Існує теоретичне заперечення щодо використання даних, що коригують сезонами, що я бачив у нарисі Калмана (розробника фільтра Калмана); Вибачте, я не можу знайти посилання. Аргумент полягає в тому, що сезонне коригування - це фільтр, який має свою динаміку. Потім ви вбудовуєте цю динаміку фільтру в систему, яку ви моделюєте. Це було б поганою ідеєю в інженерних системах, але я не зовсім переконаний, що це має значення для економічних систем. (Моє академічне підґрунтя в системах інженерного контролю.) Однак, якщо змінні, які ви прогнозуєте, мають приблизно однаковий сезонний малюнок, окремо сезонне коригування їх може бути проблематичним.
Більшість вправ з прогнозування економіки включають змінні з різною сезонною схемою, і, ймовірно, легше працювати з сезонними даними. Вам доведеться вбудувати десезоналізацію у вашу модель, що підвищує складність моделі та, ймовірно, вносить додаткові помилки, які ми знаємо, що можемо пояснити.
Якщо ваша мета полягає в прогнозуванні несезонного коригуваної змінної, звичайна практика фінансової ринкової економіки - придумати оцінку несезонного коригуваної змінної, а потім застосувати існуючу сезонність. Основним прикладом, який я маю на увазі, є прогнозування індексу ІСЦ на ринках, пов'язаних з інфляцією, де інструменти пов'язані з невідкоригованим індексом. Ці прогнози були короткотерміновими (кількамісячний горизонт) і, як очікували, були досить точними. Навіть довгострокові прогнози мали вбудовану в них сезонну картину, оскільки вона мала відносну цінність навіть для інструментів з більш тривалими строками погашення.
Вчені можуть віддавати перевагу іншим методам, але я не знаю їх використання в короткостроковому прогнозуванні інфляції.
Якщо ви намагаєтесь прогнозувати сукупний індекс, прогнозуючи його компоненти, можливо, вам потрібно буде спрогнозувати кожен компонент, а потім агрегувати та сезонно коригувати, використовуючи ті самі алгоритми, що використовуються статистичним агентством. Однак рідко можна досягти необхідного рівня точності.