Saisonbereinigte (SA) und nicht saisonbereinigte (NSA) Daten: Was bedeutet SAAR?

Die Wirtschaftstätigkeit verändert sich häufig vorhersehbar mit dem Kalender. Vor den Winterfeiertagen kann die Beschäftigung im Einzelhandel steigen, bei kaltem Wetter kann sich der Bau verlangsamen, und Fabriken können ihre Abläufe bei Modellwechseln anpassen. Diese wiederkehrenden Einflüsse können einen Monat stärker oder schwächer als den vorherigen erscheinen lassen, obwohl sich das zugrunde liegende Tempo kaum verändert hat.

Die Saisonbereinigung schätzt den Teil einer Reihe, der auf wiederkehrende saisonale Effekte zurückgeht, und zieht ihn von der veröffentlichten bereinigten Reihe ab. Je nach Verfahren können Behörden auch vorhersehbare Kalendereffekte berücksichtigen, etwa eine unterschiedliche Anzahl von Wochentagen oder bewegliche Feiertage. Ziel ist es, monatliche oder vierteljährliche Veränderungen leichter interpretierbar zu machen, nicht echte Wirtschaftstätigkeit zu löschen oder einen vollkommen glatten Trend zu erzeugen. Das US Bureau of Labor Statistics (BLS) beschreibt die Saisonbereinigung als Entfernung wiederkehrender saisonaler Einflüsse; das Census Bureau erklärt, sie könne nicht saisonale Merkmale einer Zeitreihe sichtbar machen. Siehe den [BLS-Überblick zur Saisonbereinigung]({source:blsSeasonalAdjustmentOverview}) und die [FAQ des Census Bureau zur Saisonbereinigung]({source:censusSeasonalAdjustmentFaq}).

Saisonbereinigung ist nicht dasselbe wie Inflationsbereinigung. Eine saisonbereinigte Reihe kann weiterhin in laufenden Dollar gemessen werden; eine inflationsbereinigte reale Reihe kann ebenfalls mit oder ohne Saisonbereinigung veröffentlicht werden. Prüfe beide Dimensionen, wenn du eine Preis-, Produktions-, Einkommens- oder Ausgabenstatistik liest.

Saisonale Effekte sind auch nicht mit dem Konjunkturzyklus gleichzusetzen. Ein Rückgang der Produktion, der sich jeden Sommer wiederholt, kann saisonal sein; eine Verlangsamung über mehrere Quartale kann mit dem Konjunkturzyklus oder einem anderen Schock zusammenhängen. Das Bereinigungsverfahren trennt diese Phänomene nicht perfekt. Beziehe deshalb auch die beschriebenen wirtschaftlichen Ereignisse und andere Kennzahlen der Veröffentlichung ein.

SA bedeutet saisonbereinigt (seasonally adjusted). NSA bedeutet nicht saisonbereinigt; Veröffentlichungen bezeichnen diese Werte auch als unbereinigt oder Originaldaten. Beide Versionen beschreiben in der Regel dieselbe Wirtschaftsreihe, beantworten aber unterschiedliche Vergleichsfragen.

Der bereinigte Wert ist eine Schätzung auf Grundlage der Reihe und des Verfahrens der Behörde, keine zweite Erhebung. Er kann sich anders entwickeln als der unbereinigte Wert, weil der geschätzte saisonale Effekt in einem Monat stärker sein kann als in einem anderen. Das BLS sagt, dass keine der Versionen immer besser ist: Unbereinigte Daten können sich eignen, um saisonale Einstellungen zur gleichen Jahreszeit über mehrere Jahre zu vergleichen, während bereinigte Daten für die jüngste monatliche Bewegung oft nützlicher sind. Der [BLS-Leitfaden zur Nutzung saisonbereinigter und nicht saisonbereinigter CPI-Daten]({source:blsCpiSeasonalDataUse}) zeigt ein reihenspezifisches Beispiel. Prüfe die Hinweise zu jeder Veröffentlichung, bevor du verallgemeinerst.

Die Bereinigung verändert den Vergleich, indem sie das Kalendermuster für jeden Zeitraum schätzt. Betrachten wir eine bewusst einfache, hypothetische Reihe mit einem additiven saisonalen Effekt. Im Monat A beträgt der beobachtete Wert 100 und enthält einen geschätzten saisonalen Effekt von 15; der bereinigte Wert beträgt somit 85. Im Monat B liegt der beobachtete Wert bei 108 und enthält einen geschätzten Effekt von 25; der bereinigte Wert beträgt dann 83.

