大部分时间序列尤其是经济时间序列的运行趋势都是由多种因素共同影响而形成的,而经济时间序列又是观察经济运行态势的最直观的依据,因此,能够准确识别时间序列背后的影响因素成为是否能够准确判断经济运行状况的重要一环。季节调整方法通过数理统计的方法分解目标时间序列,将时间序列拆分成趋势-周期、季节以及不规则等四种成分,使时间序列使用者能够更加清楚的了解时间序列基本趋势的数据分析技巧。目前,国际上比较流行、前沿的时间序列季节调整方法按基本原理进行分类可以分为基于模型的方法和基于过滤器的方法,其中,基于模型的方法要求时间序列对象是随机的,然后在此基础上通过构造统计量进行统计推断,比较著名的方法是由西班牙银行领衔开发的TRAMO/SEATS方法;基于过滤器的方法,顾名思义,即模型通过使用一系列过滤器对时间序列进行过滤,进而拆解时间序列得到相应的组成部分,方法的核心原理是减少甚至剔除输入信息的谱功率带,其中最具代表性的就是目前季节调整领域使用最广泛的X-12-ARIMA方法。但是,由于两种方法都是由国外进行开发,对于假日效应的处理只考虑了国外的部分假日,不能很好地适应中国特有的节日效应(比如春节),因此季节调整的效果也就大打折扣。本文结合时间序列季节性调整方法的最新发展趋势,综合对比X-12-ARIMA、TRAMO/SEATS以及最新推广的X-13ARIMA-SEATS方法的基本原理以及应用范围、季节调整质量等因素,最终选择在基于X-13ARIMA-SEATS方法的基础上,考虑中国传统节日春节的效应,对消费者价格指数即CPI进行季节性调整,消除CPI序列中的季节性因素以及春节效应因素,使得不同月份的数据具有相互比较的基础。