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。
目的与范围
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。
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。
以下几项区别尤为重要:
- 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。
- 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。
- 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。
- 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。
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。
分解模型
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。
加法分解
加法模型为
其中, 为观测序列, 为趋势—周期成分, 为季节成分, 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。
经季节调整的序列为
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 个观测值的固定季节模式,一种常见的规范化约束是
这一约束有助于将季节模式与序列的整体水平区分开来。
乘法分解
乘法模型为
相应的调整为
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 ,表示该水平比不含季节性影响时的对应水平高约20%。
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:
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。
识别
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。
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。
日历效应与预调整
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。
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。
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。
一种常见的预调整模型为
其中, 为一种变换, 包含日历变量和干预变量, 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。
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。
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。
主要方法
移动平均方法
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。
X-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。
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。
基于模型的信号提取
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。
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。
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。
局部拟合分解
STL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。
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。
回归与谐波方法
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:
这里, 为季节周期, 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。
修订与端点不确定性
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。
随着新数据到来,以下内容可能发生变化:
- 近期季节因子的估计值;
- 估计的趋势—周期成分;
- 模型参数和日历效应;
- 对异常观测值的分类;
- 已公布的调整后数值。
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。
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。
诊断与质量评估
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。
重要的诊断内容包括:
- 残余季节性: 调整后是否仍存在年内反复出现的模式。
- 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。
- 模型适当性: 是否充分刻画了残差的相关性和极端观测值。
- 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。
- 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。
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。
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。
汇总与解读
当一个总量由多个分项序列组成时,可以采用两种方法:
- 直接调整: 对总量本身进行调整。
- 间接调整: 分别调整各分项,再将其汇总。
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。
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。
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。
局限与应用
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。
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。
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。