Bayesian Seasonal Adjustment for Survey Time Series

Resumo Técnico: Ajuste Sazonal Bayesiano para Séries Temporais de Pesquisas

Definição do Problema
Os procedimentos atuais de ajuste sazonal empregados por escritórios nacionais de estatística (NSOs), especificamente o X-11 e o X-12-ARIMA, tratam as estimativas de pesquisas como observações exatas. Essa abordagem descarta os erros padrão acompanhantes ($SE^d_t$) rotineiramente computados por metodologistas de pesquisas. Consequentemente, meses com alta variância de amostragem (alto coeficiente de variação, CV) recebem o mesmo peso em filtros sazonais que meses com baixa variância, apesar de os primeiros possuírem um ruído de medição significativamente maior. Essa limitação estrutural impede que esses métodos distingam entre uma deriva sazonal genuína e flutuações causadas pelo erro de amostragem, além de falharem em fornecer medidas de incerteza (ex: intervalos de credibilidade) para movimentos de tendência ou mudanças direcionais.

Metodologia
O artigo propõe o Modelo Estrutural Bayesiano Dinâmico Mini-Max (DMM-BSM), um arcabouço que integra variâncias de erro de amostragem variantes no tempo diretamente em um Modelo Estrutural Básico (BSM) dentro de um esquema de inferência totalmente Bayesiano.

1. Hierarquia do Modelo:

   • Modelo de Amostragem: Relaciona a estimativa direta da pesquisa $Y^d_t$ ao estado latente do BSM $\alpha^d_t$ via uma equação de medição: $Y^d_t = Z^\top \alpha^d_t + e^d_t$, onde a variância do erro $V^d_t = (SE^d_t)^2$ é tratada como conhecida e variante no tempo. Isso contrasta com a suposição padrão do BSM de erro de medição zero.
   • Modelo de Ligação: Herdado de Tam (2026), este componente permite o compartilhamento de força (borrowing strength) entre estratos via regressão hierárquica, embora a ilustração empírica opere no nível de domínio, onde dados ao nível de estrato não estão disponíveis.
   • Modelo de Propagação: Substitui o modelo AR(1) de trabalhos anteriores por um vetor de estado BSM de 12 dimensões, compreendendo um nível local de tendência ($L_t$) e um componente sazonal estocástico ($\gamma_t$) para dados mensais ($s=12$). As matrizes de sistema $T$ e $R$ são fixas, não contendo parâmetros livres.

2. Equivalência Teórica:
   O artigo utiliza a equivalência Harvey–Todd (1983), que estabelece que um BSM com variância de erro de medição zero ($V_t=0$) reduz-se ao modelo Airline ARIMA(0,1,1)(0,1,1)$_{12}$. Combinado com Cleveland e Tiao (1976), isso confirma que o BSM com $V_t=0$ é assintoticamente equivalente ao filtro X-11. Assim, o DMM-BSM é apresentado não como um afastamento do X-11, mas como uma generalização Bayesiana fundamentada que incorpora o erro de amostragem.

3. Algoritmo de Inferência:
   Um amostrador de Gibbs de dois blocos é empregado para entregar a posterior de suavização conjunta completa $\pi(\alpha_{1:T} | y_{1:T})$:

   • Bloco 1 (Trajetória de Estado): Utiliza o Amostrador de Filtro Direto e Amostrador Retrógrado (FFBS) (Carter e Kohn, 1994; Frühwirth-Schnatter, 1994). A passagem direta utiliza o filtro de Kalman com variância de medição variante no tempo $V^d_t$ para atualizar o estado. A passagem retrocedente extrai a trajetória completa do estado conjuntamente da posterior de suavização.
   • Bloco 2 (Hiperparâmetros): Atualiza os hiperparâmetros de variância ($\sigma^2_\xi, \sigma^2_\omega, \sigma^2_u$) e os coeficientes de regressão ($\beta$) usando condicionais completas conjugadas de distribuição inversa-gamma e normal, condicionais à trajetória de estado extraída no Bloco 1.
     Como as matrizes de sistema são fixas, o amostrador é "Gibbs puro", sem etapas de Metropolis.

