4. 诊断（ Diagnostics）
在模型诊断方面，X-13A-S 主要改进如下： 第一，对季节调整模型和结果诊断检验的计算方法进行了改进。以往的程序都是在时间序列数据趋于无穷大的假定下，利用无限长度的 Wiener-Kolmogorov滤子进行季节调整和诊断检验。而 X-13A-S 则根据Bell、Hillmer[11]和 McElroy[12]研究成果---信号提取矩阵理论，通过产生一个有限样本的基于模型的ARIMA 信号提取滤子及估计量的误差协方差进行诊断检验，解除了样本数据无限大的约束，提高了检验的精度与效率[13].第二，对平移区间检验和修正历史检验[9]方法进行了改进，方便用户比较分析 X-11 和 SEATS 两种季节调整方法的优劣，以选择更合适的季节调整模型。第三，改进了移动假日效应的检验方法，在对自定义移动假日回归效应进行显着性检验时，以往程序都是采用卡方统计量对所有移动假日效应做联合检验，而 X-13A-S 不仅给出了联合移动假日效应的显着性检验结果，也对单个移动假日效应进行了显着性检验。第四，在以往检验方法的基础上增加了基于模型的 F 统计量检验标准，用于检验原始序列的季节性是否稳定[14].
（ 二） iMetrica
国际上季节调整程序的另一重大发展成果是iMetrica,该程序以独特的 GUI 为导向，通过运用许多不同类型的时间序列模型对数据进行仿真模拟[15].其主要特色在于可以很容易地实现基于模型和非模型方法的结合，从而用于预测、信号提取、比较嵌套模型与非嵌套模型等。另外，该程序还可以通过一个内置的数据划分器将样本数据有效地划分为样本内数据存储（ 用于实现模型与滤子的计算） 和样本外数据存储（ 把新加入的数据应用到样本内数据存储中，从而进行稳定性及其他各种性质的检验） ,使得用户可以自由灵活地创造一个快速有效的试验台，实现信号提取和预测。最后，该程序还提供了丰富的计量分析工具，只需要通过点击命令就可以实现快速有效的计算，同时提供丰富的图形，不需要额外地设置一个数据输出文件和图形输出设备。iMetrica 软件环境主要包括 5 个交互模块用于建模、预测和信号提取等。
1. uSimX13 模块
主要用于对单变量数据建立 SARIMA（ SeasonalAuto-regressive Integrated Moving-average） 模型，并用X-13-ARIMA-SEATS 程序进行模拟，同时提供了自动检测离群值、交易日、假日效应的程序，并包括一套完整的模型对比工具和信号提取诊断方法。
2. BayesCronos 模块
通过 Bayesian 算法和模拟仿真，对多变量经济、金融时间序列进行信号提取和预测。主要特征在于包含了各种类型的模型，在参数估计方面，大多数模型都 采 用 贝 叶 斯 估 计 和 伪 极 大 似 然 （ Quasi-Maximum-Likelihood,QML ） 估计以提高参数估计精度。
3. MDFA 模块
通过建立 I-MDFA 和 ZPC 过滤模型对多元经济时间序列进行全面、直接的滤子分析。主要特征在于提供了一个集时效性、平滑性、精确控制性三大特点于一体的用户定制化的过滤器以防止模型过度拟合。同时，还包含了一个建立自适应过滤器的界面，旨在使过滤效果达到最优化、用户定制化、数据预测精准化等。
4. State Space Modeling 模块
用于对单变量经济时间序列样本数据建立成分ARIMA 模型及回归模型。其功能类似于 uSimX13模块，旨在建模与预测，但提供了比 uSimX13 功能更丰富的 SARIMA 模型，采用极大似然估计和卡尔曼滤波（ Kalman Filter） 进行估计与预测。
5. EMD 模块
该模块利用 Huang 等（ 1998） 提出的三次样条曲线技术为时间序列的时频分析提供了一个时频分解环境，同时提供了原始的和经验分解的成分。这种经验分解技术将非线性和非稳定的时间序列分解为调幅和调频（ AM-FM） 成分，然后从调频成分中计算瞬时频率成分，同时生成所有成分（ 包括时频成分） 的热图。
除了以上几个模块以外，iMetrica 还提供了一个数据控制模块，用于处理所有时间序列数据的输入与输出，该模块也提供了一系列模型专门用于模拟单变量和多变量的时间序列模型。iMetrica 的另一个特征是具有“学习”功能，通过数据模拟器学习掌握更多的时间序列建模功能。
