Prospectiva e Planeamento, 1 - 1995

A UTILIZAÇÃO DO MÉTODO X11-ARIMA NA DESSAZONALIZAÇÃO

DE SÉRIES DE CONJUNTURA

Vítor Escária
Assistente Estagiário do ISEG
Colaborador do DPP

I. INTRODUÇÃO

O ajustamento das séries originais retirando-lhes os efeitos sazonais, visa a obtenção de

uma nova série, com menor dispersão que a original, permitindo uma avaliação mais
correcta da fase do ciclo económico em que a economia se encontra, o que assume um
papel fundamental na definição das políticas adequadas em tempo útil.

Assim, a correcção de variações sazonais assume particular importância na análise das

flutuações conjunturais da economia, uma vez que permite avaliar o que na variação das
séries se deve a uma variação tendencial, o que poderá exigir uma intervenção, ou a uma
mera variação de natureza conjuntural, que se ajustará automaticamente.

A utilização por parte dos conjunturistas de medidas como a variação homóloga ou a

variação homóloga acumulada permite de certa forma contornar a necessidade da
correcção de variações sazonais, uma vez que em termos homólogos a sazonalidade
como que se anula. No entanto, é frequente ver-se em diversos trabalhos a utilização,
paralelamente às variações homólogas, de variações em cadeia sem o cuidado prévio de
proceder à correcção de variações sazonais, o que, se não retira a validade às
interpretações, pelo menos as relativiza.

O presente trabalho visa apresentar as principais características do método X11-ARIMA,

método desenvolvido na década de setenta nas Estatísticas do Canadá e que se mantém
 Vítor Escária

como o método mais utilizado nos diversos institutos estatísticos do mundo. Na primeira
parte procurar-se-á fundamentar a correcção sazonal, bem como apresentar uma breve
exposição sobre diferentes métodos de correcção sazonal. Em seguida será apresentado
brevemente o funcionamento do procedimento X11-ARIMA, terminando-se com a
apresentação das principais críticas apresentadas ao método.

II. A SAZONALIDADE

Tradicionalmente, na análise das séries cronológicas, considera-se que cada observação

resulta da conjunção de vários efeitos, consistindo o trabalho do analista na decomposição
da série e análise do comportamento de cada uma das suas componentes, com vista à
previsão.

Normalmente, são consideradas quatro componentes presentes em cada observação:

• a tendência, T, que traduz o nível da sucessão, isto é, o comportamento mais geral

da variável sobre o tempo;

• o ciclo, C, que traduz as oscilações em torno do nível da série de prazo superior ao

ano, ou seja os movimentos oscilatórios de longo prazo. Nas séries económicas,
esta componente frequentemente apresenta uma periodicidade pouco definida, o
que faz com que nos estudos de curto prazo, o seu efeito seja integrado na
tendência, considerando-se a tendência-ciclo;

• a sazonalidade, S, que se refere às oscilações em torno da tendência de

periodicidade inferior ao ano, detectável em séries infra-anuais, com origem em
causas naturais, como o clima, ou em causas sociais e institucionais, como os
costumes e disposições;

• a componente errática ou residual, e, que traduz os movimentos irregulares

explicados por causas fortuitas ou desconhecidas, para onde são remetidos os
movimentos não explicados pelas componentes anteriores e que se assume ter um
comportamento aleatório.

Cada observação, O, é vista como resultante da combinação daqueles quatro elementos

expressando-se na forma genérica,

O = f ( T, C, S, ε )

132
 A Utilização do Método X11-ARIMA

expressão geral que se formaliza de forma diferenciada conforme admitamos um modelo

multiplicativo, em que as diferentes componentes são interdependentes,

O = T x C x S x ε,

um modelo aditivo, em que se admite um independência do comportamento das

componentes,

O = T + C + S + ε,

ou para o modelo log-aditivo,

Log(O) = Log(T) + Log(C) + Log(S) + Log(ε),

podendo-se considerar outras formas mistas.

