempat 2014. Selain itu, ada efek satu kali pada kuartal ketiga dan keempat 2013 karena keputusan pengadilan. Berbeda dengan ini, kuartal III 2013 secara positif dipengaruhi oleh dividen dari Bank Sentral Nasional. Bagi Yunani, surplus pemerintah triwulanan (yang tidak disesuaikan secara musiman) pada tahun 2016Q3 secara positif dipengaruhi oleh kenaikan penerimaan pajak secara umum, namun juga dampak satu kali akibat batas waktu pembayaran awal untuk pajak atas properti. Pelunasan beberapa tunggakan pada 2016Q3 adalah netral terhadap defisit, karena pengeluaran telah terakumulasi sebelumnya. Pada 2015Q4, defisit sangat dipengaruhi oleh transfer modal ke perusahaan keuangan. Bagi Austria, defisit besar pada kuartal keempat tahun 2014 sebagian besar disebabkan oleh suntikan modal yang diperlakukan sebagai transfer modal untuk menerapkan struktur defisit HETA, sementara defisit yang relatif rendah pada kuartal keempat 2013 adalah karena lelang lisensi telepon seluler. . Defisit yang relatif besar pada kuartal ketiga 2015 juga karena suntikan modal diperlakukan sebagai transfer modal dalam konteks HETA. Penurunan defisit musiman disesuaikan pada kuartal ketiga 2016 untuk Finlandia adalah sebagian besar karena kenaikan pendapatan pajak. Bagi Inggris, defisit kuartal kedua dan ketiga tahun 2016 secara positif dipengaruhi oleh dividen dari bank sentral (Bank of England Asset Purchase Facility). Ini juga terjadi pada beberapa kuartal sejak kuartal pertama 2012. Untuk Malta, total pengeluaran pada kuartal pertama tahun 2015 dipengaruhi secara positif oleh transfer modal ke perusahaan publik. Hal ini secara negatif mempengaruhi defisit kuartal pertama 2015. Bagi Portugal, defisit besar pada kuartal keempat tahun 2015 dijelaskan oleh dukungan terhadap perusahaan keuangan. Bagi Islandia, surplus yang dilaporkan besar pada kuartal pertama 2016 adalah karena kontribusi stabilitas satu kali yang dibayarkan oleh bank-bank yang gagal. Pada Eurobase, penyesuaian musiman dan kalender disesuaikan dengan jumlah total pendapatan dan data pengeluaran total Negara-negara Anggota dan negara EFTA. Yang menyediakan data disesuaikan musiman dan kalender disesuaikan untuk total pendapatan, total pengeluaran dan pinjaman bersih () pinjaman bersih (-) selain data non-musiman disesuaikan, disajikan secara rinci. Data ini diberikan secara sukarela oleh National Statistical Institutes. Rekening keuangan triwulanan untuk pemerintah umum Transaksi keuangan - aset, kewajiban dan transaksi keuangan neto Rekening keuangan pemerintah terutama memungkinkan analisis bagaimana pemerintah membiayai defisit mereka atau menginvestasikan surplus mereka. Ini termasuk data transaksi keuangan (akuisisi aset keuangan dan liabilitas keuangan bersih) dan item neraca (persediaan aset dan kewajiban keuangan yang terhutang pada akhir triwulan) untuk pemerintah umum dan sub-sektornya. Variasi saham dijelaskan baik oleh transaksi dan oleh faktor lain seperti memegang keuntungan dan kerugian dan perubahan volume lainnya. Tujuan dari bagian ini adalah untuk menyajikan karakteristik utama dari akun keuangan pemerintah umum. Krisis ekonomi dan keuangan menyebabkan kenaikan fluktuasi kewajiban bersih dan akuisisi aset keuangan yang signifikan. Dari kuartal keempat tahun 2008 dan seterusnya, fluktuasi transaksi pada aset dan liabilitas meningkat tajam. Kesenjangan antara volume transaksi aset dan kewajiban telah melebar tajam, sehingga meningkatkan angka negatif dalam transaksi keuangan bersih (B.9f), yang ditafsirkan sebagai surplus defisit pemerintah yang berasal dari laporan keuangan. Kenaikan dan puncak transaksi aset keuangan dapat dijelaskan oleh pemerintah yang telah mengakuisisi aset untuk mendukung lembaga keuangan. Transaksi keuangan bersih terus memburuk dengan mantap dari kuartal kedua 2008 hingga kuartal ketiga 2009. Dari kuartal keempat tahun 2010 dan seterusnya penurunan terlihat. Neraca keuangan pemerintah Pada tingkat EU-28 dan EA-19, kenaikan yang signifikan dalam persediaan kewajiban telah diamati sejak kuartal ketiga tahun 2008, bersamaan dengan peningkatan aset yang kurang terasa. Kenaikan persediaan kewajiban terutama disebabkan oleh efek hutang, yang merupakan instrumen keuangan terpenting di sisi tanggung jawab pemerintah. Stok kewajiban pinjaman juga meningkat secara substansial. Sisa kewajiban keuangan terutama akun lainnya, harus dibayar. Saham aset keuangan terutama dimiliki oleh saham ekuitas dan dana investasi (misalnya perusahaan publik yang tidak diklasifikasikan dalam pemerintah biasa), dengan piutang lain-lain, mata uang dan deposito (ini menunjukkan musim yang kuat), pinjaman dan efek hutang juga merupakan hal penting. Bagian. Pinjaman meningkat secara substansial selama krisis keuangan. Perbedaan antara persediaan aset dan kewajiban keuangan adalah nilai wajar aset keuangan yang