Očištění od kalendářních vlivů

VYDÁNÍ: 10/2017
sdílejte na Facebooku sdílejte na Twitteru pošlete e-mailem sdílejte

Mnoho ukazatelů ekonomické statistiky bývá očištěno od kalendářních vlivů a sezónnosti, případně od nestejného počtu pracovních dnů a sezónnosti.

Mnoho ukazatelů ekonomické statistiky bývá očištěno od kalendářních vlivů a sezónnosti, případně od nestejného počtu pracovních dnů a sezónnosti. O sezónním očištění jsme již psali v čísle 9/2015 (více na http://bit.ly/2y4bBHi). Co však znamená očištění od kalendářních vlivů?
Měsíce mají v našem kalendáři různý počet dnů (nejčastěji 31, méně často 30, ale také 28 nebo 29 dnů). To samozřejmě není nic objevného. Vedle toho mají ale měsíce i různý počet pracovních dnů. Důvodem jsou státní a jiné svátky, víkendy apod. Někdy připadnou svátky na víkend, jindy zase na konec měsíce či na začátek toho dalšího. A nezapomeňme na pohyblivé svátky, jako jsou Velikonoce, které bývají někdy v březnu, jindy v dubnu.
Tyto různé kalendářní vlivy mohou značně zkomplikovat vypovídací schopnost statistických ukazatelů. Jak například porovnat produkci v měsících, které měly různý počet dnů, v nichž lidé chodili do práce? Dá se něco takového vůbec srovnávat? Uveďme příklad. Představme si, že jsme v září v naší továrně vyrobili 180 traktorů jednoho typu, a to za 18 pracovních dnů. V říjnu jsme pak vyrobili 200 stejných traktorů, tedy o 20 traktorů více než v září. Zdálo by se, že nám výkonnost vzrostla o 11 % (200 : 180), a přesto tomu tak být nemusí. Říjen totiž měl 21 pracovních dnů. Je tedy pochopitelné, že jsme traktorů vyrobili více. K vyšší produkci přispěly pravděpodobně právě ony tři pracovní dny navíc. V takové situaci můžeme jen těžko oba měsíce porovnávat. Co tedy s tím?
Abychom mohli vývoj výkonnosti sledovat, a to platí o naší továrně stejně jako o celé ekonomice, musíme při porovnávání jednotlivých měsíců (čtvrtletí) eliminovat vliv různého počtu pracovních dnů. A k tomu nám ve statistické praxi slouží tzv. očištění od kalendářních vlivů, resp. očištění od nestejného počtu pracovních dnů.
Očištění od kalendářních vlivů je standardní statistickou metodou, která zajišťuje srovnatelnost jednotlivých měsíců tím, že v podstatě přepočte měsíce na obvyklý počet pracovních dnů. Z dlouhodobého chování časových řad lze totiž vysledovat, jaký je průměrný vliv jednoho pracovního dne na celkovou měsíční (čtvrtletní, týdenní…) hodnotu daného statistického ukazatele. A díky tomu pak lze přepočítat hodnoty v jednotlivých měsících tak, jako kdyby měly stejný počet pracovních dnů. Zjednodušeně řečeno, měsíc, který měl méně pracovních dnů, než je obvyklé, je navýšen a měsíc, ve kterém bylo více pracovních dnů, než je obvyklé, je ponížen tak, jako kdyby oba měsíce měly stejný (obvyklý) počet pracovních dnů.
Vraťme se k našemu ilustrativnímu příkladu. Z dlouhodobé zkušenosti víme, že za jeden den se obvykle vyrobí 10 traktorů. A řekněme, že měsíc má obvykle 20 pracovních dnů. Pokud bylo tedy v září 18 pracovních dnů, pak mu dva dny chybějí. Model očištění od kalendářních vlivů, resp. nestejný počet pracovních dnů proto upraví zářijový počet vyrobených traktorů (180 ks) tak, aby odpovídal 20 pracovním dnům. Zjednodušeně přidá za chybějící dva dny dalších 20 traktorů (10 traktorů krát 2 dny). Zářijová produkce očištěná od nestejného počtu pracovních dnů tak bude činit 200 traktorů (180 + 20). Naopak říjen měl 21 pracovních dnů, tj. o jeden den více, než je obvyklé. Proto model při očištění odebere 10 traktorů (10 traktorů za 1 den). Výsledná očištěná říjnová produkce tak bude 190 traktorů (200 – 10). A obrázek o výkonnosti továrny je najednou úplně jiný. Nepředpokládáme-li žádnou sezónnost a porovnáme-li produkci očištěnou od nestejného počtu pracovních dnů, je vidět, že výkonnost ve skutečnosti v říjnu oproti září klesla o 5 % (z 200 na 190 traktorů).
V praxi jsou modely očištění od kalendářních vlivů samozřejmě složitější a nemusejí brát v úvahu pouze pracovní dny, ale třeba jen celkový počet dnů v měsíci (tam, kde mají nepřetržitý provoz). Nebo se může ukázat, že některá odvětví jsou citlivá spíše na počet obchodních dnů než na pracovní dny (o víkendu se může nakupovat více než v pracovních dnech apod.). Každopádně cílem takového očištění musí být zajištění srovnatelnosti, aby bylo možné údaje správně interpretovat. V našem případu výkonnost v říjnu ve skutečnosti poklesla o 5 %, i když se zprvu zdálo, že o 11 % vzrostla.

