季调与非季调数据：SA、NSA 和 SAAR

经济活动常常会随日历规律性变化。冬季假期前，零售业招聘可能增加；天气寒冷时，建筑活动可能放缓；工厂也可能在车型换代时调整生产安排。这些重复影响会让某个月看起来比相邻月份更强或更弱，即使潜在活动速度变化不大。

季节调整会估算序列中与反复季节影响有关的部分，并从发布的调整后序列中剔除。若具体方法需要，统计机构也可能处理可预测的日历效应，例如每月不同的星期天数或日期会变动的节日。目的是让环比或季比变化更容易解读，而不是抹去真实经济活动或生成一条完全平滑的趋势。美国劳工统计局（BLS）将季节调整描述为剔除反复出现的季节影响；美国人口普查局则说明，季调有助于揭示时间序列中的非季节特征。参见[BLS季节调整概览]({source:blsSeasonalAdjustmentOverview})和[人口普查局季调常见问题]({source:censusSeasonalAdjustmentFaq})。

季节调整不同于通胀调整。季调序列仍可能以当期美元计量；经过通胀调整的实际序列也可以选择是否季调。阅读价格、产出、收入或支出数据时，要分别确认这两个维度。

季节性不等同于经济周期。可预期的夏季放缓可能每年重复；持续数个季度的下降则可能反映更广泛的经济活动或其他冲击。季节调整无法完美识别每一种变动，因此应结合技术说明和其他指标阅读发布数据。

SA 是 seasonally adjusted（季节调整），NSA 是 not seasonally adjusted（非季节调整）。发布材料也可能把 NSA 称为未调整数据或原始数据。通常，两种版本描述的是同一经济序列，但回答不同的比较问题。

季调值是根据该序列和统计机构方法得出的估计，并不是又做了一次调查。由于每个月估算的季节影响可能不同，调整后数值的走势可能与未调整数值不同。BLS指出，两种版本没有一种在所有情况下都更好：比较不同年份相同时期的季节性招聘，未调整数据可能更合适；观察近期环比变化，调整后数据通常更有用。[BLS关于使用季调与非季调CPI数据的指南]({source:blsCpiSeasonalDataUse})提供了特定序列的示例；不要直接推广到其他数据，先查看各发布材料的说明。

季节调整会估算各时期的日历模式，因此改变了比较方式。假设有一个极简的虚构序列，采用加法季调。A月的观测值为100，其中包含估算为15的季节影响，调整后为85。B月的观测值为108，估算的季节影响为25，调整后为83。

非季调序列上升了8，而季调序列下降了2。如果估算B月通常有更大的季节性提振，就可能出现这种结果。在这个例子中，季调序列的变化回答的是：观测到的涨幅是否超过预期的日历模式？这些数字完全是假设的，只用于说明计算，并非任何已发布指标的读数。

这里的减法只是加法季调的教学示例。许多序列使用乘法因子，通过原始值除以因子来调整；方法也可能同时处理季节、星期构成或日期会变动的节日。因此，仅凭两个序列方向不同，不能断定统计机构出错或经济急剧逆转。人口普查局指出，季调与非季调序列方向相反并不少见，应结合季节因子及发布材料的其他信息解读。{source:censusSeasonalAdjustmentFaq}

对于已发布的序列，单凭季调值小幅下降，还不足以确认明确的转折点。抽样误差、四舍五入、后续修订以及估算季节因子的不确定性，都可能影响短期读数。显示的小数位数说明数值如何报告，并不代表底层估计有多确定。

<!-- learn:illustration -->

统计机构根据特定时间序列的历史数据估算季节因子。统计程序会寻找每年相近时段反复出现的模式，并将其与长期走势和不规则波动区分开。可以把序列分解为季节、趋势周期和不规则成分；发布的季调序列通常剔除估算的季节成分，同时保留非季节性变化和不规则冲击。

季调并不一定是每年机械地减去同一个百分比。有些序列更适合加法效应，有些则适合乘法因子，因子大小会随序列水平变化。如有需要，方法还可能估算交易日效应或复活节等浮动节日的影响。人口普查局维护季节调整工具 X-13ARIMA-SEATS，并介绍了用于评估残余季节性和稳定性的诊断方法。这说明的是工具和方法体系，并不保证所有联邦统计都采用完全相同的设置。请查阅具体序列的方法说明。{source:censusSeasonalAdjustmentFaq}

日历不是估算中唯一的影响因素。突发罢工、异常天气、疫情冲击、抽样误差或特定企业的冲击，都可能以不规则波动的形式留在季调序列中。有些机构会单独建模已识别的异常值或日历事件，但季调不会消除测量不确定性。图表更平滑，不代表它直接测量了不可观测的趋势。

