季节调整中的春节模型

如何估计并消除春节等移动假日的影响是我国季节调整工作中的一个重点和难点。本文首先借鉴X-12-ARIMA季节调整程序中的复活节模型建立了基本的春节模型,继而考虑到存量数据与流量数据在性质上的差异,提出了存量数据的春节模型。在此基础上进一步扩展,构造了三区段变权重春节模型。对社会消费品零售总额和货币供应量的实证检验表明,这一组春节模型能够很好地消除季节调整中的春节效应。     

实际经济时间序列的计算、季节调整及相关经济含义

本文首先讨论了计算中国实际经济时间序列的不同做法 ,并分析了其对季节调整的影响 ,指出通过同比增长率计算实际变量并进行季节调整是一个可以接受的做法 ,可以得到非常接近真实的季调后序列 ,并且在中国现有数据资源的限制下拥有一些特别的优势。然后本文具体讨论了对几个不同经济变量进行季节调整的方法 ,并给出了一些在经济数据分析与预测中的简单应用。方法的关键是采用regARIMA模型 ,从而可以对工作日变化、放长假、春节因素等作出一个估计和调整。作为一个副产品 ,本文引荐了一个相对较新的季节调整程序 (方法 ) ,TRAMO SEATS ,简单介绍了它的原理和优势 ,希望今后能得到更广泛的应用。     

中国制造业资本存量永续盘存法估计

KLEMS项目的目的是在北美，欧洲和亚洲进行生产率的多国比较。本文讨论了KLEMS研究中估计资本存量的基本方法－永续盘存法及其经济含义。在这个研究中，根据中国的现有数据，应用永续盘存法估计了1985－1995年间，中国制造业分部门的资本存量。本文详细地分析了估计中所使用的数据，并讨论了所使用的假设与必要的数据调整，以及这些假设与数据调整所可能带来的估计中的误差。     

中国制造业资本存量永续盘存法估计

KLEMS 项目的目的是在北美,欧洲和亚洲进行生产率的多国比较。本文讨论了 KLEMS 研究中估计资本存量的基本方法一永续盘存法及其经济含义。在这个研究中,根据中国的现有数据,应用永续盘存法估计了1985—1995年间,中国制造业分部门的资本存量。本文详细地分析了估计中所使用的数据,并讨论了所使用的假设与必要的数据调整,以及这些假设与数据调整所可能带来的估计中的误差。     

居民消费价格指数季节调整实证研究

文章首先对居民消费价格指数季节调整的原因、季节调整方法的发展过程和应用进行了说明,着重介绍了国际上最新流行的X-12-ARIMA和TRAMO/SEATS季节调整方法,然后用X-12-ARIMA方法对上海市居民消费价格指数序列进行季节调整、分析和预测,并结合使用TRAMO/SEATS方法解决中国与国外明显不同的春节假日因素的调整问题,最后提出我国季节调整面临的问题.     

我国外贸出口与实际产出关系的季节单整与协整分析

本文根据Lamfalussy模型运用季节误差修正模型和季节单整与协整方法,利用1984年1季度至2004年4季度未经季节调整数据研究了我国的实际产出和出口之间的关系.实证分析表明:尽管出口对实际产出有显著的促进作用,但强度却不大,出口依存度每提高1%,实际产出增长率仅提高0.078%,其原因是我国季度实际产出和出口之间不存在(零频率上)长期协整关系,只存在π频率上短期季节协整关系.本文结果有助于消除人们对于人民币升值造成出口减少影响经济增长的顾虑.     

湖北省人力资本与经济增长的实证分析

利用湖北省1992—2007年的相关数据,论证出湖北省国内生产总值Yt、物质资本存量Kt、人力资本存量Ht和人力资本水平ht的时间序列数据符合卢卡斯的人力资本外部性内生经济增长模型,但人力资本存量和人力资本水平的产出弹性相对于物质资本来说弹性较低。湖北省经济增长的主要推动力来自物质资本投资,人力资本存量在经济增长中的作用仍然有限。     

企业并购是产业结构调整的经济机制

产业结构的调整,包括增量调整和存量调整两种形式。增量调整是指通过新增投资的部门分配比例的变化,来改变产业结构格局。存量调整是指存量生产要素在生产上的改变。对于我国这样一个处于工业化过程中的国家来说,产业结构正处于调整转换阶段,最具有意义的是存量的调整而非分散化的增量调整。     

中国省际物质资本存量估算:1952-2000

通过回顾和比较已有研究中国资本存量的相关文献 ,考虑到中国国内生产总值历史数据的几次重大补充和调整 ,本文对各年投资流量、投资品价格指数、折旧率 重置率、基年资本存量的选择与构造以及缺失数据进行了认真的处理和研究 ,并在此基础上利用补充和调整后的分省数据 ,根据永续盘存法估计了中国大陆 3 0个省区市 1 952— 2 0 0 0年各年末的物质资本存量。     

我国社会消费品零售总额时间序列模型及预测

本文运用时间序列分析方法中的季节时间序列模型（SARIMA）,对我国社会消费品零售总额进行时间序列模型分析。分析结果显示,SARIMA模型较好地消除了时间序列的季节因素影响和趋势的变动,且通过模型对社会消费品零售总额做了预测,该模型可以提供较为准确的短期预测效果。