第02章经济时间序列的季节调整.分解及平滑方法s.pptVIP

第二章 经济时间序列的 季节调整、分解与平滑 ; 经济指标的月度或季度时间序列包含4种变动要素： 长期趋势要素T 循环要素C 季节变动要素S 不规则要素I 　　;图1 我国工业总产值的时间序列 Y 图形 图2 工业总产值的趋势·循环要素 TC 图形 ;季节调整的概念;§2.2.1 X-11季节调整方法 ;§2.2.2　X12季节调整方法 ; X12季节调整方法的核心算法是扩展的X11季节调整程序。共包括4种季节调整的分解形式：乘法、加法、伪加法和对数加法模型。注意采用乘法、伪加法和对数加法模型进行季节调整时，时间序列中不允许有零和负数。 ① 加法模型 (2.2.1) ② 乘法模型： (2.2.2) ③ 对数加法模型： (2.2.3) ④ 伪加法模型： (2.2.4);例2.1 利用X12加法模型进行季节调整 ; 图2.1d 社会消费品零售总额 I 序列; TRAMO(Time Series Regression with ARIMA Noise, Missing Observation, and Outliers)用来估计和预测具有缺失观测值、非平稳ARIMA误差及外部影响的回归模型。它能够对原序列进行插值，识别和修正几种不同类型的异常值，并对工作日变化及复活节等特殊回归因素及假定为ARIMA过程的误差项的参数进行估计。 SEATS(Signal Extraction in ARIMA Time Series)是基于ARIMA模型来对时间序列中不可观测成分进行估计。 这两个程序往往联合起来使用，先用TRAMO对数据进行预处理，然后用SEATS将时间序列分解为趋势要素、循环要素、季节要素及不规则要素4个部分。; 本节主要介绍利用EViews软件对一个月度或季度时间序列进行季节调整的操作方法。在EViews工作环境中，打开一个月度或季度时间序列的工作文件，双击需进行数据处理的序列名，进入这个序列对象，在序列窗口的工具栏中单击Proc按钮将显示菜单：; 1. X11方法 ; 2. Census X12方法 ; 调用X12季节调整过程，在序列窗口选择Procs/Seasonal Adjustment / Census X12，打开一个对话框： ;3. 移动平均方法 ; Tramo(Time Series Regression with ARIMA Noise, Missing Observation, and Outliers)是对具有缺失观测值，ARIMA误差、几种外部影响的回归模型完成估计、预测和插值的程序。 Seats(Signal Extraction in ARIMA Time Series)是基于ARIMA模型的将可观测时间序列分解为不可观测分量的程序。这两个程序是有Victor Gomez 和Agustin Maravall 开发的。 当选择了Pross/Seasonal Adjustment/Tramo Seats 时，EViews执行外部程序，将数据输给外部程序，然后将结果返回EViews。 ;§2.3 趋势分解 ;§2.3.1 Hodrick-Prescott（HP）滤波 ; 一般地，时间序列{Yt}中的不可观测部分趋势{YtT}常被定义为下面最小化问题的解： (2.3.2) 其中：c(L)是延迟算子多项式