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。

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