季节性调整是预处理数据以供进一步研究的关键步骤。然而，研究人员有许多趋势-周期-季节性分解的选项。最常见的（根据经验文献中的引用次数判断）竞争对手的季节性分解方法是 X-11(12)-ARIMA、Tramo/Seats（均在Demetra+中实现）和$R$的stl。为了避免在上述分解技术（或其他简单方法，如季节性虚拟变量）之间进行随机选择，我想知道一种可以有效选择季节性分解方法的基本策略。

几个重要的子问题（也欢迎讨论链接）可能是：

1. 这些方法的异同、强项和弱点是什么？当一种方法比其他方法更可取时，是否有任何特殊情况？
2. 您能否就不同分解方法的黑箱内的内容提​​供一般指南？
3. 为方法选择参数是否有特殊技巧（我并不总是对默认值感到满意，stl例如要处理的参数很多，有时我觉得我只是不知道如何以正确的方式选择这些参数）。
4. 是否可以提出一些（统计）标准来有效地对时间序列进行季节性调整（相关图分析、谱密度？小样本量标准？稳健性？）。