《计量经济学基础》(第3版)共分12章。前10章是经典计量经济学内容。其中主要介绍一元、多元线性回归模型，可线性化的非线性回归模型，联立方程模型以及当模型的假定条件不成立时对模型的补正措施，如异方差、自相关、多重共线性问题等。因为时间序列模型也是预测经济变量的一个重要方法，所以第11章介绍时间序列模型。近20多年来经济变量的非平稳性问题越来越引起人们的注意，并在这方面取得了许多研究成果。在第12章对这一部分内容作了初步的介绍。为了便于掌握计量经济学软件TS（TimeSeriesPrograms）的应用，除了在附录1中专门介绍了TIP的主要功能及其使用方法外，还在各章中对典型的应用给出TIP命令。在附录2中给出基本的统计学知识，便于读者随时查阅。
《时间序列分析：理论与实践》 内容简介： 本书旨在为读者提供一个全面而深入的时间序列分析理论框架，并辅以丰富的实际应用案例，帮助读者掌握如何理解、建模、预测和解释经济、金融以及其他领域中的时间序列数据。本书的叙事逻辑严谨，从最基础的概念出发，逐步引入复杂的模型和技术，力求让不同背景的读者都能从中受益。 第一部分：基础概念与经典模型 本书的开篇，我们将从时间序列分析的核心概念入手。读者将首先接触到什么是时间序列数据，理解其与横截面数据的本质区别，以及时间序列数据所特有的特性，如自相关性（autocorrelation）、异方差性（heteroskedasticity）以及非平稳性（non-stationarity）。我们将深入探讨平稳性的概念，特别是弱平稳（weak stationarity）和严平稳（strict stationarity），并介绍检验平稳性的常用方法，如单位根检验（unit root tests）。 随后，我们将详细介绍经典的时间序列模型，这是理解更复杂模型的基础。首先是自回归（Autoregressive, AR）模型，我们将阐述AR(p)模型的原理，即当前值如何依赖于过去p个观测值，并解释其参数的含义和估计方法。接着是移动平均（Moving Average, MA）模型，我们将揭示MA(q)模型中当前值如何与过去q个误差项相关联。 在此基础上，我们将引入自回归移动平均（Autoregressive Moving Average, ARMA）模型，这是AR和MA模型的结合，能够更灵活地刻画时间序列的动态结构。我们将详细讲解ARMA(p,q)模型的设定、识别、估计和检验过程。对于非平稳时间序列，我们将重点介绍差分（differencing）的概念，以及如何通过差分使其平稳，进而应用ARMA模型。 第二部分：单位根过程与协整分析 非平稳性是时间序列分析中最常见也最具挑战性的问题之一。本书将专门开辟章节深入探讨单位根过程（unit root processes）。我们将详细讲解随机游走（random walk）模型及其变种，解释单位根的存在如何导致序列的长期不确定性。我们将深入介绍单位根检验的各种方法，如Dickey-Fuller（DF）检验、增广Dickey-Fuller（ADF）检验，以及Phillips-Perron（PP）检验，并分析这些检验方法的原理、优缺点以及在实际应用中的注意事项。 当两个或多个非平稳时间序列变量之间存在长期稳定的均衡关系时，我们就称它们之间存在协整（cointegration）。协整关系意味着，尽管单个序列可能随机漂移，但它们的某种线性组合却是平稳的。本书将系统介绍协整的概念和检验方法，包括Engle-Granger两步法和Johansen检验。我们将深入讲解协整向量的含义，以及如何在存在协整关系的情况下建立误差修正模型（Error Correction Model, ECM）来捕捉短期动态和长期均衡。ECM模型能够有效地将序列的短期波动与长期均衡关系联系起来，是分析经济变量之间相互作用的重要工具。 第三部分：波动率建模与预测 在金融市场和经济数据分析中，波动率（volatility）往往比均值更受关注。本书将深入探讨波动率的建模与预测。我们将首先介绍条件异方差（Conditional Heteroskedasticity, ARCH）模型，解释该模型如何捕捉误差项方差随时间变化的现象。在此基础上，我们将引入更具代表性的广义自回归条件异方差（Generalized Autoregressive Conditional Heteroskedasticity, GARCH）模型。