有些发布会对总指标进行季调，但部分分项仍以非季调形式发布。如果分项序列采用不同的调整口径，将显示值相加可能无法还原发布的总数。汇总或比较前，请检查每条序列的调整状态和总量的计算方法。

SAAR 是 seasonally adjusted annual rate（季调年率）。它结合了两个不同概念：季节调整估算并剔除反复日历效应；年率表示约定则把某一时期的水平或变化速度换算成年率，以便进行年度比较。这个缩写不表示当前月度速度会持续整整一年。

例如，人口普查局会以季调年率发布部分月度建筑许可估算。假设调整后的月度速度为8,000份许可，SAAR 就是 8,000 × 12，即96,000。年率有助于把当月速度与年度总量进行比较。但这不表示该月实际发放了96,000份许可，也不预测下一年会发放96,000份。这个例子遵循[人口普查局建筑许可统计方法]({source:censusBuildingPermitsMethodology})，数字为假设值。

季度GDP增长按年率表示，是相关但不同的约定。BEA会将季度百分比变化按四个季度复利计算，而不是把观察到的变化简单乘以4。以年率表示的季调GDP水平、年化季度增长率和年度预测是三种不同的数值。BEA在[年率常见问题]({source:beaQuarterlyAnnualRates})中说明季度增长的计算。增长率的比较方法另见如何阅读实际GDP增长率。

会。季节因子是估算值，新观测可能改变对反复模式的估计。统计机构可能随着新数据到来重新进行季调，按计划修订以往的季调观测值，也可能在原始数据修订后更新季调值。不同项目的修订频率和受影响时期并不相同。

例如，BLS每年会重新计算季调CPI序列的季节因子，并可能修订最多五年的季调指数。这是CPI项目的做法，不是所有美国数据集通用的修订规则。BLS也会重新评估各个CPI序列是否仍有足够季节性、值得继续调整。[CPI季节调整页面]({source:blsCpiSeasonalDataUse})介绍了当前流程和修订窗口。

重新制作图表时，请记录序列标识、季调状态、发布日期和数据版本。用当时可获得的数据制作的实时图表，可能与后来下载的数据图表不同，即使序列名称相同。如果问题涉及季节模式或统计机构的后续修订，应将原始值和调整值分开保存。

修订并不一定推翻先前的解读，但如果最初的变动很小或接近转折点，修订就可能很重要。将过去的发布值与最新下载数据比较时，请说明数据是否经过修订，并保留每次比较所用的数据版本。

如果问题是最近一个月或季度相对上一期的变化，而且统计机构发布了合适的季调序列，就使用 SA。剔除预期季节模式可能更容易看出新的转折点，但这并不证明剩余变化在统计上显著；短期估计仍可能很嘈杂。

如果关注的是反复出现的季节周期本身，就使用 NSA。例如，比较多年来10月至12月的零售招聘，可以观察假期旺季发生了怎样的变化。将同一月份与上一年比较，也能减弱稳定季节周期的影响；但节日日期变动、星期天数不同或季节行为变化，仍可能影响比较。应遵循该指标的方法说明，并选择与问题相符的版本。

不要把 SA 和 NSA 观测值放在一起比较，仿佛差额代表经济得失。要匹配相同序列、单位、频率、人口或行业范围，以及季调状态。关于通胀指标，请参阅CPI、PCE与GDP平减指数比较。零售销售与PCE消费支出介绍了相关发布数据为何会因季调之外的原因而不同。

先确认序列的准确名称和来源，查明显示值是季调、非季调，还是只提供其中一种。接着确认数字表示的是水平、美元变化、百分比变化、比率、指数还是数量。表头也可能注明月度或季度频率，以及是否按年率表示。

然后根据问题匹配比较窗口。SA环比变化表示剔除估算季节效应后的变动；NSA同月同比保留季节周期；同比百分比变化覆盖完整一年；SAAR则按规定的约定把某一时期的速度换算成年率。这些标签不能互换。住房许可SAAR、GDP年化增长率和月度CPI百分比变化都可能出现“年度”字样，但计算方法不同。

最后，阅读技术说明中的修订、节日、季调状态和异常事件。如果想了解整体周期，不要把单个月度季调变化当作已确定的转折。如果想比较反复出现的日历时段，也不要忽略NSA中的季节模式。明确序列，按比较问题选择SA或NSA，注明频率和单位，并保留数据版本。

如果SA和NSA方向相反，先确认它们是否属于同一序列、频率、单位和比较窗口。接着检查估算因子、日期会移动的节日或星期天数、异常事件以及源数据的修订情况。应说明两个版本分别回答什么问题，而不是直接把其中一个标为错误。