Očištění od kalendářních vlivů

Měsíce mají v našem kalendáři různý počet dnů (nejčastěji 31, méně často 30, ale také 28 nebo 29 dnů). To samozřejmě není nic objevného. Vedle toho mají ale měsíce i různý počet pracovních dnů. Důvodem jsou státní a jiné svátky, víkendy apod. Někdy připadnou svátky na víkend, jindy zase na konec měsíce či na začátek toho dalšího. A nezapomeňme na pohyblivé svátky, jako jsou Velikonoce, které bývají někdy v březnu, jindy v dubnu.

Tyto různé kalendářní vlivy mohou značně zkomplikovat vypovídací schopnost statistických ukazatelů. Jak například porovnat produkci v měsících, které měly různý počet dnů, v nichž lidé chodili do práce? Dá se něco takového vůbec srovnávat? Uveďme příklad. Představme si, že jsme v září v naší továrně vyrobili 180 traktorů jednoho typu, a to za 18 pracovních dnů. V říjnu jsme pak vyrobili 200 stejných traktorů, tedy o 20 traktorů více než v září. Zdálo by se, že nám výkonnost vzrostla o 11 % (ze 180 na 200), a přesto tomu tak být nemusí. Říjen totiž měl 21 pracovních dnů, tj. o 3 víc než září. Je tedy pochopitelné, že jsme vyrobili více traktorů. K vyšší produkci přispěly pravděpodobně právě ony tři pracovní dny navíc. V takové situaci můžeme jen těžko oba měsíce porovnávat. Co tedy s tím?

Abychom mohli vývoj výkonnosti sledovat, a to platí o naší továrně stejně jako o celé ekonomice, musíme při porovnávání jednotlivých měsíců (čtvrtletí) eliminovat vliv různého počtu pracovních dnů. A k tomu nám ve statistické praxi slouží tzv. očištění od kalendářních vlivů, resp. očištění od nestejného počtu pracovních dnů.

Očištění od kalendářních vlivů je standardní statistickou metodou, která zajišťuje srovnatelnost jednotlivých měsíců tím, že přepočte měsíce na obvyklý počet pracovních dnů. Z dlouhodobého chování časových řad lze totiž vysledovat, jaký je průměrný vliv jednoho pracovního dne na celkovou měsíční (čtvrtletní, týdenní…) hodnotu daného statistického ukazatele. A díky tomu pak lze přepočítat hodnoty v jednotlivých měsících tak, jako kdyby měly měsíce stejný počet pracovních dnů. Zjednodušeně řečeno, měsíc, který měl méně pracovních dnů, než je obvyklé, je navýšen a měsíc, ve kterém bylo více pracovních dnů, než je obvyklé, je ponížen tak, jako kdyby oba měsíce měly stejný (obvyklý) počet pracovních dnů.

Vraťme se k našemu ilustrativnímu příkladu. Z dlouhodobé zkušenosti víme, že za jeden den se obvykle vyrobí 10 traktorů. A řekněme, že měsíc má obvykle 20 pracovních dnů. Pokud tedy bylo v září 18 pracovních dnů, pak mu dva dny chybějí do obvyklého počtu dnů. Model očištění od kalendářních vlivů, resp. nestejného počtu pracovních dnů proto upraví zářijový počet vyrobených traktorů (180 ks) tak, aby odpovídal 20 pracovním dnům. Jednoduše přidá za chybějící dva dny dalších 20 traktorů (10 traktorů krát 2 dny). Zářijová produkce očištěná od nestejného počtu pracovních dnů tak bude činit 200 traktorů (180 plus 20). Naopak říjen měl 21 pracovních dnů, tj. o jeden den více, než je obvyklé. Proto model při očištění odebere 10 traktorů (10 traktorů za 1 den). Výsledná očištěná říjnová produkce tak bude 190 traktorů (200 minus 10). A obrázek o výkonnosti továrny je najednou úplně jiný. Nepředpokládáme-li žádnou sezónnost a porovnáme-li produkci očištěnou od nestejného počtu pracovních dnů, je vidět, že výkonnost ve skutečnosti v říjnu oproti září klesla o 5 % (z 200 na 190 traktorů).

V praxi jsou modely očištění od kalendářních vlivů samozřejmě složitější a nemusejí brát v úvahu pouze pracovní dny, ale třeba jen celkový počet dnů v měsíci (tam, kde mají nepřetržitý provoz). Nebo se může ukázat, že některá odvětví jsou citlivá spíše na počet obchodních dnů než na pracovní dny (o víkendu se může nakupovat více než v pracovních dnech a podobně). Každopádně cílem takového očištění musí být zajištění srovnatelnosti, aby bylo možné údaje správně interpretovat. Z našeho příkladu je patrné, jak může být skutečnost zamlžená, pokud očištění neprovedeme. Vždyť výkonnost v říjnu ve skutečnosti poklesla o 5 %, i když se zprvu zdálo, že o 11 % vzrostla.