我们将详细讲解GARCH(p,q)模型的结构，包括其参数的解释，并介绍最大似然估计（Maximum Likelihood Estimation, MLE）等估计方法。 为了更好地刻画金融市场中的波动率特征，如波动率聚集（volatility clustering）和杠杆效应（leverage effect），本书还将介绍更高级的波动率模型，例如EGARCH（Exponential GARCH）模型和GJR-GARCH模型。我们将分析这些模型如何更精确地捕捉不对称的波动率反应。最后，本书将讨论如何利用这些波动率模型进行波动率的预测，以及这些预测在风险管理、期权定价等领域的应用。 第四部分：向量自回归模型与结构分析 许多经济现象并非由单个变量独立驱动，而是多个变量相互影响、共同演化的结果。为了分析这类多变量时间序列系统，本书将重点介绍向量自回归（Vector Autoregression, VAR）模型。VAR模型将系统中的所有变量都视为内生变量，并将其表示为自身滞后值的线性组合。我们将详细讲解VAR模型的设定、阶数选择（如Akaike信息准则 AIC, Schwarz信息准则 BIC）、估计和诊断检验。 在VAR模型的基础上，我们将进一步介绍结构向量自回归（Structural Vector Autoregression, SVAR）模型。SVAR模型在VAR模型的基础上引入了经济理论的约束，旨在识别经济中的结构性冲击（structural shocks）。我们将讲解如何通过不同类型的识别方法（如Cholesky分解、零约束、符号约束）来分离出内生变量的结构性冲击，并分析这些冲击对经济变量的动态影响。脉冲响应函数（Impulse Response Function, IRF）和方差分解（Variance Decomposition）是SVAR模型分析的重要工具，本书将详细介绍如何解释和应用它们。 第五部分：状态空间模型与卡尔曼滤波 状态空间模型（State-Space Models）提供了一种非常灵活且强大的框架来处理各种时间序列问题，尤其适合处理具有潜在（未观测）状态的系统。本书将引入状态空间模型的基本框架，包括状态方程（state equation）和观测方程（observation equation），并解释其在时间序列分析中的普适性。 核心内容将围绕卡尔曼滤波（Kalman Filter）展开。卡尔曼滤波是一种最优线性滤波器，能够递归地估计系统的状态变量，即使状态变量是不可观测的。我们将详细讲解卡尔曼滤波器的原理，包括预测和更新步骤，并展示如何利用卡尔曼滤波来估计含有不可观测成分的时间序列模型，如随机波动率模型、时间变参数模型等。此外，我们还将介绍平滑算法（smoothing algorithms），用于估计过去的所有状态变量，从而获得更精确的参数估计和状态推断。 第六部分：模型选择、评估与应用 在完成模型构建之后，如何选择最优模型、如何评估模型的拟合优度以及如何将模型应用于实际问题，是至关重要的环节。本书将 devote 章节讨论这些方面。我们将介绍各种模型选择标准，如信息准则（AIC, BIC）和赤池信息量准则（AICc），并讨论它们在不同情境下的适用性。 模型的评估将涵盖残差分析（residual analysis），包括检查残差的自相关性、异方差性以及正态性，并介绍各种诊断检验方法。我们将讲解如何使用Ljung-Box检验、ARCH-LM检验等来检验模型是否充分抓住了数据的动态结构。 在实际应用方面，本书将通过多个精心挑选的案例来展示时间序列分析的强大力量。这些案例可能涵盖宏观经济预测（如GDP增长率、通货膨胀率的预测）、金融市场分析（如股票价格的波动率预测、汇率的动态分析）、以及其他学科的实际问题。通过这些案例，读者将学习如何将理论知识转化为解决实际问题的能力，如何将模型应用于政策制定、风险管理和投资决策等领域。 结论 《时间序列分析：理论与实践》力求成为一本集理论深度、模型广度与实践价值于一体的著作。本书的目标是让读者不仅理解时间序列分析的“是什么”和“为什么”，更能掌握“怎么做”，并能将所学知识灵活应用于自身的学术研究或实际工作中。本书的编写风格力求清晰易懂，同时又不失严谨性，旨在为希望深入了解时间序列分析的读者提供一条扎实的学习路径。
