時間序列分析：基于R（第2版）

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(jì)時序分析
1．4 R簡介
1．4．1 R的特點(diǎn)
1．4．2 R和 RStudio的安裝
1．4．3 R語言基本規(guī)則
1．4．4生成時間序列數(shù)據(jù)
1．4．5時間序列數(shù)據(jù)的處理
1．4．6繪制時序圖
1．4．7時間序列數(shù)據(jù)的導(dǎo)出
1．5習(xí)題
第 2章 時間序列的預(yù)處理
2．1平穩(wěn)序列的定義
2．1．1特征統(tǒng)計(jì)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(jì)性質(zhì)
2．1．4平穩(wěn)時間序列的意義
2．2平穩(wěn)性檢驗(yàn)
2．2．1時序圖檢驗(yàn)
2．2．2自相關(guān)圖檢驗(yàn)
2．3純隨機(jī)性檢驗(yàn)
2．3．1純隨機(jī)序列的定義
2．3．2純隨機(jī)序列的性質(zhì)
2．3．3純隨機(jī)性檢驗(yàn)
2．4習(xí)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(jì)性質(zhì)
3．2．4自相關(guān)系數(shù)
3．2．5偏自相關(guān)系數(shù)
3．3 MA模型
3．3．1 MA模型的定義
3．3．2 MA模型的統(tǒng)計(jì)性質(zhì)
3．3．3 MA模型的可逆性
3．3．4 MA模型偏自相關(guān)系數(shù)拖尾
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(p， q)模型的統(tǒng)計(jì)性質(zhì)
3．4．4自相關(guān)系數(shù)
3．5習(xí)題
第 4章平穩(wěn)序列的擬合與預(yù)測
4．1建模步驟
4．2單位根檢驗(yàn)
4．2．1 DF檢驗(yàn)
4．2．2 ADF檢驗(yàn)
4．3模型識別
4．4參數(shù)估計(jì)
4．4．1矩估計(jì)
4．4．2極大似然估計(jì)
4．4．3最小二乘估計(jì)
4．5模型檢驗(yàn)
4．5．1模型的顯著性檢驗(yàn)
4．5．2參數(shù)的顯著性檢驗(yàn)
4．6模型優(yōu)化
4．6．1問題的提出
4．6．2AIC準(zhǔn)則
4．6．3 BIC準(zhǔn)則
4．7序列預(yù)測
4．7．1線性預(yù)測函數(shù)
4．7．2預(yù)測方差最小原則
4．7．3線性最小方差預(yù)測的性質(zhì)
4．7．4修正預(yù)測
4．8習(xí)題
第 5章無季節(jié)效應(yīng)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(yùn)算的實(shí)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(jié)構(gòu)
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(yù)測
5．4疏系數(shù)模型
5．5習(xí)題
第 6章有季節(jié)效應(yīng)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(yīng)的提取
6．2．3季節(jié)效應(yīng)的提取
6．2．4 X11季節(jié)調(diào)節(jié)模型
6．3指數(shù)平滑預(yù)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(xí)題
第 7章 多元時間序列分析
7．1 ARIMAX模型
7．2干預(yù)分析
7．3偽回歸
7．4協(xié)整
7．4．1單整與協(xié)整
7．4．2協(xié)整模型
7．4．3誤差修正模型
7．5 Granger因果檢驗(yàn)
7．5．1 Granger因果關(guān)系定義
7．5．2 Granger因果檢驗(yàn)
7．5．3 Granger因果檢驗(yàn)的問題
7．6習(xí)題
附錄 1
附錄 2
附錄 3
參考文獻(xiàn)