导读:本文包含了季节调整方法论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:季节,模型,区段,权重,春节,月度,误差。
季节调整方法论文文献综述
苏振宇,龙勇,汪于[1]（2019）在《基于季节调整和Holt-Winters的月度负荷预测方法》一文中研究指出针对负荷序列中异常数据会导致模型误设或参数估计发生偏差的问题,提出利用季节调整方法,先对原始负荷序列进行季节调整,获得消除离群值、节假日影响的季节调整后序列和季节成分序列;然后用改进的HoltWinters方法对季节调整后成分进行预测,用虚拟回归方法预测季节成分序列;最后对各成分预测结果重构得到最终预测结果的月度负荷预测方法。通过实例检验,提出的方法能明显提高预测精度,预测效果要优于季节性Holt-Winters、SARIMA、神经网络、支持向量机等模型。(本文来源于《中国管理科学》期刊2019年03期）
李少雄,李本光[2]（2018）在《基于SARIMA模型和X-12-ARIMA季节调整方法预测的比较》一文中研究指出文章基于贵州省1998—2015年固定资产投资季度数据,分别采用SARIMA模型和X-12-ARIMA季节调整方法对贵州省2016年固定资产投资季度数据进行预测,将预测值与实际值进行比较,依据相对误差率,结果表明,基于X-12-ARIMA季节调整方法的预测值比基于SARIMA模型的预测值更加精确合理。(本文来源于《统计与决策》期刊2018年18期）
缪巧芬,唐国强,罗耀宁[3]（2018）在《基于X-13A-S季节调整方法的铁路客运量预测分析》一文中研究指出依据季节调整思想和X-13A-S模型理论,以传统的SARIMA模型对2000年1月—2016年7月观测值进行建模,预测2016年8—12月铁路客运量,同时用X-13A-S模型对数据中可能存在的日历效应进行季节调整,并建模预测。对比SARIMA模型,X-13A-S模型拟合效果更优,更适合我国铁路客运量的预测。之后用X-13A-S技术将所有原始数据重新建模预测,预计2017年春运后,4月份会再次出现小高峰,将比春运客流高,8月份铁路客运量达到最大。随着假期的减少,10月后客运量将下降,2018年年初迅速回升,总体呈上升趋势。(本文来源于《桂林理工大学学报》期刊2018年03期）
庄剑,李凯,刘展展,程霄[4]（2018）在《基于季节调整和回归分析法的月售电量预测方法研究》一文中研究指出准确的月售电量预测,对电力公司的业绩考核、控制利润平衡以及电力营销工作等都有着极其重要的作用。通过对天津市的月度售电量历史数据进行全面分析和深入研究,探索其增长变化规律及周期性波动特征。首先提出使用Holt-Winters指数平滑法对天津市月度售电量进行季节调整,以刻画其趋势性和季节性;再根据天津的实际数据展开月售电量主要影响因素分析,重点分析考虑经济、温度、春节分布与月售电量之间的关系,并进一步对季节调整后的数据进行修正,建立改进后的预测模型。结果表明,引入多种影响因子后的改进方法充分结合了季节调整对趋势时间序列精度预测的优点,又有利于提高月售电量预测精度。(本文来源于《经济研究导刊》期刊2018年19期）
孟文强[5]（2017）在《入境旅游数据的季节调整方法研究》一文中研究指出X-13ARIMA-SEATS是美国普查局最新的季节调整程序,能够处理异常值和边界值的问题,并能够考虑不同国家经济数据的移动假日效应和交易日效应的特殊情况。该程序的最大优点在于既能考虑数据随机性特征,又能充分反映确定的经济意义。文章运用该方法所具有的预调整功能,充分考虑中国特殊的移动假日因素,探索入境游数据的预处理方法。分析我国旅游业入境游数据的季节调整因子的经济意义,研判我国旅游业入境游的发展趋势、季节性变化规律和重要的临界点。(本文来源于《统计与决策》期刊2017年11期）