III. OS MÉTODOS DE CORRECÇÃO SAZONAL

Mantendo a hipótese de que cada observação resulta da influência conjunta daqueles

quatro factores, ou seja, que a série possui vários componentes bem determinados, torna-
se necessário proceder à respectiva estimação. Para isto, tradicionalmente eram utilizados
dois grandes grupos de métodos dentro dos modelos univariados:

• métodos de regressão,

• métodos de médias móveis ou alisamentos lineares.

Os métodos de regressão assumiam que as componentes são funções determinísticas,

devendo-se estimar regressões com variáveis explicativas. No entanto, estes métodos
eram bastante rígidos e os resultados obtidos não foram muito animadores pelo que a sua
utilização era bastante restrita.

Os métodos de médias móveis são métodos não causais, não se definindo variáveis
explicativas, em que se assume que as componentes são funções alisadas do tempo, com
um comportamento estocástico. Estes métodos têm sido os mais frequentemente utilizados
na correcção sazonal de séries por parte dos institutos estatísticos de todo o mundo. A sua
utilização em procedimentos automáticos de correcção sazonal iniciou-se na década de 50

133
 Vítor Escária

nos EUA com os primeiros trabalhos do Census, mas os primeiros desenvolvimentos neste
domínio remontam à década de 20 com os trabalhos de Frederick Macauly, no NBER.

Os detractores da utilização de métodos baseados em médias móveis na correcção

sazonal apontam-lhes como principais defeitos a inexistência de um modelo estatístico
explicativo do comportamento da série, o relativo atraso introduzido pelos sucessivos
alisamentos e ainda a diferença de tratamentos a que estão sujeitas as observações
centrais da série e as dos extremos. Apesar destas críticas, a qualidade dos resultados
obtidos e a inexistência de uma alternativa satisfatória fizeram com que o método das
médias móveis seja o mais utilizado (existem hoje autores que referem que a opção pelo
desenvolvimento e utilização deste tipo de métodos está mais relacionado com a tradição e
o facto da maior parte dos conjunturistas ter sido educado nesta lógica, do que com uma
opção técnica).

Mais recentemente, os desenvolvimentos no domínio da econometria das séries temporais

e dos modelos estruturais, onde se salientam os trabalhos de A. C. Harvey tem feito surgir
alguns procedimentos tipo regressão com resultados animadores, nomeadamente o STM
na Holanda. Por outro lado, trabalhos no domínio dos modelos de extracção de sinal e da
análise espectral têm também sido utilizados neste domínio, como, por exemplo, no caso
do modelo SEATS utilizado no Banco de Espanha.

IV. O X11-ARIMA

Em 1973 iniciou-se nas Estatísticas do Canadá sob supervisão de Estela B. Dagum a

pesquisa com vista à obtenção de um método que suprisse alguns dos problemas do
método mais utilizado - o método do Census X11 desenvolvido em 1967 nos EUA.

Os problemas essenciais do método X11 eram:

• a introdução de novas observações numa série provocava grandes alterações nos

factores sazonais calculados, mesmo para observações muito atrasadas, o que dava
um carácter muito provisório aos factores calculados em cada momento;

• mantinham-se as críticas apontadas aos métodos de médias móveis, nomeadamente

no que se refere à ausência de um modelo estatístico subjacente ao comportamento
da série, bem como à diferença de tratamento entre as observações centrais e dos
extremos;

134
 A Utilização do Método X11-ARIMA

Em 1974 tinham chegado a um resultado - o método X11-ARIMA desenvolvido pelas

Estatísticas do Canadá.

O procedimento X11-ARIMA consiste basicamente em:

• modelizar a série original por um processo integrado, autoregressivo, média móvel

(ARIMA) do tipo Box-Jenkins;

• extrapolar um ano de observações não ajustadas em cada extremo da série a partir

do modelo ARIMA que melhor se ajusta ao comportamento da série original em
termos de previsão;

• ajustar sazonalmente a série estendida, com a utilização dos filtros do método do

Census X11.

