央视网|中国网络电视台|网站地图
客服设为首页
登录

中国网络电视台 > 经济台 > 股票 >

美国金融市场日评:季调是否对近期数据造成干扰?

发布时间:2011年05月12日 09:31 | 进入复兴论坛 | 来源:高盛高华证券

评分
意见反馈 意见反馈 顶 踩 收藏 收藏
channelId 1 1 1

  许多经济领域的时间序列呈现季节性走势,这虽然不难预见,但从预测或政策的角度而言这种季节性模式本身意义不大。

  通过季调来排除这种走势的影响有助于我们解读经济数据。主要的季调方法以移动平均滤子为基础。

  季调虽然是一个非常有用的工具,但它也不无缺陷。举例来看,由于标准方法为近期观测值赋予了很高权重,因此可能受到大衰退等极端事件的影响。

  标普/凯斯-席勒房价指数委员会去年表示,其季调后的住房价格指数可能受到了季调偏差的影响。此外,我们认为ISM非制造业指数可能也存在季调问题的干扰。对原始数据采用衰退前的季调因数后,近期数据波动性有所降低。

  美国供应管理协会(ISM)4月份非制造业指数较2月份数据下降了6.9个点,创该指数有史以来最高双月降幅(2008-2009年衰退期间除外)。尽管其它指标亦走软,我们认为该指数下滑夸大了当前活动的疲软态势,而且这可能归结于季调因素的干扰。

  许多经济领域的时间性序列呈现季节性走势:举例来看,圣诞节期间的零售销售额上升;春季建筑领域就业率加速上升;4月中旬集中纳税等。这些季节性变动与经济活动的年均水平相比往往十分庞大。举例来看,2010年新屋开工数上升6%,但约有60%来自1-4月份。季节性走势能够被合理的预测出来,同时其本身对经济预测或政策观点的价值有限。因此,剔除季节性因素影响能够让我们更清晰地分析环比变动和商业周期趋势(更多详细论述请参见2008年高盛美国经济研究团队发表的UnderstandingUSEconomicStatistics)。

  在美国和其它几个国家,经济领域的时间性序列通过“CensusX-12”方法(此为最新版本,该方法由美国普查局于上世纪60年代首创)进行季节性调整。CensusX-12方法将观测到的时间序列分解为季节、趋势/周期和无规则构成要素三项成分:原始序列=季节x趋势/周期x无规则要素

  季调序列由原始序列除以季节性因素得出(或同样方法是趋势/周期因素乘以无规则要素)。大多数统计机构并不公布趋势/周期和无规则要素,尽管从分析的角度看,这些因素可能很有帮助作用(参见下文的凯斯-席勒房价指数分解)。CensusX-12方法为一项迭代过程,主要包括以下两步:

  1.预测趋势:采用各观测时段的中心移动平均值计算原始序列的非季节性趋势。

  2.预测季调因数:用原始序列除以趋势。就其构成而言,这一剔除趋势的序列将包括季节变量和无规则变量/“噪音”。计算相邻年份各月不含趋势序列的平均数得出季调因数。默认的方法是,CensusX-12采用“滚动”7年期间(即当前年份,之前三年和此后三年。例如,1990年1月的季调因数是1990年1月、1987-89年和1991-93年1月值的平均值)的数据计算季节因素。这一方法更加侧重7年期间中间年份的观测值。

  3.计算季调序列:用原始序列除以季调因数得出季调后预测。

  重复这些步骤,以获得更精确的预测值(这一过程包含许多其它技术细节,我们在此不做赘述)。

  虽然季节性调整是一个很有价值的研究工具,但它也存在几项缺陷。第一,在时间序列末端难以预测准确趋势,因此季调因数也容易受到影响。就近期大多数数据而言,CensusX-12采用加权移动平均值过滤这些数据,并为最近的观测值赋予了很大权重(在一定情况下达到了25-30%)。这使得季调后数列对最新数据高度敏感,并可能招致大幅修正(有时这会被称为“摆尾效应”)。最新的季调方法包括运用计量经济学模型来延伸时间序列,如此一来序列末端的调整方法就与其它时间段更为贴合。调查显示上述新式调整过程减轻了季调因数的修正,但无法完全避免该问题。

  第二,极端事件、特别是发生在时间序列末端的极端事件可能会严重影响季调因数。举例来说,如果连续几年冬季冰雪灾害都特别严重,那么标准季调流程可能会预先计入未来冬季的经济活动疲软,即便天气状况回归正常。CensusX-12会自动根据一些有违常态的现象做出调整,同时统计机构也会针对其它事件进行人工调整,例如在季调就业数据之前将罢工因素剔除等。不过,基于移动平均值的标准季调方法意味着若对特殊事件考虑不足,那么最终预测可能会受到影响。

  第三,对日历因素的调整存在技术难度。虽然从技术上来看季调流程能够剔除复活节影响,但通常无法体现校历时间的改变。

  此外,在假期和周末之间还可能存在相互影响,例如:倘若7月4日适逢周一,那么零售额是否应能得到提振?第四,由于标准季调技术并未考虑季节性因素的成因,它们不太适于应对结构性问题。如果一个时间序列的季节性模式发生改变,那么它只能随时间慢慢在季调因数中得到体现和消化。

  我们认为这些偏差可能使得近期指标有所失真。举例来说,住房市场的变化似乎已影响了编制凯斯-席勒房价指数所用到的季调因数。具体而言,该因素放大了很多,而且价格中的无规则变动加剧(参加下图)。可能的原因包括成交量缩水、首次购房抵税等政策激励措施,以及冬季几个月时间中的低价售房占比加大等。

  2010年4月,凯斯-席勒房价指数编制委员会承认季调后数据可能存在偏差,并表示:“目前来看,未经调整的数列更为可靠,因此应该关注不受季节性因素影响的同比数据。此外,在考虑月度变动情况时应使用未调整数据。”季调引起的偏差或许是凯斯-席勒指数近期走势有别于其它房价指数的原因之一。

  近来ISM非制造业指数的波动可能也缘于季调偏差。今年所使用的季调因数显示一、二季度之间的经济活动出现了更明显的提速。这或许反映出了衰退与复苏的影响:衰退期的疲软集中体现在冬季(例如2008年年底至2009年年初时那样),而复苏的最强音大多奏响于春季。CensusX-12可能自然而然地在一定程度上将这种变化解释为季节性因素。今年4月份的季调因数也更高,这或许表明复活节期间的数据调整有些过度。

  如果我们像最初报告那样对未季调的ISM非制造业数据使用2007年季调因数,那么2月份该指数应该为58.3(而非59.7),并在4月份降至55.2(而非52.8);同时该指数过去五个月的平均值基本相同。我们认为由此体现的经济活动形势要比更显极端的季调后数据所对应的状况更能令人信服。