menyeimbangkan. Utang keuangan triwulanan untuk pemerintah umum Pada akhir kuartal ketiga tahun 2016, rasio utang terhadap PDB pemerintah di kawasan euro (EA-19) berada pada 90,1, dibandingkan dengan 91,2 pada akhir kuartal kedua 2016. Di sektor ini, EU-28, rasionya menurun dari 84,2 menjadi 83,3. Dibandingkan dengan kuartal ketiga 2015, rasio utang terhadap PDB pemerintah turun di wilayah euro (dari 91,5 sampai 90,1) dan EU-28 (dari 85,9 ke 83,3). Rasio utang pemerintah terhadap PDB tertinggi pada akhir kuartal ketiga tahun 2016 tercatat di Yunani (176,9), Portugal (133,4) dan Italia (132,7), dan terendah di Estonia (9,6), Luxembourg (21,5) dan Bulgaria (28,7). Dibandingkan dengan kuartal kedua 2016, enam negara anggota mencatat kenaikan rasio hutang terhadap PDB mereka pada akhir kuartal ketiga 2016 dan dua puluh dua penurunan. Rasio kenaikan tertinggi tercatat di Siprus (3,1 pp), Portugal (1,6 pp) dan Lithuania (1,1 pp). Penurunan terbesar tercatat di Yunani (-2,9 pp, terutama karena penebusan sekuritas jangka panjang), Italia (-2,8 pp) dan Austria (-2,3 pp). Dibandingkan dengan kuartal ketiga tahun 2015, sebelas negara anggota mendaftarkan peningkatan rasio hutang terhadap PDB mereka pada akhir kuartal ketiga 2016 dan tujuh belas penurunan. Rasio kenaikan tertinggi tercatat di Yunani (4,4 pp), Lithuania (3,1 pp), Portugal (2,9 pp) dan Bulgaria (2,1 pp), sedangkan penurunan terbesar tercatat di Irlandia (-8,5 pp, dipengaruhi oleh efek pada Penyebut, yaitu pertumbuhan PDB nominal yang kuat), Belanda (-4,3 pp) dan Hungaria (-3,2 pp). Penurunan hutang di Yunani pada kuartal pertama tahun 2015 terutama disebabkan oleh pelunasan pinjaman dari EFSF ke HFSF, yang merupakan dana yang tidak terpakai untuk rekapitalisasi lembaga keuangan Yunani serta pelunasan pinjaman yang diberikan oleh IMF. Kenaikan kuarter kedua 2016 dipengaruhi oleh penyaluran ESM. Evolusi defisit dan hutang Gambar 18 menunjukkan beberapa hubungan terpenting antara defisit triwulanan dan hutang triwulanan untuk kawasan euro. Sementara pada umumnya, utang kotor pemerintah akan meningkat dengan adanya defisit pemerintah, hal ini belum tentu terjadi dalam jangka pendek. Bisa dilihat, bahwa co-movement akuisisi aset finansial yang kuat ada dengan evolusi hutang kuartalan. Pemberian kewajiban tidak dalam utang pemerintah triwulanan (terutama akun lainnya, harus dibayar) memainkan peran yang lebih kecil. Sumber data dan ketersediaan Laporan triwulanan pemerintah umum Eurostat merilis data kuartalan dan data kuartalan untuk sektor pemerintah secara umum, dengan menggunakan struktur terpadu yang menggabungkan data dari akun non-keuangan triwulanan untuk pemerintah umum (QNFAGG), akun keuangan triwulanan untuk pemerintah umum ( QFAGG) dan hutang pemerintah triwulanan (QGD). Publikasi terpadu yang menggabungkan data dari ketiga tabel tersebut diluncurkan setiap tiga bulan di bagian Statistik Keuangan Pemerintah (GFS) yang berdedikasi di situs web Eurostat dan halaman Statistik yang Dijelaskan Terpadu Presentasi statistik keuangan pemerintah yang lengkap. Data ditransmisikan sesuai program transmisi ESA2010 untuk QFAGG dan QDEBT. Data QNFAGG ditransmisikan dengan persetujuan gentlemens. Eurostat menerbitkan angka keuangan pemerintah triwulanan berdasarkan metodologi Sistem Eropa untuk 2010 (ESA 2010). Data dalam Rilis ini mencakup revisi karena penerapan ESA2010 dan penggabungan penyesuaian statistik lainnya. Perubahan metodologis dalam ESA2010 mencakup perlakuan terhadap aset skema pensiun yang ditransfer ke pemerintah umum sebagai kompensasi parsial untuk mengambil alih kewajiban pensiun. Sementara pengalihan aset telah diperlakukan sebagai transaksi non finansial di bawah ESA95, di bawah ESA2010, transfer lump sum dari perusahaan (publik) diperlakukan sebagai keuangan, dan tidak berdampak pada pinjaman bersih pemerintah () pinjaman bersih (-). Selanjutnya, selisih antara nilai aset yang diterima pemerintah dan nilai kewajiban pensiun harus diperlakukan sebagai transfer modal dari pemerintah ke perusahaan yang bersangkutan. Untuk informasi lebih lanjut, silakan lihat keputusan Eurostat mengenai masalah ini: di sini. Ini berdampak besar pada data kuartalan negara-negara yang bersangkutan. Statistik QNFAGG dan QFAGG dan QDEBT mencakup data untuk pemerintah umum sebagaimana didefinisikan dalam ESA2010, paragraf 2.111. Penyesuaian musiman dari rangkaian data terpilih Statistik keuangan pemerintah triwulanan dilaporkan ke Eurostat dalam bentuk angka yang tidak disesuaikan musiman (mentah). Namun, sejumlah seri yang dilaporkan mengandung pola musiman (dijelaskan oleh hubungan dengan musiman kegiatan ekonomi dan oleh perencanaan anggaran dan praktik akuntansi pemerintah nasional), yang membuat sulit untuk melakukan lintas negara yang berarti dan bermakna Analisis deret waktu menggunakan data yang tidak disesuaikan. Hal