weixin_39569112 于 2020-12-20 23:19:10 发布
本文详细介绍了如何使用MATLAB进行时间序列的季节性调整，以应对经济数据分析中的季节效应。通过分解趋势、循环、季节性和不规则成分，特别是针对CPI数据，应用了复合移动平均法和Henderson移动平均法。虽然MATLAB没有内置的季节性调整函数，但通过实例展示了如何利用现有工具进行季调，包括X-11方法的多个步骤。 时间序列分解的含义是，将时间序列分解成若干个因子叠加的共同影响。一般认为时间序列可以分解成三个因素：趋势-循环因素、季节性因素和白噪音。按照组合方式的不同，可以分为加法模型、乘法模型和对数加法模型。通常把去除季节性因素的过程叫做季节性调整。
季节调整的意义
由于生产活动中一般都要提前安排来年或者下个月甚至下周的生产采购和销售计划。所以对当前整体经济活动的趋势判断就显得至关重要。对于年度序列的数据而言，由于反映的是一个完整年份的经济运行状况，因此只要比较历史数据一般就可以得到每年的趋势变化情况。可是要得到一整年的数据情况才能判断趋势的话，却往往会出现落差很大或者超出预期的情况。比如提前观察到下个月经济开始收缩，但是企业反而根据去年制订的计划加快生产，显然就不合时宜。
正所谓计划没有变化快，所以就有了每个季度或者每月的公布数据，有助于提前进行对计划的修正。但是使用季度或者月度数据就会遇到季节效应的问题。比如说夏季的时候空调销量很好，可是如果不能剔除掉季节性影响的话，单纯与上月相比，很容易判断成销售加快，趋势上升。所以为了克服季节性因素对数据的影响，因此就必须使用季节性调整办法来对数据进行修正。当然更理想化来说，我们希望得到趋势因素。
国家统计局公布的数据一般是同比的。虽然说与去年同期比较，相对于未经季调的环比数据有优势。但是它不能及时判断出拐点。有研究表明，使用未经处理的同比数据对经济周期判断往往滞后于实际的转折点。而且我们国家还有个“特色”，很多数据都是1、2月合计公布的，统计局说这是为了避免1月份和2月份数据产生较大误差的处理方式。但实际上嘛，个人认为当所有人都明白1月和2月数据是受到季节性影响的时候，市场就不会对此有太大反应。反而容易让人觉得，统计局找这么个理由完全是为了省点工作。当然我没法改变统计局公布数据的方式和计划，但是实在要吐吐苦水，不公布单独的一月和二月数据对我们这些要做分析数据的研究人员实在有点为难。
关于Matlab的季节性调整方法
唠叨那么多，回归到正题。Matlab没有专门做季节调整的函数，这是让我觉得不解的地方。也许没有人会有这个需求，因为像Eviews这些软件都有相对应的工具，按个键就好了，非常方便。但是在使用这些季节性调整工具软件的时候，很容易就会犯错误。因为对各个参数设定不了解，同时也不能按照中国的情况来进行模型修改，所以直接用来做季调跟自己说不清楚，也没法跟别人解释清楚。中
