Szakirodalom 935
Statisztikai Szemle, 95. évfolyam 8–9. szám A tanulmány végén a szerzőpáros az elv-
alapú eljárást javasolja használni a szabályala- púval szemben a kutatószobát és a távoli hoz- záférést biztosító intézményekben. Az elvala- pú eljárás rugalmasságánál fogva jobban tudja egyszerre kezelni az adatvédelmi kockázatot és az eredmények használhatóságát. Az eljárás egyik feltétele a kutatói adatvédelmi tanfo- lyam, ami része lehet az akkreditációs eljárás- nak is. A kutatók bevonása az adatvédelemi ismeretekbe pozitív hatással van a kutatók hozzáállására és az adatvédelmi ellenőrzés ha- tékonyságára.
Azonban ha egy adott intézmény működte- tőinek kevesebb lehetősége van a kutatók adatvédelmi tájékoztatásával foglalkozni, sok- kal nehezebb megvalósítani ezt a fajta eljárást.
Az elvalapú megközelítés másik fontos alapja az aktív kapcsolattartás a kutatókkal. Azt is ér- demes fontolóra venni, hogy bármilyen adat- védelmi-eljárás próbának lesz kitéve, ha valaki szándékosan akar áthatolni a rendszeren. Az elvalapú megközelítés együttműködő kutató- kat feltételez, akik betartják a szabályokat, ezért az elvalapú eljárás előfeltétele a megfele- lő szűrés, hogy megbízható embereket enged- jünk kutatni. A szerzők attól is óva intenek, hogy a megbízhatónak tartott kutatók más elbí- rálásban részesülhessenek, mint a többiek. En- nek oka, hogy sosem lehetünk biztosak abban, milyen kockázatot hordoz egy eredmény. A kiadás után pedig már nincs lehetőség az eset- leges hiba korrigálására.
Végül a szerzők felvetik a kétszintű ellen- őrzési folyamat lehetőségét, ahol az első lép- csőben közvetlenül a nyers előállított eredmé- nyeket ellenőrzik, a másodikban pedig a végső publikációt. A tapasztalatok alapján az első lépcső bár növelte az adminisztrációt, gyorsí- totta az ellenőrzési folyamatot, mert az adat- védelmi ellenőrzést végzők biztosak lehettek benne, hogy a végső publikáció elkészülténél még javíthatják esetleges hibáikat. Ez az eljá-
rás nagyfokú bizalomra épít a kutatóval szem- ben, mert jogilag semmi sem tiltja, hogy az el- ső körben kivitt nyers eredményeket ne publi- kálják. Olyan szankciók azonban lehetnek az intézmény részéről, hogy később a kutatók nem férhetnek hozzá az intézmény adataihoz.
Pinke Bálint, a KSH fogalmazója E-mail: Balint.Pinke@ksh.hu
Grudkowska, S. – Buono, D. – Palate, J.
– Ciebiera, W.:
Haladó eszközök idôsorelemzésre és szezonális kiigazításra az új JDemetra+
szoftverben
(Advanced tools for time series analysis and seasonal adjustment in the New JDemetra+.) – Conference Paper. Joint Statistical Meeting of the American Statistical Association. August 2013.
Montreal.
A JDemetra+ szoftver egy nyílt forráskódú eszköz, ami lehetővé teszi az Európai Statisz- tikai Rendszer szezonális kiigazításra vonatko- zó irányelveinek megvalósítását is (http://ec.
