Bayesian Seasonal Adjustment for Survey Time Series

Sintesi Tecnica: Regolazione Stagionale Bayesiana per Serie Temporali di Sondaggi

Problematica
Le attuali procedure di regolazione stagionale impiegate dagli uffici nazionali di statistica (NSO), nello specifico X-11 e X-12-ARIMA, trattano le stime dei sondaggi come osservazioni esatte. Questo approccio scarta gli errori standard ($SE^d_t$) che accompagnano le stime e che vengono regolarmente calcolati dai metodologi dei sondaggi. Di conseguenza, i mesi con un'elevata varianza di campionamento (alto coefficiente di variazione, CV) ricevono lo stesso peso nei filtri stagionali rispetto ai mesi con bassa varianza, nonostante i primi presentino un rumore di misurazione significativamente maggiore. Questa limitazione strutturale impedisce a questi metodi di distinguere tra un reale drift stagionale e le fluttuazioni causate dall'errore di campionamento, e non fornisce misure di incertezza (ad esempio, intervalli di credibilità) per i movimenti del trend o i cambiamenti direzionali.

Metodologia
Il documento propone il Modello Strutturale Bayesiano Dynamic Mini-Max (DMM-BSM), un framework che integra le varianze dell'errore di campionamento tempo-varianti direttamente in un Modello Strutturale di Base (BSM) all'interno di uno schema di inferenza pienamente bayesiano.

1. Gerarchia del Modello:

   • Modello di Campionamento: Relaziona la stima diretta del sondaggio $Y^d_t$ allo stato latente del BSM $\alpha^d_t$ tramite un'equazione di misurazione: $Y^d_t = Z^\top \alpha^d_t + e^d_t$, dove la varianza dell'errore $V^d_t = (SE^d_t)^2$ è trattata come nota e tempo-variante. Ciò contrasta con l'assunzione standard del BSM di errore di misurazione nullo.
   • Modello di Collegamento: Ereditato da Tam (2026), questo componente consente di condividere la forza tra gli strati tramite una regressione gerarchica, sebbene l'illustrazione empirica operi a livello di dominio dove i dati a livello di strato non sono disponibili.
   • Modello di Propagazione: Sostituisce il modello AR(1) del lavoro precedente con un vettore di stato BSM a 12 dimensioni composto da un livello locale del trend ($L_t$) e una componente stagionale stocastica ($\gamma_t$) per i dati mensili ($s=12$). Le matrici di sistema $T$ e $R$ sono fisse e non contengono parametri liberi.

2. Equivalenza Teorica:
   Il documento sfrutta l'equivalenza Harvey–Todd (1983), la quale stabilisce che un BSM con varianza dell'errore di misurazione nulla ($V_t=0$) si riduce al modello Airline ARIMA(0,1,1)(0,1,1)$_{12}$. Combinato con Cleveland e Tiao (1976), ciò conferma che il BSM con $V_t=0$ è asintoticamente equivalente al filtro X-11. Pertanto, il DMM-BSM viene presentato non come un distacco da X-11, ma come una generalizzazione bayesiana fondata che incorpora l'errore di campionamento.

3. Algoritmo di Inferenza:
   Viene impiegato un campionatore Gibbs a due blocchi per fornire la distribuzione posteriore di smoothing congiunta completa $\pi(\alpha_{1:T} | y_{1:T})$:

   • Blocco 1 (Traiettoria dello Stato): Utilizza il Forward Filter Backward Sampler (FFBS) (Carter e Kohn, 1994; Frühwirth-Schnatter, 1994). Il passaggio in avanti utilizza il filtro di Kalman con varianza di misurazione tempo-variante $V^d_t$ per aggiornare lo stato. Il passaggio all'indietro estrae la traiettoria completa dello stato congiuntamente dalla distribuzione posteriore di smoothing.
   • Blocco 2 (Iperparametri): Aggiorna gli iperparametri della varianza ($\sigma^2_\xi, \sigma^2_\omega, \sigma^2_u$) e i coefficienti di regressione ($\beta$) utilizzando le condizionali complete inverse-gamma e normali, condizionate sulla traiettoria dello stato estratta nel Blocco 1.
     Poiché le matrici di sistema sono fisse, il campionatore è un "Gibbs puro" senza passi di Metropolis.

