Bayesian Seasonal Adjustment for Survey Time Series

Technische Samenvatting: Bayesiaanse Seizoensaanpassing voor Enquête-Tijdreeksen

Probleemstelling
Huidige procedures voor seizoensaanpassing die worden gehanteerd door nationale statistische bureaus (NSO's), specifiek X-11 en X-12-ARIMA, behandelen enquête-schattingen als exacte observaties. Deze aanpak negeert de bijbehorende standaardfouten ($SE^d_t$) die routinematig door enquête-methodologen worden berekend. Als gevolg hiervan krijgen maanden met een hoge steekproefvariantie (hoge coëfficiënt van variatie, CV) hetzelfde gewicht in seizoensfilters als maanden met een lage variantie, ondanks het feit dat de eerste aanzienlijk meer meetruis bevatten. Deze structurele beperking voorkomt dat deze methoden onderscheid kunnen maken tussen echte seizoensgebonden drift en fluctuaties veroorzaakt door steekproeffouten, en ze slagen er niet in om onzekerheidsmaten (bijv. geloofwaardigheidsintervallen) te verstrekken voor trendbewegingen of directionele veranderingen.

Methodologie
Het artikel stelt het Dynamic Mini-Max Bayesian Structural Model (DMM-BSM) voor, een raamwerk dat tijdsvariërende steekproeffoutvariantes direct integreert in een Basic Structural Model (BSM) binnen een volledig Bayesiaans inferentie-schema.

1. Modelhiërarchie:

   • Steekproefmodel: Relateert de directe enquête-schatting $Y^d_t$ aan de latente BSM-toestand $\alpha^d_t$ via een meetvergelijking: $Y^d_t = Z^\top \alpha^d_t + e^d_t$, waarbij de foutvariantie $V^d_t = (SE^d_t)^2$ als bekend en tijdsvariërend wordt beschouwd. Dit staat in contrast met de standaard BSM-aanname van nul meetfout.
   • Koppelingsmodel: Geërfd van Tam (2026), stelt dit component het lenen van kracht over strata mogelijk via hiërarchische regressie, hoewel de empirische illustratie opereert op domeinniveau waar data op stratumniveau niet beschikbaar is.
   • Propagatiemodel: Vervangt het AR(1)-model van eerder werk door een 12-dimensionale BSM-toestandsvector bestaande uit een lokale niveau-trend ($L_t$) en een stochastische seizoenscomponent ($\gamma_t$) voor maandelijkse gegevens ($s=12$). De systeemmatrices $T$ en $R$ zijn vast en bevatten geen vrije parameters.

2. Theoretische Equivalentie:
   Het artikel maakt gebruik van de Harvey–Todd (1983) equivalentie, die vaststelt dat een BSM met een meetfoutvariantie van nul ($V_t=0$) reduceert tot het Airline ARIMA(0,1,1)(0,1,1)$_{12}$ model. Gecombineerd met Cleveland en Tiao (1976), bevestigt dit dat de BSM met $V_t=0$ asymptotisch equivalent is aan de X-11 filter. Zo wordt de DMM-BSM gepresenteerd, niet als een afwijking van X-11, maar als een gefundeerde Bayesiaanse generalisatie die de steekproeffout incorporeert.

3. Inferentiealgoritme:
   Een two-block Gibbs sampler wordt toegepast om de volledige gezamenlijke smoothing posterior $\pi(\alpha_{1:T} | y_{1:T})$ te leveren:

   • Blok 1 (Toestandsverloop): Maakt gebruik van de Forward Filter Backward Sampler (FFBS) (Carter en Kohn, 1994; Frühwirth-Schnatter, 1994). De forward pass gebruikt de Kalman-filter met tijdsvariërende meetvariantie $V^d_t$ om de toestand bij te werken. De backward pass trekt het volledige toestandsverloop gezamenlijk uit de smoothing posterior.
   • Blok 2 (Hyperparameters): Werkt variantie-hyperparameters ($\sigma^2_\xi, \sigma^2_\omega, \sigma^2_u$) en regressiecoëfficiënten ($\beta$) bij met conjuncte inverse-gamma en normale full conditionals, conditioneel op het in Blok 1 getrokken toestandsverloop.
   • Omdat de systeemmatrices vast zijn, is de sampler "pure Gibbs" zonder Metropolis-stappen.

