【正文】 框，下面分別介紹。注意乘法、偽加法和對(duì)數(shù)加法不允許有零和負(fù)數(shù)。近似地可選擇 (X11 default)缺省選擇。 26 ④④ 存調(diào)整后的分量序列名存調(diào)整后的分量序列名 （（ Component Series to save）） X12將被調(diào)整的序列名作為缺省列在 Base name框中，可以改變序列名。最終的季節(jié)調(diào)整后序列（＿ SA）； 最終的趨勢(shì) — 循環(huán)序列（＿ TC）； 季節(jié) /貿(mào)易日因子（＿ D16）； 27例例 利用利用 X12加法模型進(jìn)行季節(jié)調(diào)整加法模型進(jìn)行季節(jié)調(diào)整 圖圖 社會(huì)消費(fèi)品零售總額原序列社會(huì)消費(fèi)品零售總額原序列 圖圖 社會(huì)消費(fèi)品零售總額的社會(huì)消費(fèi)品零售總額的 TCI 序列序列 圖圖 社會(huì)消費(fèi)品零售總額的社會(huì)消費(fèi)品零售總額的 TC序列序列 28 圖圖 社會(huì)消費(fèi)品零售總額社會(huì)消費(fèi)品零售總額 I 序列序列 圖圖 社會(huì)消費(fèi)品零售總額的社會(huì)消費(fèi)品零售總額的 S 序列序列 29例例 利用利用 X12乘法模型進(jìn)行季節(jié)調(diào)整乘法模型進(jìn)行季節(jié)調(diào)整 圖圖 工業(yè)總產(chǎn)值原序列工業(yè)總產(chǎn)值原序列 圖圖 工業(yè)總產(chǎn)值的工業(yè)總產(chǎn)值的 TCI 序列序列 圖圖 工業(yè)總產(chǎn)值的工業(yè)總產(chǎn)值的 TC序列序列 30 圖圖 工業(yè)總產(chǎn)值的工業(yè)總產(chǎn)值的 I 序列序列 圖圖 工業(yè)總產(chǎn)值的工業(yè)總產(chǎn)值的 S 序列序列 31 X12方法是基于移動(dòng)平均法的季節(jié)調(diào)整方法。 X12 ARIMA方法是由 X12方法和時(shí)間序列模型組合而成的季節(jié)調(diào)整方法。 建立 ARIMA(p, d, q)模型，需要確定模型的參數(shù)，包括單整階數(shù) d；自回歸模型 (AR)的延遲階數(shù) p；動(dòng)平均模型 (MA)的延遲階數(shù) q。對(duì)于時(shí)間序列中的一些確定性的影響（如節(jié)假日和貿(mào)易日影響），應(yīng)在季節(jié)調(diào)整之前去掉。33 (1) 數(shù)據(jù)轉(zhuǎn)換（數(shù)據(jù)轉(zhuǎn)換（ Data Transformation）） 在配備一個(gè)合適的 ARMA模型之前允許轉(zhuǎn)換序列： (1) 缺省是不轉(zhuǎn)換； (2) Auto選擇是根據(jù)計(jì)算出來(lái)的 AIC準(zhǔn)則自動(dòng)確定是不做轉(zhuǎn)換還是進(jìn)行對(duì)數(shù)轉(zhuǎn)換； (3) Logistic選擇將序列 y 轉(zhuǎn)換為 log(y/(1y))， y序列的值要求在 0和 1之間； (4) BoxCox power選擇要求提供一個(gè)參數(shù) ? ，做下列轉(zhuǎn)換：34 (2) ARIMA說(shuō)明說(shuō)明 (ARIMA Spec) 允許在 2種不同的方法中選擇 ARIMA模型。 Specify inline 選擇選擇 要求提供 ARIMA模型階數(shù)的說(shuō)明（ p d q） (P D Q) p 非季節(jié)的 AR階數(shù) d 非季節(jié)的差分階數(shù) q 非季節(jié)的 MA階數(shù) P 季節(jié) AR階數(shù) D 季節(jié)差分階數(shù) Q 季節(jié) MA階數(shù) 35 缺省的指定是 “(0 1 1)(0 1 1)”是指季節(jié)的 IMA模型： ()L是滯后算子，這里季節(jié)差分是指 (1?Ls )yt = yt ? yt?s ，季度數(shù)據(jù)時(shí) s =4；月度數(shù)據(jù)時(shí) s =12。 36 EViews將利用一個(gè)包含一系列缺省模型指定說(shuō)明的文件（）： (0 1 1)(0 1 1) * (0 1 2)(0 1 1) X (2 1 0)(0 1 1) X (0 2 2)(0 1 1) X (2 1 2)(0 1 1) 缺省說(shuō)明用 “*”表示，除最后一個(gè)外，中間的用 “X”結(jié)尾。Select best 檢驗(yàn)列表中的所有模型，選一個(gè)最小預(yù)測(cè)誤差的模型，缺省是第一個(gè)模型。