第02章 经济时间序列的季节调整 分解和平滑方法.ppt

在经济时间序列中，季节变动要素和不规则要素往往掩盖了经济发展中的客观变化，给研究和分析经济发展趋势和判断目前经济所处的状态带来了困难。因此，我们需要在经济分析之前对经济时间序列进行季节调整，剔除其包含的季节变动因素和不规则要素。而利用趋势分解法可以把长期趋势和循环要素分离开来，从而分别研究经济长期趋势变动和经济周期循环变动。对分解出来的长期趋势，我们还可以利用各种简单外推模型进行初步预测和分析，从而把握事物发展规律。但对有些经济时间序列（例如股票指数），其不存在明显的趋势变动和季节变动。对这样的经济时间序列我们通常使用各种指数平滑方法进行拟合以及预测。 简单外推模型与分析 我们称基于时间序列过去行为来进行预测的简单模型为确定性模型，这些确定型模型不反应时间序列的随机性质。确定型时间序列分析是指根据时间序列自身发展变化规律和特征（即趋势），选取适当的趋势模型进行分析和简单外推。例如 是一个时间序列，其趋势模型的一般形式是： 式中t是时间变量，一般取值为0，1，2，…。趋势模型的具体形式多种多样，常用的趋势模型有如下7种： 1. 线性趋势模型： 2. 指数增长模型： 该模型也被称为对数线性趋势模型 3. 多项式曲线模型： 其中二次或者三次曲线趋势模型经常被使用。4. 自回归趋势模型：5.对数自回归趋势模型：6.双曲线模型：7.逻辑曲线模型： 我们可以通过定性分析和定量分析相结合的方法来选择比较合理的趋势模型。其中，定性分析是指在选择模型前，需要弄清模型的条件和预测对象的性质、特点。例如，假如事物是各期几乎以相同百分比的增长速度增长，则可以考虑使用指数增长模型；假如事物发展到一定规模后其增长速度会逐步下降，即存在增长限制，此时则可以考虑逻辑曲线模型。除了定性分析以外，我们还需要根据有关资料运用多种初等分析方法把握事物现象的特征。例如，计算样本的逐期增长率，看是否满足指数增长模型的特点；更一般的方法是绘制时间序列曲线，直观地判断现象大体符合哪种模型。有时，数据当中不仅包含趋势，还存在周期波动和较强的随机变动从而造成我们对趋势识别的困难，因此需要对数据进行预处理，其主要方法包括数据的季节调整等。 实验1 指数平滑技术 对SP指数从1990年1月至2007年12月的月收盘价（月度时间序列数据），数据保存在table 6-5.wfl文件中，其中SP是SP指数的月度数据。 主要步骤： 1.我们绘制序列SP的折线图，发现SP并没有出现很明显的趋势变动和季节变动，因此采用指数平滑方法对序列SP进行拟合和预测，样本数据分为两块，平滑估计的样本区间是1990年1月至2006年12月，预测区间是2007年1月至2007年12月。 2.打开工作文件“table 6-5.wfl”，双击打开序列SP，单击Proc\Exponential Smoothing.3.将样本估计区间改为：1990m01 2006m12，其余为EViews默认，单击ok，在工作文件目录中生成新序列SPSM。4.建立一个包含SP和SPSM的序列组g1，在窗口中单击View\Graph\line，比较原序列和平滑预测序列。 实验2 简单外推模型与分析 我们利用HP滤波方法和BP滤波方法分解出社会商品零售总额序列sale的长期趋势，并建立长期趋势模型，从而进行简单的外推预测。长期预测序列hptrend01数据在“table 6-3.wfl”文件中。 主要步骤： 1.由于线性趋势模型和指数增长模型需要对时间进行回归，因此需建立趋势时间序列t。我们可以在EViews命令窗口输入命令：genr t=@trend，其中@trend是函数，然后回车，则将产生序列t，取值依次为0，1，…。 2.由于我们是利用1997年1月至2006年12月样本数据估计趋势模型参数，因此需更改样本范围，在工作文件“table 6-3.wfl”窗口双击Sample，将范围更改为“1997m01 2006m12”。3.估计线性趋势，指数增长，回归趋势和对数自回归四种简单外推模型，并进行比较。 上机练习 样本数据为某公司1986年1月至1995年12月销售总额（sale，单位百万元）的月度时间序列，共120个数据，这些数据保存在“exercise 6-1.wfl”文件中。为了更好地分析该公司的销售数据，需要对其进行基本的时间序列分析，请使用EViews完成以下操作： （1）绘制Sale的折线图，并分析其特征； （2）使用Census X12季节调整方法和Tramo/Seats方法对Sale进行季节调整，并比较两种方法调整后的结果；