PMI指数先行性分析及其应用

刘雪燕

内容提要：当前我国PMI指数受到社会各界广泛关注，但PMI指数和经济指标的相关性和先行性缺乏准确系统的分析。通过研究发现，当前我国PMI指数的季节调整不够理想，本文通过修正的X-13方法对PMI指数进行了季节调整，在此基础上对PMI指数和相应的经济指标进行相关性分析发现，PMI指数与经济指标同比增速的相关系数普遍较高，但是与环比增速间的变化趋势具有更为显著的一致性。本文基于PMI指数构建的工业增加值和GDP预测模型具有很好的拟合效果，并进一步拟合了新订单—出口订单、出口订单—进口、原材料库存—产成品库存和新订单—产成品库存等新的合成指数，用以分析企业在内外需比例、销售情况以及生产动力等方面的情况。本文给出了进一步完善PMI指数调查样本、调高企业样本的代表性、尽快统一发布PMI指数的时间序列季节调整序列和对PMI分项指数进行适当调整等建议。

采购经理指数（以下简称PMI）是世界范围内广泛使用的经济运行先行指标，全球已有20多个国家和地区建立了此指数体系，有关机构还建立了跨国别的全球指数和区域指数。PMI指数及其商业报告已成为世界经济运行活动的重要评价指标和世界经济变化的晴雨表，很多研究机构使用PMI指数预测近期GDP走势、经济转折点以及分析主要产业方面的信息。在我国，国家统计局和中国物流与采购联合会自2005年开始正式公布PMI指数，目前也受到社会各界的高度关注，是各机构宏观形势分析的重要参考指标。但到目前为止，我国PMI指数相对于经济运行的先行性并没有得到系统性的研究和分析，导致PMI应用的理论基础不牢固。由于PMI指数属于环比数据，而环比数据在进行分析使用前必须进行季节调整，当前PMI指数的季节调整存在很多争议，因此本文将在完善PMI指数季节调整的基础上，系统分析PMI指数相对于经济运行指标的相关性和先行性，且进一步构造PMI指数定量预测模型和构造新的合成指数，并给出关于PMI指数应用的相关建议。

一、PMI指数的特征与季节调整

（一）PMI指数的编制特征

PMI是基于问卷调查的合成指数。PMI调查采用非定量的问卷形式，即被调查者对新订单、生产量、从业人员、供应商配送时间、产成品库存、原材料库存、购进价格、采购量、积压订单、新出口订单、进口11项指标做出定性判断，只需要在（比上月）上升、不变或下降三种答案中选择一种。各项指标指数基于对三种答案的回答比例计算得出，再对生产量、新订单、从业人员、供应商配送时间、原材料库存五个分项指数加权计算得到制造业PMI综合指数，权重为25％、30％、20％、15％、10％。因而根据PMI指数的编制原理，其应为环比数据。而环比数据的分析和使用必须建立在季节调整的基础上，正确的季度调整是正确应用PMI的前提。

（二）PMI指数的季节调整现状

所谓季节调整，是指从时间序列中估计和剔除季节因素影响的过程，目的是反映序列真正的客观规律和趋势。季节调整是对原始月度或者季度时间序列中隐含的由于季节性因素引起的季节影响加以纠正的过程。季节调整后的数据消除了季节性因素的影响，使得不同时期的数据具有可比性。

目前业界对中国物流采购联合会公布的PMI指数的季节性问题一直有很多说法，需要说明的是，当前发布的PMI指数是经过季节调整的，但是使用的方法是基于PMI数据采集特性的季节性调整，而非时间序列的调整。中国PMI所做的季节性调整建立在调查之前访问的基础上，然后确定调整因子，而不是采用时间序列的季节调整方法。当前，中国物流采购联合会对每个行业、每个指数、每个月都有自己确定的调整因子，调整因子根据工作日、节假日、调查问卷受访者的季节答卷意向、行业特点等因素统计计算得出，计算的系统非常复杂。中国物流采购联合会认为季节调整技术是PMI调查的一项核心技术，因此对其进行保密。但其粗略的方法为：以工作日调整的除法模型为主，采购经理判断的开方模型为辅的季节调整方法。具体季节调整步骤如下：

