Bayesian Seasonal Adjustment for Survey Time Series

Resumen Técnico: Ajuste Estacional Bayesiano para Series Temporales de Encuestas

Planteamiento del Problema
Los procedimientos actuales de ajuste estacional empleados por las oficinas nacionales de estadística (NSO), específicamente X-11 y X-12-ARIMA, tratan las estimaciones de las encuestas como observaciones exactas. Este enfoque descarta los errores estándar ($SE^d_t$) que acompañan a las estimaciones y que son calculados rutinariamente por los metodólogos de encuestas. En consecuencia, los meses con alta varianza de muestreo (alto coeficiente de variación, CV) reciben el mismo peso en los filtros estacionales que los meses con baja varianza, a pesar de que los primeros poseen un ruido de medición significativamente mayor. Esta limitación estructural impide que estos métodos distingan entre una deriva estacional genuina y las fluctuaciones causadas por el error de muestreo, y no logran proporcionar medidas de incertidumbre (por ejemplo, intervalos de credibilidad) para los movimientos de la tendencia o los cambios direccionales.

Metodología
El artículo propone el Modelo Estructural Bayesiano de Mini-Máximo Dinámico (DMM-BSM), un marco que integra varianzas de error de muestreo variables en el tiempo directamente en un Modelo Estructural Básico (BSM) dentro de un esquema de inferencia plenamente bayesiano.

1. Jerarquía del Modelo:

   • Modelo de Muestreo: Relaciona la estimación directa de la encuesta $Y^d_t$ con el estado latente del BSM $\alpha^d_t$ mediante una ecuación de medición: $Y^d_t = Z^\top \alpha^d_t + e^d_t$, donde la varianza del error $V^d_t = (SE^d_t)^2$ se trata como conocida y variable en el tiempo. Esto contrasta con el supuesto estándar del BSM de un error de medición de cero.
   • Modelo de Vinculación: Heredado de Tam (2026), este componente permite el préstamo de fuerza a través de estratos mediante regresión jerárquica, aunque la ilustración empírica opera al nivel de dominio donde no se dispone de datos a nivel de estrato.
   • Modelo de Propagación: Reemplaza el modelo AR(1) de trabajos anteriores con un vector de estado BSM de 12 dimensiones que comprende una tendencia de nivel local ($L_t$) y un componente estacional estocástico ($\gamma_t$) para datos mensuales ($s=12$). Las matrices del sistema $T$ y $R$ son fijas y no contienen parámetros libres.

2. Equivalencia Teórica:
   El artículo aprovecha la equivalencia de Harvey–Todd (1983), que establece que un BSM con varianza de error de medición cero ($V_t=0$) se reduce al modelo Airline ARIMA(0,1,1)(0,1,1)$_{12}$. Combinado con Cleveland y Tiao (1976), esto confirma que el BSM con $V_t=0$ es asintóticamente equivalente al filtro X-11. Por lo tanto, el DMM-BSM se presenta no como una desviación de X-11, sino como una generalización bayesiana fundamentada que incorpora el error de muestreo.

3. Algoritmo de Inferencia:
   Se emplea un muestreador de Gibbs de dos bloques para entregar la distribución posterior conjunta suavizada completa $\pi(\alpha_{1:T} | y_{1:T})$:

   • Bloque 1 (Trayectoria del Estado): Utiliza el Muestreador de Filtro hacia Adelante y Muestreador hacia Atrás (FFBS) (Carter y Kohn, 1994; Frühwirth-Schnatter, 1994). El paso hacia adelante utiliza el filtro de Kalman con varianza de medición variable en el tiempo $V^d_t$ para actualizar el estado. El paso hacia atrás extrae la trayectoria completa del estado de forma conjunta a partir de la posterior de suavizado.
   • Bloque 2 (Hiperparámetros): Actualiza los hiperparámetros de varianza ($\sigma^2_\xi, \sigma^2_\omega, \sigma^2_u$) y los coeficientes de regresión ($\beta$) utilizando condicionales completas de tipo inversa-gamma y normal conjugadas, condicionales a la trayectoria del estado extraída en el Bloque 1.
   • Dado que las matrices del sistema son fijas, el muestreador es "Gibbs puro", sin pasos de Metropolis.

