timeseries-detrending

Tools and techniques for detrending time series data in macroeconomic analysis. Use when working with economic time series that need to be decomposed into trend and cyclical components. Covers HP filter, log transformations for growth series, and correlation analysis of business cycles.

1. Zainstaluj umiejętność w swoim środowisku Claude/Copilot, wskazując repozytorium benchflow-ai/skillsbench z folderu timeseries-detrending.

2. Przygotuj szereg czasowy danych ekonomicznych (np. PKB, konsumpcja, inwestycje) w formacie numerycznym z informacją o częstotliwości danych (roczne, kwartalne lub miesięczne).

3. Wybierz parametr λ (lambda) dla filtru HP na podstawie częstotliwości Twoich danych: użyj λ=100 dla danych rocznych, λ=1600 dla kwartalnych, λ=14400 dla miesięcznych. Pamiętaj, że błędny wybór λ może spowodować nadmierne wygładzenie trendu i utratę ważnych dynamik cyklicznych.

4. Zastosuj filtr Hodricka-Prescotta, aby rozłożyć szereg na komponent trendu (długoterminowy) i cykliczny (krótkoterminowe wahania). Filtr minimalizuje odchylenie danych od trendu, jednocześnie penalizując nagłe zmiany w tempie wzrostu trendu.

5. Przeprowadź analizę korelacji między komponentami cyklicznymi różnych zmiennych, aby zidentyfikować zmienne wiodące i opóźnione w cyklu biznesowym oraz porównać zmienność między szeregami.

6. Rozważ zastosowanie transformacji logarytmicznych dla szeregów wzrostu przed detrendingiem, aby poprawić stabilność wariancji i interpretację wyników.