python 计量做hp滤波_[方法]季节调整与hp滤波方法

进行时间序列的数据分析时，季节因素调整与hp滤波是进行数据处理与准备工作的常见必要环节。本文简要梳理季节调整与hp滤波的应用场景，以及在Python中的实现方法。

1. 季节调整方法

季节调整的目的是剔除季节因素的影响，使得数据平滑。进行季节调整的目的其一是使得不同季节的数据具有可比性，其二是使得一般的时间序列模型能够适用于数据，例如我们观察到近期燃油价格上涨，想通过ARMA模型验证其趋势性，但燃油上涨的时间窗口在冬季，所以要通过季节调整方法剔除掉季节作用，余下的价格上涨才有验证的意义。

常用的季节调整方法包括：(1)求同比；(2)census X12/X13季节调整；(3)平滑分离方法。

1.1 求同比

Python中求同比非常简单，例如对于月度时间序列数据M2：

dM2 = M2.pct_change(12)

即可求出同比。

如果是季度数据，将函数参数换为4即可。而对于中国的某些数据，例如社会零售、固定资产投资等，其1月或2月的数据是没有的，按照周期长度相应调整参数即可。

求同比方法最为广泛使用，但不适用于带有零值或负值的数据。

1.2 census X12/X13季节调整

这里的“census”是指美国统计局(United States Census Bureau)，所以美国的各种统计数据都是通过这套方法进行季节调整的。这套方法在学术界得到了广泛的使用。

方法的具体计算步骤，可参考官方网站(X-13ARIMA-SEATS Seasonal Adjustment Program)，这里只简单给出一个使用案例：

from fredapi im