• 응용통계연구
• /
• 제36권5호
• /
• pp.457-471
• /
• 2023

월별 시계열은 일별 시계열의 월별 합이지만, 일별 시계열을 대체로 관측할 수 없어서 요일구성변동, 명절·공휴일변동 등 달력변동을 가상적으로 가정한 가변수를 포함한 RegARIMIA 모형을 이용하여 추정하고 있다. 일별 시계열을 관측할 수 있다면 요일구성변동, 명절·공휴일변동 등 달력변동을 일별 시계열을 바탕으로 추정할 수 있고 이를 이용하여 월별 시계열의 계절조정을 개선할 수 있다. 이 논문에서는 일별 시계열의 달력변동 추정을 이용하여 월별 시계열의 계절조정을 개선하는 방법을 제안하고, 이 방법을 적용하여 3개의 월별 시계열을 계절조정하고 기존의 X-13ARIMA-SEATS를 이용한 계절조정과 비교하였다.

• 한국신뢰성학회지:신뢰성응용연구
• /
• 제3권1호
• /
• pp.13-40
• /
• 2003

The seasonal adjustment is an essential process in analyzing the time series of economy and business. One of the powerful adjustment methods is X11-ARIMA Model which is popularly used in Korea. This method was delivered from Canada. However, this model has been developed to be appropriate for Canadian and American environment. Therefore, we need to review whether the X11-ARIMA Model could be used properly in Korea. In this study, we have applied the method to the annual sales of refrigerator sales in A electronic company. We appreciated the adjustment by result analyzing the time series components such as seasonal component, trend-cycle component, and irregular component, with the proposed method. Additionally, in order to improve the result of seasonal adjusted time series, we suggest the demand forecasting method base on autocorrelation and seasonality with the X11-ARIMA PROC.

• 경영과학
• /
• 제20권1호
• /
• pp.103-124
• /
• 2003

The seasonal adjustment is an essential process in analyzing the time series of economy and business. There are various methods to adjust seasonal effect such as moving average, extrapolation, smoothing and X11. One of the powerful adjustment methods is X11-ARIMA Model which is popularly used in Korea. This method was delivered from Canada. However, this model has been developed to be appropriate for Canadian and American environment. Therefore, we need to review whether the Xl1-ARIMA Model could be used properly in Korea. In this study, we have applied the method to the annual sales of refrigerator sales in A electronic company. We appreciated the adjustment by result analyzing the time series components such as seasonal component, trend-cycle component, and irregular component, with the proposed method.

• 한국태양에너지학회:학술대회논문집
• /
• 한국태양에너지학회 2009년도 추계학술발표대회 논문집
• /
• pp.26-31
• /
• 2009

This study was analysed influence of urban higher temperature in Busan about time series analysis of AWS data. The results are as follows. (1) The temperature of Busan show min $13.2^{\circ}C$ ~max $15.8^{\circ}C$ by 50 years, it is on the rise. (2) The seasonal adjustment series, summer appeared min $17.5^{\circ}C$ ~max $28.9^{\circ}C$ with primitive series similarly. The winter was min $-11.4^{\circ}C$ ~max $17.9^{\circ}C$, the minimum temperature was more lowly than primitive series and maximum temperature was more higher than primitive series. The results, seasonal adjustment series is guessed with influence difference urban structural element beside seasonal factor. (3) Regional analytical result, January appeared with range of min 28% ~max 196% of the seasonal factor and August appeared min 90% ~ max 106%. One of the case which is of 100% or more of the seasonal factor January 12nd~17th, August appears at the 15~17th.

• Communications for Statistical Applications and Methods
• /
• 제7권2호
• /
• pp.513-523
• /
• 2000

The X-12-ARIMA program was utilized on the analysis of the time series trend on 76 Korean industrial activities data in order to ensure that the trading day effect adjustment as well as the seasonal effect adjustment is needed to extract the fundamental trend-cycle factors from various economic time series data. The trading day effect is strongly correlated with the activity of production and shipping but not with the activity of inventory. Furthermore, the industrial activities were classified with respect to the sensitivity on the tranding day effect.

• 응용통계연구
• /
• 제29권1호
• /
• pp.231-242
• /
• 2016

시계열 분석 소프트웨어로 국내에서도 많이 사용되는 X-13-ARIMA에서 제공하고 있는 계절이동평균필터($3{\times}3$, $3{\times}5$, $3{\times}9$, $3{\times}15$)가 외국과 다르게 불규칙한 변동이 많고 다양한 변동이 존재하는 한국의 경제 시계열에 적합한가라는 의문 속에서 새로운 계절이동평균필터들의 필요성이 제기되었다. 본 연구에서는 최근에 개발된 새로운 계절이동평균필터($3{\times}7$, $3{\times}11$)를 소개한다. 또한, 새롭게 작성된 계절이동평균필터를 국내의 경제 시계열에 적용하여 그 적합성과 안정성을 비교한 결과, 일부 시계열에서 새로운 계절이동평균필터들의 필요성이 발견되었다. 새로 개발된 계절이동평균필터를 활용하여 각 시계열에 맞는 적절한 계절조정방법을 사용하면 더욱 정확한 시계열분석을 할 수 있을 것이라 기대된다.

