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。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
    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。
    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。
    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。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，季节调整的模型每改进一次都以X加上序号表示；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。
    目前，已开发出X-11-ARIMA、X-12-ARIMA和TRAMO/SEATS这3种比较成熟的模型用于季节调整，在国际上被普遍采用。
    X-11-ARIMA模型。1978年，加拿大统计局推出了改进的X-11-ARIMA（自回归合并移动平均）模型。该方法引进随机建模的方法，通过自回归和移动平均方法对时间序列进行季节调整。这个方法不仅包含了X-11的所有优点，而且还具有通过ARIMA模型在季节调整前向前或向后扩展时间序列的能力。
    X-12-ARIMA模型。美国劳工统计局在90年代推出了X-12-ARIMA模型，它基本上囊括了X-11-ARIMA的最新版本（X-11-ARIMA88版）的所有特性，同时改进了它在建模和诊断能力方面的缺陷，增加了几种模型和季节调整诊断方法。
    TRAMO/SEATS模型。20世纪末，由西班牙中央银行研制并推出TRAMO/SEATS(ARIMA时间序列的信号提取/具有缺省值的时间序列回归)模型，该模型被广泛用于欧盟成员国季度和月度数据的季节调整。上述3种方法的思路基本相同，即均采用ARIMA来预测最近季度的趋势，但是在具体细节的技术处理及考虑的调整因素上存在着某些差异，因此调整的结果会有所不同。
    季节调整的利弊
    季节调整的优点。与原始数据相比，消除季节因素影响后的数据具有下述5个优点：一是更加准确地反映数据本身的基本趋势。利用科学的方法将季节因素从实际的时间序列数据中测定、分离、抵消和调整后，能使该序列更准确地反映指标的基本发展趋势。二是数据具有可比性。由于季节调整后的数据消除了季节因素的影响,使得不同季度或月度之间的数据可以直接比较。三是可以及时反映经济的短期变化，特别是可以反映经济变化的转折点，这对经济分析非常有价值，同时也是季节调整最大的优点。四是可以对季节调整后的数据进行年率化折算。五是经季节调整后的数据可用于短期预测。
    季节调整的不足。季节调整后的数据也有其不易理解的方面：第一，调整后的时间序列是分析出来的数据，而不是直接观察出来的结果。未调整的时间序列相互之间是独立的，经调整后，改变了序列的季节性特征，使其成为相互之间关联的、变化趋小的序列。第二，同一个数据，经过不同次数的季节调整（因为每一次新的数据出来以后都要作为新的时间序列的一部分而重新进行季节调整），难以理解并被接受。
    季节调整方法的应用
    基本流程。一般来讲，对包括季度GDP数据进行季节调整的基本步骤可细化为：绘制原始数据图或计算序列自相关、预检验与预调整、均值修正、异常值的估计、季节调整与预测以及诊断和检验。以韩国中央银行的X－12－ARIMA为例具体描述流程（见下图）。
    在各国的应用情况。国际上没有统一规定要采用哪一种方法进行季度GDP季节调整，各国根据各自的实际情况来选择。美国、日本、德国、加拿大、荷兰、挪威、瑞士和韩国采用X-12－ARIMA方法；澳大利亚、丹麦、芬兰、法国、新西兰和葡萄牙采用 X-11－ARIMA方法；奥地利、比利时、意大利、西班牙采用TRAMO/SEATS。不过，尽管美国使用X-12-ARIMA方法，但美国普查局已经在新版本的X-12-ARIMA中吸收了TRAMO/SEATS的内容。此外，欧盟统计局还支持开发了用于季节调整的特制软件——DEMETRA，这个软件合并了X－12-ARIMA和TRAMO/SEATS两种季节调整方法，并为用户提供了两种方法的方便、友好界面。新加坡、泰国、中国香港、印度尼西亚和菲律宾等亚洲的一些国家和地区也采用X－11－ARIMA或X－12－ARIMA模型对本国的季度GDP数据进行季节调整。
    应注意的问题。在对季度GDP数据进行季节调整过程中以及发布调整的数据之前，需要重点注意如下7个问题：
    第一，时间序列长度的确定。进行季节调整的时间序列的最小长度，取决于季节因素的稳定性、不规则等因素的大小。增加时间序列长度通常会增加估计的准确性，但这与数据质量并不一定直接成正比。不同模型对季节调整所需时间序列的公认最小长度为5年。
    第二，直接调整和间接调整的选择。对GDP进行季节调整会涉及到选择间接法（调整的GDP总额是通过加总调整的GDP构成而获得），还是直接法（通过直接调整GDP总额而获得）的问题。对GDP构成进行季节调整后相加得到的调整序列未必与直接调整GDP总额得到的结果相同。欧盟统计局认为：“理论上，使用直接法会获得更高质量的总量序列，但要满足用户的一致性要求通常被迫使用间接法”。
    第三，数据一致性问题。根据季节调整数据得到的年度合计数不会自动等于根据原始数据得出的合计数。但是，用户会要求季节调整总额与原始总额的一致，季节调整软件会提供一致性的选项，但是这样会降低调整序列的质量。
    第四，数据和模型的修正问题，每当有新的季度或年度数据时，都要对季节调整数据进行修订。对用户而言，频繁的修正会带来麻烦。因此，需要在改善初步估计值与保持公布数据的稳定性之间找到一种平衡。
    第五，数据发布政策问题。发达国家的通行政策是同时发布每个序列的原始数据及其季节调整数据。一些国家认为季节调整数据的重要性次于未经调整数据，因此将它们作为原始数据的补充形式发布，或仅以图表形式发布这些数据。但是，IMF建议同时公布两者，最好使用同一个图反映两个序列随时间的变化趋势。
    第六，对于那些经济增长率高且经济运行中不规则成分大的国家不宜编制和发布GDP季节调整数据。以韩国为例，在韩国经济高速增长时期，韩国中央银行遇到的最大难题是难以向公众解释清楚为什么GDP折年率特别高，这是通过季节调整后季度GDP环比增速推导而来的，通过这种方法得到的GDP折年率大约是季度GDP环比增长率的四倍。
    第七，必须研发适应自己国家的X-12-ARIMA版本。X-12-ARIMA提供了5套标准模型用于自动识别ARIMA模型，而一些亚洲国家，如韩国的大部分时间序列不适应依据加拿大时间序列建立起来的这5套标准模型。为此，韩国研究开发了自己的BOK-X-12-ARIMA软件。
    2009-4-14

季节调整的基本步骤:

1、检查异常值； 2、消除异常值； 3、修订及预测