第二章經(jīng)濟(jì)時間序列的季節(jié)調(diào)整、分解與平滑-wenkub
2022-08-29 13:04:03 本頁面
【正文】 殊回歸因素及假定為 ARIMA過程的誤差項(xiàng)的參數(shù)進(jìn)行估計(jì)。 7 X12季節(jié)調(diào)整方法的核心算法是擴(kuò)展的 X11季節(jié)調(diào)整程序。在計(jì)算過程中可根據(jù)數(shù)據(jù)中的隨機(jī)因素大小，采用不同長度的移動平均，隨機(jī)因素越大，移動平均長度越大。 5 167。循環(huán)要素 TC 圖形 圖 3 工業(yè)總產(chǎn)值的季節(jié)變動要素 S 圖形 圖 4 工業(yè)總產(chǎn)值的不規(guī)則要素 I 圖形 4 季節(jié)調(diào)整的概念 季節(jié)性變動的發(fā)生，不僅是由于氣候的直接影響，而且社會制度及風(fēng)俗習(xí)慣也會引起季節(jié)變動。1 第二章 經(jīng)濟(jì)時間序列的 季節(jié)調(diào)整、分解與平滑 本章主要介紹經(jīng)濟(jì)時間序列的分解和平滑方法。經(jīng)濟(jì)統(tǒng)計(jì)中的月度和季度數(shù)據(jù)或大或小都含有季節(jié)變動因素， 以月份或季度作為時間觀測單位的經(jīng)濟(jì)時間序列通常具有一年一度的周期性變化，這種周期變化是由于季節(jié)因素的影響造成的，在經(jīng)濟(jì)分析中稱為季節(jié)性波動。 X11季節(jié)調(diào)整方法 167。X11方法是通過幾次迭代來進(jìn)行分解的，每一次對組成因子的估算都進(jìn)一步精化。共包括 4種季節(jié)調(diào)整的分解形式：乘法、加法、偽加法和對數(shù)加法模型。 SEATS(Signal Extraction in ARIMA Time Series)是基于ARIMA模型來對時間序列中不可觀測成分進(jìn)行估計(jì)。在 EViews工作環(huán)境中，打開一個月度或季度時間序列的工作文件，雙擊需進(jìn)行數(shù)據(jù)處理的序列名，進(jìn)入這個序列對象，在序列窗口的工具欄中單擊Proc按鈕將顯示菜單： 167。乘法模型只適用于序列值都為正的情形。 14 調(diào)用 X12季節(jié)調(diào)整過程，在序列窗口選擇 Procs/Seasonal Adjustment / Census X12，打開一個對話框： 15 3. 移動平均方法 X11法與移動平均法的最大不同是： X11法中季節(jié)因子年與年有可能不同，而在移動平均法中，季節(jié)因子被假設(shè)為是一樣的。 當(dāng)選擇了 Pross/Seasonal Adjustment/Tramo Seats 時，EViews執(zhí)行外部程序，將數(shù)據(jù)輸給外部程序，然后將結(jié)果返回 EViews。測定長期趨勢有多種方法，比較常用的方法有回歸分析方法、移動平均法、階段平均法 (phase average， PA方法 )、 HP濾波方法和頻譜濾波方法（ frequency (bandpass) filer， BP濾波）。該方法在 Hodrick and Prescott(1980) 分析戰(zhàn)后美國經(jīng)濟(jì)周期的論文中首次使用。 ctTtt YYY ?? Tt ,2,1 ??19 一般地，時間序列 {Yt}中的不可觀測部分趨勢 {YtT}常被定義為下面最小化問題的解： () 其中： c(L)是延遲算子多項(xiàng)式 () 將式 ()代入式 ()，則 HP濾波的問題就是使下面損失函數(shù)最小，即 () ? ? ? ?? ?? ?????TtTtTtt YLcYY122m i n ?? ? ? ? ? ?LLLc ???? ? 111? ? ? ? ? ?? ??????? ????? ??????TtTtTtTtTtTtTtt YYYYYY121112m i n ?20 最小化問題用 [c(L)YtT]2 來調(diào)整趨勢的變化，并隨著 ? 的增大而增大。然后給定平滑參數(shù)的值，年度數(shù)據(jù)取 100，季度和月
化學(xué)相關(guān)推薦
鄂ICP備17016276號-1