A inclusão do modelo ARIMA no X11 é fundamental quando a estrutura sazonal se altera

rapidamente e de forma aleatória. Como a série é estendida, os filtros aplicados às
observações dos extremos são semelhantes aos aplicados às observações centrais, o
que, de acordo com DAGUM (1982), minimiza a magnitude das revisões dos factores
sazonais em termos de erro quadrático médio (o X11-ARIMA é um minimum mean square
error seasonal adjustment method). Em séries com sazonalidade pouco estável aponta-se
para um ganho considerável em termos de qualidade das estimativas, principalmente
quando o último ano é um “turning-point”, ou quando a tendência-ciclo cresce rapidamente.

O procedimento X11-ARIMA, na sua versão standard, é composto de treze passos:

• rácio entre a série original e a série resultante da aplicação de uma média móvel
centrada de 12 termos (2*12) à série original, obtendo-se uma primeira estimativa
dos SI (componente sazonal e irregular);

• média móvel ponderada de 5 termos (3*3 moving average) dos SI para cada mês
separadamente, obtendo-se uma primeira estimativa dos factores sazonais;

• cálculo de uma média móvel centrada de 12 termos (2*12) da série dos factores
sazonais obtidos anteriormente. Para obter os valores iniciais e finais, repete-se seis
vezes o primeiro e o último valor da média disponível. Ajustar os factores para
somarem 12 (ou 0 na sazonalidade aditiva), em qualquer período de 12 meses
através do cálculo do rácio entre a série dos factores e a série de média móvel
obtida anteriormente;

135
 Vítor Escária

• rácio entre a série dos SI e a série dos factores sazonais calculada anteriormente,
com vista à obtenção de uma estimativa da componente irregular;

• cálculo do desvio padrão móvel de 5 anos relativamente às estimativas da

componente irregular e teste do valor da componente irregular do ano central contra
2,5σ. Retiramos os valores acima de 2,5σ como extremos e recálculamos o desvio
padrão móvel de 5 anos. Atribuimos um peso 0 aos elementos da série dos
componentes irregulares que se encontram acima de 2,5σ e um peso 1 aos que se
encontram abaixo de 1,5σ. Atribuímos um peso linear entre 0 e 1 aos que se
encontram no intervalo [1,5σ 2,5σ];

• para os dois primeiros anos, utilizamos os limites do desvio padrão calculados para o
terceiro ano, e, para os dois últimos, utilizamos o valor do antepenúltimo ano. Para
substituir um valor extremo no início ou fim da série utiliza-se o valor da média entre
o rácio vezes o peso e os três valores do rácio respeitante áquele mês com peso
total mais próximos;

• cálculo de uma média móvel ponderada de 5 termos (3*3) aos rácios SI, com valores
extremos substituídos, para cada mês em separado, obtendo-se uma nova
estimativa dos factores sazonais;

• cálculo de uma média móvel centrada de 12 termos (2*12) da série dos factores
sazonais obtidos anteriormente. Para obter os valores iniciais e finais, repete-se seis
vezes o primeiro e o último valor da média disponível. Ajustar os factores para
somarem 12 (ou 0 na sazonalidade aditiva), em qualquer período de 12 meses
através do cálculo do rácio entre a série dos factores e a série de média móvel
obtida anteriormente (repetição do passo 3 mas agora com os novos factores);

• cálculo do rácio entre a série original e os factores sazonais obtidos anteriormente,

obtendo-se uma primeira estimativa da série dessazonalizada;

• cálculo de uma média móvel de Henderson de 9, 13 ou 23 termos à série ajustada

sazonalmente, dividindo-se a série tendência-ciclo resultante à série original,
obtendo-se uma nova estimativa dos SI;

