4.3 季节性调整：X-13ARIMA-SEATS

4.3 季节性调整：X-13ARIMA-SEATS

本节摘要：季节性调整是把季节性从数据中"剥掉"，让调整后序列能反映真实的同比变化。X-13ARIMA-SEATS 是美国人口普查局 / 欧统局联合开发的事实标准，被各国统计局广泛使用。本节给出它的核心思想、Python 接口（statsmodels）以及一份对比"调整前/调整后"销量序列的完整案例。

本节学习地图

阅读完本节，你应当能够：

1. 解释季节性调整的目的：让"今年的 8 月"和"去年的 8 月"可比。
2. 区分 X-13ARIMA-SEATS 与简单移动平均法在季节性调整上的差异。
3. 用 statsmodels 跑一次 X-13 调整，并解释输出序列。

本节把季节性"剥掉"用于下游分析。读完后你能解释各国统计局公布的"CPI 同比"是怎么来的，以及为什么业务上的同比分析要先做季节性调整。

一、为什么要"调整"：让"今年 8 月 vs 去年 8 月"可比

假设某电商今年 8 月销量 1.2 亿元，去年 8 月 1 亿元。表面看增长 20%。但 8 月本来就有"暑期消费高峰"——8 月销量比 6 月高 25% 是季节性常态。如果不剥掉季节性，你说"今年 8 月比去年 8 月增长 20%"，但其中多少是"今年真的增长"，多少是"季节性模式没变"？

季节性调整后，调整后序列剔除了季节性"指纹"，剩下的只是"今年 8 月相对去年 8 月的真实变化"——这才是同比分析真正想要的信号。各国统计局每月公布的"CPI 同比"、失业率、零售销售数据都做了季节性调整。

二、X-13ARIMA-SEATS 是什么

X-13ARIMA-SEATS 是一套由美国人口普查局和欧统局联合开发、用于季节性调整的工业级方法。它的工作流大致是：

1. 预调整：识别日历效应（交易日差异、复活节位置、移动节假日）。
2. 建模：用 RegARIMA 模型拟合"季节性 + 趋势 + 不规则项"三个成分。
3. 分解：用 X-11 或 SEATS 算法从 RegARIMA 模型中分离出各成分。
4. 诊断：检查季节性 / 不规则项的稳定性，给出可调节的诊断报告。

X-13 的优势：

• 稳健：处理多种边缘情况（闰年、交易日差异、移动节假日）。
• 可诊断：自带 M 检验、谱图、残差诊断。
• 事实标准：各国统计机构使用同一套方法，方法学透明度高。

三、用 statsmodels 跑 X-13 调整

import pandas as pd
import numpy as np
from statsmodels.tsa.x13 import x13_arima_analysis

# 构造月度销量数据：趋势 + 12 月季节性 + 噪声
rng = np.random.default_rng(5)
n_months = 60
monthly_seasonal = 20 * np.sin(2 * np.pi * np.arange(n_months) / 12)
trend = np.linspace(100, 300, n_months)
y = trend + monthly_seasonal + rng.normal(0, 5, n_months)
y = pd.Series(y, index=pd.date_range("2019-01-01", periods=n_months, freq="MS"))

# 跑 X-13 调整（需要系统安装 X-13ARIMA-SEATS 程序）
result = x13_arima_analysis(y, x12path="x13as")  # x12path 指向 X-13 可执行文件
adjusted = result.seasadj    # 季节性调整后序列
trend_component = result.trend
irregular = result.irregular
​

result.seasadj 就是把季节性剥掉后的序列。把原序列和调整后序列画在一张图上：

import matplotlib.pyplot as plt
fig, ax = plt.subplots(figsize=(10, 4))
ax.plot(y.index, y.values, label="原序列")
ax.plot(adjusted.index, adjusted.values, label="季节性调整后")
ax.legend()
plt.tight_layout()
​

调整后序列：

• 季节性幅度被显著压平：原序列里"12 月高峰、2 月低谷"被平滑掉。
• 趋势更清晰：调整后序列近似单调上升，便于看"今年相对去年的真实变化"。

四、X-13 vs 简单移动平均

工程上也有人用简单移动平均（如 12 月中心化 MA）做季节性调整。X-13 比简单 MA 强在三个地方：

如果你的数据有强日历效应（财务月末、交易日差异、移动节假日），X-13 是更稳的选择。否则简单 MA 也够用。

五、调整后序列的下游应用

• 同比 / 环比分析：调整后序列计算同比更能反映"真实业务变化"。
• 回归建模：把调整后序列作为因变量，把宏观经济、促销活动作为自变量，回归系数更可解释。
• 异常检测：调整后序列的"残差"反映了真正的异常事件（疫情、双 11、系统故障）。

⚠️ 常见坑：别在原序列上同时做趋势建模和季节性调整。如果你要做未来 6 个月的预测，应当对原序列拟合（让模型自己处理季节性）；季节性调整主要是"分析过去"，不是"预测未来"。

六、当 X-13 不可用时：用 STL 替代

X-13ARIMA-SEATS 需要单独安装程序（在 Linux 上是 x13as，Windows 上需要额外配置）。如果系统不便安装，可以用 seasonal_decompose 或 statsmodels 的 STL 做"够用"的季节性调整：

from statsmodels.tsa.seasonal import STL

stl = STL(y, period=12, robust=True).fit()
adjusted = y - stl.seasonal   # 去掉季节性
​

STL 的优势是不依赖外部程序、纯 Python；劣势是处理移动节假日和交易日差异不如 X-13 精细。

七、一个完整案例：电商月度数据的季节性调整

我们用 6.5 年（78 个月）的合成电商销量数据演示一次完整流程：

n = 78
monthly = 30 * np.sin(2 * np.pi * np.arange(n) / 12)
trend = np.linspace(200, 600, n)
y = trend + monthly + rng.normal(0, 8, n)
y = pd.Series(y, index=pd.date_range("2018-01-01", periods=n, freq="MS"))

# 简单 STL 季节性调整
stl = STL(y, period=12, robust=True).fit()
adjusted = y - stl.seasonal

# 对比：原序列"今年 8 月" vs "调整后今年 8 月"
print("原序列 8 月销量均值:", y[y.index.month == 8].mean())
print("调整后 8 月销量均值:", adjusted[adjusted.index.month == 8].mean())
# 调整后 8 月销量应该接近趋势线（季节性被剥掉）
​

调整后，8 月的均值应当比原序列低 30 左右（剥掉夏季高峰），但月度的同比变化（"今年 8 月 vs 去年 8 月"）的差异变小、信号更清晰。

本节要点回顾

• 季节性调整的目的：让同比 / 环比分析更准确，剥离季节性"指纹"。
• X-13ARIMA-SEATS：工业级标准，处理日历效应、移动节假日、季节性变化。
• statsmodels 接口：x13_arima_analysis，需要系统安装 X-13 程序。
• 替代方案：STL 分解在 Python 环境下更易用，效果略弱但够用。
• 应用边界：季节性调整主要用于"分析过去"，不是"预测未来"——预测应让模型自己处理季节性。
• 下一章线索：5 章专攻比季节性更难识别的周期性——长度不固定的长波。