{
  "id": "seasonal-adjustment",
  "title": "季节调整",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "季节调整估计并剔除时间序列中年内反复出现的模式，使其内在变化更易于解读。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "季节性调整",
    "季调"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/seasonal-adjustment/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/seasonal-adjustment/",
      "json": "https://aiwiki.page/en/seasonal-adjustment.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "季节调整是一种统计方法，用于估计并剔除时间序列中年内反复出现的模式。这些模式可能源于天气、节假日、生产安排、学校校历，或其他与一年中特定时段相关的活动。将这类波动与其他变化分离，可以提高相邻月份或季度之间的可比性。季节调整广泛用于经济统计，包括就业、零售额、工业生产和国内生产总值。经季节调整的序列仍包含不规则波动，并不等同于对其内在趋势的估计。"
    },
    {
      "heading": "目的与范围",
      "text": "如果一个序列的表现随一年中的时段而呈现系统性变化，就称其具有季节性。重大节假日前的零售额可能上升，冬季建筑活动可能减弱，游客人数可能在休假期间达到高峰。这些模式可能掩盖经济状况的变化：例如，从11月到12月的增幅，可能小于每年这一时段通常预期的增幅。\n\n季节调整关注的是：在考虑通常的季节性影响之后，某个观测值与预期水平相比如何。因此，如果实际增幅小于估计的季节性增幅，即使未经调整的序列上升，经季节调整的序列也可能下降。\n\n以下几项区别尤为重要：\n\n- 季节调整不等于趋势估计。 剔除季节成分，并不会消除短期冲击或测量噪声。\n- 季节调整不等于通胀调整。 针对通货膨胀对价格或货币金额进行调整，处理的是另一种变化来源。\n- 季节调整不等于年率化。 将季度流量按年率表示，改变的是报告数值的尺度，而不是消除季节性影响。\n- 同比比较不能完全替代季节调整。 比较相邻年份的同一个月，可以减弱部分季节性影响，但仍可能受到日期浮动的节假日、季节模式变化以及对比期异常情况的影响。\n\n季节调整通常针对可识别的、反复出现的模式，而非所有与季节有关的影响。例如，异常寒冷的天气可能仍被视为不规则影响，而不会作为正常的冬季季节性因素被剔除。"
    },
    {
      "heading": "分解模型",
      "text": "季节调整通常以将观测值分解为若干成分为基础。这些成分无法分别观测，而是根据对其变化规律的假设进行估计。\n\n加法分解\n\n加法模型为\n\n\\[Y_t=T_t+S_t+I_t,\\]\n\n其中，\\(Y_t\\) 为观测序列，\\(T_t\\) 为趋势—周期成分，\\(S_t\\) 为季节成分，\\(I_t\\) 为不规则成分。趋势—周期成分包含相对持久的变化，包括长期增长和经济周期波动。\n\n经季节调整的序列为\n\n\\[A_t=Y_t-\\widehat S_t.\\]\n\n当季节波动的幅度基本不随序列水平变化时，适合采用加法分解。对于每年有 \\(m\\) 个观测值的固定季节模式，一种常见的规范化约束是\n\n\\[\\sum_{j=1}^{m}S_j=0.\\]\n\n这一约束有助于将季节模式与序列的整体水平区分开来。\n\n乘法分解\n\n乘法模型为\n\n\\[Y_t=T_tS_tI_t,\\]\n\n相应的调整为\n\n\\[A_t=\\frac{Y_t}{\\widehat S_t}.\\]\n\n当季节波动的幅度往往随序列水平成比例增长时，乘法分解较为适用。例如，季节因子为 \\(1.20\\)，表示该水平比不含季节性影响时的对应水平高约20%。\n\n对于严格为正的观测值，取自然对数可以将乘法分解转化为加法分解：\n\n\\[\\log Y_t=\\log T_t+\\log S_t+\\log I_t.\\]\n\n当观测值为零或负数时，对数模型需要特殊处理。将对数尺度上的估计值转换回原始尺度时也需谨慎：对对数尺度上的条件均值取指数，通常并不能得到原始尺度上的条件均值。\n\n识别\n\n如果不加约束，分解结果就不是唯一的。某种缓慢变化的模式可能部分被归入趋势，部分被归入季节成分，具体取决于所用方法。因此，季节调整程序会通过平滑滤波器、统计模型、规范化规则，或这些手段的组合施加约束。\n\n现代方法通常允许季节性逐渐演变。当购物习惯、生产安排或其他季节性影响发生变化时，一组固定不变的12个月度因子可能不足以描述实际情况。"