• cálculo de uma média móvel ponderada de 7 termos (3*5) aos rácios SI obtidos
anteriormente para cada mês separadamente, obtendo-se uma nova estimativa dos
factores sazonais;

• cálculo de uma média móvel centrada de 12 termos (2*12) da série dos factores
sazonais obtidos anteriormente. Para obter os valores iniciais e finais, repete-se seis

136
 A Utilização do Método X11-ARIMA

vezes o primeiro e o último valor da média disponível. Ajustar os factores para

somarem 12 (ou 0 na sazonalidade aditiva), em qualquer período de 12 meses
através do cálculo do rácio entre a série dos factores e a série de média móvel
obtida anteriormente (repete passo 3 com novos factores sazonais);

• rácio entre a série original e os factores sazonais, obtendo-se a série ajustada

sazonalmente.

Estes passos correspondem a seis sequências de tratamento, que dão o nome aos
diversos quadros:

• FASE A - Ajustamentos prévios - o utilizador pode definir à priori determinados

elementos para tornar mais eficiente a estimação dos factores sazonais:
nomeadamente indicar o modelo ARIMA que representa a série, fornecer factores
correcção de dias úteis, factores de correcção mensal, etc.. É nesta fase ainda que é
extrapolada a série original com o modelo ARIMA que é ajustado à série original
corrigida por estes factores iniciais, com os valores extremos substituídos por
valores ajustados (se não houvesse esta substituição, um bom modelo ARIMA
poderia ser rejeitado pela presença de outliers);

• FASE B - Estimação preliminar da variação de dias úteis e dos pesos das

observações extremas;

• FASE C - Estimação final da variação de dias úteis e dos pesos das observações
extremas;

• FASE D - Estimação final dos factores sazonais, da tendência-ciclo, da componente

irregular e da série ajustada sazonalmente;

• FASE E - Série original, Ajustada sazonalmente e Irregular modificadas com a

consideração dos valores extremos;

• FASE F - Cálculo dos meses de dominância cíclica e medidas sumário.

Temos assim que o X11-ARIMA é um procedimento iterativo, obtendo-se as estimativas

por aplicação sucessiva dos filtros.

O X11-ARIMA responde às críticas normalmente apontadas aos procedimentos baseados

em médias móveis:

• é considerado um modelo estatístico que explica o comportamento da série;

137
 Vítor Escária

• devido à extensão da série, os filtros utilizados com as observações dos extremos

são mais parecidos com os utilizados com as observações centrais. Este facto
desempenha um papel fundamental quando a sazonalidade se altera rapidamente e
de forma estocástica garantindo os seus criadores que se verifica uma redução de
30% no desvio e de 20% nos valores absolutos do erro de estimação dos factores
sazonais, sendo essa redução mais significativa na próximidade de pontos de
viragem;

• o X11-ARIMA é um método que minimiza o erro quadrático médio de estimação dos

factores sazonais, minimizando a revisão daqueles;

• para séries com sazonalidade estável o X11-ARIMA representa uma grande melhoria
quando a tendência ciclo está a crescer muito, ou quando o último ano é um ponto
de viragem. Os pesos finais do X11-ARIMA para estimar a tendência ciclo são uma
combinação dos pesos simétricos de Henderson e dos pesos assimétricos do
modelo ARIMA utilizado para extrapolar a série. Como os pesos finais mudam com o
modelo ARIMA, reflectem os movimentos mais recentes da série e raramente deixam
passar um ponto de viragem;

• permite a consideração de padrões de sazonalidade móvel.

O X11 ARIMA funciona em dois modos:

• automático - o programa tem três modelos que são testados - nos testes preliminares
estes modelos representavam bem cerca de 90% das séries.

Os modelos que são testados são:

Para a sazonalidade multiplicativa ou log-aditiva:

1. log (0,1,1) (0,1,1)s

2. log (0,2,2) (0,1,1)s

3. (2,1,2) (0,1,1)s

Para a sazonalidade aditiva:

1. (0,1,1) (0,1,1)s

2. (0,2,2) (0,1,1)s

3. (2,1,2) (0,1,1)s

138
 A Utilização do Método X11-ARIMA

• não automático - o utilizador pode especificar o modelo ARIMA que considera mais
adequado.