yang sama berlaku untuk PDB, yang mencerminkan pola musiman semua aktivitas ekonomi dalam perekonomian. Untuk mengatasi kesulitan ini dan dengan demikian untuk mendapatkan pemahaman yang lebih baik tentang tren selain data non-musiman disesuaikan, data musiman disesuaikan disajikan untuk EU-28 dan EA-19 dalam artikel ini. Penyesuaian musiman bertujuan untuk menghilangkan musiman yang terkait dengan data kuartalan ini. Perlu dicatat bahwa data penyesuaian musiman yang disetahunkan secara tahunan tidak sama dengan data non-adjusted tahunan. Bila menggunakan angka tahunan, lebih tepat menggunakan data non-musiman yang disesuaikan. Menggunakan data musiman disesuaikan lebih tepat saat melihat tingkat pertumbuhan triwulan-ke-triwulan. Penyesuaian musiman untuk total pendapatan dan total pengeluaran dilakukan dengan menggunakan prosedur tidak langsung (di tingkat negara) dengan menggunakan Tramo-Seats on Demetra). Jika tersedia, estimasi Lembaga Statistik Nasional sendiri digunakan sebagai masukan untuk kelompok agregat, yang dipasok ke Eurostat berdasarkan kesepakatan dengan gentlemens. Beberapa perkiraan tingkat negara serta data untuk agregat UE dipublikasikan di Eurobase. Perkiraan ini ditambah perkiraan Eurostats sendiri untuk negara-negara tersebut, yang belum memberikan perkiraan mereka sendiri. Data ini diberi label rahasia dan tidak dipublikasikan. Pinjaman bersih () pinjaman bersih (-) berasal secara tidak langsung dari identitas akuntansi: Pinjaman bersih () pinjaman bersih (-) jumlah pendapatan - total pengeluaran. Untuk negara-negara berikut, perkiraan diproduksi oleh masing-masing National Statistical Institute, yang mengikuti panduan ESS mengenai penyesuaian musiman: agregat UE: Diperkirakan secara tidak langsung di Eurostat berdasarkan data Negara-negara Anggota sejauh ini diberikan secara nasional dan dilengkapi oleh Estimasi Eurostats sendiri, dimana tidak ada data yang dipasok secara nasional. Tramo-Kursi yang berjalan di Demetra digunakan dalam semua kasus. Data triwulanan Kroasia tersedia mulai kuartal pertama 2012. Untuk negara-negara berikut, perkiraan tersebut dihasilkan oleh masing-masing National Statistical Institute, yang mengikuti panduan ESS mengenai penyesuaian musiman: Untuk negara-negara berikut, perkiraan tersebut dihasilkan oleh masing-masing negara. National Statistical Institute, yang mengikuti panduan ESS tentang penyesuaian musiman: Belgia: Seri yang disesuaikan secara musiman dihitung mengikuti pendekatan tidak langsung. Komponen pendapatan dan pengeluaran Pemerintah Umum disesuaikan secara musiman dengan menggunakan Tramo-Seats, dengan mempertimbangkan adanya kemungkinan efek outlier dan kalender. Model masing-masing komponen (gt20) telah divalidasi secara individual (tidak ada pemodelan otomatis). Tidak adanya musim sisa setelah agregasi telah diperiksa. Data tersebut mengacu pada total tahunan rangkaian non-adjusted. Pembandingan tahunan dihitung pada masing-masing komponen dengan menggunakan prosedur Denton multiplikasi. Bulgaria: Tramo-Kursi di Demetra. Total pengeluaran: tidak ada efek hari perdagangan, tidak ada efek Paskah, transformasi log, model ARIMA (2,1,0) (0,1,1), outlier: AOIV-2007, TCIV-2008, AO2009-I. Total pendapatan: log-transformation, tidak ada efek hari perdagangan, tidak ada efek Paskah, model ARIMA (0,1,1) (0,1,1), outlier: LS2007-I. Republik Ceko: Tramo-Kursi di Demetra. Total pengeluaran: Tidak ada efek perdagangan hari, tidak ada efek Paskah, model ARIMA (0,1,1) (0,1,1), outlier: AO2003-I, AO2003-III, AO2012-IV, TC2001-IV. Total pendapatan: Tidak ada efek hari perdagangan, tidak ada efek Paskah, model ARIMA (1,1,0) (0,1,1), outlier: AO2003-I, TC2007-III, AO2008-III. Denmark: X12-ARIMA. Total pengeluaran: Log-transformasi, tidak ada efek hari perdagangan, tidak ada efek Paskah, model ARIMA (1,1,0) (1,0,0), outlier: AO2005-IV, TC2011-I. Total pendapatan: Log-transformasi, efek perdagangan hari, tidak ada efek Paskah, model ARIMA (0,1,0) (0,1,1), outlier: TC2009-II, AO2008-II, TC2009-II, LS2015-I, 2004-saya. Jerman: X-12-ARIMA. Total pengeluaran: Log-transformasi, tidak ada efek perdagangan hari, model ARIMA (0,1,1) (0,1,1), outlier AO 1995-I, 1995-III, 2000-III, 2010-III. Total pendapatan: Log-transformasi, tidak ada efek hari perdagangan, model ARIMA (0,1,0) (0,1,1), tidak ada outlier. Estonia: Tramo-Kursi di Demetra. Total pengeluaran: Log-transformasi, tidak ada efek hari perdagangan, tidak ada efek Paskah, model ARIMA (0,1,0) (0,1,0), LS2011-IV Total pendapatan: Log-transformasi, tidak ada efek hari perdagangan, tidak ada Paskah Efek, model ARIMA (0,1,1) (0,1,1). Prancis: Data yang disesuaikan secara musiman ditransmisikan. Penyesuaian hari kerja juga dilakukan bila relevan. Metode tidak langsung digunakan. Penyesuaian musiman dilakukan dengan menggunakan X-12-ARIMA. Untuk informasi lebih lanjut, Anda