• 응용통계연구
• /
• 제28권5호
• /
• pp.885-893
• /
• 2015

통계청과 한국은행 등 통계작성기관에서 이용되고 있는 계절조정은 연간 경제통계 작성시 시계열을 예측한 후 계절조정방법을 적용하여 1년 후 계절변동을 예측하고 원통계 작성시 원통계에서 이를 제거하여 계절조정계열을 작성하고 있다. 이 경우 계절변동을 효과적으로 예측하는 것이 계절조정계열의 품질 향상을 위해 무엇보다 중요하다. 계절변동은 1년 단위로 비슷한 함수적 형태를 지니면서 변하므로 계절변동은 일종의 함수적 시계열이다. 함수적 시계열은 함수적 주성분분석을 바탕으로 한 함수적 시계열모형으로 예측할 수 있다. 본 연구에서는 함수적 시계열 모형을 이용하여 향후 1년간 계절변동을 예측하는 방안을 마련하고 X-11 방식 등 기존의 예측방법과 비교하여 유용성을 파악하였다.

• 응용통계연구
• /
• 제13권2호
• /
• pp.321-328
• /
• 2000

요일구성, 공휴일 및 윤년에 따른 영업일수 변동은 월별 또는 분기별 경제지표 일시적으로 변동시킴에 따라 지표분석의 교란요인으로 작용하고 있다. 본고에서는 경제지표에서 영업일수 변동의 효과를 RegARIMA모형 등으로 추정한 후 이를 원지표로부터 조정하였다. 그 결과 영업일수를 조정한 지표가 조정하지 않은 지표에 비해 경제지표의 기조적 움직음일 잘 나타내는 것으로 나타났다.

• 응용통계연구
• /
• 제23권2호
• /
• pp.275-284
• /
• 2010

본 연구에서는 계절조정을 위한 사전조정 단계 중 명절효과 조정방법에 이용되는 파급유형을 소개하고, 기존의 파급유형보다 다양하고 유연한 형태를 갖는 새로운 파급유형을 제안하였다. 그리고 명절 전후의 시계열 파급형태가 같지 않다는 현실적인 가정 하에 기존의 파급유형과 새로 제안한 파급유형을 비교하였다. 비교연구에서는 기존의 것과 새로 제안된 것으로 가능한 모든 파급유형을 구성한 후 RegARIMA로 효과를 추정하였으며 추정과정에는 우리나라의 산업별 생산지수와 출하지수 자료를 사용하였다.

• 대한교통학회지
• /
• 제19권6호
• /
• pp.65-73
• /
• 2001

교통량이 시간의 흐름과 관련이 있는 시계열 데이터라는 개념을 기초로 교통량 패턴을 시계열 분석을 사용하여 분해해 보고자 하였다. 교통량 패턴은 추세치(T)와 계절변동(S), 주기변동(C), 그리고 불규칙변동(I)으로 구분할 수 있었는데 본 연구에서는 불규칙변동을 기상요인을 통해 설명하려는 시도를 하였다. 왜냐하면 교통의 주체인 사람들 행태의 특성상 기상의 변화와 관련이 깊다고 판단을 내렸기 때문이었다. 기상요인으로는 일우량, 일조량, 풍속, 주야율 강설량, 기온 등 여러 가지가 있지만 교통량의 변화와 가장 관련이 깊다고 여겨지는 일우량과 최저기온을 이용하였다. 일단 시계열 성분을 분해하고 나면 이를 이용하여 AADT를 추정하게 되는데, 추정의 결과를 비교하기 위해 AADT 추정방법을 두 가지로 구분하였다. 즉, 기상요인을 사용했을 경우와 그렇지 않을 경우로 나누어 결과를 살펴보았다. 추정 결과를 비교하는 척도로는 RMSE와 U-test를 사용하였다. 결과를 보면 불규칙변동요인을 그대로 사용했을 때보다, 기상요인을 결합한 불규칙변동요인을 사용했을 때 더 추정력이 좋았다. 이것은 각 조사지점의 RMSE와 U-test값을 구한 후 그 지점의 AADT로 나누어 준 결과를 보고 알 수 있었다. 이 연구를 통해 우리는 불규칙변동요인 이용방법의 중요성에 대해 한번 더 생각해 보게 된다. 즉 그것을 설명하는 방법에 의해 기존보다 더 나은 모형을 얻을 수도 있다는 결론에 이르게 된다는 것이다.