通常我们在对时间序列数据构建模型之前，需要对变量进行一些季节调整，对数化处理和差分处理，为甚么要这么做，不做有什么样的影响呢？
第一个问题：为什么要做季节调整？
一般来说，一个经济指标中往往包含有四个变动要素，长期要素、循环要素、季节要素和其他一些不规则的要素。在经济分析中，往往趋势和循环要素才能真实的反映经济指标的运行的客观规律，季节变动要素比如吃冰棍的夏季往往比冬季多得多，这就会掩盖掉经济变量发展的客观规律，因此在分析之前，需要对变量做季节调整，剔除它。
记住只有季度和月度的数据才需要调整
采用什么方法来剔除呢？目前比较常用的有4种方法，CensusX12、X11、移动平均方法和Tramo/Seats方法。比较常用的是CensusX12方法，如何来做，操作上再说，很简单。
那季节调整有什么样的缺点呢？说白了，季节调整后的数据，不论总量和增长速度均与实际数值存在很大的差距，数据反映出的很可能不是指标在核算期的实际经济含义。
第二个问题：为什么要做对数化处理？
因为大部分经济指标数据都是呈现偏态分布的，比如收入或者国民生产总值，而且这些指标大都呈现右偏，取对数可以将大于中位数的值按照比例进行缩小，从而让数据服从正态分布，而正态分布也符合计量模型中的很多假设，对于解决异方差问题有很大的帮助。
第三个问题：为什么要差分？
从研究的目标上来讲，对数化处理后再差分，体现的是该经济指标的对数收益率。对研究增长率相关的问题很重要。
从统计学角度来讲，差分是非平稳序列变成平稳序列常用的方法，只有平稳性的时间序列才能避免“伪回归”的存在，才有经济意义。
