中国季度GDP的季节调整：结构时间序列方法
对GDP进行季节调整的方法
４２ ＣＨＩＮＡ ＳＴＡＴＩＳＴＩＣＳ20095中国统计为反映ＧＤＰ等经济指标的基本趋势，国际上通常的做法是对季度或月度相关原始数据进行季节调整。
而在我国，迄今为止尚未公布包括季度ＧＤＰ在内的经季节调整的经济指标数据，这不仅不利于对我国宏观经济运行监测，也无法满足国际比较的需要。
为此，了解和掌握国际上通用的ＧＤＰ季节调整方法，对于研究和制定适合我国国情的季度ＧＤＰ季节调整方法具有重要意义。
季节调整的概念和作用１．季节调整的概念。
所谓季节调整，就是一个从时间序列中估计和剔除季节影响的过程，目的是更好地揭示季度或月度序列的特征或基本趋势。
２．季节调整的作用。
一个季度或月度的时间序列往往会受到年内季节变动的影响，这种季节变动是由气候条件、生产周期、假期和销售等季节因素造成的。
由于这些因素造成的影响通常大得足以遮盖时间序列短期的基本变动趋势，混淆经济发展中其他客观变化要素，以致难以深入研究和正确解释经济规律。
若要掌握经济运行的客观变化规律，必须进行季节调整。
季节调整的三种模型：Ｘ－１１－ＡＲＩＭＡ、Ｘ－１２－ＡＲＩＭＡ和ＴＲＡＭＯ／ＳＥＡＴＳ早在２０世纪初，人们就开始了从时间序列中分解季节因素、调整季节变动的尝试。
１９１９年，美国经济学家首先提出研究季节调整，随后有关季节调整的方法不断得到改进；１９３１年，美国经济学家提出用移动平均比率法进行季节调整，成为季节调整方法的基础；１９５４年，美国普查局率先开发了利用计算机程序对时间序列进行季节调整，称为Ｘ－１模型。
此后，季节调整的模型对GDP 进行季节调整的方法每改进一次都以Ｘ加上序号表示；１９６１年，美国普查局开发了Ｘ－１０模型，它根据不规则变动和季节变动的相对大小来选择计算季节因素的移动平均项数；１９６５年，美国普查局推出比较完整的季节调整程序Ｘ－１１模型，并很快成为全世界统计机构使用的标准方法。
由于各国、特别是发达国家的政策制定者越来越青睐经季节调整后的数据，促使各国的统计部门或中央银行进一步加强对季节调整方法的研究。
中国季度支出法GDP核算方法
中国季度支出法GDP核算方法一、概述中国按季核算支出法GDP始于2000年，首先在国家一级进行，同时按现价和不变价进行核算。
2006年，国家统计局核算司总结数年试算工作经验，进一步完善了季度核算方法，使季度支出法GDP核算在核算范围、核算原则、项目分类、指标概念上都与1993年SNA的标准基本取得一致。
由于分季度基础资料不足，中国季度支出法GDP核算目前进行的是季度累计核算。
即核算期按照自年初到本季末止来确定，分别为：一季度、一至二季度累计、一至三季度累计、一至四季度累计。
累计数的增加不完全是本季的发生数，还包括对上一季度数据的调整。
中国季度支出法GDP核算项目采用了三级分类。
第一级分类是：最终消费支出，资本形成总额，净出口。
第二级分类是：居民消费支出，政府消费支出，固定资本形成总额，存货增加，出口，进口。
第三级分类是将最终消费支出分为：农村居民消费支出，城镇居民消费支出。
中国季度支出法GDP不变价核算以2000年为基期，每5年改变一次基期。
中国季度支出法GDP核算所需基础数据是综合运用多种方法收集的，主要来源于两个方面。
一是统计调查资料，包括全面调查资料和抽样调查资料；二是会计核算资料和业务核算资料。
中国季度支出法GDP核算过程分为三步：初步核算、初步核实和最终核实。
初步核算于每季度后15日进行，所依据的基础资料是：国家统计局有关专业的月度和季度统计资料，海关进出口统计资料，财政预算支出执行情况资料，中国对外贸易价格指数资料等。
初步核实于每季度后45日进行，在搜集更多相关资料的基础上，对初步核算数进行修订。
最终核实，根据统计年报、财政支出决算明细资料计算，并利用年度支出法国内生产总值最终核实数对全年各季度GDP初步核实数进行基准化调整，形成中国季度支出法GDP 核算最终核实数。
二、现价季度支出法GDP核算方法现价季度支出法GDP核算，由于基础资料缺乏，基本上是根据相关指标进行推算的。
（一）居民消费支出居民消费支出是指常住住户在一定时期内对货物和服务的全部最终消费支出。
中国季度GDP的季节调整:结构时间序列方法
中国季度GDP的季节调整：结构时间序列方法
王群勇
【期刊名称】《统计研究》
【年(卷),期】2011(28)5
【摘要】本文利用结构时间序列方法讨论了中国季度CDP的季节调整问题,从季节单位根、季节自相关、周期自相关等多个方面对不同季节模式的调整结果进行了比较.结论认为,随机虚拟变量形式和三角函数形式得到的调整结果非常相似;结构时间序列方法更好地捕捉到了时变季节特征,明显优于X-11和SEATS方法;非高斯稳健季节调整的结果表明,高斯结构时间序列方法具有较好的稳定性.
