高级计量经济学时间序列分析

3.3时间序列分析3.3.1时间序列概述1.基本概念(1)一般概念：系统中某一变量的观测值按时间顺序（时间间隔相同）排列成一个数值序列，展示研究对象在一定时期内的变动过程，从中寻找和分析事物的变化特征、发展趋势和规律。

它是系统中某一变量受其它各种因素影响的总结果。

(2)研究实质：通过处理预测目标本身的时间序列数据，获得事物随时间过程的演变特性与规律，进而预测事物的未来发展。

它不研究事物之间相互依存的因果关系。

(3)假设基础：惯性原则。

即在一定条件下，被预测事物的过去变化趋势会延续到未来。

暗示着历史数据存在着某些信息，利用它们可以解释与预测时间序列的现在和未来。

近大远小原理（时间越近的数据影响力越大）和无季节性、无趋势性、线性、常数方差等。

(4)研究意义：许多经济、金融、商业等方面的数据都是时间序列数据。

时间序列的预测和评估技术相对完善，其预测情景相对明确。

尤其关注预测目标可用数据的数量和质量，即时间序列的长度和预测的频率。

2.变动特点(1)趋势性：某个变量随着时间进展或自变量变化，呈现一种比较缓慢而长期的持续上升、下降、停留的同性质变动趋向，但变动幅度可能不等。

(2)周期性：某因素由于外部影响随着自然季节的交替出现高峰与低谷的规律。

(3)随机性：个别为随机变动，整体呈统计规律。

(4)综合性：实际变化情况一般是几种变动的叠加或组合。

预测时一般设法过滤除去不规则变动，突出反映趋势性和周期性变动。

3.特征识别认识时间序列所具有的变动特征，以便在系统预测时选择采用不同的方法。

(1)随机性：均匀分布、无规则分布，可能符合某统计分布。

(用因变量的散点图和直方图及其包含的正态分布检验随机性，大多数服从正态分布。

)(2)平稳性：样本序列的自相关函数在某一固定水平线附近摆动，即方差和数学期望稳定为常数。

样本序列的自相关函数只是时间间隔的函数，与时间起点无关。

其具有对称性，能反映平稳序列的周期性变化。

特征识别利用自相关函数ACF：ρk =γk/γ其中γk是y t的k阶自协方差，且ρ0=1、-1<ρk<1。

经济学计量方法回归分析与时间序列计量经济学是运用数理统计学方法研究经济现象的一门学科。

在计量经济学中，回归分析和时间序列分析是两种常用的方法。

回归分析用于研究变量之间的关系，而时间序列分析则主要用于分析时间上的变动和趋势。

本文将介绍经济学计量方法中的回归分析与时间序列分析，并说明它们的应用和意义。

一、回归分析回归分析是研究因变量与自变量之间函数关系的一种方法。

在经济学中，回归分析常常用于分析经济变量之间的关系。

回归分析的基本模型可以表示为：Y = β0 + β1X1 + β2X2 + ... + βkXk + ε其中，Y表示因变量，X1、X2、...、Xk表示自变量，ε表示误差项。

β0、β1、β2、...、βk分别表示回归方程的截距和斜率系数。

回归分析中的关键问题是如何确定回归方程的系数。

常用的方法包括最小二乘估计法和最大似然估计法。

最小二乘估计法是指通过最小化残差平方和来确定回归方程的系数。

最大似然估计法则是通过找到最大化似然函数的方法来确定回归方程的系数。

回归分析的应用非常广泛。

它可以用于预测变量的取值，评估政策的效果，解释变量之间的关系等。

例如，在经济学中，回归分析常用于研究收入与教育程度之间的关系、通胀与利率之间的关系等。

二、时间序列分析时间序列分析是研究时间上的变动和趋势的一种方法。

在经济学中，时间序列分析常用于分析经济变量随时间变化的规律。

时间序列数据是按照时间顺序排列的一组数据，例如某个经济变量在不同时间点的取值。

时间序列分析的基本模型可以表示为：Yt = μ + αt + β1Yt-1 + β2Yt-2 + ... + βkYt-k + εt其中，Yt表示时间t的观测值，μ表示整体的平均水平，αt表示时间t的随机波动，Yt-1、Yt-2、...、Yt-k表示时间t之前的观测值，β1、β2、...、βk表示滞后系数，εt表示误差项。

