季節調整與未經季節調整數據：SA、NSA 與 SAAR

經濟活動常按日曆規律變化。冬季假期前，零售業招聘可能增加；天氣寒冷時，建築活動可能放慢；工廠亦可能因轉換車款而改動生產安排。即使經濟活動的基調變化不大，這些重複影響也會令某個月份看來較相鄰月份強或弱。

季節調整會估算數據序列中與重複季節效應有關的部分，再從公布的調整後序列中剔除。按統計機構所用的方法，調整亦可能包括每月星期數不同或日期會變動的節日等可預測日曆效應。目的是令月比月或季比季的變化較易解讀，而非抹去實際經濟活動或製造完全平滑的趨勢。美國勞工統計局（BLS）把季節調整描述為移除重複的季節影響；美國人口普查局則說明，季調有助顯示時間序列中的非季節特徵。詳情見[BLS季節調整概覽]({source:blsSeasonalAdjustmentOverview})及[人口普查局季節調整常見問題]({source:censusSeasonalAdjustmentFaq})。

季節調整不等於通脹調整。經季節調整的數據仍可按當期美元計算；經通脹調整的實質序列也可以選擇是否再作季節調整。閱讀價格、產出、收入或支出數據時，應分開核對這兩個維度。

季節性與經濟周期並非一回事。可預期的夏季放緩可能每年重複；持續數季的下跌則可能反映更廣泛的經濟活動或其他衝擊。季節性調整無法完美分類每一種變動，因此應連同技術註釋及其他指標閱讀發布資料。

SA 是經季節調整（seasonally adjusted），NSA 是未經季節調整（not seasonally adjusted）。統計發布亦可能把 NSA 稱為未調整數據或原始數據。兩種版本通常描述同一經濟序列，但回答不同的比較問題。

調整後數字是按該序列和統計機構方法作出的估算，並非第二次調查。它可能與未調整數字方向不同，因為每個月份估算的季節效應可以不同。BLS指出，兩種版本並非在所有情況下都有一種較好：未調整數據可用於比較不同年份同一季節的招聘，調整後數據通常較適合觀察最新的月度變化。BLS的[CPI調整及未調整數據使用指南]({source:blsCpiSeasonalDataUse})提供一個針對特定序列的例子；套用到其他數據前，應查看各發布資料的說明。

季節調整會估算每個期間的日曆模式，因此改變了兩個期間的比較。假設某個數據序列使用加法季節效應，以下是刻意簡化的虛構例子。A月的觀察值為100，其中估算季節效應為15，調整後為85。B月的觀察值為108，估算季節效應為25，調整後為83。

未調整數據上升8，但調整後數據下跌2。這是可能的，因為B月一般的季節帶動幅度估算較大。此例中，調整後數據的變化是要看觀察值有否超越預期日曆模式。數值純粹用來示範算式，並非任何已發布指標的數據。

這種相減方法只示範加法調整。許多序列使用乘法因子，調整後數值會以原值除以因子計算；方法亦可能同時納入季節、星期幾或流動節日效應。兩個數列方向不同，並不代表統計機構出錯或經濟急劇逆轉。人口普查局常見問題指出，調整後與未調整序列方向相反並不罕見；解讀時應一併查看季節因子和整份發布資料（{source:censusSeasonalAdjustmentFaq}）。

對已發布的序列而言，單憑經調整數值小幅下跌，並不足以確認明確的轉折點。抽樣誤差、四捨五入、後續修訂及估算因子的不確定性，都可能影響短期讀數。顯示的小數位數反映數值如何呈報，並不代表底層估算有多確定。

<!-- learn:illustration -->

季節因子根據特定時間序列的歷史數據估算。統計程序會尋找每年相近時段反覆出現的模式，並嘗試把它們與較長期的變動及不規則波動區分開來。可以把序列分成季節、趨勢循環和不規則成分來理解；公布的調整後序列一般會移除估算的季節成分，同時保留非季節變化和不規則衝擊。

季節模式未必是分析人員每年固定減去的百分比。有些序列較適合加法效應；另一些則使用會隨序列水平而變的乘法因子。需要時，方法亦可估算交易日效應或復活節等流動節日。人口普查局維護 X-13ARIMA-SEATS 季節調整軟件，並說明如何用診斷檢查殘餘季節性和估算穩定程度。這代表一套軟件和方法系列，並不保證每項聯邦統計都採用相同設定。應查閱個別序列的方法說明（{source:censusSeasonalAdjustmentFaq}）。

日曆只是影響估算的一個因素。突發罷工、異常天氣、疫情衝擊、抽樣誤差或企業自身的變化，都可能以不規則波動留在調整後序列中。有些統計機構會另外建模已識別的異常值或日曆事件，但季節調整不會令觀察值免於測量不確定性。圖表較平滑，不代表它直接量度了未能觀察的趨勢。