dapat membaca metodologi INSEE (mulai dari halaman 21) di link berikut (dokumen tersedia dalam bahasa Inggris dan Perancis): insee. frenindicateurscnattrimPubMethenInsee20MC3A9thodes20nC2B0126.pdf. Latvia: Tramo-Kursi di JDemetra. Total pengeluaran: Log-transformasi, model ARIMA (0,1,1) (0,1,1), outlier: LS2006-IV, LS2009-III. Total pendapatan: Log-transformasi, model ARIMA (0,1,0) (0,1,1), outlier AO2006-IV. Malta: Kursi Tramo di Demetra, Total pengeluaran: tidak ada efek hari perdagangan, tidak ada efek Paskah, model ARIMA (0,0,0) (0,1,1), 1 outlier terdeteksi: AO2003-IV. Total pendapatan: tidak ada efek hari perdagangan, tidak ada efek Paskah, model ARIMA (0,1,1) (0,1,0), No outliers ditemukan. Austria: Tramo-Kursi di Demetra. Total pengeluaran: transformasi log, tidak ada efek perdagangan hari, tidak ada efek Paskah, model ARIMA (0,1,1) (0,1,1), outlier AO2009-IV, perlakuan awal khusus: 2004-II, 2004-IV , 2013-IV, 2014-IV, 2015-III. Total pendapatan: Log-transformasi, tidak ada efek hari perdagangan, tidak ada efek Paskah, model ARIMA (0,1,1) (0,1,1), outlier: LS2009-II. Polandia: Tramo-Kursi di JDemetra. Metode langsung yang digunakan. Penyesuaian serentak untuk Q1 setiap tahun, penyesuaian Q2, Q3, Q4 saat ini (model direvisi setahun sekali). Penyesuaian efek kalender yang digunakan. Hari kerja dengan efek tahun kabisat (2 regressor) dan efek Paskah diuji untuk setiap seri - hanya efek signifikan yang digunakan dalam spesifikasi akhir. Identifikasi otomatis model ARIMA. Total pengeluaran: Transformasi P.2-log tidak ada efek kalender, model ARIMA (0,0,0) (1,1,0) Transformasi P.5L - log tidak ada efek kalender, model ARIMA (1,1,0) (0 , 1,1), outlier: LSQ1-2001 AOQ1-2016 D.1 - log transformasi tidak ada efek kalender, model ARIMA (0,1,1) (0,1,1) transformasi D.6M - log tidak ada efek kalender, Model ARIMA (0,1,1) (0,1,1), outlier: AO (Q4-2007) LS (Q4-2004) TC (Q3-2000) Transformasi D.4 log tidak ada efek kalender, model ARIMA ( 0,0 0,0) (0,1,1), outlier: LS (Q3-2013) P.29D.3 - transformasi log tidak ada efek kalender, model ARIMA (0,1,1) (0,0,1) , Outlier: TC (Q1-2004). Total pendapatan: Transformasi D.2 - log tidak ada efek kalender, model ARIMA (0,1,1) (0,1,1), outlier: AO (Q2-2004), TC (Q1-2009) D.4 no - Transformasi log tidak ada efek kalender, model ARIMA (0,0,0) (0,1,1), outlier: TC (Q3-2007), TC (Q2-2012) Transformasi D.5 - log tidak ada efek kalender, model ARIMA (1,0,0) (0,1,0) Transformasi D.61 - log tidak ada efek kalender, model ARIMA (0,1,0) (0,1,1), outlier: TC (Q4-2008), AO (Q4-2007), AO (Q3-2011) P.1D.7 tidak musiman. Portugal: X13-ARIMA di Demetra. Pra-perawatan manual dilakukan dengan mengidentifikasi dan mengurangi tindakan satu kali. Pre-treatment tambahan diterapkan untuk deteksi dan koreksi outlier. Penyesuaian musiman diterapkan pada total pendapatan, pengeluaran kecuali kompensasi karyawan dan kompensasi karyawan. Total pendapatan: Log-transformasi, tidak ada efek hari perdagangan tidak ada efek Paskah model ARIMA (0,1,1) (0,1,1) outlier: AO2003-IV, AO2009-II, SO III 1999 2008 (variabel yang ditentukan pengguna). Total pengeluaran (kecuali kompensasi karyawan): Log-transformasi, tidak ada efek perdagangan hari efek efek Paskah tidak ada model ARIMA (1,0,1) (0,1,0) outlier: AO (IV-2002), LS (II-2012 ) Kompensasi karyawan: Log-transformasi, tidak ada efek perdagangan hari tidak ada efek Paskah model ARIMA (1,1,0) (0,1,1) outlier: TC (III-2005), LS (I-2011), LS ( I-2012), TC (I-2013), AO (III-2014), SO II 2012 2013 (variabel yang ditentukan pengguna), SO IV 2012 2016 (variabel yang ditentukan pengguna). Slovenia: Tramo-Kursi di JDemetra. Model untuk total pendapatan: Transformasi log, tidak ada efek hari perdagangan, tidak ada efek Paskah, outlier yang ditentukan sebelumnya: LS 2009-I, AO 2012-I, model ARIMA (0,1,1) (0,1,1). Model untuk total pengeluaran: Log transformasi, tidak ada efek hari perdagangan, tidak ada efek Paskah, outlier yang telah ditentukan sebelumnya: AO 2013-IV, AO 2013-I, TC 2011-I, AO 2014-IV, model ARIMA (0,1,1 ) (0,1,1). Slovakia: Tramo-Kursi di JDemetra. Total pengeluaran: Log-transformasi, tidak ada efek hari perdagangan, tidak ada efek Paskah, model ARIMA (0,1,1) (0,1,1), outlier: LS2000-IV, AO2015-IV, AO2002-IV. Total pendapatan: Log-transformasi, tidak ada efek hari perdagangan, tidak ada efek Paskah, model ARIMA (0,1,1) (0,1,1), outlier: LS2001-III, AO2015-IV. Finlandia: Tramo-Kursi di Demetra 2.2. Pre-treatment dilakukan jika perlu, misalnya untuk deteksi dan koreksi outlier. Total pendapatan dan pengeluaran diperkirakan secara tidak langsung berdasarkan komponennya dan data subsektor. Swedia: Tramo-Kursi di Demetra. Total pengeluaran: tidak ada efek hari perdagangan, tidak ada efek Paskah, model ARIMA (0,1,2) (0,1,1), outlier AO2010-IV. Total pendapatan: Log-transformasi, tidak ada efek hari perdagangan, tidak