Contribuciones Clave

1. Propagación BSM: Reemplaza la dinámica escalar AR(1) con un BSM de 12 dimensiones, permitiendo la separación de la dinámica de la tendencia y la estacionalidad dentro de un marco bayesiano.
2. Incorporación del Error de Muestreo: Modela explícitamente la varianza de muestreo variable en el tiempo $V^d_t$ en la ecuación de medición del filtro de Kalman. La ganancia de Kalman pondera automáticamente hacia abajo las observaciones con alto CV en relación con la predicción estructural, un mecanismo ausente en X-11.
3. Inferencia de Movimientos Exactos: El muestreador Gibbs FFBS permite el cálculo directo de Intervalos de Bayes Calibrados (CBI) para movimientos de tendencia de $k$-pasos ($\Delta^{(k)}_t = L_t - L_{t-k}$) y probabilidades posteriores de cambio direccional ($P(\Delta_t > 0 | y_{1:T})$) para cualquier $k \ge 1$, sin requerir derivaciones de forma cerrada.
4. Cobertura Superior Verificada: Los estudios de simulación demuestran que el DMM-BSM logra una cobertura empírica sustancialmente mayor que el modelo equivalente a X-11 (BSM con $V_t=0$), particularmente en dominios pequeños con alto CV.

Resultados Empíricos
El marco se aplicó a 120 meses de datos de la Encuesta de Fuerza Laboral de la Oficina de Estadísticas de Australia (ABS) para dos dominios: Australia (AU, dominio grande, CV medio 0.38%) y el Territorio de la Capital Australiana (ACT, dominio pequeño, CV medio 1.62%).

• Estimaciones de Tendencia: En el dominio grande (AU), las tendencias del DMM-BSM siguen de cerca las tendencias de X-11, confirmando la equivalencia de Harvey–Todd. En el dominio pequeño (ACT), el DMM-BSB produce intervalos de credibilidad más amplios durante periodos de alto CV (por ejemplo, la interrupción por el COVID-19), reflejando correctamente el aumento de la incertidumbre, mientras que X-11 no proporciona ninguna medida de incertidumbre.
• Varianza Estacional: La Estimación de Máxima Verosimilitud (MLE) de la varianza estacional estocástica ($\sigma^2_\omega$) en el DMM-BSM colapsa a cero (una solución de frontera). Esto sugiere que las aparentes fluctuaciones estacionales en las series publicadas son atribuibles en gran medida al ruido de medición más que a una deriva estacional estocástica genuina. En contraste, el modelo equivalente a X-11 infla $\sigma^2_\omega$ (a 573 personas) para compensar la falta de un canal de ruido de medición.
• Desempeño de Cobertura:
  • AU (Dominio Grande): El DMM-BSM logró una cobertura del 94.6% para los niveles de tendencia y del 94.5% para los cambios de tendencia (cerca del 95% nominal). El equivalente a X-11 logró solo el 78.8% y el 64.3%, respectivamente.
  • ACT (Dominio Pequeño): El DMM-BSM logró un 86.7% (nivel de tendencia) y un 82.1% (cambio de tendencia). Aunque por debajo del nominal, es una mejora significativa respecto al 68.2% y 50.8% del equivalente a X-11. El artículo atribuye la brecha restante en dominios pequeños a la dificultad de estimar los parámetros de varianza a partir de series cortas y de baja relación señal-ruido, señalando que el sesgo es conservador (los intervalos son válidos pero potencialmente más amplios de lo necesario).

Significancia
El artículo afirma que el DMM-BSM ofrece una "generalización bayesiana fundamentada" de la práctica existente. Su principal significancia radica en corregir el fallo estructural de tratar las estimaciones de las encuestas como exactas. Al incorporar las varianzas de muestreo, el método evita que el filtro de tendencia "persiga el ruido de muestreo", lo que conduce a intervalos sobreconfiados e inexactos en los enfoques estándar de X-11. El marco proporciona a las NSO la cuantificación de la incertidumbre condicionada al modelo para los movimientos de tendencia y las probabilidades direccionales, resultados que actualmente no están disponibles en las herramientas estándar de ajuste estacional. El hallazgo empírico de que la varianza estacional estocástica colapsa a cero cuando se modela adecuadamente el error de muestreo ofrece una nueva perspectiva sobre la naturaleza de las fluctuaciones estacionales en los datos de encuestas, distinguiendo entre la deriva genuina y el ruido de medición.