1.工作日调整

根据工作日的天数，去除节假日或者其他原因造成的给定月份之间的工作日的差别。通过除法模型，计算出月份调整因子f1。

设第i月的日历天数为d0，需要扣除的天数为dit，调整后的天数为di2，即有di2=d0-dit（其中，i=1，2，…，12）

月份工作天数调整因子为：

f1=di2/d0

2.季节影响程度的调整

季节影响程度调整后所计算得到出的因子是采购经理对于每个变量受季节影响程度的认可程度。季节影响程度因子计算公式为：

其中，Wj为第j个变量的季节影响程度因子，Ikj为认可第j个变量受季节因素影响，Nj为填报第j个变量的企业总数。

3.季节因素剔除程度调整

进行季节剔除程度调整时，采用开方模型。设第j个变量第i月的季节因素剔除因子为aij，最终季节调整因子的计算公式为：

aij=Wj（其中，i=1，2，…，12；j为变量代码）

最后，将第i月的数据除以季节因素剔除因子aij得到最终结果。[1]

但从经调整后的PMI指数来看，其季节波动性仍未完全消除，如图1所示红圈部分，即每年的3月和4月，PMI指数都会出现一个显著的上升，这和春节对1月和2月的工业生产造成的影响直接相关，并不能反映3月份和4月份经济的真实走势，对PMI季节性的自相关系数的定量分析也得到了相同的结论。

（三）对PMI指数季节调整的完善

从以上分析看，要检验PMI指数与经济运行的联系就需要对PMI指数做进一步的季节调整，以去除其季节波动因素，反映其真实波动情况。

1.从综合指数与分项指数的关系来看，直接季节调整法更可取

在选择季节调整方法之前，首先需要确定使用直接调整法还是间接调整法。一般来说，当构成总序列的各分序列具有完全不同的季节影响模式时，常采用间接调整方法；而当各分序列具有较相似的季节影响模式时，则采用直接调整方法。从构成PMI的5个指数波动来看，生产指数和新订单指数受季节因素影响的大小较为接近，其他三个指数的波动也比较接近，故直接调整法和间接调整法均可采用。但如果对于各项分散指数的认识过于精细，则对PMI总指数的了解反而会越来越零碎、模糊，这与欧盟统计局在理论上认为“使用直接法会获得更高质量的总量序列”的结论相一致。因此，我们认为，PMI指数的季节调整采用直接调整法更可取。

2.当前PMI指数长度满足了时间序列季节调整的需要

通常意义上时间序列的季节调整，须有足够长的数据系列，一般是10年左右，只有数据系列有足够的季节对应的点，可以完全消除不正常年份对调整因子的不良影响，才可以进行数学调整。当前我国的PMI指数已经发布了8年多了，有近100个样本点，可以说从统计上基本满足了进行时间序列季节调整的要求。

3.基于欧美使用的X-12方法开发的X-13方法更符合中国的情况

当前时间序列的季节调整方法中，应用最为广泛的就是X-11和X-12方法，而且美国和欧盟对PMI指数进行季节调整时也都采用了这种方法。但是X-11和X-12方法在中国的应用却存在一定的限制。主要原因在于，第一，中国的传统节日多以农历计算，因此对应到公历上出现节日所在月份不确定的现象，如春节有时在1月份，有时在2月份，而X-11和X-12方法的调整都是基于公历进行的。第二，X-11和X-12方法的调整中包含大量的美国节日，而这对我国并不适用。因此，很多国家在使用X-11和X-12方法进行季节调整时都进行了进一步的修正，我国也不例外，2011年国家统计局开始发布环比数据时，也是基于X-11和X-12方法进行了修正，开发了更适用于我国情况的X-13方法。

关于PMI季节调整方法的另外一个考虑：使用其他类似数据的调整因子。例如，我们可以使用与PMI高度相关的工业增加值数据系列得到一系列的季节调整因子对PMI基础数据进行季节调整，但是这样做的后果，一是数据调整后会与增加值数据高度同步相关，二是数据调整后已经不是真正的PMI数据了。综合上述，我们认为采用X-13方法对PMI指数进行直接调整最为合理。

4.使用X-13方法调整后，PMI指数的季节性基本消除

使用X-13方法对PMI指数进行季节调整后，其季节相关性检验如图2所示，对比分析可以看出，其季节性得到基本的消除。对PMI各分项指数进行季节调整后，也取得了类似的效果。[2]因此在下文的分析中，我们主要使用本部分调整得到的PMI指数和各分项指数序列进行分析。

