经济数据分析.PPTVIP

第二部分 时间序列分析 ——时间序列的季节调整、分解与平滑 主要内容 主要介绍经济时间序列的分解和平滑方法。 时间序列的分解:季节调整 趋势分解 平滑方法:指数平滑 时间序列是按时间次序排列的随机变量序列，任何时间序列经过合理的函数变换后都可以被认为是由几个部分叠加而成。 三个部分：趋势部分(T) 、季节项部分（S）和随机噪声部分（I）。 注意：常见的时间序列都是等间隔排列的。 有时为了更细致地研究趋势部分,又将趋势部分分成趋势和循环两部分,前者用直接或二次曲线来描述,体现经济的发展趋向;后者则是波动变化,体现排除季节影响后经济发展中的波动性与周期性. 时间序列调整各部分构成的基本模型 判定—个数据序列究竟适合乘法模型还是加法模型，可考查其趋势变化持性及季节变化的波动幅度。 由此，所谓季节调整就是按照上述两种模型将经济时间序列进行分解，去掉季节项的序列称为调过序列。 第一节 季节调整 一、基本概念 季节性变动的发生：气候的直接影响、社会制度及风俗习惯（如每年的法定节假日、学校的假期）。 经济统计中的月度和季度数据或大或小都含有季节变动因素，以月份或季度作为时间观测单位的经济时间序列通常具有一年一度的周期性变化，这种周期变化是由于季节因素的影响造成的，在经济分析中称为季节性波动。 季节性波动会遮盖或混淆经济发展中其他客观变化规律，以致给经济增长速度和宏观经济形势的分析造成困难和麻烦。因此，在进行经济增长分析时，必须去掉季节波动的影响，将季节要素从原序列中剔除，这就是所谓的“季节调整” (Seasonal Adjustment)。 第一节 季节调整 常用处理经济数据中的季节性 第一：将其直接表达出来： 用独立变量中的季节变化解释因变量中的季节变化 季节虚拟变量 第二：可将误差项设定为服从季节ARIMA过程或者可以直接对季节ADL模型进行估计 第三：滤波处理，使数据还原为不存在季节变化时的原始数据。 季度GDP数据 季节调整的经济意义和作用 进行短期预报 估计当前趋势，以便对近期的未来作出判断 研究经济发展中的外部分事件和政策变量之间的关系 季节项的存在往往混淆序列和序列之间、序列和外部事件之间及政策变量之间的关系，只有经过季节调整后，这些关系才变得易于研究。 使数据序列之间在经济意义上具有可比性． 在研究经济序列不同月份(或季度)之间的关系时，必须去掉季节部分的影响，才可以进行经济意义上的比较。 二、经济时间序列的季节调整方法 1、X-11方法：基于移动平均法的季节调整方法。 特征：根据各种季节调整的目的，选择计算方式外，在不作选择的情况下，也能根据事先编入的统计基准，按数据的特征自动选择计算方式。 在计算过程中可根据数据中的随机因素大小，采用不同长度的移动平均，随机因素越大，移动平均长度越大。X-11方法是通过迭代来进行分解的，每一次对组成因子的估算都进一步精化。 谱分析的基本思想是：把时间序列看作是互不相关的周期（频率）分量的叠加，通过研究和比较各分量的周期变化，以充分揭示时间序列的频域结构，掌握其主要波动特征。因此，在研究时间序列的周期波动方面，它具有时域方法所无法企及的优势。 根据观测数据列．对时间序列的谱分布进行统计分祈，称为时间序列的谱分析，也称为时间序列的频域分析。时间序列的谱分析主要包括谱密度的估计(简称谱估计)以及隐含周期的检测方法等内容。 主要参考资料 高铁梅，计量经济分析与建模：EVIEW应用与实例，清华大学出版社 汉密尔顿，时间序列分析，中国社会科学出版社 下次课程安排 1、向量自回归模型（VAR） 2、自回归条件异方差模型（ARCH） 为了使用Band-Pass滤波，首先要选择一种滤波类型。共有3种类型： （1） BK固定长度对称滤波（Fixed length symmetric (Baxter-King，BK)）； （2）CF固定长度对称滤波（Fixed length symmetric (Christiano-Fitzgerald，CF)）； （3）全样本长度非对称滤波（Full sample asymmetric(Christiano-Fitzgerald)）。 EViews默认的是BK 固定长度对称滤波。如果使用固定长度对称滤波，还必须指定先行/滞后（Lead/lag）项数n。 用户必须选择循环周期（Cycle periods）的区间以计算Band-Pass滤波的频率响应函数的权重序列。这个区间由一对数据（PL，PU）描述，PL、PU 由Band-Pass滤波要保留的循环波动成分所对应的周期来确定。月度数据填月数；季度数据填季度的个数。EViews将根据数据类型填入了默认数值。例如，例2.6认为中