季节调整

不同特点的数据处理（笔记）2 有季度特征的数据 有些数据具有明显季度特征（月度，季度），比如GDP，用电量，气温等，尤其是经济类数据。 以下是某市2012-2019的季度用电量数据。 这类数据（以上数据周期=4）不同期间特征相似。对于这类数据， 法1：加入季节因子（这里s=1，2，3，4） 法2：使用季节调整方法把季度特征去除，然后再对平滑曲线建模，最后结合季节因子完成重构， 季节调整介绍 季节调整方法很多， 比如X-12 ARIMA（可以通过EViews简单实现 EViews基础与季节调整操作解析 ppt课件 ）， X-11 ，可以通过matlab实现 教你用MATLAB做季节性调整 另外参考 固定季节滤波 ， 移动平均法decompose 法3：使用季节arima 来源： CSDN 作者： weixin_42663919 链接： https://blog.csdn.net/weixin_42663919/article/details/104043704

进行时间序列的数据分析时，季节因素调整与hp滤波是进行数据处理与准备工作的常见必要环节。本文简要梳理季节调整与hp滤波的应用场景，以及在Python中的实现方法。 1. 季节调整方法 季节调整的目的是剔除季节因素的影响，使得数据平滑。进行季节调整的目的其一是使得不同季节的数据具有可比性，其二是使得一般的时间序列模型能够适用于数据，例如我们观察到近期燃油价格上涨，想通过ARMA模型验证其趋势性，但燃油上涨的时间窗口在冬季，所以要通过季节调整方法剔除掉季节作用，余下的价格上涨才有验证的意义。 常用的季节调整方法包括：（1）求同比；（2）census X12/X13季节调整；（3）平滑分离方法。 1.1 求同比 Python中求同比非常简单，例如对于月度时间序列数据M2： dM2 = M2.pct_change(12) 即可求出同比。 如果是季度数据，将函数参数换为4即可。而对于中国的某些数据，例如社会零售、固定资产投资等，其1月或2月的数据是没有的，按照周期长度相应调整参数即可。 求同比方法最为广泛使用，但不适用于带有零值或负值的数据。 1.2 census X12/X13季节调整 这里的“census”是指美国统计局（United States Census Bureau），所以美国的各种统计数据都是通过这套方法进行季节调整的。这套方法在学术界得到了广泛的使用。 方法的具体计算步骤