No modo automático, a escolha do modelo ARIMA é feita de acordo com vários princípios:

• o principio da parcimónia - entre os modelos possíveis, devemos escolher um que

seja mais simples;

• o modelo deve ser robusto à introdução de novas observações e os valores

extrapolados não se devem alterar muito com pequenas alterações dos parâmetros;

• o modelo ajustado deve seguir bem o movimento infra-anual da série embora possa
perder um pouco o nível da série;

• o modelo deve minimizar o erro quadrático médio de previsão.

Em termos estatísticos existem critérios bem definidos que determinam a escolha do

modelo. Para se realizar a extrapolação é necessário que a série tenha pelo menos
5 anos, que o erro absoluto médio de previsão nos últimos três anos seja inferior a 12%,
que o teste de Portmandeau à “brancura” dos resíduos leve à rejeição da hipótese nula
com a estatística de teste do Qui-quadrado a um nível de significância de 10% e que não
existam sinais de sobrediferenciação. Já no que respeita à extrapolação para trás, é
necessário que a série não tenha mais de 10 anos, que o erro de previsão nos últimos três
anos seja inferior a 18% e que não existam sinais de sobrediferenciação.

Para além dos testes relacionados com a escolha do modelo, existe na versão automática
um grupo de testes que presidem a um conjunto de escolhas, que na versão não
automática são indicadas pelo utilizador, e que permitem avaliar a fidedignidade do
ajustamento sazonal.

Um dos primeiros testes efectuados é um teste baseado na ANOVA - análise da variância

dos rácios SI, obtidos na sequência de tratamento B. O valor da estatística F, que testa a
existência de sazonalidade estável, resulta do quociente de duas variâncias: a variância
entre meses, devida aos factores sazonais e a variância residual, devida à componente
irregular. A hipótese nula, de sazonalidade presente, é testada a um nível de 10% (devido
à violação de muitas hipóteses, o teste não é muito exigente).

É realizado outro teste à presença de sazonalidade móvel baseado na ANOVA bi-variada

sobre os SI obtidos na sequência de tratamento D. A existência de sazonalidade móvel é
caracterizada por alterações na amplitude do movimento sazonal e não na fase. A

139
 Vítor Escária

variância total dos rácios SI é decomposta na variância entre meses, que mede a
magnitude da sazonalidade, na variância entre anos, que mede a variação do padrão
sazonal entre os anos, e a variância residual. A estatística F resulta do quociente entre a
variância entre anos e, a variância residual, em que um alto valor é sintomático de
sazonalidade móvel, situação em que os factores sazonais estimados perdem alguma
credibilidade.

Um teste combinado à presença de sazonalidade identificável é realizado, combinando o

teste anterior, com o teste de sazonalidade estável e o teste de Kruskal-Wallis (um teste
não paramétrico para detectar sazonalidade estável). Se existe pouca sazonalidade
estável e muita móvel, quer dizer que não vamos conseguir identificar o padrão sazonal. O
teste é feito pela combinação da estatística F dos três testes.

Na sequência de tratamento D é feito um teste à presença de sazonalidade residual, que

verifica se restou alguma sazonalidade, considerando a série toda ou os três últimos anos.

São realizados testes à aleatoriedade dos resíduos, utilizando a duração média de sentido
da componente irregular, que serve para testar a aleatoriedade dos resíduos contra a
hipótese de que os resíduos seguem um processo autoregressivo de primeira ordem. Se
os resíduos forem puramente aleatórios a estatística vem igual a 1.5, o que conduz a um
intervalo de confiança com 95% de significância entre 1.36 e 1.75. Valores acima de 1.75
indicam a presença de autocorrelação positiva e valores inferiores a 1.36 a presença de
autocorrelação negativa. De salientar ainda que este teste não é eficiente para detectar
outros padrões de autocorrelação.

