货币供应量季节调整中消除春节因素的实证研究

一、概述以月度或季度作为观测单位的时间序列数据通常会受到季节因素的影响,这种影响往往会掩盖经济发展中的其他变化规律,给我们分析宏观经济金融形势造成困难和麻烦。因此,在对月度或季度时间序列进行经济分析时,必须去掉季节因素的影响,将季节因子从原序列中剔除,这就是“季节调整”。在我国,季节调整有其特殊性。阳历(Gregoriancalendar or solar calendar)是包括我国在内的大多数国家采用的官方日历,而我国的另外一些重要节日则是由阴历(lunar calendar)所决定,例如中国的阴历新年。从阳历来看,中国的阴历假日日期是不固定的,通常称…     

季节调整新方法及其原理研究

本文的主要工作是从频域的角度对季节调整中“季节滤子”的设计及估计问题进行研究。通过将直接信号提取（DSEF）方法引入到季节调整的应用之中,突破现有季节调整方法中仅能处理季度或月度数据的限制,且该方法下季节调整后的序列是理论季节调整后序列的“均方误差”最小估计。将DSEF方法应用于对中国季度进出口总额序列的季节调整分析中。分析结果显示,相比于X-11和SEATS方法,DSEF方法季节调整结果的离差较小且稳健性较好。     

基于平衡轮换样本调查的季节调整方法研究

传统季节调整方法对时间序列数据进行季节调整时,往往假定误差项为白噪声,不考虑其序列相关关系。为了进行更准确地季节调整分析,本文从连续性抽样调查的角度出发,研究基于平衡轮换样本调查的抽样误差对季节调整的影响,建立一般化的季节调整模型,利用卡尔曼滤波进行参数估计,并从预测误差、误差方差等角度评价模型精度。最后以中国城镇住户调查采用的12～0平衡轮换模式为例,对考虑抽样误差结构特征的季节调整模型进行实证分析,验证这套季节调整方法的有效性。     

基于ARIMA模型的我国财产险保费收入的预测研究

改革开放以来,我国保险业一直保持着迅猛的发展势头。财产险作为保险业的重要组成部分,其保费收入也在逐年增加。本文利用2000年1月至2009年10月118个时间序列数据,运用求和自回归移动平均模型（autoregressive integrated movinga verage model,简称ARIMA（p,d,q）模型）,建立我国保险业财产险收入的预测模型,预测财产险保费收入的变化趋势,作为保险公司决策管理的参考,并提出相关建议。     

税收收入预测的时间序列方法选择

税收是国家财政收入的主要来源,能否准确地预测税收收入对于制定国家财政预算具有重要意义.文章以中国2001年至2007年的税收收入数据为基础,分别采用传统时间序列分析方法和Box-Jenkins的方法建立了中国月度税收收入的时间序列预测模型.该模型可用于对未来短期情况的预测,同时说明有时在进行预测时传统方法除了操作简便外,精度也更高一些.因此,在建模时,要通过对几个不同模型的比较,找出数据规律,确定最优的模型.     

季节异方差序列的季节调整问题研究

季节调整是从经济序列中剔除季节成分的重要方法。季节异方差的存在,使经典的季节调整方法无法彻底分离出季节成分,致使季节调整失败。本文针对季节异方差问题提出用于季节调整的改进的HS模型,并定义改进的HS模型构造季节异方差检验LR统计量,通过蒙特卡洛模拟方法分析该检验的检验尺度和检验功效。最后,利用我国税收总额月度序列给出实证分析,并通过对比考察了改进的HS模型方法季节调整的有效性。     

Von Mises分布在陕西省保费收入中的应用

保费收入的季节波动对保险业的增长具有重要的影响。应用方向数据统计对2005~2009年陕西省保费收入进行了季节波动分析,通过假设检验及统计推断得出陕西省保费收入服从双峰Von Mises分布,具有明显的季节波动性。     

我国保费收入增长模型实证分析

文章利用计量经济学的方法对我国保险公司的保费收入进行评价 ,通过统计软件 SPSS对指标数据进行了实证分析 ,详细介绍了如何运用计量经济学建立保费收入增长的评价模型 ,并预测 2 0 0 2～ 2 0 0 6年的保费收入增长额     

我国CPI季节调整模型预测

文章基于考虑春节效应的X-12-ARIMA季节调整模型,对我国2002年1月至2013年12月的CPI序列月度数据进行季节调整,并进行季节波动性分析及短期预测.实证结果表明:我国的CPI变动存在明显的季节性特征,春节效应对其有显著影响;CPI序列的短期波动主要是受季节性成分影响,而长期波动主要受趋势-循环成分影响;利用该模型进行短期预测效果较好,预测误差绝对值控制在1.5％之内.     