时间序列分析中的关键问题是如何确定滞后阶数和滞后系数。

计量经济学试题时间序列模型与ARIMA模型时间序列是指按照时间顺序排列的一组数据。

在计量经济学中，时间序列分析是一种重要的研究方法，它可以帮助我们理解和预测经济现象的发展趋势。

本文将介绍时间序列模型以及其中的一种常用模型——自回归滑动平均移动平均自回归(ARIMA)模型。

一、时间序列模型的基本概念时间序列模型是根据时间序列数据的特点建立的数学模型。

它假设时间序列的变动是由多个因素引起的，这些因素可以是趋势、季节性、周期性等。

时间序列模型可以帮助我们从数据中分离出这些因素，以便更好地理解和预测未来的变动。

二、自回归滑动平均移动平均自回归(ARIMA)模型ARIMA模型是一种广泛应用于时间序列分析的模型，它结合了自回归(AR)模型、滑动平均(MA)模型和差分运算的方法。

ARIMA模型可以描述时间序列的自相关性、滞后差分的影响以及移动平均误差的影响。

ARIMA模型可以从以下三个方面描述一个时间序列：1. 自回归(AR)部分：用于描述过去时间点的观测值对当前值的影响，通过延迟观测值来预测当前值。

2. 差分(I)部分：通过对时间序列进行差分运算，可以消除其非平稳性，提高模型的拟合度和预测准确性。

3. 滑动平均(MA)部分：用于描述序列中随机波动的影响，通过滞后误差预测当前值。

ARIMA模型的表示方式为ARIMA(p, d, q)，其中p表示自回归阶数，d表示差分阶数，q表示滑动平均阶数。

通过对历史数据的拟合，我们可以得到模型的参数估计，从而进行未来值的预测。

三、ARIMA模型的应用ARIMA模型在经济领域有广泛的应用，其中包括销售预测、股票价格预测、宏观经济指标预测等。

它通过分析历史数据中的规律性和趋势性，将其应用于未来的预测中。

ARIMA模型的建立和应用过程可以分为以下几个步骤：1. 数据收集和准备：收集相关的时间序列数据，并对其进行清洗和格式化，以便于后续的分析和建模。

2. 模型选择和拟合：通过计算模型选择准则(AIC、BIC等)来确定模型的阶数，并使用最小二乘法或极大似然法对模型进行参数估计。

经济计量学中的回归分析与时间序列分析经济计量学是经济学与数理统计学的交叉学科，其目的是通过利用统计模型和数学方法，对经济现象进行定量分析和预测。

在经济计量学中，回归分析和时间序列分析是两个重要的分析工具。

本文将对这两个方法进行详细介绍和比较。

一、回归分析回归分析是经济计量学中最常用的方法之一，它用于研究因变量与一个或多个自变量之间的关系。

回归分析的基本思想是，通过建立一个数学模型来描述因变量与自变量之间的关系，并利用样本数据对模型进行估计和推断。

回归分析可分为线性回归和非线性回归两种。

线性回归是指因变量与自变量之间存在线性关系，而非线性回归是指二者之间存在非线性关系。

根据样本数据的特点和研究目的，可以选择最小二乘法、最大似然法等方法进行回归参数的估计。

回归分析的应用广泛，可以用于解答很多经济问题。

例如，可以通过回归分析来研究收入与消费之间的关系，衡量经济政策对就业的影响，以及预测股票价格等。

二、时间序列分析时间序列分析是经济计量学中另一个重要的方法，它用于研究随时间变化的经济现象。

时间序列数据是指在一段时间内观察到的一系列经济变量的取值。

时间序列分析的目标是揭示时间序列数据中所包含的规律和趋势，以及对未来的变化进行预测。

时间序列分析具有三个基本特征：趋势、周期和随机波动。

通过对这些特征的分析，可以提取出数据中的基本模式和规律。

常用的时间序列分析方法包括平稳性检验、白噪声检验、自相关函数和偏自相关函数分析等。

此外，还可以利用ARIMA模型、VAR模型等对时间序列数据进行建模和预测。

时间序列分析在经济学中的应用广泛。

例如，可以利用时间序列分析来研究宏观经济变量之间的相互关系，分析季节性调整对销售额的影响，以及预测通货膨胀率等。

三、回归分析与时间序列分析的比较回归分析和时间序列分析在经济计量学中都有广泛的应用，但在方法和目的上存在一些区别。

首先，回归分析主要用于研究因变量与自变量之间的关系，强调解释和预测变量间的相关性。

计量经济学试题时间序列分析与ARIMA模型计量经济学试题：时间序列分析与ARIMA模型1. 引言时间序列分析是计量经济学中重要的分析方法之一，能够揭示变量随时间变化的规律，并为未来趋势的预测提供依据。