Existe ainda uma estatística de controlo, a estatística Q, que resulta da combinação de um

treze medidas e que pretende aferir da qualidade do ajustamento sazonal. Cada uma das
medidas tem um intervalo de variação entre 0 e 3 com uma zona de aceitação entre 0 e 1.
O ajustamento sazonal é aceite quando a estatística Q tem um valor inferior a 1.

Para além destes testes estatísticos, existem outras escolhas feitas em função de
determinados valores. Por exemplo, a escolha do números de termos da média de
Henderson para a obtenção da tendência-ciclo é função da magnitude relativa da
componente irregular relativamente à tendência-ciclo. Se I/C estiver entre 0 e 0.99 utiliza-
se uma média móvel de 9 termos, se o valor estiver entre entre 1 e 3.49 utiliza-se uma
média de 13 termos e se o valor for superior a 3.5 utiliza-se uma média de 23 termos.
Critérios semelhantes são utilizados para escolher o tipo de média móvel utilizado na
obtenção dos coeficientes sazonais. O programa permite que seja o utilizador a fazer estas
escolhas.

140
 A Utilização do Método X11-ARIMA

Vemos assim que o procedimento X11-ARIMA é um procedimento iterativo, relativamente

flexível, que dá ao utilizador um conjunto vasto de opções, opções essas que são
aumentadas na versão de 1988 do programa. De salientar que quando o utilizador define o
modelo ARIMA, nenhum dos testes de adequação do modelo são efectuados. Quando
nenhum modelo ARIMA é utilizado, este procedimento resume-se ao procedimento do
Census X11.

V. PRINCIPAIS CRÍTICAS FEITAS AO X11-ARIMA

Ao longo dos últimos anos têm sido feitos diversos estudos que procuraram avaliar os
impactos da utilização do procedimento X11-ARIMA, nomeadamente quanto ao
comportamento das séries resultantes.

Existem autores que criticam pura e simplesmente a utilização de séries corrigidas de

variações sazonais, pois consideram que assim se elimina uma das fontes de flutuações
macroeconómicas. Esta posição é contestada por BELL e HILLMER (1984) que defendem
que a utilização de séries ajustadas elimina uma das fontes de relações espúrias.

Autores como GHYSELS e PERRON (1993) salientam o impacto que a utilização dos
filtros do método têm sobre a potência dos testes de raízes unitárias realizados sobre as
séries corrigidas de variações sazonais, nomeadamente os que utilizam as estatísticas de
Dickey-Fuller e de Phillips-Perron. Esta idéia tinha sido já referida em trabalhos anteriores
de GHYSELS, bem como nos trabalhos de LEE e SYKLOS (1991), em que se constatou
que muitas raízes unitárias que eram detectadas quando se utilizavam séries ajustadas
sazonalmente, não existiam nas séries originais, ou seja, resultariam da aplicação dos
filtros do método X11-ARIMA, que fazem com que a série ajustada tenha muito mais
persistência do que a série original. Estes últimos autores referem ainda que,
paradoxalmente, a utilização do método frequentemente elimina raizes unitárias sazonais
que existem nas séries originais.

RAVEH (1984) faz uma análise bastante crítica do método considerando que o método
proposto por ele próprio é relativamente melhor nalguns aspectos. De acordo com este
autor, o X11-ARIMA confunde frequentemente ciclos de natureza não sazonal com ciclos
sazonais e ao proceder ao ajustamento elimina esses ciclos. Este facto é visível no caso
do IPC americano, bem como em séries artificiais, que não tendo componente sazonal, ao
serem tratadas pelo procedimento ele detecta sazonalidade significativa. Outro problema
associado ao método está ligado a problemas de robustez contra mudanças abruptas na

