季节调整对单位根检验的影响——基于蒙特卡罗模拟的研究

季节调整是使用季节数据进行经济分析的前提.但是季节调整是否会对单位根检验的结论造成影响却是一个存在争议的问题.本文扩展了Ghysels和Perron的分析框架,通过蒙特卡罗模拟考察了X-12-ARIMA季节调整对ADF和DF-GLS单位根检验的影响.结果表明,对于季节时间序列,使用季节调整后数据,只要滞后阶数选取合适,单位根检验的功效就不会发生严重损失.     

基于时间序列方法的全国铁路旅客周转量的分析与预测

应用两种时间序列分析的方法对全国铁路旅客周转量的月度数据进行分析.运用X-11方法和季节ARIMA模型进行分析并分别对未来5个月的周转量做了预测,结果表明季节ARIMA模型优于X-11方法.通过对全国铁路旅客周转量的定量分析,为铁路部门在计算运输成本,劳动生产率,旅客平均行程等方面提供有效的依据.     

基于X-11-ARIMA方法的取暖油价格季节性波动分析

本文详细介绍和分析X-11-AR IMA季节调整方法,为进一步研究和应用季节调整方法提供有益的探索。利用X-11-AR IMA方法分析国际取暖油价季节性波动,探讨油价运动规律,为我国进口石油提供决策支持。     

宏观经济监测预警系统(Ⅵ)

6.经济时间序列的季节调整 从上几节讨论中我们看到,对经济指标的月份或季度时间序列数据进行分析时,季节调整是一个重要的预先处理手段,本节进一步研究季节调整的作用,意义和方法,并通过实例对几种季节调整方法加以比较. 6.1经济时间序列的季节性与季节调整 以月份或季度为单位的经济时间序列中.有许多表现出一年一度的周期性变化,这种周期性我们称为季节性. 一、季节调整 从大量的经济时间序列中可以看到,以月份或季度为单位的时间序列可以由以下几个部分来描述: Ⅰ、趋势.用来表征序列的长期行为,如增长,下降或保持不变. Ⅱ、季节因子.用…     

季节调整中消除节假日因素方法的改进及其在我国的应用

本文首先对X-12-ARIMA季节调整方法中消除节假日因素的思路进行了简要的回顾。接着,从休闲日和工作日的独特视角指出季节调整方法中消除节假日因素思路的不足,分析了不同节假日因素对经济数据的不同影响。最后,根据我国一些特殊节假日的实际情况,在借鉴X-12- ARIMA季节调整中处理节假日方法的基础上提出了消除中国节假日因素的思路,并提供了一个实例。     

涉农企业信用评价动态指标隶属度向量判别研究

对涉农企业信用评价中的动态指标的隶属度向量进行判别研究.首先借鉴X-12-A砒MA季节调整法的思想对信用数据进行剥离,构建一种过程连续性的动态信用指标;其次通过时间序列三指数平滑模型对动态信用数据的变化进行预测,得到动态信用指标隶属度向量;再次,结合熵权-AHP法确定的权重,确定动态信用指标的综合隶属度向量;最后实证检验了方法在企业信用评价中应用的有效性.     

基于X-12-ARIMA与TRAMO/SEATS季节调整技术的销售量研究

首先说明了季节调整技术的发展及应用,并对X-12-ARIMA与TRAMO/SEATS方法进行了比较;其次应用X-12-ARIMA方法对苏宁电器的销售量进行季节调整,并改进了X-12-ARIMA方法中假日效应部分;最后应用改进的模型对苏宁电器的销售量进行了预测,均取得较好效果.     

基于X-12-ARIMA方法的迪拜原油价格季节性波动分析

油价时间序列往往受众多因素的影响,从而可以分解成各种成分.运用X-12-AR IM A方法分析迪拜原油价格的季节性波动,探讨油价运动规律,结果表明季节调整的整体效果较好,季节因素对中质高硫原油价格具有显著影响,夏、秋季推动油价上升,而春、冬季节使油价下跌,同时发现原油价格的短期变化主要由不规则事件和季节因素决定,而长期变化由趋势因素决定.     