ARIMA模型（差分自回归滑动平均模型）是时间序列分析中常用的模型之一，具有较强的建模和预测能力。

本文将介绍时间序列分析方法以及ARIMA模型的理论基础，并通过试题案例讲解其具体应用。

2. 时间序列分析方法概述时间序列是按时间顺序排列的一系列数据点，其特点是数据之间存在一定的时间关联性和趋势性。

时间序列分析方法可用于研究时间序列的规律，并对未来的变化进行预测。

常用的时间序列分析方法包括：平稳性检验、自相关函数（ACF）和偏自相关函数（PACF）的分析、白噪声检验、差分运算等。

3. ARIMA模型的基本原理ARIMA模型是一种广义的线性时间序列模型，它结合了自回归（AR）模型、差分（I）运算和滑动平均（MA）模型。

ARIMA模型的建立一般包括以下几个步骤：确定时间序列的平稳性、确定模型的阶数、拟合模型参数、模型检验与预测。

4. 时间序列分析与ARIMA模型的应用案例以某工业品生产量的时间序列数据为例，我们来演示时间序列分析与ARIMA模型的具体应用过程。

4.1 数据准备与描述性分析首先，我们收集了过去36个月的某工业品生产量数据，用于进行时间序列分析和ARIMA建模。

通过对数据的描述性统计分析，我们可以了解数据的分布特征、趋势以及季节性等信息。

4.2 平稳性检验为了应用ARIMA模型，首先需要检验时间序列的平稳性。

我们可以使用单位根检验（ADF检验）等方法判断时间序列是否平稳。

若时间序列不平稳，需要进行差分操作，直至得到平稳序列。

4.3 确定模型的阶数在ARIMA模型中，AR阶数表示自回归模型中的滞后阶数，MA阶数表示滑动平均模型中的滞后阶数。

通过观察自相关函数ACF和偏自相关函数PACF的图像，可以确定ARIMA模型的阶数。

计量经济学中的时间序列分析时间序列分析是计量经济学中的重要内容之一，它主要研究特定变量随时间变化的规律性和趋势。

通过时间序列分析，我们可以更好地理解经济现象，预测未来变化趋势，制定合适的政策和策略。

本文将从时间序列的概念入手，介绍时间序列分析的基本原理、方法和应用。

一、时间序列的概念时间序列是按照时间顺序排列的一系列数据观测值的集合。

在计量经济学中，时间序列通常用来观察和研究某一经济变量在不同时间点上的变化情况。

时间序列数据可以是连续的，也可以是间断的，常见的时间单位包括年、季、月、周等。

通过对时间序列数据的分析，我们可以揭示出其中的规律性和特征。

二、时间序列分析的基本原理时间序列分析的基本原理是利用过去的数据来预测未来的发展趋势。

在时间序列分析中，常用的方法包括趋势分析、周期性分析、季节性分析和不规则波动分析。

趋势分析主要用来观察时间序列数据的长期变化趋势，周期性分析则是研究数据是否存在固定长度的周期性波动，季节性分析则是研究数据是否呈现出固定的季节性变化规律，而不规则波动分析则是研究一些随机因素对数据的影响。

三、时间序列分析的方法时间序列分析的方法有很多种，其中常用的包括移动平均法、指数平滑法、回归分析法、ARIMA模型等。

移动平均法通过计算连续几个期间的平均值来平滑数据，达到去除数据波动的目的；指数平滑法则是通过计算加权平均来对数据进行平滑处理，使得预测值更加准确；回归分析法则是通过建立经济模型来研究时间序列数据之间的关系，进行预测和分析；ARIMA模型则是一种时间序列的自回归与移动平均模型，可以对时间序列数据进行拟合和预测。

