结构时间序列模型在季节调整方面的应用研究[1]
陈飞高铁梅
（东北财经大学数量经济系 大连 116025）
【摘要】本文开发了一种新的利用结构时间序列模型进行季节调整的方法。在结构时间序列模型中由经济指标分解得到的趋势、循环、季节及不规则因素是不可观测的变量，不能利用传统的回归分析方法求解结构时间序列模型，因此，本文采用状态空间方法来求解模型。通过ARIMA模型来研究经济时间序列的结构，在此基础上建立了不同形式的结构时间序列模型。并利用结构时间序列模型对我国社会消费品零售总额和国内生产总值（GDP）等经济时间序列进行了季节调整。并与目前广泛使用的X-12季节调整方法进行了对比分析，实证研究表明，利用结构时间序列模型进行季节调整的方法具有良好的序列分解效果。
【关键字】结构时间序列模型、季节调整、状态空间模型
为了准确地测定和分析经济周期波动，必须从经济变量的时间序列中剔除季节因素的影响，才能真实地反映经济指标的实际变动情况。因此，季节调整问题早已引起了人们的注意，各国开发了大量的方法，但最著名、应用最广泛的是1965年在希斯金（J.Shiskin）主持下，由美国商务部开发的X-11方法。由于X-11方法是基于移动平均的季节调整方法，它的最大缺欠是使经济时间序列的两端各缺失一部分信息，因而对季节调整的精度影响很大，尤其是尾部信息的缺失影响更为严重。
本文主要研究利用状态空间形式建立结构时间序列模型对时间序列进行季节调整的方法及实证分析。结构时间序列模型是由英国统计学家和经济计量学家哈维（Harvey,1989）等人提出的。在经济学领域中，结构时间序列模型通常是指将经济指标用其自身的趋势因素(Trend)、循环因素(Cycle)、季节因素(Seasonal)及不规则因素(Irregular)来表示模型。这种结构模型的着眼点并不在于精确表示数据的生成过程，而在于通过将序列分解成各成份来表示序列。与传统时间序列模型相比，它对经济变量的描述更为清晰、明确和灵活，特别是更容易准确表达序列的变动特征。
由于在结构时间序列模型中由经济指标分解得到的趋势、循环、季节及不规则因素是不可观测的变量，不能利用传统的回归分析方法估计模型参数，因此，在统计处理上采用状态空间形式来表示结构时间序列模型，从而我们可以利用极大似然函数法来估计状态空间模型中的超参数，还可以利用卡尔曼滤波这一强有力的递推算法对状态向量各分量进行最优估计、平滑和预测。进而利用状态向量表示不可观测的各成份，达到季节调整的目的。
|