Belangrijkste Bijdragen

1. BSM Propagatie: Vervangt scalaire AR(1)-dynamiek door een 12-dimensionale BSM, wat de scheiding van trend- en seizoensdynamiek binnen een Bayesiaans raamwerk mogelijk maakt.
2. Incorporeer van Steekproeffout: Modelleert expliciet de tijdsvariërende steekproefvariantie $V^d_t$ in de Kalman-filter meetvergelijking. De Kalman-gain verlaagt automatisch de weging van observaties met een hoge CV ten opzien van de structurele voorspelling, een mechanisme dat afwezig is in X-11.
3. Exacte Bewegingsinferentie: De FFBS Gibbs sampler maakt de directe berekening van Calibrated Bayes Intervals (CBIs) voor $k$-staps trendbewegingen ($\Delta^{(k)}_t = L_t - L_{t-k}$) en posterior waarschijnlijkheden van directionele verandering ($P(\Delta_t > 0 | y_{1:T})$) voor elke $k \ge 1$, zonder dat daarvoor gesloten vorm afleidingen nodig zijn.
4. Geverifieerde Dekkingssuperioriteit: Simulatiestudies tonen aan dat DMM-BSM een aanzienlijk hogere empirische dekking bereikt dan het X-11-equivalente model (BSM met $V_t=0$), met name in kleine domeinen met een hoge CV.

Empirische Resultaten
Het raamwerk werd toegepast op 120 maanden aan gegevens van de Australian Bureau of Statistics (ABS) Labour Force Survey (Full-time werkgelegenheid) voor twee domeinen: Australië (AU, groot domein, gemiddelde CV 0,38%) en het Australian Capital Territory (ACT, klein domein, gemiddelde CV 1,62%).

• Trendschattingen: In het grote domein (AU) volgen de DMM-BSM trends de X-11 trends nauwgezet, wat de Harvey–Todd equivalentie bevestigt. In het kleine domein (ACT) produceert DMM-BSM bredere geloofwaardigheidsintervallen tijdens perioden met een hoge CV (bijv. de COVID-19 verstoring), wat de toegenomen onzekerheid correct reflecteert, terwijl X-11 geen onzekerheidsmaat biedt.
• Seizoensvariantie: De Maximum Likelihood Estimation (MLE) van de stochastische seizoensvariantie ($\sigma^2_\omega$) in de DMM-BSM convergeert naar nul (een randoplossing). Dit suggereert dat schijnbare seizoensfluctuaties in de gepubliceerde reeksen grotendeels toe te schrijven zijn aan meetruis in plaats van aan echte stochastische seizoensdrift. In contrast hiermee blaast het X-11-equivalente model $\sigma^2_\omega$ op (naar 573 personen) om te compenseren voor het gebrek aan een kanaal voor meetruis.
• Prestaties van de Dekking:
  • AU (Groot Domein): DMM-BSM behaalde 94,6% dekking voor trendniveaus en 94,5% voor trendveranderingen (nabij de nominale 95%). Het X-11-equivalente model behaalde respectievelijk slechts 78,8% en 64,3%.
  • ACT (Klein Domein): DMM-BSM behaalde 86,7% (trendniveau) en 82,1% (trendverandering). Hoewel lager dan nominaal, is dit een significante verbetering ten opzichte van de 68,2% en 50,8% van het X-11-equivalent. Het artikel schrijft het resterende gat in kleine domeinen toe aan de moeilijkheid van het schatten van variantieparameters uit korte reeksen met een lage signaal-ruisverhouding, waarbij wordt opgemerkt dat de bias conservatief is (intervallen zijn geldig maar potentieel breder dan nodig).

Betekenis
Het artikel beweert dat DMM-BSM een "gegronde Bayesiaanse generalisatie" biedt van de huidige praktijk. De primaire betekenis ligt in het corrigeren van de structurele fout van het behandelen van enquête-schattingen als exact. Door steekproefvariantes te incorporeren, voorkomt de methode dat de trendfilter "het jagen op steekproefruis" ondergaat, wat leidt tot overmoedige en onnauwkeurige intervallen in standaard X-11-benaderingen. Het raamwerk biedt NSO's model-conditionele onzekerheidskwantificering voor trendbewegingen en directionele waarschijnlijkheden—outputs die momenteel niet beschikbaar zijn via standaard seizoensaanpassingsinstrumenten. De empirische bevinding dat de stochastische seizoensvariantie naar nul convergeert wanneer de steekproeffout correct wordt gemodelleerd, biedt een nieuw perspectief op de aard van seizoensfluctuaties in enquêtegegevens, waarbij onderscheid wordt gemaakt tussen echte drift en meetruis.