二、PMI与经济指标之间的相关性及先行性分析

研究PMI指数和不同经济指标之间的相关性和先行性，看似一项非常简单的工作，实则比较复杂。因为单纯从数据意义上讲，每个数据都有5个以上的衍生指标，包括数据的绝对值、同比增长率、环比增长率、同比增长率变化值、环比增长率变化值，等等，我们对这些数据衍生指标进行排列组合后做相关性分析，然后分析各组合经济上和理论上的合理性。

（一）PMI综合指数与经济总量的相关性和先行性

分析PMI指数和经济运行的相关性和先行性，首先要选择经济运行的代表指标。GDP作为经济运行总体指标最能表示经济运行的状况，但是当前国内生产总值指数只有季度数据，因此要考察PMI综合指数和国内生产总值指数的相关关系，需要对PMI数据进行处理。本文使用季度平均的PMI综合指数和当季的国内生产总值指数进行分析（见图3）。结果表明，二者具有较高的相关性，相关系数达到0.8，但是不具有先行性。同时我们发现，当PMI在49.9％以上时，经济可保持8％以上的增长速度，当PMI在50.9％以上时，经济增长速度可达到9％以上。

由于GDP是季度发布的，频率较低，而先行性分析就是分析指标的领先时间，所以选择季度GDP增长速度可能会降低先行性分析的准确度，所以我们需要选择既能够代表经济运行的总体状况，同时又具有较高发布频率的指标。就我国情况而言，2000年以来，工业增加值占GDP比重在40％以上。无论在周期划分还是在周期持续时间方面，工业与整个国民经济基本保持了同步性，GDP增速与工业增加值增长率的同期相关系数达到0.91，且工业增加值的波动幅度更大，更为敏感（见图4）。基于以上原因，选择工业增加值增长率作为经济运行的代替指标。

进行相关分析之前，首先需要对两列数据进行显著性检验，但因为数据样本较长，从2010年1月至2012年12月，共计36个样本，[3]因此相关测算的误差不会很大，根据学界一般经验，可不用进行显著性检验；其次通过散点图观察，二者的残差分布处于正常函数区间，不存在极端值的干扰，因此计算的相关系数信息的有效性可以得到保证。散点图如图5所示。

我们选择通用的时差相关法分析PMI综合指数和工业增加值之间的相关性和先行性，检验结果如表1所示。发现季节调整后的PMI综合指数与工业增加值增长速度的走势更为相近，二者的相关性增强，相关系数达到0.73，说明在经过一定的数据加工和提炼后，PMI序列的规整性增强，而且数据调整后PMI指数与调整之前相比还具有了一定的先行性。

但是我们注意到，PMI指数与工业增加值同比增速的相关性显著高于与环比序列的相关性，这好像与PMI指数序列的性质不符。前文中指出，PMI指数是样本企业的采购经理根据本月相对于上月变化给出的判断，数据性质属于环比序列，理论上应该与工业增加值的环比增速具有更高的相关性。需要指出的是，PMI指数更多用于表示工业增加值增速变化的方向，其具体数值并不具有非常强的参考性，因此我们进一步考察PMI指数的变化方向和工业增加值增速的变化方向的一致性则更具参考价值。结果如下表所示，PMI指数变化方向与工业增加值环比增速的变化方向具有更强的一致性，尤其是经过季节调整后的PMI指数和工业增加值环比增速变化方向的一致性得到进一步加强，达到70％。

（二）PMI各分项指数与主要工业指标之间的关系

PMI的分项指数涵盖了生产、库存、出口和价格等多个领域，考虑到数据的可得性问题，我们分别分析PMI分项指数与工业生产总值、工业产成品库存、工业行业出口交货值以及PPI指数四个具有代表性的指标的相关与先行关系。

1.生产量指数与工业总产值

PMI指数中生产量指数是指企业报告期内生产的符合产品质量要求的主要产品的实物数量。工业生产总值代表的是工业企业生产的符合产品质量要求的主要产品的价值。按照定义，二者之间应该具有较好的相关性。通过定量分析发现，二者之间确实存在较强的相关性，且PMI指数经过季节调整后，其对工业生产总值的相关性和先行性都得到了一定程度的改善，相关系数达到了0.5左右，但是不具有先行性（见表3）。

进一步分析生产量指数和工业总产值变化方向的一致性，结果如下表所示。生产量指数在经过季节调整后与工业总产值环比增速的一致性得到进一步加强，达到69％，远高于与工业总产值同比增速的一致性。

