<p>Ett syfte med tidserieteori är att dekomponera en observerad tidsserie i en summa icke observerbara komponenter. Dessa komponenter är Trend, Cykel, Säsong, Kalendereffekter, Extremvärden samt Irreguljära effekter.</p><p>Det finns två olika teorier för dekomponering av tidsserier, modellbaserad dekomponering och icke modellbaserad dekomponering. De två olika teorierna skiljer sig åt i grunden. Den här uppsatsen syftar till att utvärdera de två säsongsrensningsmetoderna TRAMO/SEATS och X-12 ARIMA samt att säsongsrensa tidsserien över den totala lönesumman, vilken är en del av statistikprodukten Lönesummor arbetsgivaravgifter och preliminär A-skatt (LAPS) producerad av SCB.</p>

Ett syfte med tidserieteori är att dekomponera en observerad tidsserie i en summa icke observerbara komponenter. Dessa komponenter är Trend, Cykel, Säsong, Kalendereffekter, Extremvärden samt Irreguljära effekter. Det finns två olika teorier för dekomponering av tidsserier, modellbaserad dekomponering och icke modellbaserad dekomponering. De två olika teorierna skiljer sig åt i grunden. Den här uppsatsen syftar till att utvärdera de två säsongsrensningsmetoderna TRAMO/SEATS och X-12 ARIMA samt att säsongsrensa tidsserien över den totala lönesumman, vilken är en del av statistikprodukten Lönesummor arbetsgivaravgifter och preliminär A-skatt (LAPS) producerad av SCB.

I denna uppsats har olika metoder för att göra prognoser för ekonomiska tidsserier med säsongsmönster jämförts och utvärderats. Frågan som undersökningen har kretsat kring är: Vilken metod är bäst lämpad för att göra prognoser av tidsserier med säsongsmönster? De metoder som jämförs är säsongsrensningsmetoderna Census II och TRAMO/SEATS, säsongsmodellerna SARIMA och ARIMA med dummyvariabler för säsong samt en metod där medelvärdena från de fyra första metoderna används som prognoser. För att genomföra undersökningen har dessa metoder tillämpats på fyra ekonomiska tidsserier, nämligen: konsumtion, BNP, export samt byggstarter. Resultatet från undersökningen är att säsongsmodellerna är bäst för konsumtionsserien, säsongsrensningsmetoderna är bäst för BNP- och exportserien och den ena säsongsmodellen (SARIMA) är bäst för byggstartsserien medan den andra (ARIMA-dummy) är den sämsta. Val av prognosmetod beror med andra ord på vilken serie som ska prognostiseras.