Die unbereinigte Reihe steigt um 8, während die bereinigte Reihe um 2 fällt. Das ist möglich, weil der übliche saisonale Auftrieb im Monat B höher geschätzt wird. In diesem Beispiel fragt die Veränderung der bereinigten Reihe, ob der beobachtete Anstieg das erwartete Kalendermuster übertraf. Die Zahlen sind ausschließlich zur Veranschaulichung der Rechnung erfunden und entsprechen keinem veröffentlichten Indikator.

Diese Subtraktion ist nur ein Lehrbeispiel für eine additive Bereinigung. Viele Reihen verwenden multiplikative Faktoren, bei denen der bereinigte Wert berechnet wird, indem der Ausgangswert durch einen Faktor geteilt wird. Verfahren können außerdem saisonale Effekte, Wochentagseffekte oder bewegliche Feiertage kombinieren. Eine Richtungsänderung ist daher für sich genommen kein Beleg für einen Fehler der Behörde oder einen abrupten Umschwung der Wirtschaft. Laut Census FAQ entwickeln sich bereinigte und unbereinigte Reihen häufig in entgegengesetzte Richtungen; bei der Deutung sind der Saisonfaktor und der Rest der Veröffentlichung zu berücksichtigen. {source:censusSeasonalAdjustmentFaq}

Auch die Größe des Unterschieds zählt. Ein leichter Rückgang des bereinigten Werts bestätigt für sich genommen keine klare Wende der Wirtschaftstätigkeit. Stichprobengröße, Revisionen früherer Daten, Rundung und Unsicherheit bei der Schätzung saisonaler Faktoren können eine Rolle spielen. Die Zahl der veröffentlichten Dezimalstellen beschreibt die Rechengenauigkeit, nicht den Grad der Sicherheit.

<!-- learn:illustration -->

Saisonfaktoren werden aus der Historie einer bestimmten Zeitreihe geschätzt. Statistische Verfahren suchen nach Mustern, die zu ähnlichen Zeiten im Jahr wiederkehren, und unterscheiden sie von längerfristigen Bewegungen und unregelmäßigen Schwankungen. Eine Reihe lässt sich in saisonale, Trend-Zyklus- und irreguläre Komponenten zerlegen. Die veröffentlichte bereinigte Reihe entfernt im Allgemeinen die geschätzte saisonale Komponente, behält aber nicht saisonale Bewegungen und unregelmäßige Schocks bei.

Das Muster ist nicht zwingend ein fester Prozentsatz, den Analysten jedes Jahr abziehen. Manche Reihen lassen sich besser mit additiven Effekten modellieren, andere mit multiplikativen Faktoren, deren Größe vom Niveau der Reihe abhängt. Falls relevant, kann ein Verfahren auch Handelskalender-Effekte oder bewegliche Feiertage wie Ostern schätzen. Das Census Bureau pflegt X-13ARIMA-SEATS für die Saisonbereinigung und beschreibt, wie Diagnosen die verbleibende Saisonalität und Stabilität prüfen. Das beschreibt ein Werkzeug und eine Methodenfamilie, garantiert aber nicht, dass jede Bundesveröffentlichung dieselben Einstellungen verwendet. Prüfe die Methodik der jeweiligen Reihe. {source:censusSeasonalAdjustmentFaq}

Der Kalender ist nur einer der Einflüsse auf die Schätzung. Ein plötzlicher Streik, ungewöhnliches Wetter, eine Pandemieunterbrechung, Stichprobenfehler oder ein branchenspezifischer Schock können als irreguläre Bewegung in der bereinigten Reihe verbleiben. Manche Behörden modellieren identifizierte Ausreißer oder Kalendereignisse gesondert; die Saisonbereinigung beseitigt aber nicht die Messunsicherheit einer Beobachtung. Ein glatteres Diagramm ist keine direkte Messung eines unbeobachteten Trends.

Auch der Bereinigungsstatus kann innerhalb einer Veröffentlichung variieren. Eine Behörde kann die Bereinigung ein- oder ausschalten, nachdem sie geprüft hat, ob das Muster einer untergeordneten Reihe noch deutlich und stabil genug ist. Werden manche Komponenten als NSA und die Gesamtsumme als SA veröffentlicht, ergibt ihre einfache Addition nicht unbedingt die veröffentlichte Summe, weil die Werte auf unterschiedlichen Bereinigungsgrundlagen beruhen.