Principais Contribuições

1. Propagação BSM: Substitui a dinâmica escalar AR(1) por um BSM de 12 dimensões, permitindo a separação das dinâmicas de tendência e sazonalidade dentro de um arcabouço Bayesiano.
2. Incorporação do Erro de Amostragem: Modela explicitamente a variância de amostragem variante no tempo $V^d_t$ na equação de medição do filtro de Kalman. O ganho de Kalman reduz automaticamente o peso de observações com alto CV em relação à previsão estrutural, um mecanismo ausente no X-11.
3. Inferência de Movimento Exata: O amostrador de Gibbs FFBS permite o cálculo direto de Intervalos de Bayes Calibrados (CBIs) para movimentos de tendência de $k$-passos ($\Delta^{(k)}_t = L_t - L_{t-k}$) e probabilidades posteriores de mudança direcional ($P(\Delta_t > 0 | y_{1:T})$) para qualquer $k \ge 1$, sem exigir derivações de forma fechada.
4. Cobertura Superior Verificada: Estudos de simulação demonstram que o DMM-BSM alcança uma cobertura empírica substancialmente maior que o modelo equivalente ao X-11 (BSM com $V_t=0$), particularmente em pequenos domínios com alto CV.

Resultados Empíricos
O arcabouço foi aplicado a 120 meses de dados da Pesquisa de Força de Trabalho australiana (Emprego em Tempo Integral) da Australian Bureau of Statistics (ABS) para dois domínios: Austrália (AU, domínio grande, CV médio 0,38%) e o Território da Capital Australiana (ACT, domínio pequeno, CV médio 1,62%).

• Estimativas de Tendência: No domínio grande (AU), as tendências do DMM-BSM acompanham de perto as tendências do X-11, confirmando a equivalência de Harvey–Todd. No domínio pequeno (ACT), o DMM-BSB produz intervalos de credibilidade mais amplos durante períodos de alto CV (ex: a interrupção da COVID-19), refletindo corretamente o aumento da incerteza, enquanto o X-11 não fornece nenhuma medida de incerteza.
• Variância Sazonal: A Estimativa de Máxima Verossimilhança (MLE) da variância sazonal estocástica ($\sigma^2_\omega$) no DMM-BSM colapsa para zero (uma solução de fronteira). Isso sugere que as aparentes flutuações sazonais nas séries publicadas são atribuíveis majoritariamente ao ruído de medição, e não a uma deriva sazonal estocástica genuína. Em contraste, o modelo equivalente ao X-11 infla $\sigma^2_\omega$ (para 573 pessoas) para compensar a falta de um canal de ruído de medição.
• Desempenho de Cobertura:
  • AU (Domínio Grande): O DMM-BSM alcançou 94,6% de cobertura para níveis de tendência e 94,5% para mudanças de tendência (próximo aos 95% nominais). O equivalente ao X-11 alcançou apenas 78,8% e 64,3%, respectivamente.
  • ACT (Domínio Pequeno): O DMM-BSM alcançou 86,7% (nível de tendência) e 82,1% (mudança de tendência). Embora abaixo do nominal, é uma melhoria significativa sobre os 68,2% e 50,8% do equivalente ao X-11. O artigo atribui a lacuna restante em pequenos domínios à dificuldade de estimar parâmetros de variância a partir de séries curtas e de baixo sinal-ruído, observando que o viés é conservador (os intervalos são válidos, mas potencialmente mais amplos do que o necessário).

Significância
O artigo afirma que o DMM-BSB oferece uma "generalização Bayesiana fundamentada" da prática existente. Sua principal significância reside em corrigir a falha estrutural de tratar estimativas de pesquisa como exatas. Ao incorporar variâncias de amostragem, o método evita que o filtro de tendência "persiga o ruído de amostragem", o que leva a intervalos excessivamente confiantes e imprecisos nas abordagens X-11 padrão. O arcabouço fornece aos NSOs a quantificação de incerteza condicional ao modelo para movimentos de tendência e probabilidades direcionais — resultados que atualmente não estão disponíveis nas ferramentas padrão de ajuste sazonal. O achado empírico de que a variância sazonal estocástica colapsa para zero quando o erro de amostragem é devidamente modelado oferece uma nova perspectiva sobre a natureza das flutuações sazonais em dados de pesquisa, distinguindo entre deriva genuína e ruído de medição.