第1 章 時間序列分析簡介
1.1 引 言
1.2 時間序列的定義
1.3 時間序列分析方法
1.3.1 描述性時序分析
1.3.2 統(tǒng)計時序分析
1.4 Python 簡介
1.4.1 Python 的特點
1.4.2 Python 的安裝
1.4.3 Anaconda 的安裝
1.4.4 Python 的基本語法規(guī)則
1.4.5 生成時間序列數(shù)據(jù)
1.4.6 繪制時序圖
1.4.7 時間序列數(shù)據(jù)的處理
1.4.8 時間序列數(shù)據(jù)的導出
1.5 習 題
第 2 章 時間序列的預處理
2.1 平穩(wěn)序列的定義
2.1.1 特征統(tǒng)計量
2.1.2 平穩(wěn)時間序列的定義
2.1.3 平穩(wěn)時間序列的統(tǒng)計性質(zhì)
2.1.4 平穩(wěn)時間序列的意義
2.2 平穩(wěn)性檢驗
2.2.1 時序圖檢驗
2.2.2 自相關圖檢驗
2.3 純隨機性檢驗
2.3.1 純隨機序列的定義
2.3.2 純隨機序列的性質(zhì)
2.3.3 純隨機性檢驗
2.4 習 題
第 3 章 ARMA 模型的性質(zhì)
3.1 Wold 分解定理
3.2 AR 模型
3.2.1 AR 模型的定義
3.2.2 AR 模型的平穩(wěn)性判別
3.2.3 平穩(wěn) AR 模型的統(tǒng)計性質(zhì)
3.3 MA 模型
3.3.1 MA 模型的定義
3.3.2 MA 模型的統(tǒng)計性質(zhì)
3.3.3 MA 模型的可逆性
3.3.4 MA 模型的偏自相關系數(shù)
3.4 ARMA 模型
3.4.1 ARMA 模型的定義
3.4.2 ARMA 模型的平穩(wěn)性與可逆性
3.4.3 ARMA 模型的統(tǒng)計性質(zhì)
3.5 習 題
第 4 章 平穩(wěn)序列的擬合與預測
4.1 建模步驟
4.2 單位根檢驗
4.2.1 DF 檢驗
4.2.2 ADF 檢驗
4.3 模型識別
4.4 參數(shù)估計
4.4.1 矩估計
4.4.2 極大似然估計
4.4.3 最小二乘估計
4.5 模型檢驗
4.5.1 模型的顯著性檢驗
4.5.2 參數(shù)的顯著性檢驗
4.6 模型優(yōu)化
4.6.1 問題的提出
4.6.2 AIC 準則
4.6.3 BIC 準則
4.7 序列預測
4.7.1 線性預測函數(shù)
4.7.2 預測方差最小原則
4.7.3 線性最小方差預測的性質(zhì)
4.7.4 修正預測
4.8 習 題
第 5 章 無季節(jié)效應的非平穩(wěn)序列分析
5.1 Cramer 分解定理
5.2 差分平穩(wěn)
5.2.1 差分運算的實質(zhì)
5.2.2 差分方式的選擇
5.2.3 過差分
5.3 ARIMA 模型
5.3.1 ARIMA 模型的結構
5.3.2 ARIMA 模型的性質(zhì)
5.3.3 ARIMA 模型建模
5.3.4 ARIMA 模型預測
5.4 疏系數(shù)模型
5.5 習 題
第 6 章 有季節(jié)效應的非平穩(wěn)序列分析
6.1 因素分解理論
6.2 因素分解模型
6.2.1 因素分解模型的選擇
6.2.2 趨勢效應的提取
6.2.3 季節(jié)效應的提取
6.2.4 X11 季節(jié)調(diào)節(jié)模型
6.3 指數(shù)平滑預測模型
6.3.1 簡單指數(shù)平滑
6.3.2 Holt 兩參數(shù)指數(shù)平滑
6.3.3 Holt-Winters 三參數(shù)指數(shù)平滑
6.4 ARIMA 加法模型
6.5 ARIMA 乘法模型
6.6 習 題
第 7 章 多元時間序列分析
7.1 偽回歸
7.2 協(xié)整模型
7.2.1 單整與協(xié)整
7.2.2 協(xié)整模型
7.2.3 誤差修正模型
7.3 干預模型
7.4 Granger 因果檢驗
7.4.1 Granger 因果關系的定義
7.4.2 Granger 因果檢驗
7.4.3 Granger 因果檢驗的問題
7.5 習 題
附錄
參考文獻