论文部分内容阅读
对宏观经济数据进行季节调整能够及时的反映经济的瞬时变化,得到经济变化的转折点,揭示经济发展的趋势方向。一般国际上对经济数据的季节调整主流方法有X-12-ARIMA和TRAMO／SEATS,前者是一种基于经验的季节调整方法,后者是一种基于信号提取的季节调整方法。虽然两者都能够对经济数据进行季节调整,但是它们有很多不同点,比如在预调整时选用不同准则来选取模型,对交易日和异常值的处理。除此之外,经过预调整之后的数据,在进行季节调整时,两者选用了完全不同的过滤器来得到各种组成成分。这些都是本文需要讨论的问题。
经过比较X-12-ARIMA和TRAMO／SEATS两种季节调整方法和国内外相关.实践的经验,本文对上述问题进行了理论探讨和实证分析,并得到如下结论:(1)由于REGARIMA使用AIC准则,而TRAMO／SEATS使用BIC准则,准则不同导致了REGARIMA产生的ARIMA模型偏向于更多的参数,偏向于进行对数变换(即乘法模型)。(2)X-12-ARIMA使用的过滤器和SEATS使用的过滤器虽然都能够实现带通滤波器的功能,但是当时间序列有着不稳定的季节模式或者接近确定的季节因子时,X-12-ARIMA不能够处理该序列,提取季节因子。(3)由于X-12-ARIMA是基于经验的,所以限制条件较多,比如它只能对季度和月度数据进行季节调整,而TRAMO／SEATS能对所有大于1的整数进行季节调整,在频率分解时改变一下AR的根,可以对周期进行人为的控制。这样可以对半年度、4个月等数据进行季节调整。(4)在充分性方面,两种方法虽然有所差距,但是对比整体数据,季节成分都已大部分消除。(5)稳定性方面,X-12-ARIMA对数据的调整效果和TRAMO／SEATS相比也各有优劣,但总体来讲X-12-ARIMA比TRAMO／SEATS更优,因为在短期季节调整中,X-12-ARIMA前期的季节过滤器可以适用于本期数据,而TRAMO／SEATS会发生模型的不适用而不能进行季节分解。(6)预测效果上,X-12-ARIMA一般比TRAMO／SEATS预测误差更小,尤其是对拥有很少异常值的序列进行预测；但是在有些时候会大幅增加预测误差值。比如对2010年PPI的预测,误差率达到了3％,这种情况可以通过进行更短期预测而消除,即引入新数据预测下一期,而不是预测整年数据。
本文主要的创新之处在于,比较了两种季节调整方法的各种不同,包括；第一,重点研究了SEATS的分解原理,并且与X-12-ARIMA中的分解过程X-11过滤器进行了比较分析,归纳出两者的不同点。而对于SEATS的原理部分,国内学者对其几乎没有什么研究。第二,比较分析X-12-ARIMA的预调整程序REGARIMA和TRAMO／SEATS的预调整程序TRAMO之间的联系与区别。第三,使用两种方法对我国实际经济数据进行季节调整,并且使用诊断指标对两种方法的季节调整效果进行比较,分析时间序列的特点和针对该特点决定实际中应选用的季节调整方法。第四,利用两种季节调整方法对CPI等数据进行了预测,并且比较了两者的预测效果。