2.产成品库存指数与工业产成品库存[4]

产成品库存指数衡量的是样本企业报告期末止已经生产并验收入库但尚未售出的主要产品的产成品库存的实物数量，与统计指标中的工业产成品库存具有很强的对应关系。通过相关性分析和先行性分析发现，二者的相关性很强，尤其是当PMI指数经过季节调整后，与工业产成品库存同比增速的相关系数更是达到了0.74，且具有1期的先行期。

进一步分析产成品库存指数和工业产成品库存变化方向的一致性，结果如下表所示。产成品库存指数在经过季节调整后与工业产成品库存环比增速的一致性得到进一步加强，达到67％，远高于与工业产成品库存同比增速的一致性。

3.出口订单指数变化与工业行业出口交货值

出口订单指数衡量的是样本企业在报告期内产品订货中用于出口的部分，其在统计指标中的直接对应指标就是工业行业的出口交货值。定量分析发现，PMI指数与工业行业出口交货值之间存在较强的相关关系，尤其是经过季节调整的PMI指数与工业行业出口交货值同比增速的相关系数达到了0.64，但是不具有先行性。而经过季节调整后的PMI指数的变化与工业行业出口交货值环比增速变化之间具有0.3以上的相关性，具有两期的先行期（见表7）。

分析出口订单指数和工业行业出口交货值变化方向的一致性，结果如表8所示。出口订单指数在经过季节调整后与工业行业出口交货值环比增速的一致性得到进一步加强，达到71％，远高于与工业行业出口交货值同比增速的一致性。

4.购进价格指数与PPI指数的关系

购进价格指数衡量样本企业在报告期内购进的主要原材料（包括零部件）的价格水平，对于报告期内购进多种原材料的企业，按照一种或者几种主要原材料价格趋势进行判断，通常只考虑多种价格的简单平均。分析购进价格指数和PPI指数的相关性和先行性，结果如表9所示。二者之间的相关性非常强，尤其是PMI指数的变化和PPI指数环比增速变化之间的相关关系非常强，且具有先行性，这为我们判断PPI指数的变化提供了参考。

进一步分析购进价格指数和PPI指数变化方向的一致性，结果如表10所示。季节调整后的购进价格指数和未经调整的购进价格指数与PPI环比的一致性得到进一步加强，达到95％，远高于与同比PPI的一致性。

（三）汇丰PMI指数与相关经济指标相关性分析

1.官方PMI指数和汇丰PMI指数的关系

官方PMI始于2005年1月，汇丰PMI始于2005年9月，截至2012年12月，共有88组数据，但同样作为反映经济走势的指标，官方和汇丰PMI走势屡次出现明显背离的情况，两者出现相反走势的情况多达24次。这意味着在过去的7年多的时间里，官方PMI和汇丰PMI有近1/3的月度数据走势相反，如图6所示。

很多研究者从多个方面对这种背离进行解释，比如受到季节调整因素的影响，样本选取对象存在差异，不同群体对宏观经济感受和心理预期不同等。本文也对此现象进行了分析，主要结论如下。

第一，季节调整因素并非造成二者背离的主要原因。我们使用X-13方法对官方PMI进行季节调整后再与汇丰PMI数据进行对比分析，发现二者出现走势相反的情况仍然有20余次，虽然比未进行季节调整前稍有降低，但是不能说季节调整因素是二者出现背离的主要原因。如图7所示。

第二，样本选取对象差异能够在一定程度上解释二者背离。官方PMI采用PPS[5]抽样，及根据所在行业及企业对GDP的贡献度、大中小企业类型、所处地区等因素综合考虑，样本量为800多家。在抽样的时候尽管考虑了小型企业，但更多的是经济中重要的国有大型企业。因此，官方PMI更多的是反映大中型企业的情况。而汇丰PMI的样本量仅有400多家，样本主要集中在出口型企业和小微企业，更多的是反映中小企业的情况。这从官方PMI的分企业规模的PMI数据中可以得到验证。如2012年3月，大型企业PMI为54.3％，比上月提高3.5个百分点，中型企业PMI为50.4％，比上月提高0.9个百分点，小型企业PMI为50.9％，比上月大幅回落4.3个百分点。[6]