【总页数】6页(P78-83)
【作者】王群勇
【作者单位】南开大学数量经济研究所
【正文语种】中文
【中图分类】F222.33
【相关文献】
1.时间序列季节调整方法在气象要素预测中的应用分析 [J], 张建玲;林苗苗;刘建华;申国华
2.福建季度实际GDP季节调整分析 [J], 蒋淞卿
3.时间序列季节调整方法在中国的发展:PBC版X-12-ARIMA [J], 谢波峰;章丽盛
4.中国季度GDP季节调整分析 [J], 张鸣芳
5.三季度GDP增速
6.9% 结构调整转型升级不断推进 [J],
因版权原因，仅展示原文概要，查看原文内容请购买。
有关GDP时间序列季节调整的一些说明
有关GDP时间序列季节调整的一些说明GDP（国内生产总值）是一个非常重要的经济指标，用于衡量一个国家或地区一定时期内所生产的所有最终商品和服务的总价值。
然而，由于季节因素的影响，GDP数据可能会出现季节性的波动。
为了更准确地反映经济的发展趋势，需要对GDP进行季节调整。
本文将对GDP时间序列季节调整的一些说明进行探讨。
1. 季节调整的背景季节调整指的是对经济数据进行去除季节性成分的处理，以便更好地捕捉出经济的长期趋势。
季节性因素包括一年中某个特定季节的自然事件、传统节假日和周期性的销售促销活动等。
忽略这些季节性因素，可以让我们更好地理解经济数据的趋势和变动。
2. 季节调整方法在季节调整中，有两种常见的方法：移动平均法和X-12-ARIMA法。
移动平均法是一种简单而常用的方法，通过计算每一特定季节的平均值，然后将该季节的值调整为其平均值，从而去除季节性波动。
而X-12-ARIMA法则是一种基于时间序列分析的复杂模型，可以更准确地确定季节性成分的波动。
3. 季节调整的意义季节调整可以帮助我们更好地识别经济趋势。
通过去除季节性影响，我们可以更准确地判断经济的长期表现，从而有效地进行政策制定和经济决策。
季节调整后的GDP数据更具有可比性和稳定性，能够提供更准确的经济分析和预测。
4. 季节调整与其他调整方式的区别除了季节调整，还有一些其他常见的调整方式，如通胀调整和实际GDP调整。
通胀调整是为了排除价格上涨对GDP数据的影响，计算出真实的购买力。
实际GDP调整则是针对GDP中包含的价格变动进行调整，以反映产出的真实增长。
这些调整方式与季节调整不同，但它们共同的目标都是更准确地反映经济的实际情况。
5. 季节调整的局限性尽管季节调整在经济数据分析中很有用，但它也存在一些局限性。
首先，季节调整无法完全消除季节性变动的影响，因为某些季节性因素一直存在，如圣诞节和春节等。
其次，季节调整可能会导致数据失真，特别是在数据样本较小或长期趋势发生变化的情况下。
经济时间序列的季节调整、分解和平滑方法
季节调整的方法与步骤
方法
移动平均法、指数平滑法、ARIMA模 型等。
步骤
识别季节性影响、选择合适的季节调 整方法、进行季节调整、评估调整效 果。
季节调整的注意事项
选择合适的季节调整方法需要根据数据的特性 和研究目的来确定，不同的方法可能得到不同
的结果。
季节调整后的数据需要进行进一步的分析和处理，以 揭示其内在的基本趋势和周期性变化。
意义
季节调整、分解和平滑有助于揭示经济时间序列数据中的长期趋势和周期性变 化，为政策制定者、经济学家和投资者提供更准确的决策依据。
季节调整、分解和平滑的目的
01
02
03
季节调整
消除时间序列数据中的季 节性成分，以分解为趋 势成分、季节成分和不规 则成分，以便更好地理解 数据的结构和变化。
季节调整适用于存在明显季节性影响的时间序 列数据，对于非季节性数据，进行季节调整可 能没有意义。
