An Empirical Comparison of Methods for Benchmarking Seasonally Adjusted Series to Annual Totals
Notice bibliographique
Résumé
For benchmarking monthly and quarterly series to annual series and to the Economic Census every five years, the U.S. Census Bureau uses an iterative, nonlinear method known as the Causey-Trager method. However, the Census Bureau’s X−12−ARIMA seasonal adjustment program uses a modified Denton procedure to benchmark the seasonally adjusted series to the annual totals of the unadjusted series. Some users have requested a different benchmark method in X−12−ARIMA. Statistics Canada has proposed several different benchmark methods, including a regression procedure, to replace the method for benchmarking in X−12−ARIMA. Using a sample of U.S. time series, this paper investigates the properties of the benchmarks from the current procedure in X−12−ARIMA, the new methods proposed by Statistics Canada, and the Causey-Trager method for benchmarking the seasonally adjusted series to the annual totals of the raw data. The objective of this study is two-fold: 1) to look at some of the properties of the various benchmarking procedures under consideration for benchmarking seasonally adjusted series, and 2) to look at possible settings for the regression procedure from Statistics Canada. There were very consistent results with smooth benchmark factors and small discrepancies in the month-to-month changes with both the Causey-Trager method and some settings of the Regression method. The Causey-Trager method gave results that were more consistent for every month though there is still a problem with the distortion of the month-to-month percent changes at the beginning and ending of the year. The Regression method gave results with smaller revisions when new data was added.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,070 | 0,237 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,011 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».