时间序列X-12-ARIMA季节调整

出版时间：2006-1  出版社：中国金融出版社  作者：中国人民银行调查统计  页数：428  
Tag标签：无  

内容概要

　　X-12-ARIMA方法最早由美国普查局Findley等人在20世纪90年代左右提出，现已成为对重要时间序列进行深入处理和分析的工具，也是处理最常用经济类指标的工具，在美国和加拿大被广泛使用。其在欧洲统计界也得到推荐，并在包括欧洲中央银行在内的欧洲内外的许多中央银行、统计部门和其他经济机构被广泛应用。　　对时间序列X-12-ARIMA季节调整的原理进行研究并对其软件进行中国本地化是中国人民银行的科研项目，本书为上述科研项目的成果之一。

书籍目录

第1章　时间序列(ARIMA和SARIMA)模型1.1随机过程、时间序列1.2时间序列模型的分类1.3自相关函数1.4偏自相关函数1.5时间序列(ARIMA)模型的建立与预测1.6非季节时间序列建模案例1.7季节时间序列(SARIMA)模型1.8季节时间序列建模案例第2章　时间序列的移动平均计算原理2.1定义和理论2.2X-11中的对称移动平均2.3Musgrave非对称移动平均2.4X-11移动平均滤子第3章　单位根检验方法3.1平稳与非平稳序列的统计特征3.2四种典型的非平稳随机序列3.3DF分布3.4单位根的DF检验用表3.5进一步讨论3.6单位根检验3.7单位根检验举例3.8结构突变与单位根检验第4章　x-12-ARIMA季节调整原理4.1季节调整的意义4.2X一12一ARIMA简介4.3x—12一ARIMA程序的基本流程4.4regARIMA建模原理4.5x-11的默认计算原型4.6x一1l方法的具体步骤4.7x—12一ARIMA设定函数的运算流程4.8案例附录　AEVI：EWS的视窗菜单操作附录　BEVIEWS的命令行操作第5章　x-12-RIM季节调整程序中的新功能与方法5.1引言5.2新的X一11调整选项5.3新的诊断5.4I regARIMA建模与模型选择5.5用模型解决调整问题：四个例子5.6用户交互界面：三个例子5.7结论性评论附录　AHenderson滤子、Musgrave非对称滤子附录　BA0和Ls探测程序第6章　X一12输出结果详解前言6.1输出表格B部分：初步估计极端值和日历效应6.2输出表格C部分：极端值和日历效应的最终估计6.3输出表格D部分：不同成分的最终估计6.4输出表格E部分6.5输出表格F部分：季节调整质量的衡量第7章　中国春节等特殊日历因素调整方案7.1移动假日效应7.2春节模型7.3案例7.4存量数据的春节效应调整7.5genhol程序简要说明7.6春节模型的进一步改进7.7存量数据春节模型的进一步改进附表1　春节虚拟变量(流量数据)1970—2020年(一14≤w≤20)附表2　春节虚拟变量(存量数据)1970—2020年(w2=31)附表3　春节虚拟变量(存量数据)1970—2020年(w2=25)附表4　改进春节模型的春节虚拟变量(流量数据)附表5　改进春节模型的春节虚拟变量(存量数据)1970—2020年(w6=15，wd=3，wa=20，w2=31)参考文献