Contributi Chiave

1. Propagazione BSM: Sostituisce la dinamica AR(1) scalare con un BSM a 12 dimensioni, consentendo la separazione delle dinamiche di trend e stagionali all'interno di un framework bayesiano.
2. Incorporazione dell'Errore di Campionamento: Modella esplicitamente la varianza di campionamento tempo-variante $V^d_t$ nell'equazione di misurazione del filtro di Kalman. Il guadagno di Kalman riduce automaticamente il peso delle osservazioni con alto CV rispetto alla previsione strutturale, un meccanismo assente in X-11.
3. Inferenza sui Movimenti Esatti: Il campionatore Gibbs FFBS consente il calcolo diretto degli Intervalli Bayes Calibrati (CBI) per i movimenti del trend a $k$-step ($\Delta^{(k)}_t = L_t - L_{t-k}$) e le probabilità a posteriori di cambiamento direzionale ($P(\Delta_t > 0 | y_{1:T})$) per qualsiasi $k \ge 1$, senza richiedere derivazioni in forma chiusa.
4. Copertura Verificata Superiormente: Gli studi di simulazione dimostrano che il DMM-BSM raggiunge una copertura empirica sostanzialmente più alta del modello equivalente a X-11 (BSM con $V_t=0$), particolarmente nei piccoli domini con alto CV.

Risultati Empirici
Il framework è stato applicato a 120 mesi di dati della Labour Force Survey dell'Australian Bureau of Statistics (ABS) (Occupazione a tempo pieno) per due domini: Australia (AU, grande dominio, CV medio 0,38%) e Australian Capital Territory (ACT, piccolo dominio, CV medio 1,62%).

• Stime del Trend: Nel grande dominio (AU), il trend DMM-BSM segue da vicino i trend X-11, confermando l'equivalenza Harvey–Todd. Nel piccolo dominio (ACT), il DMM-BSM produce intervalli di credibilità più ampi durante i periodi di alto CV (ad esempio, la perturbazione causata dal COVID-19), riflettendo correttamente l'aumento dell'incertezza, mentre X-11 non fornisce alcuna misura di incertezza.
• Varianza Stagionale: La Stima di Massima Verosimiglianza (MLE) della varianza stagionale stocastica ($\sigma^2_\omega$) nel DMM-BSM collassa a zero (una soluzione al confine). Ciò suggerisce che le apparenti fluttuazioni stagionali nelle serie pubblicate sono ampiamente attribuibili al rumore di misurazione piuttosto che a un reale drift stagionale stocastico. Al contrario, il modello equivalente a X-11 gonfia $\sigma^2_\omega$ (a 573 persone) per compensare la mancanza di un canale di rumore di misurazione.
• Performance di Copertura:
  • AU (Grande Dominio): Il DMM-BSM ha raggiunto una copertura del 94,6% per i livelli del trend e del 94,5% per i cambiamenti del trend (vicino al 95% nominale). Il modello equivalente a X-11 ha raggiunto solo il 78,8% e il 64,3%, rispettivamente.
  • ACT (Piccolo Dominio): Il DMM-BSM ha raggiunto l'86,7% (livello del trend) e l'82,1% (cambiamento del trend). Sebbene inferiore al valore nominale, si tratta di un miglioramento significativo rispetto al 68,2% e al 50,8% del modello equivalente a X-11. Il documento attribuisce il gap rimanente nei piccoli domini alla difficoltà di stimare i parametri di varianza da serie brevi con basso rapporto segnale-rumore, notando che il bias è conservativo (gli intervalli sono validi ma potenzialmente più ampi del necessario).

Significato
Il documento sostiene che il DMM-BSM offra una "generalizzazione bayesiana fondata" della pratica esistente. Il suo significato primario risiede nel correggere il difetto strutturale di trattare le stime dei sondaggi come esatte. Incorporando le varianze di campionamento, il metodo impedisce al filtro del trend di "inseguire il rumore di campionamento", il che porta a intervalli eccessivamente sicuri e inaccurati negli approcci X-11 standard. Il framework fornisce agli NSO la quantificazione dell'incertezza condizionata al modello per i movimenti del trend e le probabilità direzionali — output che attualmente non sono disponibili dagli strumenti standard di regolazione stagionale. Il risultato empirico secondo cui la varianza stagionale stocastica collassa a zero quando l'errore di campionamento è modellato correttamente offre una nuova prospettiva sulla natura delle fluttuazioni stagionali nei dati dei sondaggi, distinguendo tra reale drift e rumore di misurazione.