何永涛,张晓峒[6]（2016）在《季节调整新方法及其原理研究》一文中研究指出本文主要从频域的角度对季节调整中"季节滤子"的设计及估计问题进行研究。通过将直接信号提取(DSEF)方法引入到季节调整的应用之中,突破了现有季节调整方法仅能处理季度或月度数据的限制,且用该方法季节调整后的序列是理论季节调整后序列的"均方误差"最小估计。本文将DSEF方法应用于中国进出口总额月度序列的季节调整中,结果显示,相比于X-11和SEATS方法,DSEF方法季节调整结果的离差较小且稳健性较好。(本文来源于《统计研究》期刊2016年11期）
怀雅男[7]（2016）在《季节调整中春节因素效应期识别及调整方法改进》一文中研究指出以月度或季度为单位的经济时间序列极易受到移动假日效应的影响,最终导致各月度或季度实际观测值之间不具有可比性,同时还会歪曲序列的重要特征。目前国际上各种季节调整方法中几乎都包含了针对移动假日因素的调整。春节,作为中国影响最广泛的一个传统节日,对人们的生产、消费习惯及国家政策都产生了深刻的影响。所以,本文主要以我国春节为例来研究移动假日效应的各个方面。本文首先对国内外的季节调整方法进行了简单的分类总结,并在此基础上给出了移动假日效应调整模型和相关模型属性,然后梳理了目前国内外主要的移动假日调整方法,并将其划归为叁大类:以原序列作因变量的X-13ARIMA-SEATS移动假日调整方法、利用分离的不规则因素I作为因变量的马来西亚S EAM程序以及非参数回归的移动假日调整方法:月平均日值法和比例因子法。在梳理移动假日调整方法和具体流程后,本文提出了一种确定春节效应期的新思路:即首先对各种可能的效应期长度进行比较和试算,然后通过本文给出的一些判断标准选择出最佳的效应期长度;其次,随机模拟生成一个服从ARIM A模型的时间序列,将待研究经济时间序列的关键特征与随机模拟序列相结合,生成实际生活中不易获取但又不失合理性的带有春节效应的日度经济时间序列数据,来检验我们之前得出的最佳效应期的可靠性。本文以1993年1月至2015年12月的社会消费品零售总额序列为例,进行春节效应的调整,包括春节效应的识别、春节效应的调整以及春节效应期的确定等。利用上述方法确定社会消费品零售总额序列的最佳效应期后,本文进一步对现有的春节模型进行了扩展,提出了五种扩展的春节模型:叁区段指数权重春节模型、叁区段二次函数权重春节模型、叁区段叁角函数权重春节模型、叁区段双权重春节模型以及叁区段多因素分段春节模型。其中,叁区段双权重春节模型是采用天数比例因子和观测值比例因子两种不同的权重模式共同设置春节因子的方法,该方法在一定程度上解决了缺乏日度数据的弊端。而叁区段多因素分段春节模型则是从春节假日的影响方式角度,将春节假日的直接影响以及由其它"假日"引起的春节假日对时间序列的间接影响一同考虑在内进行研究的一种模型。这两个春节模型是本文的研究重点也是本文的创新点。将上述五种春节模型生成的春节因子加入ARIMA模型中进行移动假日效应调整。调整结果表明,针对社会消费品零售总额序列,这五种扩展的春节模型,其调整效果都很显着且都优于叁区段线性权重春节模型。此外,叁区段双权重春节模型和叁区段多因素分段春节模型的调整结果是本文中提到的所有模型中最优的。可见本文提出的扩展的春节模型不仅具有理论价值,并且还具有实用价值,值得进一步的研究。另一方面,本文将以叁区段线性权重春节模型为基础生成春节假日回归解释变量的过程程序化,当我们输入不同的效应期长度时,程序能够自动生成春节假日解释变量,省去了大量的人工操作,使得相关研究更加高效。(本文来源于《东北财经大学》期刊2016-10-01）
陈光慧[8]（2016）在《基于平衡轮换样本调查的季节调整方法研究——以中国城镇住户调查为例》一文中研究指出许多重要的经济时间序列都是基于重复抽样调查产生的,重复抽样调查使样本在期与期之间存在样本重迭,因而使时间序列数据含有自相关的抽样误差。传统季节调整方法对时间序列进行季节调整时,常假定误差项为白噪声,不考虑其序列的相关关系,具有一定的局限性。为进行更准确的季节调整分析,本文从连续性抽样调查角度出发,研究基于平衡轮换样本调查的抽样误差对季节调整的影响,建立一般化的季节调整模型,利用卡尔曼滤波进行参数估计,并从预测误差、误差方差等角度评价模型精度。最后以中国城镇住户调查采用的12~0平衡轮换模式为例,对考虑抽样误差结构特征的季节调整模型进行实证分析,验证这套季节调整方法的有效性。基于平衡轮换抽样调查的季节调整方法,从抽样调查角度研究时间序列季节调整问题,不仅提高了季节调整精度,而且为理论研究提供了新思路,拓宽了季节调整方法研究范围。(本文来源于《第十届海峡两岸统计与概率研讨会摘要集》期刊2016-08-12）