Select by outofsamplefit 對(duì)模型的評(píng)價(jià)用外部樣本誤差，缺省是用內(nèi)部樣本預(yù)測(cè)誤差。38 由每天經(jīng)濟(jì)活動(dòng)的總和組成的月度時(shí)間序列受該月各周的影響，這種影響稱(chēng)為貿(mào)易日影響（或周工作日影響）。因此，在某月如果多出的星期天數(shù)是一周的前五天，那么該月份銷(xiāo)售額將較低；如果多出的星期天數(shù)是一周的星期六、星期日，那么該月份銷(xiāo)售額將較高。因?yàn)樵诿磕曛卸路莸拈L(zhǎng)度是不相同的，所以這種影響不可能完全被季節(jié)因素承受。 3. 貿(mào)易日和節(jié)假日影響貿(mào)易日和節(jié)假日影響 （（ 1）貿(mào)易日影響）貿(mào)易日影響39 Young(1965)討論了浮動(dòng)貿(mào)易日的影響， Cleveland and Grupe(1983)討論了固定貿(mào)易日的影響。由于這個(gè)原因，當(dāng)貿(mào)易日影響的估計(jì)在統(tǒng)計(jì)上顯著時(shí)，通常在季節(jié)調(diào)整之前先把貿(mào)易日的影響從序列中剔除。 在 X12季節(jié)調(diào)整中，假設(shè)貿(mào)易日影響要素包含在不規(guī)則要素中，即不規(guī)則要素的形式是 ID，假設(shè)已從原序列 Y 中分解出 ID。 40 美國(guó)的圣誕節(jié)、復(fù)活節(jié)及感恩節(jié)等節(jié)假日對(duì)經(jīng)濟(jì)時(shí)間序列也會(huì)產(chǎn)生影響。在 X12方法中，貿(mào)易日和節(jié)假日影響可以從不規(guī)則要素中同時(shí)估計(jì)得到。注意 EViews中的節(jié)假日調(diào)整只針對(duì)美國(guó)，不能應(yīng)用于其他國(guó)家。首先要選擇 :（ Ajustment Option）是否進(jìn)行這項(xiàng)調(diào)整？，確定在那一個(gè)步驟里調(diào)整：在 ARIMA步驟，還是 X11步驟？ 貿(mào)易日和節(jié)假日影響操作貿(mào)易日和節(jié)假日影響操作42 對(duì)于流量序列還有 2種選擇，是對(duì)周工作日影響進(jìn)行調(diào)整還是對(duì)僅對(duì)周日 周末影響進(jìn)行調(diào)整。 對(duì)每一個(gè)節(jié)日，必須提供一個(gè)數(shù)，是到這個(gè)節(jié)日之前影響的持續(xù)天數(shù)。43 外部影響調(diào)整包括附加的外部沖擊 (addtive outlier， AO)和水平變換 (level shift， LS)。4. 外部影響外部影響 (Outlier Effects)圖圖 經(jīng)濟(jì)時(shí)間序列水平變換示意圖經(jīng)濟(jì)時(shí)間序列水平變換示意圖 44　　 通過(guò)對(duì) ARIMAX模型中的回歸方程添加外部沖擊和水平變換回歸變量，可以處理奇異點(diǎn)數(shù)據(jù)和在水平上發(fā)生突然變化的序列。 在奇異點(diǎn) t0的外部沖擊變量： 　 　　　　　 () 在水平位移點(diǎn) t0的水平變換變量： 　　　　　 () 45 外部影響操作外部影響操作 外部影響調(diào)整也是分別在 ARIMA步驟和 X11步驟中進(jìn)行。 47 5. 診斷診斷 （（ Diagnostics））48 這項(xiàng)選擇提供了各種診斷： ① 季節(jié)因素的穩(wěn)定性分析季節(jié)因素的穩(wěn)定性分析 （ Stability Analysis of Seasonals） Historical revisions 歷史修正檢驗(yàn)被調(diào)整序列增加一個(gè)新觀測(cè)值，即增加一個(gè)樣本時(shí)的變化。49三、三、 移動(dòng)平均方法移動(dòng)平均方法 X11法與移動(dòng)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(dòng)平均法中，季節(jié)因子被假設(shè)為是一樣的。它能夠?qū)υ蛄羞M(jìn)行插值，識(shí)別和修正幾種不同類(lèi)型的異常值，并對(duì)工作日變化及復(fù)活節(jié)等特殊回歸因素及假定為 ARIMA過(guò)程的誤差項(xiàng)的參數(shù)進(jìn)行估計(jì)。 這兩個(gè)程序往往聯(lián)合起來(lái)使用，先用 TRAMO對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，然后用 SEATS將時(shí)間序列分解為趨勢(shì)要素、循環(huán)要素、季節(jié)要素及不規(guī)則要素 4個(gè)部分。