环比增长率测算季节调整模型的评价和选择

季节调整使子年度数据可比,有利于环比增长率测算和经济监测。国际上季节调整模型众多,模型选择是季节调整的首要任务。以国际常用的X-12-ARIMA和TRAMO/SEATS模型的选择为目标、以两模型理论差异分析为基础、以中国2001—2010年的月度CPI数据为样本,通过谱分析方法检验剩余季节性、幂等、平滑间距和修正历史等方法检验模型稳定性、通过Friedman和Kruskal-Wallis等非参数方法检验季节稳定性,得出模型之间更具体的差异,为满足实践需要进行模型选择提供科学依据。     

互联网企业广告收入预测研究——基于低频数据的神经网络和时间序列组合模型

神经网络模型对大样本时间序列的拟合效果优于传统时间序列模型,但对于年度、月度、日度等低频时间序列的预测则难以发挥其优势。鉴于此,本文应用传统时间序列模型和神经网络模型,建立Holtwinters-BP组合模型,利用Holtwinters模型分别拟合各解释变量序列,利用BP模型拟合解释变量和自变量的非线性关系,基于某社交新闻类APP的日广告收入数据进行互联网企业广告收入预测研究。通过与循环神经网络(RNN)模型、长短期记忆神经网络(LSTM)模型等预测结果的对比发现:Holtwinters-BP组合模型的预测精度和稳定性更高;证明多维变量对于广告收入的显著影响,多变量模型的预测准确性高于单变量模型;构建的Holtwinters-BP组合模型对于低频数据预测有较好的有效性和适用性。     

本期导读

利用科学的方法测定出季节变动模式,从而进一步进行季节调整,才能使月度价格指数时间序列能监控经济短期变化,更好地反映价格变     

中国GDP的季度调整模型及预测分析

基于全国2000年1季度至2014年4季度的GDP季度数据,文章采用乘法模型的时间序列分解法对其进行季度调整,得到不合有季节性特征的时间序列,然后进行趋势性分析以及趋势模型的建立、估计与检验,并结合季节指数预测出2015年1季度至2016年4季度的季度GDP.     

时间序列的季节调整及其方法

一、季节调整的必要性 在经济分析和国民经济核算中,经常会看到经过季节调整后的时间序列数据,也经常会遇到关于国内生产总值时间序列季节调整的方法。时间序列季节调整是对时间序列中隐含的由于季节性因素造成的季节变化的影响加以纠正的过程。时间序列是指不同的时间上,对所发生的经济活动进行     

我国月度居民消费价格指数的预测方法与应用

文章用时间序列的BP神经网络和ARMA模型的方法对我国2005年1月～2011年5月的月度CPI进行了模型分析并检验了预测效果。对比分析表明,利用月度CPI时间序列的BP神经网络方法相比ARMA模型有更好的预测精度。     

我国铁路客运量的季节时间序列模型

针对季节调整方法如X-11等调整结果不利于解释,及其方法本身没有考虑我国像春节等季节性特点的不足,文章建立起一般的季节时间序列模型,另外,针对季节周期的主观诊断,文章建立起辅助回归模型,较为客观的诊断时间序列的季节周期。结合我国铁路客运量的实证分析,预测结果表明:未来10月铁路客流量较大,相反,11月和12月客运量较小,这点和历史数据的特征十分类似,说明建立的模型较合适。     

我国保费收入的ARIMA模型与预测

一个国家或地区的保费收入是衡量该国家或地区保险业发展的重要指标之一。为了编制保险计划,制定保险业的短、中、长期发展规划,建立保费收入的ARIMA模型并据此进行预测是十分必要的。本文试图根据我国已有的保费收入资料,建立保费收入的ARIMA模型并进行预测。一、数据搜集与整     

Census X12季节调整下的黑龙江零售品销售总额的预测研究

文章在对季节调整方法进行理论总结的基础上,采取Census X12季节调整办法对黑龙江零售品销售总额序列(2003～2008)进行剥离,得到长期趋势TC和季节因素S,并计算出季节因素的影响系数—季节指数;对长期趋势TC序列进行时间序列回归预测季节调整后的2009年1～12月值,再运用季节指数得到2009年1～12月的总序列预测结果;运用配对检验预测得到的2009年1～7月份数据与实际观测值在95%显著性水平下不存在显著差异。     

中国季度GDP的季节调整：结构时间序列方法

 内容提要：本文利用结构时间序列方法讨论了中国季度GDP的季节调整问题,从季节单位根、季节自相关、周期自相关等多个方面对不同季节模式的调整结果进行了比较。结论认为,随机虚拟变量形式和三角函数形式得到的调整结果非常相似;结构时间序列方法更好地捕捉到了时变季节特征,明显优于X-11和SEATS方法;非高斯稳健季节调整的结果表明,高斯结构时间序列方法具有较好的稳定性。     

季节调整方法综述及比较

一、前言所谓季节调整,就是将某一统计指标的时间序列中的季节性因素和偶然性因素剔除,从而使经过季节调整的时间序列能够较为准确地反映出社会经济运行基本态势。早在20世纪的上半叶人们就开始了从时间序列中分解季节因素、调整季节变动的尝试。季节调整的问题首先是由美国经济学家1919年提出的,此后,有关季节调整的方法不断的出现和改进。1931年麦考利(Macauley)提出了用移动平均比率法进行季节调整,成为季节调整方法的基础。1954年Shiskin在美国普查局首先开发了在计算机上运行的程序对时间序列进行季节调整,称为X1,此后,季节调整的方…