europa.eu/eurostat/documents/3859598/68307 95/KS-GQ-15-001-EN-N.pdf). A programot úgy fejlesztették ki, hogy újrafelhasználható és bővíthető elemekből álljon össze, melyek kompatibilisek a legtöbb európai statisztikai intézmény gyakorlatával. A JDemetra+ nem csupán egy felhasználóbarát grafikus interfész, hanem több annál, Java könyvtár is, mely lehe- tővé teszi nagy mennyiségű adat szezonális ki- igazítását, nem standardizált szezonális kiiga- zítási módszerek alkalmazását, valamint hala- dóbb kutatási modulok (például időbeli szét- osztás vagy benchmarking) fejlesztését. A szoftvert a két legtöbbet használt szezonális ki- igazítási módszer köré építették fel (TRAMO/SEATS [time series regression with
936 Szakirodalom
Statisztikai Szemle, 95. évfolyam 8–9. szám ARIMA noise, missing observations and
outliers – idősorregresszió ARIMA-zajjal, hi- ányzó megfigyelésekkel és kiugró értékekkel;
signal extraction in ARIMA time series – jel- kinyerés ARIMA-idősorokban] és X-12- ARIMA/X13-ARIMA-SEATS). Ezeket a módszereket objektumorientált környezetbe helyezték, ami könnyebbé teszi a kezelésüket, kiterjesztésüket vagy módosításukat. A cikk célja a JDemetra+ szoftver felépítésének be- mutatása, valamint a fő funkciók ismertetése (időbeli szétosztás, benchmarking, szezonali- tásra vonatkozó tesztek és direkt/indirekt ki- igazítás eredményeinek összehasonlítása).
A bevezetésben egy rövid összefoglalót olvashatunk arról, hogy mi történt ez idáig a szoftver fejlesztése kapcsán. Az Eurostat min- dig vezető szerepet játszott a szezonális kiiga- zítás összefogásában, egységesítésében és fej- lesztésében, 2002-ben kifejlesztette a Demetra nevű szoftvert. Ez a szoftver felhasználóbarát megoldást jelentett a TRAMO/SEATS- és az X-12-ARIMA-módszerek használatára, a hi- bák és a megfelelő támogatási háttér hiánya miatt azonban hamar elavulttá vált. Az Euró- pai Statisztikai Rendszer 2009-ben megfogal- mazta a szezonális kiigazításra vonatkozó irányelveket. Az ezen irányelvek által támasz- tott követelményeknek ez a szoftver már nem tudott eleget tenni. Ekkor az Eurostat és a Bel- ga Nemzeti Bank elkezdte a Demetra+ elneve- zésű szoftver fejlesztését, mely 2012-ben je- lent meg. Ez is a TRAMO/SEATS- és az X- 12-ARIMA-módszerek megvalósítására volt képes, de az irányelvekkel sokkal koherensebb módon. Hátránya abban mutatkozott, hogy csakis Windows környezetben lehetett alkal- mazni. Bár sok európai hivatalban használták, hosszú távon nem tudott megfelelni a növekvő felhasználói igényeknek. A tapasztalatok alap- ján a továbbiakban a cél egy platform- független, bővíthető szoftver létrehozása lett.
Így született meg a JDemetra+ 2012-ben. A
Demetra+ és a JDemetra+ felhasználói kör- nyezetében nincs nagy eltérés, a leglényege- sebb különbség informatikai, mely szerint a kódrendszert teljes mértékben átírták Java környezetbe, így hozva létre a valós objek- tumorientáltságot. Ez azt jelenti, hogy a fej- lesztőknek lehetőségük van egy-egy kívánt működési eljárást a többitől függetlenül, beil- leszthetően fejleszteni.
A JDemetra+ felépítését tekintve nem más, mint nyitott Java könyvtárak összessége. Pon- tosabban az egyik része tisztán Java kódokból áll össze (ezek mindenféle keretrendszertől függetlenek), a másik része pedig a NetBeans környezetben fejlesztett összetevőkből (ún.
plugin-ekből). Ez utóbbi részbe tartozó elemek kiegészíthetők új megoldásokkal, melyek nem fogják befolyásolni a szoftver alapműködését.
A plugin-ek vagy kiegészítő elemek egy része a szoftver telepítésével egy időben auto- matikusan a gépünkre kerül. Ezen kiegészítő elemeket később lehet deaktiválni, majd szük- ség szerint újra aktiválni, így alakítva a fel- használói ablakban megjelenő eszközöket.
Ezeken kívül lehetőség van új kiegészítő ele- mek letöltésére vagy fejlesztésére is. Mindezen tulajdonságok teszik a JDemetra+ programot rugalmasan bővíthetővé.
A szoftver arra is teret nyit, hogy külső fej- lesztők esetlegesen létrehozhassák a saját pa- neljeiket a programon belül úgy, hogy nem változtatják meg a törzsmodul működését (an- nak a modulnak, mely ténylegesen számol).