通过比较分析 X-13A-S 与 iMetrica 程序，可以看出，两套程序均能充分实现季节调整功能，各有各的优势，且相互补充。在今后季节调整的理论与应用研究方面，也可以将二者结合起来分析，吸取各自的优点，综合判断。
（ 三） 未来展望
在最新版本的基础上，X-13A-S 还将在以下几个方面继续完善：①提供更多的灵活设置单参数交易日变量（ One Parameter Trading Day Regressor） 的选项。②增加 regCMPNT 建模功能，并在 regCMPNT 模块中植入信号提取命令，直接从该程序中获得季节调整序列[16].③XML 结果输出方式，X-13A-S 工作小组目前已致力于研究如何实施 XML 以保存经季节调整时间序列、产生于季节调整过程的各种成分以及各种模型的诊断结果。④转化文件格式，使用更易于理解与应用的HTML 格式，使得用户能够用一般商业软件阅读有关 X-13A-S 的各种文件。⑤提供更标准的表格输出结果，并赋予每个表格相应的标签，方便用户使用。总的来说，未来 X-13A-S 的发展将越来越多地体现在应用与推广上，进一步完善其各种功能，使更多的人以更便捷的方式应用该程序。
四、对我国季节调整发展现状的思考和建议
（ 一） 我国季节调整发展现状
目前我国常采用同比数据来反映指标的增长变化趋势，在某种程度上同比数据可以克服季节性影响，但是也存在以下缺陷： 数据容易受基准期的影响，若基准期存在较大的不规则变动，则导致数据波动较大，比较分析容易产生错误； 未能测定和完全消除日历效应的影响，如交易日、移动假日等，仅考虑了自然季节影响； 根据“季度国民账户手册”,采用同比数据分析经济指标变化的转折点平均滞后 6 个月。基于以上认识，我国自 2001 年 1 月加入 GDDS之后，着手展开对季节调整的研究。
相比发达国家，我国的季节调整研究起步晚，相关研究都是在借鉴国外研究成果的基础上展开的，涉及的理论研究与方法创新较少。目前，我国季节调整方面的实践主要是在国际最新成果基础上针对中国国情研发的中国人民银行版即 PBC 版 X-12-ARIMA 软件①和国家统计局版即 NBS-SA 软件②。
PBC 版 X-12-ARIMA 软件专门固化了春节效应的季节调整功能，汉化了操作界面和选项命令，增加了有关数据导入和格式输出的功能，同时，还提供了显示多种图形的功能，使调整结果直观明了； 但存在的不足是只设置了春节调整功能模块，忽略了其他节假日效应的影响，同时，处理的数据绝大多数都为金融时间序列。NBS-SA 是在 X-13A-S 基础上改进的，功能相对较为完善，不仅增加了各种日历效应的季节调整，如中秋、端午、黄金周、调休等，同时增加了作图、汉化视窗功能、及一个汉化的“季节调整原始登记表”和 EXCEL 格式的“序列与增长率分析表”,方便存档与保留季节调整过程及结果。在 NBS-SA 研制成功之后，国家统计局于 2011 年 4 月 15 日首次正式对外公布了国内生产总值、社会消费品零售总额、固定资产投资（ 不含农户） 和规模以上工业增加值 4 大环比数据（ 该数据在进行环比计算之前，均采用 NBS-SA 程序进行了季节调整） ,结束了我国不公布环比数据的历史，这是我国统计调查制度改革与季节调整应用的重大突破。但这两款软件均未实现对外开放，国家统计局公布的季节调整数据也不够详尽①，这无疑不利于季节调整在我国的推广。在季节调整理论与应用研究方面，只有少量、零散的研究，专门的研究期刊与专着文献也较少，仅有中国人民银行调查统计司编写的《时间序列 X-12-ARIMA 季节调整---原理与方法》等少数文献可查。
（ 二） 对我国开展季节调整的思考与建议
1. 普及季节调整方面的统计知识
以往人们过于关注原始数据，认为只有纯粹的原始数据才是最真实、最能反映现象本质的。殊不知，原始数据中掺杂了过多的影响因素，若不剥离这些成分，势必会掩盖经济发展的真实趋势和客观规律，导致判断与决策上的失误。同时，对于学术研究者来说，若不能很好地从数据来源方面认识数据的本质，势必会影响研究的效果。因而，有必要普及季节调整方面的统计知识，从本质上认识数据、应用数据。笔者认为，国家相关部门应该积极投入和组织季节调整理论与方法的研究，引进季节调整方面的经典书籍和相关资料，在各统计网站和金融网站设置季节调整专栏，介绍季节调整的相关理论知识和实践应用，尽可能地发布季节调整的相关程序并及时更新，公布原始数据和经过季节调整的数据，推广季节调整的应用。
