备受青睐GDP季节调整.docVIP

备受青睐GDP季节调整 　　为反映GDP等经济指标的基本趋势,国际上通常的做法是对季度或月度相关原始数据进行季节调整。了解和掌握国际上通用的GDP季节调整方法,对于研究和制定适合我国国情的季度GDP季节调整方法具有重要意义。 　　 　　气候条件、生产周期、假期和销售等季节因素对经济发展造成的影响,通常大得足以遮盖时间序列短期的基本变动趋势,混淆经济发展中其他客观变化要素,以致难以深入研究和正确解释经济规律。若要掌握经济运行的客观变化规律,必须对GDP进行季节调整。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。 　　在我国,迄今为止尚未公布包括季度GDP在内的经季节调整的经济指标数据,这不仅不利于对我国宏观经济运行监测,也无法满足国际比较的需要。为此,了解和掌握国际上通用的GDP季节调整方法,对于研究和制定适合我国国情的季度GDP季节调整方法具有重要意义。 　　 　　■ 季节调整的三种模型 　　 　　早在20世纪初,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。1919年,美国经济学家首先提出研究季节调整,随后有关季节调整的方法不断得到改进;1931年,美国经济学家提出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,美国普查局率先开发了利用计算机程序对时间序列进行季节调整,称为X―1模型(此后季节调整的模型每改进一次都以X加上序号表示);1961年,美国普查局开发了X―10模型,它根据不规则变动和季节变动的相对大小来选择计算季节因素的移动平均项数;1965年,美国普查局推出比较完整的季节调整程序X―11模型,并很快成为全世界统计机构使用的标准方法。 　　由于各国、特别是发达国家的政策制定者越来越青睐经季节调整后的数据,促使各国的统计部门或中央银行进一步加强对季节调整方法的研究。随着研究的不断深入,以及时间序列分析技术和计算机技术的不断完善,季节调整方法得到迅速发展。目前,已开发出X―11―ARIMA、X―12―ARIMA和TRAMO/SEATS这三种非常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,加拿大统计局将X―11进??了改进,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,在X―11模型的基础上加入ARIMA建模和预测,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。美国劳工统计局在上世纪90年代推出了X―12―ARIMA模型,它基本上囊括了X―11―ARIMA的必威体育精装版版本(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。二十世纪末,由西班牙中央银行研制并推出TRAMO/SEATS模型,是以ARIMA模型为基础,使用信号提取技术进行季节性调整时间序列的项目。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。 　　上述三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。 　　 　　■ 季节调整的基本步骤 　　 　　季节调整主要包括三个步骤,即检测异常值、消除异常值、修订及预测。 　　检测异常值。观察原始数据,绘制原始数据图或计算序列自相关系数,观察序列是否包含季节性、季节模式的变化、波幅的差异和变化、异常值等季节性变化因素。通常来说,影响季度性变动的因素,一般可分解为趋势因素、周期因素、季节因素和不规则因素等四个。不过,由于一般的时间序列的观察值有限,不能充分地将趋势从周期变化中加以区分,因此,长期趋势和周期变动被合并为趋势―周期因素。 　　消除异常值。在对序列及其季节行为进行初步的图形评估后,使用模型的默认选项进行季节调整,随后,使用模型计算出经季节调整的趋势,并加回异常观测值。需要指出:一是利用模型把原始时间序列中存在的季节因素剔除掉,季节调整后的时间序列是趋势―周期和不规则因素的合成。二是根据时间序列各组成因素之间的不同依存关系可以建立不同模型,主要有加法模型和乘法模型。理论上讲,如果不管趋势如何变化,季节因素相对不变,那么加法模型是合适的;如果季节变化随趋势变化而变化,乘法模型是最合适的候选模型。目前国际上常用的是乘法模型。 　　修订及预测。就是修订历史数据和预测近期趋势。 　　 　　■ 季节调整的利弊 　　 　　季节调整的优点。与原始数据相比,消除季节因素影响后的数