2.汇丰PMI指数与中小企业工业增加值增速相关性及先行性分析

既然汇丰PMI指数中的样本企业多为中小型企业，所以我们试图定量分析汇丰PMI指数和中小型企业之间的相关性和先行性。如图8所示，直观来看，汇丰PMI指数和集体企业工业增加值同比增速之间存在较强的相关性。[7]尤其是当企业增长出现较大波动时，汇丰PMI指数很好地反映了波动的情况，如2008年下半年到2009年一年之间，汇丰PMI指数的走势和企业增长速度非常吻合。

定量来看，汇丰PMI指数和中小企业工业增加值同比增速之间的相关系数为0.62，具有较强的相关性，但是低于与规上企业的相关性，环比数据的分析结论也是如此（见表11）。

按照上文的分析思路，我们在分析相关系数的基础上，进一步分析汇丰PMI指数与中小企业和规上工业增长变化的方向一致性问题，结果如下表所示。结果表明汇丰PMI指数与中小企业环比增速变化方向具有最强的一致性，达到62％，高于与规上工业变化的一致性。这一分析结论也与汇丰指数的对象构成相一致（见表12）。

三、PMI指数定量预测模型的构建[8]

上文相关分析结论表明，季节调整后的PMI指数与经济指标同比增速间的相关性最为紧密，在此基础上，我们希望建立PMI指数的定量预测模型，充分发挥PMI指数作为先行指标的作用，为定量分析未来经济指标的走势提供分析依据。

（一）基本思路和方法

预测是一个非常复杂的工作，本文中预测模型构建的总体思路以相关性分析为基础，结合多种因素进行多元回归。模型的构建以形势分析使用为目的，重点放在使用PMI指数预测工业增加值增速以及GDP增速上。

（二）GDP增速预测方程的构建

GDP是一个非常复杂的合成数据，并且是当前政策制定最重要的风向标，因此GDP的预测是非常重要也是非常复杂的。上文中，我们分析了PMI指数和GDP同比增速之间的关系，央行也在2006年做过相关的分析工作，是将PMI数据年化后，对折年的GDP增速进行预测。但由于当时PMI指数序列较短，因此央行只是得到了一个非常粗略的分析结论，即当综合PMI指数在53％左右时，我国的GDP增长相应可以达到10％左右。当前，PMI数据序列已经能够提供更加丰富的信息，且近几年宏观经济环境发生了急剧的变化，数据之间的关系也发生了一定的变化，因此重新使用PMI指数预测GDP增速是必要的，也是可行的。

在拟合回归方程之前，我们首先检验数据的平稳性，检验结果显示，PMI指数和GDP季度增速都满足数据平稳性的要求，可以直接使用进行回归分析。我们使用季度的GDP增速和季度化的PMI指数进行回归分析，可得到PMI指数和GDP增速之间的函数关系。拟合方程如表13所示。[9]

从上述拟合方程来看，方程通过了相关的统计检验，调整的R2达到了0.84，DW检验也达到了1.99。为了更加直观地反映预测方程的拟合效果，图9给出了方程的拟合效果图。可以看出，方程的拟合效果不错，尤其是在2009年以后，二者的拟合关系更好，拟合出了GDP增长的趋势和波动。通过对2011年一季度至2012年三季度范围内一步向前滚动预测发现，模型的预测精度较高，平均误差可控制在5％左右。

（三）工业增加值预测方程的构建

按照上文的分析思路，我们可以使用回归的方式对当月及以后几个月的工业增加值进行预测，但是由于数据存在短期波动，预测结果的置信区间会比较大，因此在实际应用时应尽可能剔除短期波动和干扰因素对预测结果的影响，因此我们希望使用PMI指数的移动平均值来预测工业增加值的移动平均值。由于国家统计局不公布工业增加值的绝对值，使用同比增长速度换算环比增速又存在很大的误差，因此定量分析中最好还是直接采用工业增加值的同比增速作为被预测值，使用季节调整后的PMI指数及其滞后期作为解释变量。同时需要注意的是，工业增加值的累计增长速度并不是工业增加值增速的移动平均值，同时我们在使用移动平均值预测方程得到预测结果后，需要对预测数据进行还原处理，才能得到工业增加值的月度同比增长速度。

在构建预测方程之前，首先检验数据的平稳性。经过PDF检验可知，移动平均后的工业增加值月度同比序列和PMI序列都是平稳的，可以直接用来构建方程。[10]构建的预测方程如表14所示。