季节调整可能无法完全消除季节性影响，特别是 对于一些强季节性数据，调整效果可能不理想。
04 分解方法
分解的原理
01 时间序列数据由趋势、季节和随机三部分组成。
02 分解的目的是将这三部分分离出来，以便更好地 理解数据的内在结构和变化规律。
研究展望
改进季节调整方法
尽管现有的季节调整方法已经取得了很大的成功，但仍然存在一些问题，如对异常值的敏 感性、对季节性成分变化的适应性等。未来的研究可以探索新的季节调整方法和技术，以 提高季节调整的准确性和稳定性。
开发新的分解方法
现有的分解方法虽然已经比较成熟，但仍然存在一些局限性，如对不规则成分的估计和解 释等。未来的研究可以开发新的分解方法和技术，以更好地揭示时间序列数据的结构和变 化规律。
国内生产总值-季度时间序列(共9页)
国内生产总值——当季值（亿元）时间序列(xùliè)分析：数据库：季度(jìdù)数据时间(shíjiān)：2005Q1-2015Q1数据导入后如下图：绘制原始时间序列图，如下：时序(shí xù)图表示，该序列有线性递增(dìzēng)的趋势，和周期长度为一年的稳定(wěndìng)的季节变动。
输出的一阶差分序列图如下：观察(guānchá)可见(kějiàn)1阶差分提取(tíqǔ)了线性递增趋势。
1阶差分序列图呈现典型的季节波动。
故在1阶差分基础上，再进行4步的周期差分，提取季节波动信息。
周期差分后序列时序图如下：时序图显示，差分后该序列已无显著趋势和周期。
对差分序列拟合ARIMA模型：观察差分序列的自相关图：SAS 系统ARIMA 过程变量名 = gdp4工作序列的均值74.34444标准差2385.179观测数36白噪声的自相关检查至滞后卡方自由度 Pr > 卡方自相关6 10.51 6 0.1049 0.109 0.033 -0.244 0.245 -0.323 -0.089Minimum Information CriterionLags MA 0 MA 1 MA 2 MA 3 MA 4 MA 5 MA6 MA7MA8MA9MA10AR 0 14.33797 14.36761 14.41977 14.04458 13.95093 -22.1755 . . . . .AR 1 14.35142 14.44657 14.49193 14.13743 13.57082 . . . . . . AR 2 14.44479 14.5435 14.40292 13.9299 -19.3033 . . . . . . AR 3 14.32691 14.41548 14.02078 14.02115 -19.3618 -23.8802 . . . . . AR 4 14.22163 12.15314 -18.3601 -20.6452 -17.8818 -22.6275 . . . . . AR 5 . -20.9899 -21.047 . -23.6083 -25.2665 . . . . . AR 6 -20.514 -21.2072 . . . -25.3661 . . . . . AR 7 -22.1334 . . . . . . . . . . AR 8 -23.4857 -24.0892 . -24.872 . . . . . . . AR 9 -24.2784 . . . . . . . . . .AR10. . . . . . . . . . .