时间序列分析与SAS应用

1时间序列的基本知识
  1.1 时间序列概念
  1.2 SAS介绍
    1.2.1 SAS的显示管理系统
    1.2.2 SAS的程式结构
    1.2.3 SAS程式的输入及运行
    1.2.4 DATA语句
    1.2.5 CARDS语句
    1.2.6 INPUT语句
    1.2.7 PROC语句
    1.2.8 PRINT过程
  1.3 时间序列的平稳性
    1.3.1 统计特征
    1.3.2 时间序列的平稳性
    1.3.3 严平稳与宽平稳的关系
    1.3.4 样本均值、方差、自协方差与自相关函数
    1.3.5 平稳时间序列的意义
  1.4 异常点检验与缺省值的补足
    1.4.1 时间序列数据的采集
    1.4.2 异常点的检验与处理
    1.4.3 缺省值的补足
  1.5 平稳性检验
  1.6 纯随机性检验
  1.7 方差的同质性检验
    1.7.1 方差的同质性检验
    1.7.2 方差的稳定性转换
  1.8 差分运算与后移算子
    1.8.1 差分运算
    1.8.2 后移算子
习题1

2 稳时间序列
  2.1 AR（p）模型
    2.1.1 p阶自回归模型
    2.1.2 p阶自回归模型的统计特性

  2.2 MA模型
    2.2.1 q阶移动平均模型
    2.2.2 移动平均模型的统计特性
  2.3 ARMA模型（AutoRegressionMovingAverageModel）
    2.3.1 ARMA（p，g）模型
    2.3.2 ARMA（p，q）模型的统计特性
  2.4 ARMA模型的识别与参数估计
    2.4.1 模型的初步识别
    2.4.2 模型定阶
    2.4.3 模型参数估计
    2.4.4 模型的适应性检验和参数的显著性检验
  2.5 平稳时间序列的预测
  2.6 实例分析（I）
习题2

3 平稳时间序列的确定性分析
  3.1 时间序列的分解
    3.1.1 Cramer分解定理
    3.1.2 确定性因素分解
  3.2 长期趋势分析及预报
    3.2.1 平滑法
    3.2.2 趋势拟合法
  3.3 季节变动分析及预报
    3.3.1 季节变动及其测定目的
    3.3.2 季节变动分析及预测的原理与方法
  3.4 X-ll方法简介
    3.4.1 X-ll方法的基本思想
    3.4.2 X-ll方法
习题3

4 RIMA模型
  4.1 平稳化方法
    4.1.1差分运算的实质
    4.1.2 平稳化方法
    4.1.3 过差分
  4.2 ARIMA（p，d，q）模型
    4.2.1 ARIMA（p，d，g）模型
    4.2.2 ARIMA（p，d，q）模型的参数估计与预报
  4.3 实例分析（Ⅱ）
  4.4 条件异方差模型
    4.4.1 模型介绍
    4.4.2 拟合模型
习题4

5 递函数模型
  5.1 传递函数模型
  5.2 传递函数模型的识别
  5.3 干预模型
  5.4 协整
    5.4.1 单整及其检验（Integration）
    5.4.2 协整及其检验（Cointegration）
    5.4.3 误差修正模型（EICM）
刁题5
附表
参考文献