ada efek Paskah, model ARIMA (0,1,0) (0,1,1), AO2014-IV. Inggris: Penyesuaian menggunakan algoritma X-11 di X-13ARIMA-SEATS. Pinjaman bersih: transformasi log, tidak ada efek perdagangan hari, tidak ada efek Paskah, model ARIMA (0,1,1) (0,1,1), outlier: AO2008Q3, AO2012-II, moving average musiman: 3x3, trend moving average: 5. Total pengeluaran: Tidak ada efek hari perdagangan, tidak ada efek Paskah, multiplikatif, model ARIMA (0,1,1) (0,1,1), outlier: AO2008Q3, rata-rata pergerakan musiman: 3x5, trend moving average: 5. Total Pendapatan: tidak ada efek hari perdagangan, tidak ada efek Paskah, aditif, model ARIMA (0,1,1) (0,1,1), outlier: LS2009Q1, AO2012Q2, moving average musiman: 3x5, trend moving average: 5. Untuk Tujuan perhitungan agregat UE, B.9 diturunkan secara tidak langsung. Data penyesuaian musiman musiman disesuaikan dengan data non-penyesuaian tahunan. Swiss: Data yang dilaporkan adalah data trend-cycle. Metode Denton-Cholette digunakan untuk memisahkan data tahunan sementara. Data kuartalan diekstrapolasikan dengan menggunakan indikator merapikan. Silakan lihat catatan negara tentang EMIS untuk informasi lebih penting di tingkat negara. Produk domestik bruto Selama publikasi ini, produk domestik bruto (PDB) dengan harga berlaku (nominal) digunakan, baik menggunakan penyesuaian musiman maupun penyesuaian musiman dan hari kerja yang sesuai. Informasi Eurostat lebih lanjut Publikasi Tabel utama Statistik pemerintah (tgov). Lihat: Statistik keuangan pemerintah tahunan (tgov10a) Defisit dan hutang pemerintah (tgov10dd) Statistik keuangan pemerintah triwulanan (tgov10q) Statistik pemerintah (gov). Lihat: Statistik keuangan pemerintah tahunan (gov10a) Defisit dan hutang pemerintah (gov10dd) Statistik keuangan pemerintah triwulanan (gov10q) Bagian khusus Metodologi Informasi lanjutan Pranala luar Langkah untuk memilih model peramalan Model peramalan Anda harus mencakup fitur yang menangkap semua sifat kualitatif penting dari Data: pola variasi tingkat dan kecenderungan, efek inflasi dan musiman, korelasi antar variabel, dan lain-lain. Asumsi yang mendasari model pilihan Anda harus sesuai dengan intuisi Anda tentang bagaimana rangkaian ini cenderung berperilaku di masa depan. Saat memasang model peramalan, Anda memiliki beberapa pilihan berikut: Pilihan ini dijelaskan secara singkat di bawah ini. Lihat Bagan Peramalan Peramalan untuk tampilan bergambar dari model-spesifikasi proses, dan lihat kembali ke panel Spesifikasi Model Statgrafik untuk melihat bagaimana fitur model dipilih dalam perangkat lunak. Deflasi Jika seri menunjukkan pertumbuhan inflasi, maka deflasi akan membantu memperhitungkan pola pertumbuhan dan mengurangi heteroskedastisitas pada residu. Anda dapat (i) mengempiskan data masa lalu dan menyesuaikan kembali perkiraan jangka panjang pada tingkat asumsi konstan, atau (ii) mengempiskan data masa lalu dengan indeks harga seperti CPI, dan kemudian secara otomatis menentukan kembali perkiraan jangka panjang yang menggunakan Perkiraan indeks harga. Opsi (i) adalah yang termudah. Di Excel, Anda bisa membuat kolom formula untuk membagi nilai asli dengan faktor yang sesuai. Misalnya, jika datanya bulanan dan Anda ingin mengempis dengan kecepatan 5 per 12 bulan, Anda akan membagi dengan faktor (1,05) (k12) di mana k adalah indeks baris (nomor pengamatan). RegressIt dan Statigrafi memiliki alat built-in yang melakukan ini secara otomatis untuk Anda. Jika Anda pergi ke rute ini, biasanya lebih baik menetapkan tingkat inflasi yang diasumsikan sama dengan perkiraan terbaik tarif saat ini, terutama jika Anda akan meramalkan lebih dari satu periode di depan. Jika Anda memilih opsi (ii), pertama Anda harus menyimpan perkiraan dan batasan kepercayaan yang kempos ke spreadsheet data Anda, kemudian menghasilkan dan menyimpan perkiraan indeks harga, dan akhirnya memperbanyak kolom yang sesuai. (Kembali ke atas halaman.) Transformasi logaritma Jika rangkaian menunjukkan pertumbuhan majemuk dan atau pola musiman multiplikatif, transformasi logaritma dapat membantu selain atau pengganti deflasi. Logging data tidak akan meratakan pola pertumbuhan inflasi, namun akan meluruskannya sehingga dapat dipasang oleh model linier (misalnya model berjalan acak atau ARIMA dengan pertumbuhan konstan, atau model pemulusan eksponensial linier). Selain itu, penebangan akan mengubah pola musiman multiplikatif menjadi pola aditif, sehingga jika Anda melakukan penyesuaian musiman setelah melakukan penebangan, Anda harus menggunakan jenis aditif. Logging berkaitan dengan inflasi secara implisit jika Anda ingin inflasi dimodelkan secara eksplisit - yaitu. Jika Anda ingin tingkat inflasi menjadi parameter yang terlihat dari model atau jika Anda ingin melihat plot data yang kempes - maka Anda harus mengempis daripada log. Penggunaan penting lain untuk transformasi log adalah hubungan