有上图可知(kě zhī)，4阶差分模型(móxíng)输出的最优定阶结果为ARMA （6,5）进行(jìnxíng)ARMA（6,5）模型模拟，参数估计结果如下：条件最小二乘估计参数估计标准误差t 值近似Pr > |t|滞后MU 204.17132 807.37090 0.25 0.8025 0 MA1,1 -0.32912 0.89488 -0.37 0.7163 1 MA1,2 0.06773 0.79041 0.09 0.9324 2 MA1,3 -0.05614 0.79077 -0.07 0.9440 3 MA1,4 0.64236 0.80190 0.80 0.4310 4 MA1,5 0.67515 0.60866 1.11 0.2783 5 AR1,1 -0.0014023 0.87487 -0.00 0.9987 1条件最小二乘估计参数估计标准误差t 值近似Pr > |t|滞后AR1,2 -0.11071 0.59995 -0.18 0.8551 2AR1,3 -0.14342 0.58760 -0.24 0.8092 3AR1,4 0.85590 0.63366 1.35 0.1894 4AR1,5 0.10098 0.64785 0.16 0.8774 5AR1,6 0.09334 0.46025 0.20 0.8410 6参数估计及检验结果显示，常数(chángshù)项，以及各参数均不显著。
第经济时间序列的季节调整分解和平滑方法
上面介绍的12个月中心化移动平均是二次移动平均，也 可以用一次移动平均(2.1.7)式表示，这种移动平均方法就叫 做加权平均，其中每一期的权数不相等，几种常用的加权移 动平均方法：33项移动平均、55项移动平均、Henderson 加权移动平均等。
6
第7页/共109页
X-11季节调整法中针对时间序列中随机因子的大小 分别采用亨德松(Henderson)的5, 9, 13和23项加权移动平 均。选择特殊的移动平均法是基于不同序列中存在的随 机因子不同，随机因子越大，求移动平均的项数应越多。
如果在季节调整对话框中选择X-11选项，调整后的序 列及因子序列会被自动存入EViews工作文件中，在过程的 结尾X-11简要的输出及错误信息也会在序列窗口中显示。
关于调整后的序列的名字。EViews在原序列名后加SA， 但也可以改变调整后的序列名，这将被存储在工作文件中。
需要注意，季节调整的观测值的个数是有限制的。X11只作用于含季节数据的序列，需要至少4整年的数据，最 多能调整20年的月度数据及30年的季度数据。
② 季节滤波(Seasonal Filter) 当估计季节因子时，允许选择季节移动平均滤波（月别移动平均项数）， 缺省是X12自动确定。近似地可选择(X11 default)缺省选择。需要注意如果序列 短于20年，X12不允许指定3×15的季节滤波。
23
第24页/共109页
③ 趋势滤波（Trend Filter (Henderson)） 当估计趋势—循环分量时，允许指定亨德松移动平均的项数，可以输入大 于1和小于等于101的奇数，缺省是由X12自动选择。
2)
Yt
TC
( t
2)
(2.2.11)
有关GDP时间序列季节调整的一些说明
为反映GDP等经济指标的基本趋势，国际上通常的做法是对季度或月度相关原始数据进行季节调整。
什么是GDP时间序列季节调整？所谓季节调整，就是一个从时间序列中估计和剔除季节影响的过程，目的是更好地揭示季度或月度序列的特征或基本趋势。
季节调整有什么作用呢？一个季度或月度的时间序列往往会受到年内季节变动的影响，这种季节变动是由气候条件、生产周期、假期和销售等季节因素造成的。
由于这些因素造成的影响有时大得足以遮盖时间序列短期的基本变动趋势，若要掌握经济运行的季度或月度变化，必须进行季节调整。