邢竟,陈光慧[9]（2016）在《季节调整方法及其在我国的应用研究综述》一文中研究指出根据国内外理论研究和应用实践发现,季节调整方法在中国的理论发展和应用前景非常广阔。因此,将季节调整方法作为研究对象,对国外先进季节调整方法进行系统梳理和研究综述,并对比、归纳各种方法的优缺点,从抽样角度对季节调整方法在中国的改进和实践应用进行综述,总结出存在的不足和未来研究的趋势。(本文来源于《统计与决策》期刊2016年14期）
邢竟[10]（2016）在《基于平衡轮换样本调查的季节调整方法研究》一文中研究指出许多重要的经济时间序列都是基于重复抽样调查产生的,重复抽样调查使样本在期与期之间存在样本重迭,因而使时间序列数据含有自相关的抽样误差。传统季节调整方法对时间序列进行季节调整时,常假定误差项为白噪声,不考虑其序列的相关关系。基于抽样调查模式的季节调整起步较晚,且相关研究者甚少。目前,仍无相关研究者从数据来源角度,建立一套基于连续性抽样调查的一般化季节调整模型。为进行更准确的季节调整分析,本文从连续性抽样调查角度出发,研究基于平衡轮换样本调查的抽样误差对季节调整的影响,建立一般化的季节调整模型,利用卡尔曼滤波进行参数估计,并从预测误差、误差方差等角度评价模型精度。最后以中国城镇住户调查采用的12-0平衡轮换模式为例,对考虑抽样误差结构特征的季节调整模型进行实证分析,验证这套季节调整方法的有效性。基于平衡轮换抽样调查的季节调整方法,将统计学知识和计量经济学知识相结合,从抽样调查角度研究时间序列季节调整问题,不仅使季节调整研究更精细,而且拓宽了季节调整方法研究的范围,为季节调整方法在各个领域顺利应用提供理论依据。此外,建立一般化的含抽样误差的季节调整方法,不仅提高季节调整精度,为季节调整理论研究提供新思路,还为季节调整应用研究提供理论基础,具有很大的推广价值。(本文来源于《暨南大学》期刊2016-06-30）
季节调整方法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
文章基于贵州省1998—2015年固定资产投资季度数据,分别采用SARIMA模型和X-12-ARIMA季节调整方法对贵州省2016年固定资产投资季度数据进行预测,将预测值与实际值进行比较,依据相对误差率,结果表明,基于X-12-ARIMA季节调整方法的预测值比基于SARIMA模型的预测值更加精确合理。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
季节调整方法论文参考文献
[1].苏振宇,龙勇,汪于.基于季节调整和Holt-Winters的月度负荷预测方法[J].中国管理科学.2019
[2].李少雄,李本光.基于SARIMA模型和X-12-ARIMA季节调整方法预测的比较[J].统计与决策.2018
[3].缪巧芬,唐国强,罗耀宁.基于X-13A-S季节调整方法的铁路客运量预测分析[J].桂林理工大学学报.2018
[4].庄剑,李凯,刘展展,程霄.基于季节调整和回归分析法的月售电量预测方法研究[J].经济研究导刊.2018
[5].孟文强.入境旅游数据的季节调整方法研究[J].统计与决策.2017
[6].何永涛,张晓峒.季节调整新方法及其原理研究[J].统计研究.2016
[7].怀雅男.季节调整中春节因素效应期识别及调整方法改进[D].东北财经大学.2016
[8].陈光慧.基于平衡轮换样本调查的季节调整方法研究——以中国城镇住户调查为例[C].第十届海峡两岸统计与概率研讨会摘要集.2016
[9].邢竟,陈光慧.季节调整方法及其在我国的应用研究综述[J].统计与决策.2016
[10].邢竟.基于平衡轮换样本调查的季节调整方法研究[D].暨南大学.2016
论文知识图