Például testre szabhatják a szezonális kiigazí- tási eredmények megjelenését.
A JDemetra+ alapvetően a következő funkciókat tartalmazza:
– szezonális kiigazítás TRAMO/SEATS- és X-12-ARIMA-módszerekkel beépített vagy a felhasználó által definiált specifikáció által;
– különböző naptárak és összetett naptár- változók beépítésének lehetősége;
Szakirodalom 937
Statisztikai Szemle, 95. évfolyam 8–9. szám – szezonális outlier automatikus felismerése;
– felhasználó által meghatározott reg- resszorok beépítése a modellekbe;
– az adatok megjelenítésének és elemzésé- nek változatos formái;
– a rendszeres adat-előállítás megkönnyí- tésére beépített eszközök.
További elérhető módszerek: az X13- ARIMA-SEATS, a strukturális, a kevert Airline-, valamint az általános Airline- modellek is, továbbá a spektrál analízis is, mint eszköz. A szoftver alapvetően szezonális kiigazításra lett létrehozva, de más lehetőségek is rejlenek benne: idősor-modellezés és -előrejelzés TRAMO- és RegARIMA- modellek segítségével. Ezen modellezés vé- gezhető kézzel vagy előre meghatározott spe- cifikációk alapján automatikusan is. A prog- ram az Európai Statisztikai Rendszer által ki- dolgozott irányelveknek eleget téve lehetősé- get biztosít arra is, hogy a direkt és indirekt szezonális kiigazítás eredményeit összehason- lítsa. Fontos funkció továbbá a beépített benchmarking eljárás is, mely a Cholette- módszeren alapulva az additív és a
multiplikatív Denton-eljárást alkalmazza az adatokra. Ezt a szezonális kiigazítási eljárásba építették, vagyis ha szezonális kiigazítást vég- zünk a szoftver segítségével, automatikusan benchmarkolt adatokat is létre tudunk hozni. A program széles megoldási lehetőségeket bizto- sít különböző naptár változók alkalmazására is, beleértve a munkanaphatást, valamint a húsvéthatást is. Támogatott a súlyozott ünnep- napok beépítése is.
Összefoglalva a JDemetra+ a Demetra szoftvercsalád legújabb tagja nem csupán a szezonális kiigazítás elvégzésére, hanem to- vábbi idősor-elemzési eljárások alkalmazásá- ra lett kifejlesztve. Bővíthető, objektumorien- tált, így lehetőséget biztosít új projektek lét- rehozására is. A legnagyobb előnye a szoft- vernek, hogy külső programozóknak is lehe- tőséget biztosít fejlesztésre, bővített modulok beépítésére, mely egyedülálló lehetőség a szezonális kiigazításra készült szoftverek ese- tében.
Pécs Mária, a KSH tanácsosa E-mail: Maria.Pecs@ksh.hu
Kiadók ajánlata
AHMED,S.E.(ed.)[2017]: Big and Com- plex Data Analysis 2017: Methodologies and Applications. (Nagy és komplex adatállomá- nyok elemzése 2017: módszertanok és alkal- mazások.) Springer. Cham.
A kötet a nagy és összetett adathalmazok elemzésének, illetve az azzal kapcsolatos terü- leteknek néhány megdöbbentő újdonságát, megoldandó problémáját és sikertörténetét mu- tatja be. A benne szereplő lektorált írások a változóválasztás, a becslés és az előrejelzési stratégiák nóvumait tárgyalják. A modern technológia folyamatos és gyors fejlődése le-
hetővé teszi a tudósok számára az egyre pél- dátlanabb méretű és komplexitású adatok gyűjtését. A szerzők által bemutatott példák- ban epigenomikus, genomikus, proteomikai, nagy felbontású képi, nagy gyakoriságú pénz- ügyi, funkcionális és longitudinális, valamint hálózati adatok szerepelnek. Az egyidejű vál- tozóválasztás és becslés az ilyen típusú adatok elemzésének egyik statisztikai kulcsproblémá- ja. A kötet célja a kutatások ösztönzése és a kutatói együttműködés elősegítése a nagy di- menziójú adatok elemzése terén, konkrétabban pedig 1. a big és a nagy dimenziójú adatok