为什么要季节调整？以月份或季度作为时间观测单位的经济时间序列通常具有一年一度的周期性变化，这种周期变化是由于季节因素（气候、社会制度和风俗习惯等）的影响造成的，在经济分析中称为季节性波动。
月度和季度的经济时间序列的季节性波动是非常显著的，它往往遮盖或混淆经济发展中其他客观变化规律，以致给经济增长速度和宏观经济形势的分析造成困难和麻烦。
因为季节因素的存在，同一年中不同月份或季度的数据往往不具有可比性，我国传统上的做法通常是用同比来反映经济的增长变化，但它不能及时反映当前经济变化的走势。
因此，在使用月度或季度数据进行经济分析之前，需要对数据进行“季节调整”，季节调整后的数据消除了季节性的影响，使得不同月份或季度之间的数据具有可比性，可以更及时的反映经济的“拐点”变化。
除了季节因素外，一个时间序列通常还受多种因素影响，一般地，可以把所有这些因素分解为趋势因素（T）、循环因素（C）、季节因素（S）和不规则因素（I）。
其中，趋势因素反映了经济现象的长期演变方向，是上升、持平还是下降；循环因素（周期因素）反映了时间序列持续性的周期波动，侧重时间序列是处于周期的上升阶段、下降阶段还是转折阶段，实际工作中趋势与循环因素往往放在一起分析不进行区分；季节因素反映时间序列在不同年份的相同季节（同一季度，同一月份）所呈现出的周期性变化；不规则因素反映的是前三个因素无法解释的误差或随机因素产生的变化，它包括经济活动参与者的不稳定决策、数据程序或样本的错误以及非正常的事件，如罢工、自然灾害等对经济活动的影响。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Ａｂ ｔａ ｔ Ｔ ｅｐ ｐ ｒａ ａｙ ｅ ｈ ｅ ｓｎ ｌａｊｓｒｅ ｔ ｆＧ ｎ Ｃ ｉａ Ｗｅｃ ｍｐ ｒ ｈ ｄｕｔ ｎ ｈ ｏ ｇ ｅ ｓｎ ｌ ｓｒ ｃ ： ｈ ａ ｅ ｎ ｌｚ ｓｔｅｓａｏ ａ ｄｕ ｔ ｎ ＤＰ ｉ ｈｎ ． ｏ ａｅｔｅａ ｊｓｍｅ ｔｔｒｕ ｈｓａｏ ａ ｈ ｏ
ｖ ｒ ｉ ｅ ｓ ｎ ｌｔ ｒ ｅ ｉｅｙ ｔａ ａ ｄ ＳＥＡＴＳ； ｎ Ｇａ ｓ ｉｎ ｍｏ ｅ ｅ ｅ ｌ ｈ ｔｔ ｅ Ｇａ ｓａ ｔ ｃｕ ａ ｉ ｅｉ ｓ ａｙｎｇ ｓ ａ ｏ ａ ｉ ｍｏ ｅｐｒｃ ｓ ｌ ｈ ｎ Ｘ１１ ｎ ｙ ｎｏ － ｕ ｓａ ｄ ｌｒ ｖ ａ ｓｔａ ｈ ｕｓｉ ｎ ｓｒ ｔ ｒ ｌｔｍｅｓ ｒｅ ｕ
关键 词 ： 节调 整 ； 构 时 间序 列 ； 态 空 间 形 式 ； 高 斯 分 布 季 结 状 非
中 图分 类 号 ： ２பைடு நூலகம்２ ３ Ｆ２．３ 文 献 标 识 码 ： Ａ 文章 编 号 ：０ ２４ ６ （ ０ １ ０ － ７ － １０ － ５ ２ １ ） ５０ ８０ ５ ０ ６
Ｓ ａ ｏ ａ ｊ ｓ ｎ ｆ ｈ ｎ ａ ｔｒｙ ＧＤＰ ｅ ｓｎ ｌ Ａｄｕ ｔ ｍｅ ｔｏ ｉａ Ｑｕ ｒｅ ｌ Ｃ
ｄ ｍ ｍｙ ｖ ｒａ ｅ ｏ ｍ ｎ ｔｉｏ ｏ ｔｉ ｆｒ ｕ ａｉｂｌｓｆ ｒ ａ ｄ ｒｇ ｎ ｍｅ ｒｃ ｏ ｍ ｇ ｔ ｔ ｉ ｌｒ ｒｓ ｌｓ； ｈｅ ｔｕ ｔ ｒ ｌｔｍｅ ｅ ｉｓ ｅ ｈｅ ｓｍｉａ ｅ ｕ ｔ Ｔ ｓｒ ｃ ｕ ａ ｉ ｓ ｒｅ ｍｏ ｅ ａ ｔ ｅ ｔｅ ｔｍｅ ｄ ｌｃ ｐｕｒｓ ｈ ｉ —
ｕ ｔｒ ｏ ，ｓ ａ ｏ ａ ａ ｔ ｃ ｒｅａｉ ｎ，ｐ ｒｏ ｃ ｕｏ ｏ ｒｌｔｏ ｅｅ．Ｓ ｖ ｒｌ ｍｐ ｒａ ｃ ｎ ｌ ｉｎｓ ｒ ｄｒｗｎ；ｔ ｓｏ ｈ ｓｉ ｎｉ ｏ ｔ ｅ ｓ ｎ ｌ ｕ ｏ ｏｒｌ ｔｏ ｅ ｉｄｉ ａ ｔｃ ｒｅａｉｎ ｔ ｅ ｅ ａ ｉ ｏ ｔｎｔ ｏ ｃｕｓｏ ａｅ ａ ｈｅ ｔｃ ａ ｔｃ