linier antara variabel dalam mode regresi l. Misalnya, jika variabel dependen adalah fungsi multiplikatif daripada aditif dari variabel independen, atau jika hubungan antara variabel dependen dan independen linier dalam hal perubahan persentase daripada perubahan absolut, maka penerapan transformasi log ke satu atau lebih variabel Mungkin tepat, seperti pada contoh penjualan bir. (Penyesuaian musiman Jika rangkaian memiliki pola musiman yang kuat yang diyakini konstan dari tahun ke tahun, penyesuaian musiman mungkin merupakan cara yang tepat untuk memperkirakan dan memperkirakan pola. Keuntungan penyesuaian musiman adalah model pola musiman secara eksplisit, memberi Anda pilihan untuk mempelajari indeks musiman dan data musiman yang disesuaikan. Kerugiannya adalah bahwa hal itu memerlukan estimasi sejumlah besar parameter tambahan (terutama untuk data bulanan), dan tidak memberikan dasar teoritis untuk perhitungan interval kepercayaan quotcorrectquot confidence. Validasi out-of-sample sangat penting untuk mengurangi risiko over-pas data masa lalu melalui penyesuaian musiman. Jika datanya sangat musiman namun Anda tidak memilih penyesuaian musiman, alternatifnya adalah untuk (i) menggunakan model ARIMA musiman. Yang secara implisit memperkirakan pola musiman menggunakan kelambanan musiman dan perbedaan, atau (ii) menggunakan model pemulusan eksponensial musiman Winters, yang memperkirakan indeks musiman bervariasi waktu. (Return to top of page.) QuotIndependentquot variables Jika ada deret waktu lain yang Anda yakini memiliki kekuatan penjelasan sehubungan dengan rangkaian minat Anda (misalnya indikator ekonomi atau variabel kebijakan terkemuka seperti harga, iklan, promosi, dll.) Anda Mungkin ingin mempertimbangkan regresi sebagai tipe model Anda. Apakah Anda memilih regresi atau tidak, Anda masih perlu mempertimbangkan kemungkinan yang disebutkan di atas untuk mengubah variabel Anda (deflasi, log, penyesuaian musiman - dan mungkin juga differencing) sehingga dapat memanfaatkan dimensi waktu dan membuat hubungan dengan mereka. Bahkan jika Anda tidak memilih regresi pada saat ini, Anda mungkin ingin mempertimbangkan untuk menambahkan regresor ke model time-series (misalnya model ARIMA) jika residu ternyata memiliki korelasi silang signficant dengan variabel lainnya. (Kembali ke atas halaman.) Jalan Smoothing, rata-rata, atau acak Jika Anda telah memilih menyesuaikan data secara musiman - atau jika datanya tidak musiman untuk dimulai - maka Anda mungkin ingin menggunakan model rata-rata atau merapikan Sesuai dengan pola nonseasonal yang tetap ada dalam data pada saat ini. Rata-rata pemindaian sederhana atau model pemulusan eksponensial sederhana hanya menghitung data rata-rata lokal pada akhir rangkaian, dengan asumsi bahwa ini adalah perkiraan terbaik dari nilai rata-rata saat ini dimana data berfluktuasi. (Model-model ini berasumsi bahwa rata-rata seri bervariasi secara perlahan dan acak tanpa tren yang terus-menerus.) Pemulusan eksponensial sederhana biasanya lebih disukai daripada rata-rata bergerak sederhana, karena rata-rata tertimbang eksponensialnya melakukan pekerjaan yang lebih masuk akal untuk mengurangi data yang lebih tua, karena Parameter smoothing (alpha) bersifat kontinu dan dapat segera dioptimalkan, dan karena memiliki dasar teoritis yang mendasari untuk menghitung interval kepercayaan. Jika merapikan atau rata-rata tampaknya tidak membantu - yaitu. Jika prediktor terbaik dari nilai berikutnya dari rangkaian waktu hanyalah nilai sebelumnya - maka model jalan acak ditunjukkan. Ini adalah kasusnya, misalnya, jika jumlah istilah optimal dalam rata-rata bergerak sederhana ternyata 1, atau jika nilai optimal alfa dalam perataan eksponensial sederhana ternyata adalah 0,9999. Pemulusan eksponensial linier Brown dapat digunakan untuk menyesuaikan rangkaian dengan tren linier yang bervariasi secara perlahan, namun berhati-hatilah untuk mengekstrapolasi tren semacam itu jauh ke masa depan. (Perputaran kepercayaan yang meluas dengan cepat untuk model ini memberi kesaksian akan ketidakpastian tentang masa depan yang jauh.) Holts smoothing linier juga memperkirakan tren yang bervariasi, namun menggunakan parameter terpisah untuk merapikan tingkat dan kecenderungan, yang biasanya memberikan kecocokan yang lebih baik pada data. Dari model Brown8217s. Q uadratic eksponensial smoothing mencoba untuk memperkirakan tren kuadrat bervariasi waktu, dan hampir tidak akan pernah digunakan. (Hal ini sesuai dengan model ARIMA dengan tiga urutan perbedaan nonseasonal.) Pemulusan eksponensial linier dengan tren yang teredam (yaitu tren yang merata di cakrawala jauh) sering direkomendasikan dalam situasi di mana masa depan sangat tidak pasti. Berbagai model pemulusan eksponensial adalah kasus khusus model ARIMA (dijelaskan di bawah) dan dapat dilengkapi dengan perangkat