Autor: ,

vedoucí oddělení čtvrtletních odhadů

Zatím zde není žádný komentář.

Související články

 

Statistika je o kompromisech

Ilustrační foto

Když se člověk při svém bádání obrátí ke statistice a hledá ukazatele, které by odpověděly na jeho otázky, stává se, že skončí zklamán, a s povzdechem se ptá: „Proč nejsou ty údaje dříve? Častěji? Ve větším detailu?

Nespojujme nespojitelné

Ilustrační foto

Liniové grafy (jinak také spojnicové nebo čárové) jsou jedním z nejlepších způsobů, jak zobrazit trend vývoje časové řady zkoumaného ukazatele. Jejich využití je širší, nejen v časových řadách, ale v běžné hospodářské či sociální statistice se setkáváme s chybami hlavně u nich.

Trable s „koláči“

ilustrativní fotka

Koláčové grafy jsou jedním z nejlepších způsobů, jak znázornit strukturu celku. „Koláče“ se používají jako dobrá pomůcka k vysvětlení polovin, třetin, čtvrtin…, podílů…, procent. Intuitivně každý chápe, že jeden celý koláč je jeden celek. Že představuje 100 % a lze ho rozdělit na různě velké dílky, z nichž lze sestavit zase jen jeden koláč (pokud někdo kousek nesní). Občas se však stává, že se při prezentaci údajů používají koláčové grafy nevhodně, nebo dokonce nesprávně. Uveďme tři příklady.

Měřítko u sloupcových grafů

Ilustrační foto

Dobrý obrázek dokáže často vyjádřit více než obsáhlý popis. To platí jak o fotografii, tak o grafu. Vnímáme je totiž intuitivně a všímáme si jich dřív, než začneme (pokud vůbec) číst text.

Zdánlivé slovíčkaření: odhady, predikce a měření

ilustrativní fotka

K mylné interpretaci statistických ukazatelů nebo nepochopení jejich významu dochází mnohdy pouze vinou nevyjasněné terminologie. Znáte to, jeden mluví o voze a druhý o koze… A přitom by úplně stačilo nejprve si vyjasnit pojmy. Vezměme například „odhad“, „predikci“ a „měření“. Někdy se zaměňuje „odhad“ a „měření“, jindy zase „odhad“ a „predikce“. Není se co divit, že pak dochází ke zmatkům.

Nezaměstnanost, 1 jev – 2 ukazatele

Ilustrační foto

Pokud chceme v České republice zkoumat nezaměstnanost, nabízí se nám dva základní ukazatele. Jsou jimi míra nezaměstnanosti a podíl nezaměstnaných osob. Oba ukazatele sledují tentýž jev, nezaměstnanost, a přesto je každý z nich jiný a poskytuje jiné výsledky. Jaké jsou mezi nimi rozdíly?

Adekvační problém v ekonomické či sociální statistice

Ilustrační foto

Adekvační problém je pojmem, který málokdo z nás slyšel, a přesto jsme okolo něj už kroužili v mnoha našich článcích. Oč se tedy jedná?

Meziroční, mezičtvrtletní a bazický index

Ilustrační foto

Indexy jsou základ, to vám potvrdí každý správný statistik. Jsou klíčovým nástrojem pro jakékoliv porovnávání v čase či prostoru. Zaměřme se na tři indexy, které uživatel často potkává: meziroční, mezičtvrtletní a bazický.

Rozptyl, směrodatná odchylka a variační koeficient

ilustrační foto

O tom, že průměrná mzda neznamená, že polovina lidí bere podprůměrnou mzdu a polovina nadprůměrnou, jsme hovořili již dříve.

Meziroční a průměrná roční míra inflace

ilustrační foto

Rostou ceny, anebo naopak klesají? A o kolik? Otázky, na které nemusí být snadné odpovědět. Každý z nás si však může udělat vlastní průzkum cen.