季节性时间序列模型摘要.pptVIP

EVIEWS软件介绍(Ⅴ) 一、X-12季节调整方法简介 X-12-ARIMA方法最早由美国普查局Findley等人在20世纪90年代左右提出，现已成为对重要时间序列进行深入处理和分析的工具，也是处理最常用经济类指标的工具，在美国和加拿大被广泛使用。其在欧洲统计界也得到推荐，并在包括欧洲中央银行在内的欧洲内外的许多中央银行、统计部门和其他经济机构被广泛应用。　 X-12-ARIMA方法提供了四个方面的改进和提高，（1）可选择季节、交易日及假日进行调整，包括调整用户定义的回归自变量估计结果，选择辅助季节和趋势过滤器，以及选择季节、趋势和不规则因素的分解形式；（2）对各种选项条件下调整的质量和稳定性做出新诊断；（3） 对具有ARIMA误差及可选择稳健估计系数的线性回归模型，进行广泛的时间序列建模和模型选择能力分析；（4）提供一个新的易于分批处理大量时间序列能力的用户界面。 X-12-ARIMA方法现已广泛应用于世界各国的中央银行、统计部门和其他经济机构，并且已成为对重要时间序列进行深入处理和分析的工具。 上海财经大学 统计与管理学院 * 二、案例：1993-2000年中国社会消费品零售总额月度序列（单位：亿元） 通过1993-2000年中国社会消费品零售总额月度序列的时序图（图8.16），我们可以观察到该序列有着很强的季节特征。通过该序列的自相关函数图（图8.17）及单位根检验结果（图8.19）的进一步判断，认为该序列非平稳，并且有着很强的季节特征。 上海财经大学 统计与管理学院 * 图8.19 上海财经大学 统计与管理学院 * ①首先显示的是Seasonal Adjustment（季节调整）模块（图8.19），该模块共有5个选项区。 在X11 Method（X11方法）选项区选Multiplicative（乘法模型）。 在Seasonal Filter（季节滤子）选项区选Auto（自动）。 在Trend Filter（趋势滤子）选项区选Auto（自动）。 在Component Series to Save（保存分量）选项区选季节调整序列（_SA）、季节因子序列（_SF）、趋势循环序列（_TC）、不规则序列（_IR）四个分量（通过在小方格内勾选保存在工作文件里）。 ②激活ARIMA Options模块（图8.22）。在Data Transformation（变换数据）选项区选None；在ARIMA Spec（ARIMA设定）选项区选No ARIMA；Regressors（回归变量）选项区不选；ARIMA Estimation Sample选项区保持空白。这些选项意味着不使用regARIMA运算模块。 上海财经大学 统计与管理学院 * 上海财经大学 统计与管理学院 * 图8.22 图8.23 ③激活Trading Day/Holiday模块（图8.23），共有三个选项区。在Adjustment Options（调整方法）选项区选Adjust in X11 step（在X11模块做季节调整）；在Trading Day Effects（交易日效应）选项区选Flow day-of-week（交易日效应）；Holiday（假日）选项区保持空白。这些选项意味着，在X11阶段进行季节调整，但只考虑交易日效应，不考虑假日效应（因为假日效应中的复活节、感恩节、圣诞节等因素不适用于中国经济）。 ④激活Diagnostics（诊断）模块，和Outliers（离群值）模块（图8.24），不做选择，维持默认状态。 图8.24 做完上述选择后，点击“确认”键，得到季节调整序列SALES_SA；季节因子序列SALES_SF；趋势循环序列SALES_TC和不规则序列SALES_IR，分别见图8.25至图8.28。 上海财经大学 统计与管理学院 * 上海财经大学 统计与管理学院 * 上海财经大学 统计与管理学院 * 上海财经大学 统计与管理学院 * 上海财经大学 统计与管理学院 * 上海财经大学 统计与管理学院 * 上海财经大学 统计与管理学院 * (2) 针对序列 我们尝试几种不同的模型拟合，比如ARMA（1，1），ARMA（1，2），ARMA（1，3）等。经过不断的尝试，