季节调整方法在CPI指数中的应用

文章首先对季节调整方法的发展及应用进行了说明,着重介绍了国际上使用最广泛的两种方法:X-12-ARIMA和TRAMO/SEATS;然后用X-12-ARIMA方法对我国居民消费价格指数序列进行了季节调整,探测了交易日、闰年、异常值和春节对CPI指数的影响,比较了三种季节调整模型之间的优劣并进行调整,得出了我国CPI指数只受春节因素的影响的结论,相应的最优模型也是春节效应模型;最后用这种模型对我国CPI指数进行季节调整,分离出趋势成分、季节成分和不规则成分,得到了最终的季节调整序列。     

季节调整方法在中国的发展与应用

随着我国社会主义市场化经济程度的不断提高,人们逐渐开始使用环比数据监控宏观经济重要指标,而环比数据质量的好坏取决于对季节调整方法的了解与掌握程度.在简要介绍了季节调整方法及相应软件的发展现状之后,本文对季节调整研究在我国的发展与应用状况进行了总结.在季节调整发展部分,文章主要介绍了中国人民银行PBC版X-12-ARIMA季节调整软件和国家统计局版NBS-SA季节调整软件的特点;在季节调整应用部分,则分别以春节效应和结构时间序列模型为主线对我国季节调整文献进行了梳理.最后在小结部分,本文给出了一些建设性意见.     

基于季节调整技术的我国物价波动实证研究

 本文首先对季节调整方法的发展及应用进行说明,并对X-12-ARIMA和TRAMO/SEATS进行方法与实证比较,得出这两种方法调整效果基本相同;其次使用X-12-ARIMA方法对我国CPI时间序列数据做了实证研究,分离出最终趋势成分、季节成分等;然后通过PBC版X-12-ARIMA分理处时间序列中的春节因素;最后通过调整后的CPI序列进行短期预测,并对其展开了一定的分析讨论。     

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.     

基于季节调整的CPI统计环比指数研究

本文首先阐述了季节调整与统计环比指数的必要性,简要介绍了X-12-ARIMA与TRAMO/SEATS季节调整原理,然后运用X-12-ARIMA程序对中国1997年1月至2010年5月CPI月度数据进行季节调整,再运用TRAMO/SEATS方法解决季节调整程序中中国春节因素问题。接着由季节调整后的数据计算得到月环比CPI,对月环比CPI和同比增加率进行了比较,结果显示月环比CPI领先同比CPI。最后利用TRAMO/SEATS程序建立ARIMA模型（210）（011）进行了24个月的预测,预测结果显示,未来24个月内我国消费者物价指数温和上升,不会发生大的通货膨胀,但是存在一定的通胀压力。     

居民消费价格指数的季节调整及短期预测

文章首先论述了季节调整方法的发展过程;然后把居民消费价格指数的同比数据转换为定基比数据.运用国际上最新流行的X-12-ARIMA程序对我国居民消费价格指数时间序列进行季节调整:再运用TRAMO/SEATS方法剔除中国特有的春节假日因素;最后对CPI进行短期预测,得出了我国的通货膨胀可能还会持续一段时间的结论.     

Prophet-X-12-ARIMA组合模型及交通运输量预测

由于受到经济社会因素的影响，交通运输量数据具有趋势多变及季节性明显的复杂特征。现有的预测模型，如X-12-ARIMA模型、ARIMA模型和Prophet模型等的预测准确性有待改进。文章构建Prophet-X-12-ARIMA组合模型，综合了Prophet模型灵活拟合趋势成分的优势以及X-12-ARIMA模型能准确分解出季节成分的优点。采用该模型预测某城市的七种交通运输量序列，结果显示Prophet-X-12-ARIMA组合模型的半年度和年度预测效果明显优于Prophet模型、X-12-ARIMA模型及ARIMA模型。进一步研究发现，当原始序列趋势变化剧烈时，Prophet-X-12-ARIMA组合模型的预测效果更优。     

X-12-ARIMA方法的SAS程序实现及应用

本文介绍了利用SAS系统实现X-12-ARIMA季节调整方法的具体过程,并应用该方法对中国入境旅游外汇收入序列进行了季节调整分析.     

X-12-ARIMA方法的SAS程序实现

X-12-ARIMA方法是以X-11项目以及X-11-ARIMA88(D)方法为基础的季节调整方法,具有广泛的实际应用价值。本文介绍了利用SAS系统实现该方法的具体过程,弥补了国内教材的不足。     

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。     

Spectral properties of the concurrent and forecasting seasonal linear filters of the X-11-ARIMA method

This study analyzes the properties of the linear filters of the X-11-ARIMA seasonal adjustment method applied for current seasonal adjustment. It provides the general formula for the combined weights that result from the ARIMA model extrapolation filters with the X-11 seasonal-adjustment filters. The three cases studied correspond to the three ARIMA models automatically tested by the X-11-ARIMA program, namely, (0, 1, 1)(0, 1, 1), (0, 2, 2)(0, 1, 1), and (2, 1. 2)(0, 1,1). The parameter values chosen reflect different degrees of flexibility of the trend-cycle and seasonal components. It is shown that the X-11-ARIMA linear filters for current seasonal adjustment are very flexible; they change with both the ARIMA extrapolation model and its parameter values, contrary to those of the X-11 program, which are fixed for a given set of options.     