基于X11-ARIMA模型的铁路货运周转量分析

铁路货运周转量分析对铁路规划建设以及运营决策有着重要的意义.根据近12年的铁路货运周转量月度数据,利用X11-ARIMA模型进行分析,结果表明:铁路货运周转量的发展基本上经历了线性快速增长、平稳后下降和再增长这样的长期趋势.从季节效应来看,2012年之前的季节效应比较一致,之后季节效应减弱.综合考虑长期趋势和季节效应的影响,用ARIMA(1,1,1)×(1,1,0)_(12)拟合该序列的发展,以2017年1月和6月的数据为考核样本,检验结果表明该模型对数据的预测效果较好.     

基于乘积季节模型的社会消费品零售总额分析

社会消费品零售总额是反映人们消费水平的重要度量指标,也是国民经济体系中的一个重要评价指标.因此,分析研究社会消费品零售总额发展趋势对于转型期的中国经济高质量发展具有重要意义.基于乘积季节模型对2001年至2020年的社会消费品零售总额数据进行时间序列分析,经过差分、单位根检验、模型识别与拟合等过程,确定最终模型为ARIMA(1,1,1)(1,1,0)12,结果表明,社会消费品零售总额数据具有明显的线性趋势和季节性特征,并进一步得出其波峰和波谷到达的时间,另外,该模型对社会消费品零售总额有非常好的拟合效果,且有较高的预测精度.     

经济时间序列的X-11季节调整方法(Ⅱ)

§1.2营业日(日历)调整 在月份的经济序列中,序列值的变化常常在一定程度上与特定月份中的工作日与非工作日的变化有关.这种现象最早出现在商业,称之为营业日变化,为了更一般地使用这一概念,我们称之为日历性变化. 日历性变化反映了数据在不同月份中的变化,但它与季节性变化的区别在于,后者与月份中工作日的天数变化无关.为了使季节调整更加精确,有必要对序列进行日历性分析和日历调整。分离出的序列中的日历因子用D表示. 假定序列包含有日历因子D,即O= CSID或O=C+S+I+D.为了计算日历因子,必需首先估计出C和S,然后用线性回归方法从ID…     

基于网络搜索数据的区域旅游指数及其微观动态:以西安为例

地理位置与交通条件是旅游的重要先决条件,然而高峰期突然蜂拥而至的客流往往令身陷其中的游客多有抱怨和排斥,景区管理部门亦力有不逮,因此,如何及时预警、调度和配置有限的旅游资源便成为大众和旅游管理部门的热点话题.最直接的方法是客流量预测,然而目前的客流量统计主要来源于对旅行社、景区及其周边酒店等机构部门的事后统计和推断,这类数据需要层层汇总上报审批,发布相对滞后,并且常以月度或季度为频率.网络搜索数据记录了游客成行之前的需求与偏好,数据本身是前置的、实时的,而且是直接对游客行为痕迹的记录,数据质量也不依赖于被调查一方的动机和配合程度.以古丝绸之路的起点西安为例,基于用户的旅游信息搜索行为,通过设置初始关键词和拓展关键词筛选相关搜索词构造区域旅游指数,采用HEGY季节协整检验和基于X12季节调整的混合模型均发现,区域旅游指数并不具有显著的前兆效应,只是与实际旅游客流量存在同期关联,可以进行实时预测.进一步,在Prophet预测模型中引入节假日效应,显著地降低了拟合与预测误差.     

协整视角下CPI与PPI长期均衡与短期波动关系

消费者物价指数CPI与生产者物价指数PPI是我国重要的两类反映物价水平的指数,为研究PPI对CPI的影响关系,本文根据2006年1月至2017年7月每月的数据进行了研究分析.首先运用季节调整排除季节因素对实验结果的影响,然后在协整检验的基础上建立了能同时反映长期均衡和短期波动的误差修正模型.实证结果显示,CPI与PPI之间存在着长期均衡的关系,同时,PPI的短期波动也会CPI产生显著性影响.     