2. 加强季节调整理论方法的研究
虽然国际上季节调整理论与实践的发展已经比较完善，但是还存在一些不能回避的问题，如： 鉴于各种季节调整方法基于不同的理论，如何对各种季节调整方法进行比较研究； 如何使得各个国家都能结合本国国情，对主流的季节调整方法进行本土化改造、并开发出适合本国实际的季节调整程序； 能否设计出一套适用于各个国家的季节调整软件，以便于国际比较； 加强季节调整有关干预分析方法的研究。因此，季节调整理论方法的研究还需要加强。
首先，要结合我国国情研究。引进国外先进的季节调整方法固然会对我国的季节调整研究工作起到事半功倍的效果，但前提必须要结合我国国情进行改进与完善，借鉴但不能照搬。国际上常用的季节调整程序主要是针对西方国家，很多方面不适合中国国情。如我国的日历效应远比国外复杂，不仅包括移动假日（ 春节、中秋节、清明节、端午节等传统节日） ,还包括黄金周效应、5 天工作制效应，以及新兴起的“双 11”等，这些都对我国的生产和消费产生了巨大冲击。在我国开展季节调整必须考虑到这些因素。其次，要加强离群值的识别与检测研究。离群值一般是突发事件或异常信息造成的，能否正确识别离群值将直接影响到季节调整的质量，这些突发事件蕴含的信息往往意味着新变化，其研究具有重大意义。再次，加强季节调整的预测误差研究。预测是季节调整最重要的方面，然而，即使是最新版本的 X-13A-S 也只给出了样本内预测误差，未给出样本外预测误差，能否将二者结合起来进行综合分析，以达到更好的预测效果需要研究。最后，在季节调整的应用程序方面，应结合我国国情加以改进，尽可能设计出能直接输出便于人们理解与应用的格式版本程序。
3. 开展季节调整的系统性、专业性研究
与国外相比，我国季节调整的理论和应用研究缺乏系统性、组织性和专业性，零散的研究课题与论文并不能很好地促进我国季节调整的开展。可以考虑部门之间的合作研究，比如国家统计局和中国人民银行合作，效仿国外，组织专门的季节调整研究团队，负责我国的季节调整理论和应用的系统研究工作，制定季节调整工作计划； 还可以与高校、科研机构进行合作，系统地开展季节调整方面的专题研究，充分发挥科研工作者的专业优势。
4. 加强对季节基础数据的搜集，提高月度和季度数据的质量，积极抢救历史数据
在基础数据搜集方面，由于统计方式、口径、时间、数据汇总与修正等各种问题，数据质量问题是我国统计工作的薄弱环节； 另一方面，我国一直以来重视年度考核（ 尤其是国内生产总值等重要经济指标） ,轻视月度和季度数据的核算，大部分基础数据都是通过累计方式搜集，导致我国的季节调整基础资料（ 以月度数据和季度数据为主） 极度缺乏； 此外，为了适应经济管理体制转变的需要，我国的统计组织机构、统计制度和统计方法手段也在不断变革中，不仅不同时期的月度、季度指标数据的口径、范围需要修正，以不同介质存储的月度、季度数据也需要转换、修复和抢救。因此，应加强对季节基础数据的搜集，规范数据搜集方式，提高月度和季度数据的质量，重视抢救历史数据，增加我国季节时间序列数据的长度，提高季节调整的基础水平。
参考文献
[1]中国人民银行调查统计司。 时间序列 X-12-ARIMA 季节调整---原理与方法[M]. 北京： 中国金融出版社，2006.
[2]Budapest （ 2007） ,“Seasonal Adjustment Methods Practices,”European Commission Grant 10300. 2005. 021 - 2005. 709.
[3]Findley,D. F,Monsell,B. C,Bell,W. R. ,Otto,M. C. ,B-Chen.New Capabilities and Methods of the X-12 ARIMA SeasonalAdjustment Program[J]. U. S Bureau of the Census,1998.
[4]Fischer,B. Decomposition of Time Series Comparing DifferentMethods in Theory and Practice[A]. Eurostat Working Paper.
[5]张鸣芳。 国际上季节调整最新发展及对我国的思考[J]. 统计研究，2006（ 10） : 14 -18.