四、时间序列分析的应用时间序列分析在经济学、金融学、管理学等领域有着广泛的应用。

在经济学中，时间序列分析可以用来研究经济增长、通货膨胀、失业等经济现象的发展趋势；在金融学中，时间序列分析可以用来预测股票价格、汇率、利率等金融变量的变化情况；在管理学中，时间序列分析可以用来制定企业的生产计划和销售策略，提高企业的运营效率。

计量经济学中的时间序列分析计量经济学是应用经济学中比较基础的分支，主要研究经济学中的定量分析和增长趋势。

其中，时间序列分析作为计量经济学重要的一部分，被广泛运用于宏观经济学中的经济周期、经济增长率、通货膨胀以及个人收入等诸多领域。

时间序列分析是计量经济学中一种基本的研究方法，主要使用统计学技术处理时间序列数据，得出未来预测、检验理论假设和描述历史趋势等信息。

时间序列数据的重要性在于，它们反映了一个经济变量随着时间推移的变化规律。

这些数据可以被用来研究经济变量展现的时间趋势和季节性变化等。

因此，时间序列分析在宏观经济的长期趋势研究、短期波动分析、周期特征查验和经济结构变革判断等方面有重要的应用。

在时间序列分析中，经济变量随着时间的推移体现的规律通常被归纳为趋势、季节性、循环、随机波动四个方面。

趋势是一个时间序列中最为基本的成分，反映一项宏观经济变量的长期变化趋势，其普遍存在的原因可能是技术进步、人口变动、自然要素影响等等因素。

而季节性则是一项经济变量随着时间的相对固定的短期变化，反映的是因为季节性因素的影响而生的波动现象。

循环则是周期波动的一种体现，代表着长达数年的经济波动和周期性变化。

随机波动是时间序列中不可预测的无法被规律分析的随机性波动成分。

这种波动通常受到一些令人难以预测的特殊事件的影响，比如自然灾害、政府重大决策等。

时间序列分析方法有很多种，其中包括经典的时间序列分析方法，如白噪声检验、趋势分析、季节性分析、循环分析等。

同时也包括新兴的技术，如自回归移动平均模型(ARMA)、广义自回归条件异方差模型(GARCH)、立方样条获取非线性趋势和神经网络等。

这些方法涉及的内容比较复杂，因此初学者在学习中需要认真掌握这些方法和工具，并理解它们在数据处理和预测中的应用和限制。

总结而言，计量经济学中的时间序列分析是经济变量随时间推移表现出来的一种基本变化规律的统计学分析方法。

在宏观经济分析、政策研究、市场营销等方面有着广泛的应用。

计量经济学中的时间序列是指按照时间顺序排列的一系列数据，这些数据可以是同一指标在不同时间点的观测值，也可以是多个指标在不同时间点的观测值组合。

时间序列数据的分析主要涉及两个方面：一是数据平稳性检验，二是数据建模与分析。

数据平稳性检验是时间序列分析中非常重要的一个步骤。

平稳性是指时间序列数据的统计特性不随时间推移而发生变化。

如果数据不满足平稳性条件，那么传统的回归分析方法可能会出现问题。

因此，在利用回归分析方法讨论经济变量有意义的经济关系之前，必须对经济变量时间序列的平稳性与非平稳性进行判断。

如果数据是非平稳的，可能需要采用适当的处理方法，如差分、对数转换等，使其满足平稳性条件。

在数据平稳性检验通过后，接下来需要进行数据建模与分析。

在计量经济学中，自回归模型（AR模型）是一种常用的时间序列模型。

自回归模型是统计上一种处理时间序列的方法，它用同一变数例如x 的之前各期，亦即x 1至x t-1来预测本期x t的表现，并假设它们为一线性关系。

除了自回归模型外，还有其他的模型可用于时间序列分析，如移动平均模型（MA模型）、自回归移动平均模型（ARMA模型）等。

这些模型的参数估计与假设检验方法也是计量经济学中研究的重点内容之一。

总之，计量经济学中的时间序列分析是一个相对独立且完整的领域，它为经济学、金融学等领域的研究提供了重要的方法论支持和实践指导。

经济学实证研究中的计量经济学方法与时间序列分析方法比较在经济学实证研究中，计量经济学方法和时间序列分析方法是常用的数据分析工具。

它们都旨在通过采集、处理和分析大量数据来揭示经济现象的内在规律和变化趋势。