四、四、 tramo/Seats方法方法 51tramo/Seats方法操作方法操作 當(dāng)選擇了 Pross/Seasonal Adjustment/Tramo Seats 時(shí)，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。 趨勢(shì)分解趨勢(shì)分解 本章第 2節(jié)介紹的季節(jié)調(diào)整方法可以對(duì)經(jīng)濟(jì)時(shí)間序列進(jìn)行分解，但在季節(jié)調(diào)整方法中，趨勢(shì)和循環(huán)要素視為一體不能分開(kāi)。測(cè)定長(zhǎng)期趨勢(shì)有多種方法，比較常用的方法有回歸分析方法、移動(dòng)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）。 53167。該方法在 Hodrick and Prescott(1980) 分析戰(zhàn)后美國(guó)經(jīng)濟(jì)周期的論文中首次使用。設(shè) {Yt}是包含趨勢(shì)成分和波動(dòng)成分的經(jīng)濟(jì)時(shí)間序列， {YtT}是其中含有的趨勢(shì)成分， {YtC}是其中含有的波動(dòng)成分。54 一般地，時(shí)間序列 {Yt}中的不可觀測(cè)部分趨勢(shì) {YtT}常被定義為下面最小化問(wèn)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(wèn)題就是使下面損失函數(shù)最小，即 ()55 最小化問(wèn)題用 [c(L)YtT]2 來(lái)調(diào)整趨勢(shì)的變化，并隨著 ? 的增大而增大。 ? = 0 時(shí)，滿足最小化問(wèn)題的趨勢(shì)等于序列 {Yt}； ? 增加時(shí)，估計(jì)趨勢(shì)中的變化總數(shù)相對(duì)于序列中的變化減少，即 ? 越大，估計(jì)趨勢(shì)越光滑； ? 趨于無(wú)窮大時(shí)，估計(jì)趨勢(shì)將接近線性函數(shù)。它把經(jīng)濟(jì)周期看成宏觀經(jīng)濟(jì)波動(dòng)對(duì)某些緩慢變動(dòng)路徑的偏離，這種路徑在期間內(nèi)單調(diào)地增長(zhǎng)，所以稱(chēng)之為趨勢(shì)。 57 使用 HodrickPrescott濾波來(lái)平滑序列，選擇 Procs/ Hodrick Prescott Filter出現(xiàn)下面的 HP濾波對(duì)話框： 首先對(duì)平滑后的序列給一個(gè)名字， EViews將默認(rèn)一個(gè)名字，也可填入一個(gè)新的名字。不允許填入非整數(shù)的數(shù)據(jù)。注意只有包括在當(dāng)前工作文件樣本區(qū)間內(nèi)的數(shù)據(jù)才被處理，平滑后序列區(qū)間外的數(shù)據(jù)都為 NA。圖圖 藍(lán)線表示藍(lán)線表示 GDP序列、序列、 紅線表示趨勢(shì)紅線表示趨勢(shì) T序列、序列、 綠線表示循環(huán)綠線表示循環(huán) C 序列序列 61圖圖 藍(lán)線表示藍(lán)線表示 GDP序列、序列、 紅線表示趨勢(shì)紅線表示趨勢(shì) T序列序列62 例例 利用利用 HP濾波方法求潛在產(chǎn)出和產(chǎn)出缺口濾波方法求潛在產(chǎn)出和產(chǎn)出缺口 設(shè) {Yt}為我國(guó)的季度 GDP指標(biāo) (1997年 1季度～ 2023年 4季度 )，利用季節(jié)調(diào)整方法將 GDP中的季節(jié)因素和不規(guī)則因素去掉，得到 GDP_TC序列。它是一個(gè)絕對(duì)量的產(chǎn)出缺口。 頻譜濾波（頻譜濾波（ BP濾波）方法濾波）方法 20世紀(jì)以來(lái)，利用統(tǒng)計(jì)方法特別是時(shí)間序列分析方法研究經(jīng)濟(jì)時(shí)間序列和經(jīng)濟(jì)周期的變動(dòng)特征得到越來(lái)越廣泛的應(yīng)用。第一種是直接分析數(shù)據(jù)隨時(shí)間變化的結(jié)構(gòu)特征，即所謂時(shí)域（ time domain）分析法，使用的工具是自相關(guān)（或自協(xié)方差）函數(shù)和差分方程；另一種方法是把時(shí)間序列看成不同諧波的疊加，研究時(shí)間序列在頻率域（frequency domain）里的結(jié)構(gòu)特征，由于這種分析主要是