Applied time series analysis

第1章 时间序列分析简介
1.1 引言
1.2 时间序列的定义
1.3 时间序列分析方法
1.3.1 描述性时序分析
1.3.2 统计时序分析
1.4 时间序列分析软件
1.5 习题
1.6 上机指导
1.6.1 SAS操作界面
1.6.2 创建时间序列SAS数据集
1.6.3 时间序列数据集的处理
第2章 时间序列的预处理
2.1 平稳性检验
2.1.1 特征统计量
2.1.2 平稳时间序列的定义
2.1.3 平稳时间序列的统计性质
2.1.4 平稳时间序列的意义
2.1.5 平稳性的检验
2.2 纯随机性检验
2.2.1 纯随机序列的定义
2.2.2 白噪声序列的性质
2.2.3 纯随机性检验
2.3 习题
2.4 上机指导
2.4.1 绘制时序图
2.4.2 平稳性与纯随机性检验
第3章 平稳时间序列分析
3.1 方法性工具
3.1.1 差分运算
3.1.2 延迟算子
3.1.3 线性差分方程
3.2 ARMA模型的性质
3.2.1 AR模型
3.2.2 MA模型
3.2.3 ARMA模型
3.3 平稳序列建模
3.3.1 建模步骤
3.3.2 样本自相关系数与偏自相关系数
3.3.3 模型识别
3.3.4 参数估计
3.3.5 模型检验
3.4 序列预测
3.4.1 线性预测函数
3.4.2 预测方差最小原则
3.4.3 线性最小方差预测的性质
3.4.4 修正预测
3.5 习题
3.6 上机指导
3.6.1 模型识别
3.6.2 参数估计
3.6.3 序列预测
第4章 非平稳序列的确定性分析
4.1 时间序列的分解
4.1.1 Wold分解定理
4.1.2 Cramer分解定理
4.2 确定性因素分解
4.3 趋势分析
4.3.1 趋势拟合法
4.3.2 平滑法
4.4 季节效应分析
4.5 综合分析
4.6 X-11过程
4.7 习题
4.8 上机指导
4.8.1 拟合线性趋势
4.8.2 拟合非线性趋势
4.8.3 X-11过程
4.8.4 Forecast过程
第5章 非平稳序列的随机分析
5.1 差分运算
5.1.1 差分运算的实质
5.1.2 差分方式的选择
5.1.3 过差分
5.2 ARIMA模型
5.2.1 ARIMA模型的结构
5.2.2 ARIMA模型的性质
5.2.3 ARIMA模型建模
5.2.4 ARIMA模型预测
5.2.5 疏系数模型
5.2.6 季节模型
5.3 残差自回归模型
5.3.1 模型结构
5.3.2 残差自相关检验
5.3.3 模型拟合
5.4 异方差的性质
5.4.1 异方差的影响
5.4.2 异方差的直观诊断
5.5 方差齐性变换
5.6 条件异方差模型
5.6.1 ARCH模型
5.6.2 GARCH模型
5.6.3 GARCH的衍生模型
5.7 习题
5.8 上机指导
5.8.1 拟合ARIMA模型
5.8.2 拟合Auto Regressive模型
5.8.3 拟合GARCH模型
第6章 多元时间序列分析
6.1 平稳多元序列建模
6.2 虚假回归
6.3 单位根检验
6.3.1 DF检验
6.3.2 ADF检验
6.3.3 PP检验
6.4 协整
6.4.1 单整与协整
6.4.2 协整检验
6.5 误差修正模型
6.6 习题
6.7 上机指导
附录1
附录2
附录3
参考文献