lunak ARIMA. Secara khusus, model smoothing eksponensial sederhana adalah model ARIMA (0,1,1), model pemulusan linier Holt8217 adalah model ARIMA (0,2,2), dan model tren teredam adalah ARIMA (1,1,2 ) model. Ringkasan yang baik dari persamaan berbagai model pemulusan eksponensial dapat ditemukan di halaman ini di situs web SAS. (Menu SAS untuk menentukan model rangkaian waktu juga ditunjukkan di sana. Mereka serupa dengan yang ada di Stategafika.) Model garis tren linier, kuadrat, atau eksponensial adalah opsi lain untuk mengekstrapolasi rangkaian deseasonalized, namun jarang mengungguli berjalan acak, merapikan, atau Model ARIMA pada data bisnis. (Musim kemarau ekspedisi eksponensial musiman adalah perpanjangan dari pemulusan eksponensial yang secara simultan memperkirakan tingkat variasi, tren, dan faktor musiman yang berbeda dengan menggunakan persamaan rekursif. (Jadi, jika Anda menggunakan model ini, Anda tidak akan menyesuaikan data secara musiman.) Faktor musiman Winters dapat berupa perkalian atau aditif: biasanya Anda harus memilih opsi perkalian kecuali Anda telah mencatat data. Meskipun model Winters pandai dan cukup intuitif, namun praktis menerapkannya: memiliki tiga parameter pemulusan - alfa, beta, dan gamma - untuk meratakan tingkat, tren, dan faktor musiman secara terpisah, yang harus diperkirakan serentak. Penentuan nilai awal untuk indeks musiman dapat dilakukan dengan menerapkan metode rata-rata rasio ke rata-rata penyesuaian musiman ke sebagian atau seluruh rangkaian dan atau dengan backforecasting. Algoritma estimasi yang digunakan Statgraphics untuk parameter ini terkadang gagal untuk menyatukan dan menghasilkan nilai yang memberi perkiraan dan interval kepercayaan yang aneh, jadi saya akan merekomendasikan kehati-hatian saat menggunakan model ini. (Kembali ke atas halaman.) ARIMA Jika Anda tidak memilih penyesuaian musiman (atau jika datanya tidak musiman), Anda mungkin ingin menggunakan kerangka model ARIMA. Model ARIMA adalah kelas model yang sangat umum yang mencakup jalan acak, tren acak, pemulusan eksponensial, dan model autoregresif sebagai kasus khusus. Kebijaksanaan konvensional adalah bahwa seri adalah kandidat yang baik untuk model ARIMA jika (i) dapat dipetakan dengan kombinasi antara differencing dan transformasi matematis lainnya seperti penebangan kayu, dan (ii) Anda memiliki sejumlah data yang cukup untuk bekerja dengan : Setidaknya 4 musim penuh dalam kasus data musiman. (Jika rangkaian tidak dapat dipetakan secara stasionerisasi dengan cara membedakan - misalnya jika sangat tidak beraturan atau tampaknya mengubah perilaku secara kualitatif dari waktu ke waktu - atau jika Anda memiliki data kurang dari 4 musim, mungkin Anda lebih baik dengan model Yang menggunakan penyesuaian musiman dan beberapa jenis rata-rata atau penghalusan sederhana.) Model ARIMA memiliki konvensi penamaan khusus yang diperkenalkan oleh Box and Jenkins. Model ARIMA nonseasonal diklasifikasikan sebagai model ARIMA (p, d, q), di mana d adalah jumlah perbedaan nonseasonal, p adalah jumlah istilah autoregresif (lag dari seri yang berbeda), dan q adalah jumlah moving - Istilah rata-rata (kelambatan dari kesalahan perkiraan) dalam persamaan prediksi. Model ARIMA musiman diklasifikasikan sebagai ARIMA (p, d, q) x (P, D, Q). Dimana D, P, dan Q adalah, masing-masing, jumlah perbedaan musiman, istilah autoregresif musiman (lags dari seri yang berbeda pada kelipatan periode musiman), dan rata-rata musiman moving average (lag dari kesalahan perkiraan pada kelipatan musiman periode). Langkah pertama dalam pemasangan model ARIMA adalah menentukan urutan differensiasi yang sesuai yang diperlukan untuk membuat stasioner seri dan menghapus fitur kotor musiman. Ini setara dengan menentukan model jalan acak-acak atau acak-acak mana yang memberikan titik awal terbaik. Jangan mencoba menggunakan lebih dari 2 total pesanan differencing (kombinasi non musiman dan musiman), dan jangan gunakan lebih dari 1 perbedaan musiman. Langkah kedua adalah menentukan apakah memasukkan istilah konstan dalam model: biasanya Anda menyertakan istilah konstan jika urutan total differensi adalah 1 atau kurang, jika tidak, Anda tidak. Dalam model dengan satu urutan differencing, istilah konstan mewakili tren rata-rata pada prakiraan. Dalam model dengan dua urutan differencing, tren dalam prakiraan ditentukan oleh tren lokal yang diamati pada akhir deret waktu, dan istilah konstan mewakili tren tren, yaitu kelengkungan jangka panjang, Perkiraan jangka panjang Biasanya berbahaya untuk melakukan ekstrapolasi tren-tren, jadi Anda menekan istilah contant dalam kasus ini. Langkah ketiga adalah memilih jumlah parameter rata-rata autoregresif dan moving average (p, d, q, P, D, Q) yang diperlukan untuk menghilangkan autokorelasi yang tertinggal dalam residual dari model naif (yaitu korelasi yang