141
 Vítor Escária

tendência. O X11-ARIMA, apesar de melhorar o comportamento do X11, é afectado por

mudanças abruptas da tendência, que condicionam o padrão sazonal identificado pelo
procedimento. Mais críticas são referidas, nomeadamente o pouco rigor das estimações
em séries com observações nulas; a não idempotência - o método não garante que a sua
aplicação a dados dessazonalizados produza coeficientes iguais a 1 (sazonalidade
multiplicativa) ou 0 (sazonalidade aditiva), o que aponta para a possibilidade de
subestimação ou sobrestimação dos parâmetros; bem como uma relativa
sobresensibilidade a valores extremos.

GHYSELS e PERRON (1993) referem ainda que a utilização do método produz

autocorrelações distantes em resultado da aplicação de filtros simétricos. Para além disso,
se utilizarmos séries dessazonalizadas em modelos econométricos dinâmicos, a
consistência do estimador dos mínimos quadrados não é garantida (ao contrário do que
acontece nos modelos não dinâmicos em que basta garantir que todas as séries são
dessazonalizadas aplicando o mesmo filtro).

SCOTT (1992) fez uma análise comparativa de diversos procedimentos de correcção

sazonal, entre os quais o X11-ARIMA na sua versão de 1988 - em que são introduzidas
algumas novas opções para o utilizador - concluíndo que o X11-ARIMA é um procedimento
não paramétrico robusto para a decomposição de séries.

Não obstante as diversas críticas, o método continua a ser utilizado em diversos institutos
estatísticos do mundo.

VI. CONCLUSÃO

A correcção de variações sazonais é generalizada por parte dos analistas de conjuntura,

como uma forma de proceder a uma adequada avaliação do ciclo conjuntural. O presente
trabalho tentou apresentar um dos principais procedimentos utilizados no tratamento das
séries, sem deixar de salientar as críticas que lhe são apontadas e que devem ser
ponderadas pelos seus utilizadores.

142
 A Utilização do Método X11-ARIMA

BIBLIOGRAFIA

BELL, William ; HILLMER, Steven - Issues Involved with the Seasonal Adjustment of
Economic Time Series, “Journal of Business & Economic Statistics”, 2 (4), Oct. 1984.

CARDOSO, Anabela Duarte - Modelos de Extracção de Sinal, Dissertação para a

obtenção do grau de Mestre em Matemática Aplicada à Economia e Gestão no ISEG, 1995

DAGUM, Estela Bee - The X11-ARIMA Seasonal Adjustment Method, Ottawa Statistics
Canada, 1980.

DAGUM, Estela B. - Revisions of Time Varying Seasonal Filters, “Journal of Forecasting”,

1 (2) April-June 1982.

DEN BUTTEN, F. A. G. ; MOURIK, J. J. - Seasonal Adjustment Using Structural Time

Series: An application and a comparison with Census X11 method, “Journal of Business &
and Economic Statistics”, 8 (4) Oct. 1990.

FAYOLLE, Jacky - Pratique Contemporaine de l’Analyse Conjoncturelle. Paris,

Economica, 1987.

GAIT, Nazira - Analysis of Revisions in the Seasonal Adjustment of Data Using X11-
ARIMA model based filters, “International Journal of Forecasting”, (2) 1986.

GHYSELS, Eric ; PERRON, Pierre - The Effect of Seasonal Adjustement Filters on Tests
for a Unit Rroot, “Journal of Econometrics”, 55 (1-2) Jan-Feb. 1993.

LEE, Hahn Shik ; SIKLOS, Pierre L. - Unit Roots and Seasonal Unit Roots in
Macroeconomic Time Series, “Economic Letters”, (35), 1991.

RAVEH, Adi - Comments on Some Properties of X11, “Review of Economics and

Statistics”, 66 (2) May 1994.

SCOTT, Stuart - An Extended Review of the X11-ARIMA Seasonal Adjustment Package,

“International Journal of Forecasting” (8) 1992.

143