从上述拟合方程来看，回归方程经过了相关的统计检验，调整的R2达到了0.99，DW检验也达到了1.87，方程的拟合效果非常好。为了更加直观地反映预测方程的拟合效果，图10给出了方程的拟合效果图。通过对2012年1月至2012年11月范围内一步向前滚动预测发现模型的预测精度较高，平均误差可控制在6％左右。

四、PMI合成新指数

为充分发挥PMI指数的作用，我们构建了PMI新的合成指数。实际应用中也发现，这些新的合成指数能够更提前发现行业经济的拐点，但也发现，拟合指标更多地反映变动趋势，而不太适用于量化分析。本文构建了以下新的合成指数：

1.“新订单-新出口订单”

该指标可以反映内需与出口比例。之所以构建该兑减指标，是因为在近年来的经济发展中，外需的变动对我国经济发展具有非常重要的影响，因此我们需要对外需和出口的情况进行监控。如图11所示，该指标处于不断的波动中，反映了不同时期经济环境的变化。2012年下半年以来，企业内需与出口的比例持续上升，这也反映了2012年以来由于世界经济复苏进程迟缓对我国企业出口造成的影响。

我们进一步检验该指标和经济指标之间的关系，我们通过工业销售和工业出口交货值来构建工业内需与出口的比例关系，通过相关系数分析，我们发现，二者之间的同比相关系数最高达到0.4，且具有6期的先行期。环比分析得到的结论为二者的相关性也较高，相关系数达到0.42，具有2期的先行期。与所以在使用该指标进行分析时，我们可以根据该指标的变化判断未来的企业内需与出口的变化。与上文的分析相同，为排除数据波动对相关系数的影响，我们继续分析兑减指标和经济指标变化方向的一致性，如表15所示。

2.“原材料库存—产成品库存”

该指标可以反映销售的情况。如图12所示，从2010年以来，我国企业的销售情况处于不断波动中，但2011年以后，企业销售情况逐渐恶化。

同样我们分析一下该兑减指标和经济指标之间的对应关系。我们通过工业销售收入指标反映企业的销售情况，通过分析该兑减指标和工业销售收入同比增速的相关性和先行性，我们发现，二者的相关性较强，为0.55，且具有5期的先行性；分析该兑减指标和工业销售收入环比增速的相关性和先行性，发现二者的相关性和先行性依然显著，二者的相关系数为0.3，且具有3期的先行期。

3.新订单—产成品库存

该指标可以反映企业的生产动力。如图13所示，该兑减指标显示，自2011年以来，企业生产动力持续下降，反映了需求下降对企业的影响。由于经济生活中缺乏与该指标对应的客观指标，因此我们没有办法分析该兑减指标与经济指标的相关性和先行性。该指标究竟能否准确反映企业的生产动力的变化，这需要在以后的研究工作中进一步研究和分析。

五、结论与建议

一是季节调整后的PMI指数更具有参考性。通过对PMI综合指数和工业增加值、PMI分项指数和相应经济指标的相关性和先行性分析发现，经过季节调整后的PMI指数和相应指标的相关性和先行性、与经济指标变化的方向一致性都得到了显著加强。因此季节调整后的PMI指数更具有参考性。但是由于季节调整具有一定的主观性，不同的操作者进行调整可能得到不同的结果，这可能会造成一定的混乱。因此建议中国物流采购联合会能够尽快组织力量进行PMI指数的季节调整，并且尽早发布结果。

二是PMI指数更加适用于对统计指标环比变化方向的分析。根据PMI指数的编制原理可知，PMI指数为环比数据，且通过文中分析发现，PMI指数，尤其是季节调整后的PMI指数和统计指标环比变化方向具有较高的一致性，可达到70％左右，这为我们分析相应统计指标的走势提供了有益的参考。

三是借助PMI分项指数构造新的合成指数，进一步拓宽PMI指数的应用范围。当前的PMI指数由一个综合指数和11个分项指数构成，可反映其相对应的经济运行情况。但是我们通过PMI分项指数的兑减构造出新的合成指数，可以更多角度、更深层次地反映经济运行的情况。

四是在使用PMI指数进行预测，尤其是月度预测时，由于数据的波动性较高，预测结果的置信区间会比较大。此时，使用移动平均的方法进行预测，再进一步还原为原值，可以在一定程度上剔除短期波动和干扰因素对预测结果的影响，得到更高的预测准确性。

