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..

Syftet med denna uppsats är att modellera och prognostisera Sveriges varuexport, varuimport och handelsnetto. Vi använder oss av data från januari 1975 till och med augusti 2010 för respektive serie. Dessa data testas och jämförs i olika ARIMA- och SARIMA-modeller samt skattas även medelst säsongsreningsprogrammet TRAMO/SEATS. För de modeller som bäst passar serierna genomförs därefter in sample- och out of sample-analyser med felmåtten RMSE och MAPE. Modellerna med bäst felmått och som därpå väljs ut för att göra prognoser för serierna till och med augusti 2012 är (3,1,0)x(0,1,1) för export, (2,1,1)x(0,1,1) för import samt (0,1,1)x(0,1,1) skattad i TRAMO/SEATS för handelsnetto..

Syftet med denna uppsats är att modellera och prognostisera Sveriges varuexport, varuimport och handelsnetto. Vi använder oss av data från januari 1975 till och med augusti 2010 för respektive serie. Dessa data testas och jämförs i olika ARIMA- och SARIMA-modeller samt skattas även medelst säsongsreningsprogrammet TRAMO/SEATS. För de modeller som bäst passar serierna genomförs därefter in sample- och out of sample-analyser med felmåtten RMSE och MAPE. Modellerna med bäst felmått och som därpå väljs ut för att göra prognoser för serierna till och med augusti 2012 är (3,1,0)x(0,1,1) för export, (2,1,1)x(0,1,1) för import samt (0,1,1)x(0,1,1) skattad i TRAMO/SEATS för handelsnetto..

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.

In this essay we aim at finding an appropriate flash estimator of the quarterly Swedish private consumption (PK). With the aid of the statistics program TRAMO we study if monthly data from the consumer survey (HIP) and retail industry (DH) can be used in a transfer function model (TFM) to forecast PK. In the work of assessing the state of the market and the business trend, fast information from the national accounts is needed for making decisions for the economic politics in Sweden. A way to speed up the information process is to use leading economic indicators to asses this development. Another way to get information faster is to use a flash estimate.

The essay initially intends to find adequate models to describe and forecast monthly data for the Swedish Consumer Price Index sub group Clothes and Shoes 1986-2005. The time series observations during 2006 are considered ?out of sample period? which is used to evaluate the forecasts. The purpose is to perform time series decomposition and to investigate and analyzethe seasonal pattern. The Box-Jenkins approach is used to find adequate ARIMA models.