tersisa setelah Hanya differencing). Angka-angka ini menentukan jumlah lag dari deret yang berbeda dan atau lag dari kesalahan perkiraan yang termasuk dalam persamaan peramalan. Jika tidak ada autokorelasi yang signifikan pada residu pada saat ini, maka STOP, yang telah Anda lakukan: model terbaik adalah model naif Jika ada autokorelasi yang signifikan pada kelambatan 1 atau 2, Anda harus mencoba menyetel q1 jika salah satu dari hal berikut berlaku: I) ada perbedaan non musiman dalam model, (ii) autokorelasi lag 1 negatif. Andor (iii) plot otokorelasi residu tampak lebih bersih (lonjakan lebih sedikit dan lebih terisolasi) daripada plot otokorelasi parsial parsial. Jika tidak ada perbedaan musiman pada model dan jika autokorelasi lag 1 positif dan atau plot autokorelasi parsial sebagian terlihat lebih bersih, maka cobalah p1. (Kadang-kadang aturan untuk memilih antara konflik p1 dan q1 satu sama lain, dalam hal ini mungkin tidak banyak bedanya dengan yang Anda gunakan. Cobalah keduanya dan bandingkan). Jika ada autokorelasi pada lag 2 yang tidak dihilangkan dengan menyetel p1 Atau q1, Anda kemudian dapat mencoba p2 atau q2, atau kadang-kadang p1 dan q1. Lebih jarang Anda mungkin mengalami situasi di mana p2 atau 3 dan q1, atau sebaliknya, menghasilkan hasil terbaik. Sangat disarankan agar Anda tidak menggunakan pgt1 dan qgt1 dalam model yang sama. Secara umum, ketika memasang model ARIMA, Anda harus menghindari kompleksitas model yang meningkat agar hanya memperoleh sedikit perbaikan lebih lanjut pada statistik kesalahan atau tampilan plot ACF dan PACF. Juga, dalam model dengan kedua pgt1 dan qgt1, ada kemungkinan redundansi dan ketidak-mampuan yang baik antara sisi AR dan MA dari model, seperti yang dijelaskan dalam catatan pada struktur matematis model ARIMA. Biasanya lebih baik melangkah maju secara bertahap daripada melangkah mundur saat mengutak-atik spesifikasi model: mulailah dengan model yang lebih sederhana dan hanya menambahkan lebih banyak istilah jika ada kebutuhan yang jelas. Aturan yang sama berlaku untuk jumlah istilah autoregresif musiman (P) dan jumlah istilah rata-rata pergerakan musiman (Q) berkenaan dengan autokorelasi pada periode musiman (misalnya lag 12 untuk data bulanan). Coba Q1 jika sudah ada perbedaan musiman pada model dan jika autokorelasi musiman negatif dan atau plot autokorelasi residu terlihat lebih bersih di sekitar lag musiman jika tidak, coba P1. (Jika masuk akal bagi seri untuk menunjukkan musim yang kuat, maka Anda harus menggunakan perbedaan musiman, jika tidak, pola musiman akan pudar saat membuat perkiraan jangka panjang.) Kadang-kadang Anda mungkin ingin mencoba P2 dan Q0 atau wakil veteran, Atau PQ1. Namun, sangat disarankan agar PQ tidak pernah lebih besar dari 2. Pola musiman jarang memiliki keteraturan sempurna selama jumlah musim yang cukup besar sehingga memungkinkan untuk mengidentifikasi dan memperkirakan dengan pasti banyak parameter. Selain itu, algoritma backforecasting yang digunakan dalam estimasi parameter cenderung menghasilkan hasil yang tidak dapat diandalkan (atau bahkan gila) bila jumlah data musim tidak jauh lebih besar daripada PDQ. Saya akan merekomendasikan tidak kurang dari PDQ2 musim penuh, dan lebih baik. Sekali lagi, saat memasang model ARIMA, Anda harus berhati-hati untuk menghindari data yang terlalu pas, terlepas dari kenyataan bahwa ini sangat menyenangkan saat Anda memahaminya. Kasus khusus yang penting: Seperti disebutkan di atas, model ARIMA (0,1,1) tanpa konstan identik dengan model pemulusan eksponensial sederhana, dan mengasumsikan tingkat mengambang (yaitu tidak ada perubahan rata-rata) namun dengan nol tren jangka panjang. Model ARIMA (0,1,1) dengan konstanta adalah model pemulusan eksponensial sederhana dengan istilah linier nonzero linear yang disertakan. Model ARIMA (0,2,1) atau (0,2,2) tanpa konstanta adalah model pemulusan eksponensial linier yang memungkinkan tren waktu bervariasi. Model ARIMA (1,1,2) tanpa konstan adalah model pemulusan eksponensial linier dengan tren yang teredam, yaitu tren yang pada akhirnya merata dalam perkiraan jangka panjang. Model ARIMA musiman yang paling umum adalah model ARIMA (0,1,1) x (0,1,1) tanpa model konstan dan ARIMA (1,0,1) x (0,1,1) dengan konstanta. Mantan model ini pada dasarnya menerapkan pemulusan eksponensial ke komponen nonseasonal dan musiman dari pola dalam data sambil membiarkan tren bervariasi waktu, dan model yang terakhir agak mirip namun mengasumsikan tren linier konstan dan karena itu sedikit lebih lama. Prediksi prediktabilitas. Anda harus selalu menyertakan kedua model ini di antara jajaran tersangka saat melengkapi data dengan pola musiman yang konsisten. Salah satunya (mungkin dengan sedikit variasi seperti kenaikan p atau q oleh 1 dan jika setting P1 dan juga Q1) cukup sering yang terbaik. (Kembali ke bagian atas halaman.)