中国月度数据的季节调整：一个新方案

 本文针对中国特定的节假日效应和交易日效应对季节调整问题提出了新的方案,包括移动节假日效应（如春节、中秋节、清明节、端午节等）、黄金周效应、五天工作制效应等;论文利用新的调整方案对我国社会消费品零售总额的月度数据进行了季节调整,诊断结果表明,新方案能比较充分地提取各种季节特征;论文对我国季节调整问题提出了针对性建议。     

A comparison of indicators for evaluating x-11-arima seasonal adjustment

Summary The evaluation of the performance of seasonal adjustment procedures is an issue of practical importance in view of the unobservable nature of the components. Looking at just one indicator when judging the overall quality of a procedure may be misleading, even though this is common practice when many series are involved. The main purpose of this paper is to compare the information content of different synthetic indicators with reference to the X-11-ARIMA procedure. Sixty-six different types of monthly seasonal series are generated and the seasonal component then extracted by carrying out X-11-ARIMA with standard options. The correlation between the pseudo-true error for each series and various synthetic indicators allows us to compare the latter's reliability, under both the hypotheses of minimum and maximum variance of the pseudo-true seasonal component. We show that the overall quality indexQ-the indicator most commonly adopted by users of the X-11-ARIMA-is always outperformed by the simpler diagnostics based on the stability of the estimates. In particular, the “sliding-spans” indicator, proposed by Findley et al. (1990) and included in the diagnostics of the new X-12 procedure, shows a much stronger correlation with the pseudo-true error in the seasonal adjustment. We also show that the total forecasting errors in the one-year-ahead extrapolation of the seasonal component have a good informative power and perform almost as well as the “sliding-spans” indicator.     

春节因素影响的调整方法

春节因素影响的调整方法余根钱ＡＢＳＴＲＡＣＴＳｐｒｉｎｇＦｅｓｔｉｖａｌｆａｃｔｏｒｒｅｆｅｒｓｔｏｔｈａｔｏｗｉｎｇｔｏｔｈｅｄａｔｅｃｈａｎｇｅｏｆｔｈｅＳｐｒｉｎｇＦｅｓｔｉｖａｌｅａｃｈｙｅａｒ,ｔｈｅｏｂｓｅｒｖａｔｉｏｎｓｏｆｍａｎｙｅｃ...     

中国粮食价格波动特征研究——基于X-12-ARIMA模型和ARCH类模型

以小麦和大豆为例,研究2002年1月至2012年6月中国粮食价格波动特征。首先利用X-12-ARIMA模型对价格序列进行季节调整,然后运用ARCH类模型对剥离季节因素的价格序列进行波动分析。结果发现:中国粮食价格季节性波动逐年减弱;粮食价格具有明显的波动集簇性,前期价格波动和外部冲击对后期价格的影响具有持续性;粮食市场不存在"高风险、高回报"特征;小麦价格波动的非对称性不显著,而大豆价格波动则呈现明显的非对称特征,且上期价格上涨信息引发的波动要大于下跌信息。     

季节调整后的蔬菜价格波动——兼论货币供应量的影响

利用X-12-ARIMA季节调整模型及ARCH类模型分析大宗蔬菜白菜、黄瓜、西红柿、菜椒和四季豆价格的季节性波动特点和短期变动特征,并探寻货币供应量对蔬菜价格长期趋势的影响。结果表明:蔬菜价格季节性波动特征明显,但波幅有缩小的趋势;蔬菜价格的趋势变动与货币供应量紧密联系,当流通中的货币量增加1万亿元时,白菜、黄瓜、西红柿、菜椒和四季豆每公斤分别上涨0.43元、0.76元、0.83元、1元和1.2元左右;白菜、黄瓜、菜椒和四季豆的价格具有明显的波动集簇性,白菜和黄瓜价格的外部冲击的影响会持续到下一期,菜椒和四季豆价格过去外部冲击和波动影响会比较持久;四种蔬菜均没有显现出显著的风险报酬特征,上期正负外部冲击对本期菜椒价格波动的影响具有非对称性,而对白菜、黄瓜和四季豆的影响是对称的。     

中国居民消费价格指数间的关系与选择

居民消费价格是宏观经济监测的重要内容之一,其指数间的关系与选择具有重要意义。通过与国外发达国家的比较,从我国目前价格指数编制和选择使用的现状及存在的问题出发,研究环比、同比和定基价格指数以及环比“折年率”之间的相互转化情况和它们各自在经济监测中的特征。重点研究了基于X-12-ARIMA模型的环比价格指数的季节调整和同比价格指数相对环比价格指数对物价监测的时滞性。同时验证了研究中同比向定基指数转化的合理性。由此对我国居民价格实时监测的指数选择提供政策建议,也为我国价格指数的编制提出建议。     

A Bayesian Time Series Model of Multiple Structural Changes in Level,Trend, and Variance

We investigate whether seasonal-adjustment procedures are, at least approximately, linear data transformations. This question was initially addressed by Young and is important with respect to many issues including estimation of regression models with seasonally adjusted data. We focus on the X-11 program and rely on simulation evidence, involving linear unobserved component autoregressive integrated moving average models. We define a set of properties for the adequacy of a linear approximation to a seasonal-adjustment filter. These properties are examined through statistical tests. Next, we study the effect of X-11 seasonal adjustment on regression statistics assessing the statistical significance of the relationship between economic variables. Several empirical results involving economic data are also reported.