SAAR steht für „seasonally adjusted annual rate“, also eine saisonbereinigte Jahresrate. Der Begriff verbindet zwei getrennte Ideen: Die Saisonbereinigung schätzt und entfernt wiederkehrende Kalendereffekte; die Jahresraten-Konvention stellt das bereinigte Niveau oder Tempo eines Zeitraums auf Jahresbasis dar. Das Kürzel behauptet nicht, dass das aktuelle Monatstempo ein ganzes Jahr anhalten wird.

Das Census Bureau veröffentlicht beispielsweise bestimmte monatliche Baugenehmigungsschätzungen als saisonbereinigte Jahresrate. Beträgt das hypothetische bereinigte Monatstempo 8.000 Genehmigungen, ist die SAAR 8.000 mal 12, also 96.000. Die Jahresrate erleichtert den Vergleich des aktuellen Monatstempos mit einer Jahressumme. Sie bedeutet weder, dass in diesem Monat 96.000 Genehmigungen erteilt wurden, noch prognostiziert sie 96.000 Genehmigungen im nächsten Jahr. Das Beispiel folgt der [Methodik des Census Bureau für Baugenehmigungen]({source:censusBuildingPermitsMethodology}) und verwendet erfundene Werte.

Das vierteljährliche BIP-Wachstum auf Jahresrate ist eine verwandte, aber andere Konvention. Das BEA verzinst die prozentuale Veränderung eines Quartals über vier Quartale auf; es multipliziert die beobachtete Veränderung nicht einfach mit vier. Ein saisonbereinigtes BIP-Niveau auf Jahresrate, eine annualisierte vierteljährliche Wachstumsrate und eine Jahresprognose sind drei verschiedene Dinge. Das BEA erklärt die Berechnung des Quartalswachstums in seiner [FAQ zu Jahresraten]({source:beaQuarterlyAnnualRates}). Zum Vergleich von Wachstumsraten siehe reale BIP-Wachstumsraten richtig lesen.

Ja. Saisonfaktoren sind Schätzungen, und neue Beobachtungen können das geschätzte wiederkehrende Muster verändern. Behörden können die Bereinigung mit neuen Daten erneut durchführen, frühere bereinigte Beobachtungen nach einem festen Zeitplan revidieren oder bereinigte Werte aktualisieren, wenn die zugrunde liegenden unbereinigten Daten selbst revidiert werden. Häufigkeit und betroffener Rückblick unterscheiden sich je nach Programm.

Das BLS berechnet beispielsweise die Saisonfaktoren für seine saisonbereinigten CPI-Reihen jedes Jahr neu und kann bis zu fünf Jahre dieser bereinigten Indizes revidieren. Das beschreibt das CPI-Programm und ist keine allgemeine Revisionsregel für alle US-Datenreihen. Das BLS prüft außerdem erneut, ob einzelne CPI-Reihen noch genügend Saisonalität aufweisen, um eine Bereinigung zu rechtfertigen. Die [CPI-Seite zur Saisonbereinigung]({source:blsCpiSeasonalDataUse}) beschreibt das aktuelle Verfahren und den Revisionszeitraum.

Wenn du ein Diagramm reproduzierst, notiere die Kennung der Reihe, den Saisonbereinigungsstatus, das Veröffentlichungsdatum und den Datenstand. Ein Echtzeitdiagramm mit den damals verfügbaren Werten kann von einem später heruntergeladenen Diagramm abweichen, obwohl beide denselben Reihennamen tragen. Halte Ausgangswert und bereinigten Wert auseinander, wenn es um saisonale Muster oder spätere Revisionen der Behörde geht.

Eine Revision kehrt nicht immer die allgemeine Deutung um, kann aber einen kleinen Wendepunkt oder den Wert eines bestimmten Monats beeinflussen. Wenn du für eine damalige Meldung den damals bekannten Wert zitierst, bewahre die ursprüngliche Veröffentlichung auf; für eine aktuelle Analyse solltest du angeben, dass du den neuesten Datenstand nutzt. Speichere nach Möglichkeit auch Datenstände oder Saisonfaktor-Tabellen der Behörde.