有些發布會對整體主要數值作季節性調整，但部分組成項目則以未調整數據呈現。如果各組成序列採用不同調整基礎，把顯示數值相加可能無法得出已發布的總數。加總或比較前，請檢查每條序列的調整狀態及整體數值的匯總方法。

SAAR 是經季節調整年率（seasonally adjusted annual rate）。它結合兩個不同概念：季節調整估算並移除重複的日曆效應；年率慣例則把某一期間調整後的水平或變化速度換算成年度比較基準。這個縮寫不表示當前月份的速度會持續一年。

例如，美國人口普查局會以季節調整年率發布部分每月建築許可估算。假設某月調整後的許可速度為8,000份，SAAR便是8,000乘以12，即96,000。年率數字方便把當月速度與全年總量比較，但不代表該月實際發出96,000份許可，也不預測未來一年會發出96,000份。此例依據[人口普查局建築許可調查方法]({source:censusBuildingPermitsMethodology})，所用數值純屬假設。

季度GDP增長年率是相關但不同的慣例。美國經濟分析局（BEA）把單季百分比變化複合計算四季；它不是把觀察到的變化率直接乘以四。按年率表示的季節調整GDP水平、年率化的季度百分比變化，以及年度預測，是三種不同概念。BEA在[年率常見問題]({source:beaQuarterlyAnnualRates})中解釋季度增長的計算。比較利率數字前，也可閱讀實質GDP增長率的解讀方法。

會。季節因子是估算值，新增觀察可能改變估算出的重複模式。統計機構可能隨新數據重新計算調整，按預定時間修訂過往調整值，或在原始未調整數據修訂時更新調整值。不同計劃的頻率和受影響年期各有不同。

例如，BLS每年會重新計算經季節調整的CPI序列因子，並可能修訂之前最多五年的調整後指數。這是CPI計劃的做法，並非所有美國數據集都採用的通用修訂規則。BLS亦會重新評估個別CPI序列是否仍有足夠季節性而需要調整。[CPI季節調整頁面]({source:blsCpiSeasonalDataUse})說明目前程序和修訂範圍。

重製圖表時，應記錄序列識別碼、季節調整狀態、發布日期和數據版本。按當時可取得數值製作的即時圖表，可能與日後下載的圖表不同，即使使用同一序列名稱亦然。如果問題涉及季節模式或統計機構的後續修訂，請分開保留原值和調整後的值。

修訂不會自動推翻之前的解讀，但若初步變動幅度很小或接近轉折點，修訂便可能重要。比較舊發布與最新下載數據時，請說明數據有否修訂，並保留每次比較所用的版本。

若問題是最新一個月或季度相較前期的變化，而統計機構有發布適用的調整序列，可使用季節調整數據。剔除預期的季節模式，有助更早看出轉折；但這不代表餘下變化在統計上必然有意義，短期估算仍可能有雜訊。

若要研究重複的季節循環本身，可使用 NSA 數據。例如，比較不同年份10月至12月的零售業招聘，可以看出假期季如何改變。比較相同月份的按年變化也可減少穩定季節循環的影響，但日期移動的節日、星期數差異或季節模式改變仍會影響結果。應按指標方法選擇版本，並確保符合問題。

不要把 SA 和 NSA 數字的差額當成經濟得失。比較時要配對相同序列、單位、頻率、人口或產業範圍，以及調整狀態。分析通脹時，也要區分CPI、PCE與GDP平減指數所涵蓋的價格籃子。要了解消費支出數據為何不同，可參閱零售銷售與PCE的比較。

先核對序列的完整名稱和來源。確認數值是經季節調整、未經季節調整，還是只提供其中一種版本。再看它表示甚麼：水平、美元差額、百分比變化、利率、指數或數量。表格標題亦可能指定月度或季度頻率，以及是否按年率表示。

接着按照問題配對比較期間。相鄰月份的 SA 變化表示扣除估算季節效應後的變動；同月 NSA 比較保留季節循環；按年變化涵蓋整年；SAAR則按指定慣例把期間速度換算為年率。這些標籤不能互換。建築許可的SAAR、GDP季度年率增長和CPI月度變化率都可能使用年率字眼，但計算方法不同。

最後，閱讀發布資料的技術說明，確認修訂、假期、季節狀態及異常事件。若報告要呈現整體周期，不要把單月調整後變化視為確定轉折；若問題關乎重複的日曆時段，也不要忽略 NSA 保留的季節模式。總之，確認序列、SA或NSA、頻率和單位，並保留數據版本。

如果SA和NSA走勢相反，先確認兩者是否屬於相同序列、頻率、單位及比較時段。然後檢查估算因子、日期會移動的假期或星期日數、異常事件，以及來源數據是否修訂。應解釋兩個版本各自回答甚麼問題，而非把其中一個標示為錯誤。