2、X12季节调整方法 美国商务部国势普查局的X12季节调整程序是在X11方法的 基础上发展而来的,包括X11季节调整方法的全部功能, 并对X11方法进行了以下3方面的重要改进 (1)扩展了贸易日和节假日影响的调节功能,增加了季节、 趋势循环和不规则要素分解模型的选择功能 (2)新的季节调整结果稳定性诊断功能; (3)增加Ⅺ12- ARIMA模型的建模和模型选择功能。 云南大学发展研究院
云南大学发展研究院 11 2、X12季节调整方法 美国商务部国势普查局的X12季节调整程序是在X11方法的 基础上发展而来的，包括X11季节调整方法的全部功能， 并对X11方法进行了以下3方面的重要改进： (1) 扩展了贸易日和节假日影响的调节功能，增加了季节、 趋势循环和不规则要素分解模型的选择功能； (2) 新的季节调整结果稳定性诊断功能； (3) 增加X12-ARIMA模型的建模和模型选择功能
X12季节调整方法的核心算法是扩展的X1季节调整程 序。共包括4种季节调整的分解飛式:乘法、加法、伪加法和 对数加法模型。注意釆用乘法、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 龙21+19+1 ②乘法模型: Y,=1(2k2)×l ③对数加法模型:hY=hTC(21S3)hⅠ ④伪加法模型: Y1=7(24.4)J1-1) 云南大学发展研究院
云南大学发展研究院 12 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 (2.1.1) ② 乘法模型： (2.1.2) ③ 对数加法模型： (2.1.3) ④ 伪加法模型： (2.1.4) t t t t Y = TC + S + I t t t t Y = TC S I t t t t ln Y = ln TC + ln S + ln I = ( + −1) t t t t Y TC S I
利用X12加法模型进行季节调整 7000 6000 6000 5000 5000 4000 4000 3000 2000 2000 1000 1000 0 TTTT TTTTTT 图21a社会消费品零售总额原序列图21b社会消费品零售总额的TCI序列 13 云南大学发展研究院
云南大学发展研究院 13 利用X12加法模型进行季节调整 图2.1a 社会消费品零售总额原序列 图2.1b 社会消费品零售总额的TCI 序列
600 300 5000 200 4000 100 3000 0 小个球 2000 -100 000 0 图21c社会消费品零售总额的TC序列 图21d社会消费品零售总额I序列 14 云南大学发展研究院
云南大学发展研究院 14 图2.1c 社会消费品零售总额的TC序列 图2.1d 社会消费品零售总额 I 序列
3、 TRAMO/ SEATS方法 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。 特点: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 ARMA过程的误差项的参数进行估计。 SEATS(Signal Extraction in ARIMA Time Series)H 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 15 云南大学发展研究院
云南大学发展研究院 15 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。 特点：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。 3、TRAMO/SEATS方法