附录

附图　PMI原序列及X-13季节调整后序列季节性检验图

1.积压订单原序列及季节调整后序列季节性检验

2.供应商配送时间原序列及季节调整后序列季节性检验

3.从业人员原序列及季节调整后序列季节性检验

4.新出口订单原序列及季节调整后序列季节性检验

5.进口原序列及季节调整后序列季节性检验

6.产成品库存原序列及季节调整后序列季节性检验

7.新订单原序列及季节调整后序列季节性检验

8.PMI原序列及季节调整后序列季节性检验

9.购进价格原序列及季节调整后序列季节性检验

10.生产量原序列及季节调整后序列季节性检验

11.采购量原序列及季节调整后序列季节性检验

12.原材料库存原序列及季节调整后序列季节性检验

参考文献：

1.于颖.中国PMI数据的实际应用——PMI领先性分析［J］.社科纵横，2009（12）.

2.于颖，蔡进.中国PMI与其他数据相关性研究［J］.社科纵横，2008（12）.

3.刘姝威，石刚.中国存货指数研究［M］.北京：经济科学出版社，2008.

4.张道德，俞林.CPI、PMI与消费者信心指数的关系研究及实证分析［J］.中国物价，2009（9）.

5.尤建新.中国采购经理指数的研究与应用［J］.中国科技论坛，2006（6）.

6.陈中涛.中国经济发展继续保持平稳态势——从2月份PMI看经济发展［J］.当代经济，2010（3）.

7.张利斌，冯益.中国PMI与GDP关系的实证检验［J］.统计与决策，2012（2）.

8.石刚，肖晨红.PMI与GDP相关关系的实证分析［R］.工作论文.

9.于颖.PPS抽样方法在CFLP-PMI中的运用［J］.社科纵横，2007（12）.

郭丽岩　1980年1月出生，管理学博士，毕业于北京大学政府管理学院，现任国家发改委经济研究所副研究员，主要研究领域为管制经济、产业组织、制度经济学，近期主要成果包括《国际大宗商品价格波动及对我国物价水平影响的研究》获第五届“薛暮桥价格研究奖”论文奖（2010年），《出口型企业开拓国内市场面临的问题及相关建议》获国家发改委宏观经济研究院2011年度优秀调研报告一等奖，《新一轮价格总水平上升研究》获国家发改委宏观经济研究院2009年度优秀研究成果二等奖，《我国文化服务业发展及政策研究》获国家发改委宏观经济研究院2010年度横向课题优秀研究成果二等奖，《药品价格管理研究》荣获国家发改委宏观经济研究院2012年度基本科研业务费专项资金课题优秀成果一等奖。

---

[1]以上关于中国PMI指数季节调整的具体细节参考中国物流采购联合会网站信息及化学工业出版社《解读PMI：走在市场之前》。

[2]PMI综合指数及各分项指数季节调整后的数据和季节性检验图见附录。

[3]PMI指数和相关经济指标的相关性分析最长可用的样本范围为2005年1月至2012年12月，但是本文中选择的样本范围为2010年1月至2012年12月，之所以选择这段样本主要基于以下考虑：首先，必须满足统计检验对数据长度的要求；其次，尽量使用最新的样本进行分析，以反映数据之间关系的最新特点，为当前的判断和使用提供依据。在下文的检验中，如无特别说明，样本期都是2010年1月至2012年12月。

[4]因为统计数据缺失的原因，在分析库存指数和产成品库存相关性和先行性关系时，我们选取的样本期间为2011年1月至2012年12月。

[5]PPS抽样调查法是指按照规模大小成比例的概率抽样方法。它是一种使用辅助信息，从而使每个单位均有按照其规模大小成比例被抽中概率的一种抽样方式。

[6]由于官方PMI指数中分企业规模指数只从2012年2月份开始公布，因此我们无法得知更多的历史信息。

[7]当前统计数据中并没有中小企业工业增加值的统计数据，所以我们在下文的分析中使用集体企业工业增加值的数据近似替代。

[8]若无特别说明，本文在构建预测模型时使用的PMI指数都是经季节调整后的。

[9]由于GDP增速只有季度数据，所以在构建方程时我们没有采用本文中统一采用的2010年1月至2012年12月的样本范围，而是使用了2005年1季度至2012年四季度的样本范围，其中PMI指数为季度平均数据。

[10]和上文保持一致，工业增加值预测方程使用的样本范围为2010年1月至2012年12月。