一
、
季 节调 整 模 式 的选 择
型也 被称 为简化模 型 ， 而这种 方法被 称作 Ａ Ｉ Ｒ ＭＡ模
型 为基 础 的方 法 （ ＭＢ） 以 Ｂ ｒ ｎ １８ ） Ｈ ｌ ｒ Ａ ， ｕｍａ （ ９ ０ ， ｉｅ ｌ
当前 国际主流 的季节 调整方 法分为 两类 ： 第 一类 以非 参 数 滤 波 为 基 础 ， Ｘ １为代 表 。 以 １ Ｘ ２Ａ Ｉ １ ． Ｒ ＭＡ在 Ｘ。１的基 础 上 引 入 Ａ Ｉ １ Ｒ ＭＡ建 模 方 法， 这种方 法 是 以数 据 为基 础 的 ， 括 了异 常 值 修 包 正 、 易 日效 应修 正和各种 移动平 均滤子 几个 步骤 。 交 除 了对 交 易 日、 假 日等 日历 效 应 的 处 理 ， ２ 节 Ｘ１ 一 Ａ Ｉ Ａ还采 用 了两个 重 要 的举 措 ： 一 ， 续 应 用 ＲＭ 其 连
（Ｅ Ｔ ） Ｓ Ａ Ｓ 。用 户需要 设定合 理充 分的单 变量 时间序 列模 型 ， 节滤子取 决 于设定 的模 型。Ａ 季 ＭＢ方 法是 通过 简化形 式推导 各 个 成分 的结 构参 数 ， 中必 须 其 施 加一 定 的约束条 件 。 比如 ， ｕｍ ｎ １ ８ ） Ｂ ｒ ａ （ ９ ０ 约束 噪 声 成分 的均方误 差最 小 。但 约束 条件带有 一定 的主
观 特征 ， 更重要 的 是 ， 不是 所 有 的 Ａ Ｉ Ａ模 型 都 并 ＲＭ
移动 平均滤 子 ； 其二 ， 在应 用移动 平均滤 子过程 中剔
期 自相 关 等 多 个 方 面 对不 同季 节 模 式 的 调 整 结 果进 行 了 比较 。结 论认 为 ， 机 虚 拟 变 量 形 式 和 三 角 函数 形 式 得 到 随
的 调 整 结果 非 常 相 似 ； 构 时 间序 列 方 法更 好 地 捕 捉 到 了 时变 季 节 特 征 ， 显 优 于 Ｘ １ 结 明 一 ｌ和 Ｓ Ａ Ｓ方 法 ； 高 斯 稳 Ｅ Ｔ 非 健 季节 调整 的结 果 表 明 ， 斯 结 构 时 间 序列 方 法 具 有 较 好 的 稳 定性 。 高
ａ ｄＴａ （ ９ ４ 等 为 代 表 。Ｍｃ ｌ ｙ ２ ０ ） 出 了 ｎ ｉ １８ ） ｏ Ｅｒ （ ０ ８ 给 ｏ 有 限样 本 中非平稳 Ａ Ｉ Ｒ ＭＡ模 型信 号 提取 的 一 般矩
阵公 式 。这 一 类 方 法 以 Ｔ Ａ ／ Ｅ Ｔ Ｒ ＭＯ Ｓ Ａ Ｓ模 块 为 代 表 ， 括两 步 ： 包 第一 步估计 时 间序列模 型 （ Ｒ Ｍ ， Ｔ Ａ Ｏ） 第二步是从选 择的 Ａ Ｉ Ｒ ＭＡ模 型 中提 取 季 节 成 分
第２ ８卷 第 ５期 ２１ ０ １年 ５月
统计 研 究
Ｓｔ ｔｓｉ ａ ｓ ａ ｃ ａ ｉｔ ＩＲｅ ｅ ｒ ｈ ｃ
Ｖ ｏ ． ８ ．Ｎ ｏ ５ １２ ． Ｍ ａ ０ １ ｙ２ １
中 国季 度 Ｇ Ｐ的季节 调 整 Ｄ 结 构 时 问序 列 方法
王群 勇
内 容提 要 ： 本文 利 用 结 构 时 间 序 列 方法 讨 论 了 中 国季 度 Ｇ Ｐ的 季 节 调 整 问 题 ， 季 节 单 位 根 、 Ｄ 从 季节 自相 关 、 周
ｍｅｈ ｄ ｉ ｒｂ ｓ ｆｒｓａｏ ａ ｄｕ ｔ ｎ． ｔｏ ｓ ｏ ｕ ｔ ｏ ｅ ｓｎ ｌａｊ ｓ ｍｅ ｔ Ｋｅ ｒ ｓ Ｓ ａｏ ａ ｊｓｍｅ ｔ ｔｕ ｔｒｌ ｍｅＳ ｒｅ ；ＳａｅＳ ａｅ Ｆ ｒ ｙｗｏ ｄ ： ｅｓ ｎ ｌ ｕｔ ｎ ；Ｓｒｃｕａ Ａｄ Ｔｉ ｅｉｓ ｔｔ ｐ ｃ ｏｍ；Ｎｏ — ｕ ｓａ ｓｒｂ ｔ ｎ ｎ Ｇａ ｓｉｎＤｉｔ ｕｉ ｉ ｏ