Verwende SA-Daten, wenn es um die jüngste Entwicklung gegenüber dem vorherigen Monat oder Quartal geht und die Behörde eine passende bereinigte Reihe veröffentlicht. Wenn das erwartete saisonale Muster herausgerechnet wird, lässt sich ein neuer Wendepunkt leichter erkennen. Das beweist nicht, dass die verbleibende Veränderung statistisch signifikant ist; kurzfristige Schätzungen können weiterhin verrauscht sein.

Verwende NSA-Daten, wenn der saisonale Zyklus selbst im Mittelpunkt steht. Ein Vergleich der Einstellungen im Einzelhandel von Oktober bis Dezember über mehrere Jahre kann beispielsweise zeigen, wie sich die Feiertagssaison verändert hat. Ein Vergleich desselben Monats im Jahresabstand reduziert ebenfalls den Effekt eines stabilen saisonalen Zyklus, kann aber noch durch Feiertage mit wechselndem Datum, eine unterschiedliche Zahl von Wochentagen oder verändertes saisonales Verhalten beeinflusst werden. Folge der Methodik der Kennzahl und nutze die Version, die zur Frage passt.

Vergleiche SA- und NSA-Beobachtungen nicht so, als wäre ihr Abstand ein wirtschaftlicher Gewinn oder Verlust. Stimme Reihe, Einheiten, Häufigkeit, Bevölkerung oder Branchenabdeckung und Bereinigungsstatus aufeinander ab. Bei Inflationsfragen solltest du außerdem die Verbraucherpreiskennzahlen in CPI, PCE und BIP-Deflator unterscheiden. Für Konsumausgaben erklärt Einzelhandelsumsätze im Vergleich zum PCE, warum zwei verwandte Veröffentlichungen sich auch aus anderen Gründen als der Saisonbereinigung unterscheiden können.

Beginne mit der genauen Bezeichnung der Reihe und ihrer Quelle. Prüfe, ob der angezeigte Wert saisonbereinigt, nicht saisonbereinigt oder in einer der beiden Formen nicht verfügbar ist. Kläre dann, was die Zahl misst: ein Niveau, eine Dollarveränderung, eine prozentuale Veränderung, eine Rate, einen Index oder eine Anzahl. Eine Tabellenüberschrift kann außerdem eine monatliche oder vierteljährliche Häufigkeit und eine annualisierte Darstellung angeben.

Wähle als Nächstes das Vergleichsfenster passend zur Frage. Die monatliche SA-Bewegung beschreibt die Veränderung nach Abzug geschätzter saisonaler Effekte; NSA-Vergleiche desselben Monats behalten den saisonalen Zyklus bei; eine Veränderung im Jahresabstand umfasst ein ganzes Jahr; und SAAR stellt das Tempo eines Zeitraums nach einer bestimmten Konvention als Jahresrate dar. Diese Bezeichnungen sind nicht austauschbar. Die SAAR für Baugenehmigungen, die annualisierte BIP-Wachstumsrate und die monatliche CPI-Veränderung verwenden zwar alle eine Jahressprache, beruhen aber auf unterschiedlichen Berechnungen.

Lies zum Schluss die technischen Hinweise der Quelle zu Revisionen, Feiertagen, Saisonstatus und ungewöhnlichen Ereignissen. Wenn du den allgemeinen Zyklus beurteilen willst, behandle eine einzelne bereinigte Monatsveränderung nicht als endgültigen Wendepunkt. Wenn du wiederkehrende Kalenderzeiträume vergleichst, verwerfe das saisonale NSA-Muster nicht. Bestimme die Reihe, wähle SA oder NSA passend zum Vergleich, nenne Häufigkeit und Einheiten und halte den Datenstand fest.

Wenn SA- und NSA-Reihen in unterschiedliche Richtungen weisen, prüfe zuerst, ob sie sich auf dieselbe Reihe, Beobachtungsfrequenz, Maßeinheiten und Vergleichsperiode beziehen. Untersuche dann den geschätzten Saisonfaktor, bewegliche Feiertage oder die Zahl der Wochentage sowie ungewöhnliche Ereignisse und Revisionen der Ausgangsdaten. Bleibt der Unterschied bestehen, erkläre, welche Frage jede Reihe beantwortet, statt eine davon als fehlerhaft zu bezeichnen.