På scb.se använder vi kakor (cookies) för att webbplatsen ska fungera på ett bra sätt för dig. Genom att surfa vidare godkänner du att vi använder kakor. Vad är kakor?

Publicerad: 2016-06-08
Nr 2016:38

Författare

Suad Elezovic

arbetar med statistisk metod, säsongrensning och tidsserieanalys på SCB.

010-479 94 657

suad.elezovic@scb.se

Cecilia Westin

har arbetat med Arbets­krafts­under­sök­ning­arna (AKU) på SCB.

aku@scb.se

Statistikskolan:

Säsongrensning gör statistiken jämförbar

För att kunna jämföra statistik mellan perioder som innehåller olika säsongsvariationer måste data säsongrensas.  I Statistikskolan förklarar vi hur det går till.

Fjädrar i olika färg

När statistik presenteras förekommer ibland begreppet säsongrensning, eller säsongrensade data. Och precis som det låter handlar säsongrensning om att försöka rensa data på effekter av säsongsvariationer. Man vill helt enkelt ta bort regelbundna och oregelbundna variationer som förekommer i data på grund av säsongsmässiga beteenden och mönster. En regelbunden variation kan till exempel vara att majoriteten av de sysselsatta i Sverige tar ut semester under sommaren. Ett annat exempel är att glassförsäljningen i Sverige är högre under sommarmånaderna än under resten av året.
Låt oss återgå till det första exemplet, det vill säga att majoriteten av de sysselsatta i Sverige tar ut semester under sommaren. Innebär det att företag och myndigheter måste hålla sommarstängt? Nej, de flesta anställer förstås semestervikarier vilket medför ett tydligt säsongsmönster i data över antalet sysselsatta.

Om vi tittar på det första diagrammet – där ingen säsongrensning gjorts – kan vi se en påtaglig ökning av antalet sysselsatta under sommarmånaderna, i synnerhet under juli. I juli 2015 uppgick antalet sysselsatta till drygt 5 miljoner. Låt oss sätta det framräknade värdet i juli i relation till en månad som inte innehåller samma säsongsmönster, till exempel november. I november 2015 var antalet sysselsatta närmare 4,9 miljoner.
Hur ska vi tolka minskningen med över 100 000 sysselsatta mellan juli och november? Har arbetsmarknaden i Sverige försämrats på så kort tid? Nej, så är inte fallet. Antalet sysselsatta ökar i juli varje år, det är med andra ord en regelbunden säsongsvariation vi behöver ta hänsyn till för att kunna jämföra eventuella skillnader från månad till månad. Den eventuella skillnaden, eller utvecklingen som det kallas, ska spegla verkligheten och de förändringar som faktiskt skett utan störning av regelbundna säsongsvariationer. I vårt exempel handlar det om att sysselsatta i Sverige tar semester i juli och att semestervikarier anställs, vilket medför att antalet sysselsatta ökar.

Stor säsongsvariation i antalet sysselsatta …

Antal sysselsatta 15–74 år (tusental), per månad, icke säsongrensade data

Diagram Antal sysselsatta 15–74 år (tusental), per månad, icke säsongrensade data

Varje sommar anställs semestervikarier, framför allt under juli månad. Och eftersom de personer som har semester fortfarande är sysselsatta medför det en ökning av antalet sysselsatta under sommaren.

… men variationen försvinner när data säsongrensas

Antal sysselsatta 15–74 år (tusental), per månad, säsongrensade data

Diagram Antal sysselsatta 15–74 år (tusental), per månad, säsongrensade data
När säsongsvariationen rensats bort syns inte längre ökningen av antalet sysselsatta under sommaren.

Så hur har sysselsättningen egentligen utvecklats mellan juli och november? När data har rensats på effekter av säsongsvariationer visar utvecklingen det omvända – fler sysselsatta i november jämfört med juli.
Det är alltså normalt att förvänta sig att antalet sysselsatta varierar från en månad till en annan. Men för att kunna göra en korrekt analys av utvecklingen av antal sysselsatta kan vi konstatera att det är vilseledande att presentera en utveckling mellan närliggande månader genom att använda icke säsongrensade data. Utvecklingen kan då vara en faktor av säsongsvariationer snarare än verkliga förändringar på arbetsmarknaden.

Det finns även andra typer av periodiska effekter, som inte har med fasta mönster och beteenden att göra, som påverkar statistikens utveckling och är en del av begreppet säsongrensning. Det är variationer som beror på att vissa helgdagar infaller vid olika tidpunkter olika år. Till exempel infaller påsken ibland i mars och ibland i april vilket inverkar på antal arbetsdagar och i förlängningen antal arbetade timmar under den berörda månaden. Vi talar då om kalendereffekter, som kan betraktas som oregelbundna säsongseffekter.

Låt oss jämföra mars 2016, då påsken inföll, med samma månad 2015, som inte innehöll någon högtid. Om hänsyn inte tagits till skillnader i helger och ledigheter, det vill säga att data inte hade kalenderkorrigerats, uppgick antalet arbetade timmar till nästan 150 miljoner per vecka i mars 2016. Under mars 2015 var antalet arbetade timmar nästan 10 miljoner fler per vecka. Den utvecklingen är missvisande eftersom mars 2015 innehöll fler arbetsdagar. Tittar vi istället på kalenderkorrigerade data var antalet arbetade timmar förhållandevis lika i mars 2015 och mars 2016.

Stor skillnad i antal arbetade timmar om hänsyn inte tas till skillnader i antal arbetsdagar

Totalt antal arbetade timmar per vecka för sysselsatta (miljoner timmar)

Diagram Totalt antal arbetade timmar per vecka för sysselsatta (miljoner timmar)

Påsken inföll i mars 2016, till skillnad från 2015 då den inföll i april. Detta påverkar antal arbetsdagar och i förlängningen antal arbetade timmar som är betydligt lägre i mars 2016 jämfört med mars 2015. För att kunna studera utvecklingen mellan månaderna måste data korrigeras för kalendereffekter.

Det förekommer även extrema engångshändelser, som till exempel stora finanskriser eller strejker, som också påverkar variationen i data och försvårar jämförelser. Till skillnad från säsongseffekter ska effekter av extrema engångshändelser synas i säsongrensade data eftersom de ofta ger en bild av verkligheten.

Säsongrensningen har som huvudsyfte att underlätta jämförelser mellan framräknade värden som ligger nära i tiden genom att korrigera tidserien för störande faktorer – säsongsvariation, kalendereffekter och extrema engångshändelser. På så sätt rensas onödig information bort för att få klarhet i frågan som studeras samtidigt som effekten av extrema engångshändelser blir synliga. I våra exempel har det varit att studera delar av arbetsmarknaden.

Men all data går inte att säsongrensa. I första hand handlar säsongrensning om att identifiera regelbundna och oregelbundna säsongsvariationer och för att kunna göra det måste data finnas för en längre tidsperiod. Hur lång tidsperiod som behövs varierar med vilka data som ska säsongrensas. För våra exempel behöver vi data för några år bakåt i tiden.

Etiketter