季节调整

从时间序列中估计和剔除季节影响的过程

所谓季节调整，就是一个从时间序列中估计和剔除季节影响的过程，目的是更好地揭示季度或月度序列的特征或基本趋势。

作用

一个季度或月度的时间序列往往会受到年内季节变动的影响，这种季节变动是由气候条件、生产周期、假期和销售等季节因素造成的。由于这些因素造成的影响有时大得足以遮盖时间序列短期的基本变动趋势，若要掌握经济运行的季度或月度变化，必须进行季节调整。通过变化中扣除过去数年的平均变动，可说明此上涨或下跌是否是不寻常的，或纯粹只是季节性现象。

优点

与原始数据相比，消除季节因素影响后的数据具有下述5个优点：一是更加准确地反映数据本身的基本趋势。利用科学的方法将季节因素从实际的时间序列数据中测定、分离、抵消和调整后，能使该序列更准确地反映指标的基本发展趋势。二是数据具有可比性。由于季节调整后的数据消除了季节因素的影响,使得不同季度或月度之间的数据可以直接比较。三是可以及时反映经济的短期变化，特别是可以反映经济变化的转折点，这对经济分析非常有价值，同时也是季节调整最大的优点。四是可以对季节调整后的数据进行年率化折算。五是经季节调整后的数据可用于短期预测。

弊端

季节调整后的数据也有其不易理解的方面：第一，调整后的时间序列是分析出来的数据，而不是直接观察出来的结果。未调整的时间序列相互之间是独立的，经调整后，改变了序列的季节性特征，使其成为相互之间关联的、变化趋小的序列。第二，同一个数据，经过不同次数的季节调整（因为每一次新的数据出来以后都要作为新的时间序列的一部分而重新进行季节调整），难以理解并被接受。

调整方法

发展状况

早在20世纪的上半叶人们就开始了从时间序列中分解季节因素、调整季节变动的尝试。季节调整的问题首先是由美国经济学家1919年提出的,此后,有关季节调整的方法不断的出现和改进。1931年麦考利(Macauley)提出了用移动平均比率法进行季节调整,成为季节调整方法的基础。

1954年Shiskin在美国普查局首先开发了在计算机上运行的程序对时间序列进行季节调整,称为X-1,此后,季节调整的方法每改进一次都以X加上序号表示。1960年X-3方法发表,它的特点是特异项的代替方法和季节要素

的计算方法有了进一步改进。1961年又发表了X-10方法,它考虑到了根据不规则变动和季节变动的相对大小来选择计算季节要素的移动平均项数。这段时期,美国劳工局也推出了自己的季节调整方法即BLS法(最后也转向了X-11)。但到1965年,美国普查局推出了比较完整的季节调整程序X-11,至此,季节调整方法走向成熟并被广泛使用,随后也逐渐出现了各种其它的季节调整方法。

主要调整方法

已开发出X-11-ARIMA、X-12-ARIMA和TRAMO/SEATS这3种比较成熟的模型用于季节调整，在国际上被普遍采用。

X-11-ARIMA模型。1978年，加拿大统计局推出了改进的X-11-ARIMA（自回归合并移动平均）模型。该方法引进随机建模的方法，通过自回归和移动平均方法对时间序列进行季节调整。这个方法不仅包含了X-11的所有优点，而且还具有通过ARIMA模型在季节调整前向前或向后扩展时间序列的能力。

X-12-ARIMA模型。美国劳工统计局在90年代推出了X-12-ARIMA模型，它基本上囊括了X-11-ARIMA的最新版本（X-11-ARIMA88版）的所有特性，同时改进了它在建模和诊断能力方面的缺陷，增加了几种模型和季节调整诊断方法。

TRAMO/SEATS模型。20世纪末，由西班牙中央银行研制并推出TRAMO/SEATS(ARIMA时间序列的信号提取/具有缺省值的时间序列回归)模型，该模型被广泛用于欧盟成员国季度和月度数据的季节调整。上述3种方法的思路基本相同，即均采用ARIMA来预测最近季度的趋势，但是在具体细节的技术处理及考虑的调整因素上存在着某些差异，因此调整的结果会有所不同。

全国各地天气预报查询

上海市

云南省

云南省

云南省

云南省

云南省