然而，两种方法在理论基础、数据处理和模型建立上存在一些区别。

本文将对计量经济学方法和时间序列分析方法进行比较。

一、理论基础计量经济学方法的理论基础主要来自经济学理论和数理统计学。

它结合了经济学的理论模型和实证研究的要求，通过建立经济模型来分析经济现象，并通过数理统计学的方法对模型进行估计和检验。

计量经济学方法依赖于理论框架和假设，需要确保模型的合理性和可靠性。

时间序列分析方法的理论基础则主要来自于时间序列理论和统计学。

它主要关注数据随时间变化的规律和趋势，通过对时间序列数据的模型建立和分析，来揭示时间序列的内在规律。

时间序列分析方法在实证研究中强调数据的时间性，通过分析数据序列中的趋势、周期和季节性等特征，来预测未来的走势和变动。

二、数据处理计量经济学方法和时间序列分析方法在数据处理上也有些差异。

计量经济学方法更加注重横截面数据和面板数据的分析，即通过横向比较个体之间的差异，或通过纵向比较同一群体在不同时期的变动。

计量经济学方法在数据处理上需要考虑到交叉分析、回归分析和因果推断等因素。

时间序列分析方法则更加关注数据序列之间的动态关系，即通过对时间序列数据的处理和分析，来研究时间上的依赖关系和变动规律。

时间序列分析方法需要考虑到数据的平稳性和相关性，通过建立时间序列模型，如ARIMA模型、VAR模型等，来对数据进行长期和短期预测。

三、模型建立计量经济学方法和时间序列分析方法在模型建立上亦有不同。

计量经济学方法在建立模型时，常常基于经济理论并引入各种经济因素和变量，通过建立多元回归模型、面板数据模型等来进行实证分析。

计量经济学方法的模型建立强调经济变量之间的关系和影响力。

时间序列分析方法在模型建立上则更加关注数据序列本身的特征和性质。

时间序列分解——趋势分解一、研究目的在季节调整案例中，介绍了如何对经济时间序列进行分解，但在季节调整方法中，趋势和循环要素视为一体不能分开。

本案例专门讨论如何将趋势和循环要素进行分解的方法。

测定长期趋势有多种方法，比较常用的方法有回归分析法、移动平均法、阶段平均法、HP （Hodrick-Prescott ）滤波算法和频谱滤波算法（frequency(bandpass)filter,BP 滤波）。

本案例主要介绍HP 滤波算法和BP 频谱滤波算法。

二、滤波算法的原理 1、HP 滤波算法设t Y 是包含趋势成分和波动成分的经济时间序列，T t Y 是趋势成分，c t Y 是波动成分。

则：,1,2,,T c t t t Y Y Y t T =+=HP 滤波算法就是从t Y 中将T t Y 分解出来。

一般的，时间序列t Y 中的可观测部分趋势Tt Y 常被定义为下面最小化问题的解：{}221min ()()TT T t t t t Y Y c L Y λ=⎡⎤-+⎣⎦∑ （1）其中，()c L 是延迟算子多项式：1()(1)(1)c L L L -=--- （2）将（2）式代入（1）式，则HP 滤波算法就是使得下面的损失函数最小，即：()()221111min ()T T T T T T Tt t t t t t t t Y Y Y Y Y Y λ+-==⎧⎫⎡⎤-+---⎨⎬⎣⎦⎩⎭∑∑ 最小化问题用2()Tt c L Y ⎡⎤⎣⎦来调整趋势的变化，并随着λ的增大而增大。

HP 滤波依赖于参数λ，该参数需要给定。

这里存在一个权衡问题，要在趋势要素对实际序列的跟踪程度和趋势光滑程度之间做一个选择。

当0λ=时，满足最小化问题的趋势序列与原序列相同；随着λ值的增加，估计的趋势越光滑；当λ趋于无穷大时，估计的趋势接近一条直线。

一般经验，λ的取值如下：100,1600,14400,λ⎧⎪=⎨⎪⎩年度数据季度数据月度数据2、BP 频谱滤波算法由于该方法的数学方法（傅立叶变换）较为复杂，这里我们只介绍其基本思想：该方法把时间序列看成是不同谐波的叠加，研究时间序列在频率域里的结构特征，由于这种分析主要是用功率谱的概念进行讨论，所以通常也称为谱分析。

