En muchos casos, los patrones estacionales se eliminan de los datos de series temporales cuando se publican en bases de datos públicas. Los datos que han sido despojados de sus patrones estacionales se denominan datos desestacionalizados o desestacionalizados.
Para obtener una medida de bondad de ajuste que aísle la influencia de sus variables independientes, debe estimar su modelo con valores desestacionalizados tanto para sus variables dependientes como independientes. He aquí cómo hacerlo:
- Regress su variable dependiente en las variables ficticias estacionales para obtener la función estimada y retener los residuos de esta regresión.
- Recupera cada una de tus variables independientes en las variables ficticias estacionales para obtener las funciones estimadas donde k representa una variable independiente específica, y retiene los residuos de todas las k de estas regresiones.
- El R-cuadrado de esta regresión proporciona una mejor medida de ajuste cuando la serie de tiempo exhibe una estacionalidad considerable.
El R-cuadrado tradicional puede ser sobreinflado cuando los datos contienen patrones estacionales significativos. Si se encuentra en esta situación, simplemente estime una regresión con datos desestacionalizados para encontrar un valor alternativo R-cuadrado.
La figura utiliza STATA para estimar el impacto del desempleo mensual de registro y una tendencia temporal en el registro de las ventas de recuerdos entre 1987 y 1993. Primero, el modelo se estima con los datos brutos, y luego el modelo se estima con los datos desestacionalizados.
La salida para los pasos intermedios se excluye para ahorrar espacio. Como se esperaba, el R-cuadrado es menor después de que los datos son desestacionalizados (0.9106 comparado con 0.9539), pero la diferencia no es grande. Las estimaciones del coeficiente para las variables de desempleo y tendencia son similares en ambas regresiones, por lo que los resultados implican que el papel de las variables independientes no se ve afectado por los patrones estacionales.
Los economistas estiman principalmente el modelo de regresión con datos desestacionalizados para derivar el poder explicativo de las otras variables independientes. Sin embargo, sus resultados econométricos primarios deben reportar las estimaciones del modelo con los datos brutos y las variables ficticias de la estación.