    },
    {
      "heading": "日历效应与预调整",
      "text": "日历效应虽然在概念上不同于季节性，但两者往往一并处理。\n\n交易日效应源于一周中不同日子的活动水平可能不同，而各类日子在每个月出现的次数也不同。有五个星期六的月份，其零售总额可能与只有四个星期六的月份不同。\n\n移动节假日效应源于节假日可能落在不同月份，或在不同报告期内影响不同的时段。复活节就是一个常见例子。闰年效应和月份长度的差异也可能产生影响，具体取决于序列衡量的是总量、平均值，还是某个特定日期的数值。\n\n一种常见的预调整模型为\n\n\\[g(Y_t)=\\mathbf{x}_t^\\top\\boldsymbol{\\beta}+Z_t,\\]\n\n其中，\\(g\\) 为一种变换，\\(\\mathbf{x}_t\\) 包含日历变量和干预变量，\\(Z_t\\) 则是随后要进行分解的序列。这将线性回归与描述误差序列相关性的模型结合起来。\n\n公布数据时使用的术语并不统一：标为“经季节调整”的序列也可能已作日历调整，但不能未经核查其定义就作此假定。\n\n可以对异常值和水平突变进行显式建模，以免它们扭曲季节因子的估计。这种预处理并不一定意味着相关事件会从最终的调整后序列中消失。非季节性冲击可以在估计时暂时剔除，之后再加回。"
    },
    {
      "heading": "主要方法",
      "text": "移动平均方法\n\n移动平均利用相邻观测值对序列进行平滑。经典分解法先估计趋势并将其剔除，再根据剩余值估计季节模式，最后计算不规则成分。\n\nX-11系列方法通过迭代滤波、季节因子估计和极端观测值处理，进一步发展了这一思路。后续方法又增加了建模和诊断功能。\n\n美国人口普查局的X-13ARIMA-SEATS软件，将回归和自回归积分移动平均模型建模与可选的X-11或SEATS分解相结合。ARIMA预测和后向预测可以向前、向后延伸观测序列，从而减轻在序列端点附近使用中心滤波器时遇到的部分困难。\n\n基于模型的信号提取\n\n基于模型的方法先为观测序列设定随机模型，再从模型中推导各成分的估计值。SEATS的名称意为“ARIMA时间序列中的信号提取”，它将拟合后的ARIMA模型分解为趋势—周期、季节性和不规则变动等成分。\n\n这类方法明确给出有关各成分动态特征的假设。不过，其估计结果仍取决于模型是否恰当，以及用于区分各成分的约束条件。\n\n一种相关方法采用结构时间序列模型，其中趋势状态和季节状态按照指定方程演变。这些模型可以利用卡尔曼滤波器及相应的平滑程序进行估计。\n\n局部拟合分解\n\nSTL分解，即基于LOESS的季节—趋势分解，通过局部回归和迭代平滑估计各个成分。它允许季节模式发生演变，其稳健变体还能减弱极端观测值的影响。\n\n基本的STL方法不会自动处理交易日效应或移动节假日效应，这些效应可能需要单独建模。扩展方法可以处理多个季节周期，例如小时数据中同时出现的日周期和周周期。\n\n回归与谐波方法\n\n季节模式也可以用月份或季度指示变量表示，或用基于傅里叶级数的正弦项和余弦项表示：\n\n\\[S_t=\\sum_{k=1}^{K} \\left[ a_k\\cos\\left(\\frac{2\\pi kt}{m}\\right) +b_k\\sin\\left(\\frac{2\\pi kt}{m}\\right) \\right].\\]\n\n这里，\\(m\\) 为季节周期，\\(K\\) 控制模式的复杂程度。固定系数意味着固定的季节性；允许系数随时间变化，则可得到更灵活的模型。剩余误差中的序列相关性可能需要进一步建模。"
    },
    {
      "heading": "修订与端点不确定性",