预测回归模型序列相关性的Jackknife经验似然比检验

预测回归模型是计量经济学中的重要模型,而相关的序列检验问题在文献中尚未被提及.考虑到序列相关性检验在模型实证中的重要性,文章基于Jackknife经验似然法,构造了该模型的序列相关检验统计量,并在一定条件下推导了零假设成立时检验统计量的渐近分布,分析了它在局部备择假设下的功效情况,最后通过随机模拟和实际数据例子验证了该检验方法的有限样本性质.     

太阳辐射时间序列的非线性检验

检验太阳辐射时间序列是否有非线性特征,对于分析、建模和预测太阳辐射量是重要、有益的.提出用基于替代数据的检验方法来检验太阳辐射时间序列是否存在非线性特征,并将数据序列的三阶矩作为检验统计量.选取了美国Montana州Dillon地区和Wyoming州Green Rivet地区每日总辐射量、Utah州Moab地区的每月日平均总辐射量时间序列作为检验对象.数值分析的统计结果表明所研究的日总辐射时间序列存在非线性,而每月日平均总辐射时间序列未检测出非线性.因而,对太阳辐射时间序列建模和预测之前,检验其是否有非线性特征是必要的.     

基于异常值检测的港口集装箱吞吐量预测模型

考虑到诸如金融危机等重大事件的影响,时间序列可能存在异常值,提出了一个基于局部异常因子(LOF)的LOF-SSA-LSSVM预测模型,并将其应用于广州港集装箱吞吐量预测.首先,对原始时间序列进行X12加法季节分解,对于分解得到的不规则序列,采用LOF算法进行异常值检测,确定异常数据的位置,之后通过插值或最小二乘支持向量机(LSSVM)的预测值来修正原始季节调整序列中的异常值,将修正后的季节调整序列与季节因子序列加和,即得到新的待预测序列.预测阶段,先采用奇异谱分析(SSA)将新的待预测序列进行分解重构,剔除序列中的噪声,然后再采用LSSVM对其进行预测.实证结果表明,建立的LOF-SSA-LSSVM模型相比BP、ARIMA等模型有着更好的预测精度.     

基于谱密度评价随机性

为了评价一个平稳过程的随机性, 我们基于谱密度提出了一个图方法. 当图中的散点呈现线性关系的时候, 我们可以判定这个序列是随机的. 为了说明这个思想, 我们用模拟的办法来检验伪随机数的随机性. 另外, 我们也用了一个实际数据来考察数据的相关性. 这两个例子都说明了我们的图方法是非常有效的.     

ARIMA乘积季节模型及其在传染病发病预测中的应用

本文研究乘积季节模型在传染病发病情况预测中的应用,并探讨提高模型准确性和实用性的途径.以1980年1月至2000年7月江苏省肾综合征出血热发病资料建立模型,以2000年的发病资料作为模型预测效果的考核样本.首先采用差分方法对序列资料进行平稳化,然后进行定阶并估计参数,建立乘积季节模型,最后对预测结果进行检验和分析.从而更好地掌握未来疫情动态发展趋势.检验结果表明,用乘积季节模型对肾综合征出血热月发病情况的拟合结果满意,预测效果良好.     

基于11种灰色关联度法的卫生指标序列应用比较分析

以序列灰色关联分析方法应用为视角,简述多种关联度方法基本流程;借助算例验证分析,为类似问题研究提供技术参考.分别阐述11种灰色关联度法原理及步骤,以医疗卫生指标时间序列为例计算实现.简要给出所有方法实施步骤,方法原理及信息利用有差异.序列间关联度结果与实际问题演示情形一致.11种灰色关联度法有集成讨论意义,有待于卫生领域综合对比及科学选用,也可以为因素筛选、综合评价、时序分析和聚类优化等应用问题提供借鉴.     

周期异方差时间序列的季节单位根检验

为检验带异方差的季节时间序列中的单位根,提出基于最小二乘估计的统计量.在原假设下得到检验统计量的极限分布.用M on te C arlo方法计算同方差下的经验分位数并考虑异方差对检验水平的影响.实例分析表明了用该方法检验季节单位根的有效性.