季节调整的目的是消除与一年中的时间相关的系统历法变化，即季节影响。这便于在连续时间段之间进行比较。随着时间的推移收集的数据形成一个时间序列。英国国家统计局(Office for National statistics)发布的许多最著名的统计数据都是常规时间序列，包括:索赔人数、零售价格指数(RPI)、国际收支平衡和国内生产总值(GDP)。
分析时间序列的人通常寻求确定数据的一般模式、长期运动以及是否有任何不寻常的事件对该序列产生了重大影响。当人们依赖原始时间序列数据时，这种类型的分析并不简单，因为通常会有与一年中的时间相关的短期影响，这些影响会掩盖或混淆其他运动。
例如，由于圣诞节，每年12月的零售额都会上升。季节调整的目的是消除与一年中的时间相关的系统历法变化，即季节影响。这便于在连续时间段之间进行比较。
时间序列的分量
时间序列可以被认为是三种广泛而明显不同的行为类型的组合，每种行为都代表了某些类型的现实世界事件对数据的影响。这三个组成部分是:与日历相关的系统影响、不规则波动和趋势行为。
系统日历相关的影响
与历法相关的系统效应包括季节效应和历法效应。季节效应是周期性的模式，可能是与季节相关的变化的结果。它们可能是由各种因素引起的，例如:
- 天气模式:例如，随着冬季的到来，能源消耗增加
- 行政措施:例如，学年的开始和结束日期
- 社会、文化和宗教活动:例如，圣诞节前夕零售额增加
- 由于日历的性质，月和季度的长度变化
其他日历影响涉及的因素不一定发生在每年的同一个月(或季度)。它们包括:
- 交易日效应，这是由每年每周的天数不同的月份引起的:例如，在五金店的支出可能在有五个周末而不是四个周末的月份更高
- 移动假日，每年可能落在不同的月份:例如复活节，可能发生在三月或四月
这些影响加在一起就构成了季节性因素。
不规则的波动
不规则波动可能是由于不可预测或意外因素的组合而产生的，例如:抽样误差、非抽样误差、不合时宜的天气、自然灾害或罢工。虽然人口中的每个成员都受到一般经济或社会条件的影响，但每个人受到的影响都有所不同，因此在时间序列中总会有某种程度的随机变化。不规则波动的贡献通常会在不同时期的方向和/或幅度上发生变化。这与季节性效应的规律性行为形成了鲜明的对比。
趋势(或趋势周期)
趋势(或趋势周期)表示系列的潜在行为和方向。它捕捉了该系列的长期行为以及各种中期商业周期。
季节性调整过程
尽管这些组件在时间序列中有很多方式可以组合在一起，但我们选择了两个模型之一:
- 加法模型:Y = C + S + I
- 乘法模型:Y = C乘以S再乘以I
其中Y是原始序列，C是趋势周期，S是季节分量，I是不规则分量。
季节调整序列是通过估计和去除季节成分而形成的。
- 对于加性模型:季节性调整序列等于Y减S等于C加I
- 对于乘法模型:季节性调整序列等于Y除以S等于C乘以I
在乘法分解中，季节效应随趋势成比例地变化。如果趋势上升，季节性影响也会上升，而如果趋势下降，季节性影响也会下降。在加性分解中，无论趋势向哪个方向移动，季节效应基本上保持不变。
在实践中，大多数经济时间序列表现出乘法关系，因此乘法分解通常提供最佳拟合。但是，如果时间序列中出现任何零或负值，则无法实现乘法分解。
其他影响季节调整的因素
有各种各样的问题会影响季节性调整的质量。这些包括:
- 离群值，也就是极端值;这些通常有可识别的原因，如罢工、战争或极端天气条件，这些因素会扭曲季节性调整——它们通常被认为是不规则因素的一部分
- 趋势断裂(也称为水平移位)，趋势成分突然急剧增加或减少;可能的原因包括，考虑到产品的重新分类或税率的变化，与被测量的系列相关的定义发生了变化
- 季节性中断，即季节模式的突然变化
这些问题需要在季节调整过程开始之前解决，以便获得最可靠的季节成分估计。