      "text": "经季节调整的数值属于估计值，可能随着新增观测值而变化。中心滤波器会使用某个时点前后的观测值，但在现有序列的末端，未来观测值尚不存在。因此，端点估计必须依赖非对称滤波器、预测或其他近似方法。\n\n随着新数据到来，以下内容可能发生变化：\n\n- 近期季节因子的估计值；\n- 估计的趋势—周期成分；\n- 模型参数和日历效应；\n- 对异常观测值的分类；\n- 已公布的调整后数值。\n\n未经调整的源数据发生变化，或所用方法经过修订，也可能导致调整结果修订。\n\n即时调整是在新观测值到来时重新估计季节调整结果。其他发布政策则会在定期审查之间，将某些设定或因子保持不变。这些做法需要在纳入最新信息与限制修订幅度之间作出权衡。"
    },
    {
      "heading": "诊断与质量评估",
      "text": "评估既关注调整后剩余的序列，也关注所估计成分的合理性与稳定性。\n\n重要的诊断内容包括：\n\n- 残余季节性： 调整后是否仍存在年内反复出现的模式。\n- 残余日历效应： 星期构成或移动节假日是否仍能解释系统性变动。\n- 模型适当性： 是否充分刻画了残差的相关性和极端观测值。\n- 修订稳定性： 随着观测时间跨度扩大，历史估计值会发生多大变化。\n- 敏感性： 结果在多大程度上取决于变换、滤波器、异常值处理或所选估计区间。\n\n频谱分析可以揭示季节频率上残留的峰值，而统计假设检验可以检验特定形式的残余季节性。任何单一诊断都无法证明某项调整是正确的：剔除所有可检测到的季节频率波动，也可能同时剔除真实的非季节性变动。\n\n不确定性不仅来自抽样误差。参数估计、成分提取、模型选择和修订都会带来不确定性。针对原始观测值计算的常规置信区间，并不自动适用于描述调整后序列的不确定性。"
    },
    {
      "heading": "汇总与解读",
      "text": "当一个总量由多个分项序列组成时，可以采用两种方法：\n\n- 直接调整： 对总量本身进行调整。\n- 间接调整： 分别调整各分项，再将其汇总。\n\n由于估计模型、季节模式和调整运算未必能以线性方式组合，两种方法的结果通常不同。直接调整可能更有效地刻画总量中的季节性；间接调整则能保持调整后各分项与其合计值之间的核算一致性。当这两个目标都很重要时，统计机构可能会采用协调程序。\n\n同样，季节调整与除法运算的先后顺序通常会影响结果。直接调整某个比率，可能与分别调整分子和分母后再相除得到不同结果。这一区别对生产率指标、平均收入以及某些劳动力市场指标尤为重要。\n\n并非所有调整方法都会自动保持年度总量不变。如果需要保持年度总量，可以施加额外约束，或采用基准化程序。"
    },
    {
      "heading": "局限与应用",
      "text": "季节调整在计量经济学、官方统计、商业规划和需求监测的短期分析中具有核心地位。它有助于进行月度和季度环比比较，尤其适用于季节波动相对于所关注变化较大的情况。\n\n其可靠性受可用历史数据和重复模式稳定性的限制。较短的序列包含的重复周期较少，难以据此区分季节性与偶然波动。结构突变、报告方式变化和异常冲击，都可能削弱过去季节性关系的参考价值。高频数据还会带来更多复杂问题，包括相互叠加的季节周期和长度不等的日历时段。\n\n季节调整也不能确立因果解释。调整后数值上升，表明其变化超出了估计的季节和日历模式，但并不说明变化的原因。因此，解读仍需结合原始观测值、调整设定、修订历史以及其他相关证据。"
    }
  ],
  "links": [
    "time-series",
    "gross-domestic-product",
    "inflation",
    "natural-logarithm",
    "linear-regression",
    "arima-model",
    "kalman-filter",
    "fourier-series",
    "statistical-hypothesis-testing",
    "confidence-interval",
    "labor-market",
    "econometrics",
    "causal-inference"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}