只含季节因素与随机因素。因此，它含有确定季节因素所必须的信息。若它的比值大于100%，就意味着序列的实际值xt比滑动平均值TtCt要大（该季度的季节性与随机性高于平均数，反之低于平均数），反之要小。
3. 从Stεt中分解季节因素St
即保留季节性，消除随机性，可以采取了按季节平均的方法，将前面得到的序列Stεt逐年逐季排列起来，然后将各年的相同季节的Stεt相加起来，再进行平均。
4. 从TtCt序列中分解出Ct序列
TtCt包含了趋势因素与循环因素，要把这两者分离出来，首先要确定一种能最好地描述数据的长期趋势变化的曲线类型。趋势变化曲线，可能有以下几种类型：
（1）线性趋势：Tt=a+bt （2）指数曲线：Tt=αeβt （3）S型曲线：
属于何种趋势曲线，要根据序列的数值进行判断，并运用最小二乘法，估计出有关参数。
确定了趋势因素Tt后，可以用下式计算出循环指数Ct：
Ct也围绕100%波动，若Ct低（高）于100%，则意味着第t年的经济活动水平低（高）于所有年份的平均水平。
四、温特线性和季节性指数平滑
既含有线性趋势和季节性的数据进行处理和预测，使用温特（Winter）线性和季节性指数平滑方法，模型形式为：
xt=St(Tt+εt)
判断数据是否有季节性，粗略判断可以直接观察时序图，更好的方法是解析法，即通过研究数据序列的自相关性判断。
温特方法由三个基础的平滑公式和一个预测方程组成，每个平滑公式都含有一个平滑系数：
总体平滑公式：
趋势平滑公式：
季节的平滑公式：
预测公式：
其中，α, β, γ是三个不同的平滑系数，Tt是消除季节因素后的趋势平滑值，xt是序列的实际值，ht是趋势增加或减少量序列，St是季节调整因子，τ是季节的长度（如一年中的月数12或季度数4），l是向前
?t?l是向前l期的预测值。 预测期数，x总体平滑和趋势平滑公式是序列xt消除季节因素St后，霍尔特双参数α和β线性指数平滑法。季节平滑公式是序列xt消除趋势因素Tt后，季节指数的加权平均修匀值。以当前观察的季节指数xt/ Tt和上期季节指数St-τ进行γ加权平均。对于乘法模型来说，季节指数围绕1波动，可能大于1，也可能小于1。在拟合模型时可以通过求解最小的均方误差MSE得到三个平滑系数的具体值。预测公式是利用拟合模型短期向前预测l期的预测值公式。
（三）季节调整——PROC X11过程
X11过程是根据美国国情调查局编制的时间序列季节调整过程X-11改编的，可以对月度或季度时间序列进行季节调整。其基本原理就是时间序列的确定性因素分解方法。
X11过程是基于这样的假定：任何时间序列都可以拆分成长期趋势波动Tt、季节波动St、不规则波动εt的影响。又有经济学家发现在经济时间序列中交易日Dt也是一个很重要的影响因素（日历天数的组成不同而引起的变动）。因此，任一时间序列可以分解乘法模型xt=TtStDtεt或加法模型xt=Tt+St+Dt+εt。
由于宏观调控部门主要关注的是序列的长期趋势波动Tt的规律，所以X11过程主要目的是要从原序列中剔除季节影响、交易日影响和不规则波动影响，得到尽可能准确的长期趋势规律。
而采取的方法就是前文的因素剔除法和平滑技术。X11过程不依赖任何模型，普遍采用移动平均法：用多次短期中心移动平均法消除不规则波动，用周期移动平均消除趋势，用交易周期移动平均消除交易日的影响。在整个过程中总共要用到11次移动平均，所以得名为X11过程。
基本语法：
proc x11 data=数据集 ; monthly 选项列表;
quarterlly选项列表; arima选项列表; macurves选项;
output out=数据集; pdweights变量 tables表名列表; var变量列表; by 变量; id变量列表;
说明：
（1）monthly或quarterly语句是必不可少的，用来说明数据集是月度序列还是季度序列；
（2）pdweights和macurves语句只能与monthly语句一起用，分别用来指定星期几的权重和月份的滑动平均长度；
（3）tables语句控制各种表格的输出。output语句语句控制生成out=后指定的数据集；
（4）proc x11语句的可选项：
? outtdr＝数据集名——输出交易日回归的结果（B15表和C15表中的内容）到数据集；
? outstb＝数据集名——输出稳定季节性检验的结果（表D8中的内容）到数据集；