经济计量学时间序列分析方法时间序列分析是经济计量学中的一种重要方法，用于研究经济数据随时间变化的规律性和趋势。

通过对时间序列的建模和预测，可以对未来的经济走势进行预测和决策支持。

本文将介绍经济计量学时间序列分析的基本概念、方法和应用。

一、时间序列的基本概念时间序列是按时间顺序排列的一系列数据观测值，表示同一现象随时间变化的过程。

时间序列往往具有趋势性、季节性和周期性等特征，因此需要进行分析和建模。

常见的经济时间序列包括GDP增长率、通货膨胀率、股市指数等。

二、时间序列的基本特征时间序列的基本特征包括趋势性、季节性、周期性和随机性。

趋势性是指时间序列长期走势的变化方向，可以是上升趋势、下降趋势或平稳趋势。

季节性是指时间序列在同一年内按季度呈现出的周期性变化，如销售额在圣诞节前后的增加。

周期性是指时间序列在长期内呈现出的波动周期，往往伴随着经济周期的波动。

随机性是指时间序列中无法用趋势、季节性和周期性解释的残差部分。

三、时间序列的建模与预测时间序列的建模是指通过数学模型来描述和解释时间序列的规律性。

常用的时间序列模型包括自回归移动平均模型（ARMA）、自回归综合移动平均模型（ARIMA）和季节性模型（SARIMA）等。

这些模型可以用来识别时间序列的趋势、季节性和周期性，从而进行预测和决策支持。

四、时间序列的分析方法时间序列的分析方法主要包括趋势分析、季节性分析和周期性分析。

趋势分析是通过拟合线性或非线性模型来识别和描述时间序列的长期趋势变化。

季节性分析是通过季节性模型来描述时间序列在同一年内的季节性变化。

周期性分析是通过周期成分模型来描述时间序列的周期性波动。

五、时间序列的应用时间序列分析在经济学和金融领域具有广泛的应用价值。

它可以用于经济增长预测、通货膨胀预测、金融市场预测等。

此外，时间序列分析还可以用于货币政策评估、投资决策和风险管理等方面。

六、总结经济计量学时间序列分析方法是一种重要的经济数据分析方法，可以帮助我们理解和预测经济走势。

时间序列分解——季节调整一、研究目的经济指标的月度或季度时间序列包含4种变动要素：长期趋势要素T 、循环要素C 、季节变动要素S 和不规则要素I 。

长期趋势要素代表经济时间序列长期的趋势特征。

循环要素是以数年为周期的一种周期性变动，它可能是一种景气变动、也可能是经济变动或其他周期变动。

季节变动要素是每年重复出现的循环变动，以12个月或4个季度为周期的周期性影响，是由温度、降雨、每年中的假期和政策等因素引起的。

季节要素和循环要素的区别在于季节变动时固定间距（如季或月）中的自我循环，而循环要素是从一个周期变动到另一个周期，间距比较长且不固定的一种周期性波动。

不规则要素又称随机因子、残余变动或噪声，其变动无规则可循，这类因素是由偶然发生的事件引起的，如罢工、意外事故、地震、水灾、恶劣气候、战争、法令更改和预测误差等。

在经济分析中，季节变动要素和不规则要素往往掩盖了经济发展中的客观变化，给研究和分析经济发展趋势和判断目前经济所处的状态带来困难。

因此，需要在经济分析之前将经济时间序列进行季节调整，剔除其中的季节变动要素和不规则要素。

而利用趋势分解方法可以把趋势和循环要素分离开来，从而研究经济的长期趋势变动和景气循环变动。

二、季节调整的原理时间序列的季度、月度观测值常常显示出月度或季度的循环变动。

例如，冰激凌的销售量在每一年的夏季最高。

季节性变动掩盖了经济发展的客观规律，因此，在利用月度或季度时间序列进行计量分析之前，需要进行季节调整。

季节调整就是从时间序列中去除季节变动要素S ，从而显示出序列潜在的趋势循环分量（TC ，季节调整无法将趋势要素和循环要素进行分离）。

只有季度、月度数据才能做季节调整。

目前比较常用的季节调整方法有4种：CensusX12方法、X11方法、移动平均方法和Tramo/Seats 方法。

1、X11季节调整方法该方法是1965年美国商务部人口调查局研究开发的季节调整程序。

它是基于移动平均法的季节调整方法，通过几次迭代来进行分解，每一次都对组成因子的估算进一步精化。