第一章 緒論
1.1 時間序列
1.1.1 時間序列的例子
1.1.2 時間序列分析的目的
1.2 時間序列分析方法
1.2.1 時域分析方法
1.2.2 頻域分析方法
1.3 時間序列的預處理
1.3.1 非等間隔
1.3.2 缺失值
1.3.3 離群點
1.4 時間序列分析發展史
第二章 預備知識
2.1 隨機過程
2.1.1 隨機過程的定義
2.1.2 隨機過程的有限維分布族與數字特徵
2.1.3 常見的隨機過程
2.2 傅裏葉變換
2.3 差分方程與係統
2.3.1 差分方程
2.3.2 時域離散係統
2.3.3 差分方程與係統
習題
第三章 時間序列的平穩化
3.1 平穩時間序列
3.1.1 平穩時間序列的定義
3.1.2 自協方差函數
3.1.3 平穩性的意義
3.1.4 樣本自協方差函數
3.1.5 平穩序列譜密度
3.1.6 白噪聲序列
3.2 平穩性檢驗
3.2.1 時序圖判斷法
3.2.2 自相關係數檢驗法
3.2.3 分段檢驗法
3.2.4 遊程檢驗法
3.3 平穩化方法
3.3.1 分解定理
3.3.2 確定性因素分解法
3.3.3 隨機性序列差分法
3.4 白噪聲檢驗
習題
第四章 自迴歸模型
4.1 AR模型的引入
4.2 AR模型的定義
4.3 平穩AR序列的統計性質
4.3.1 均值
4.3.2 方差
4.3.3 自協方差函數
4.3.4 自相關係數
4.3.5 偏自相關係數
4.3.6 譜密度
4.4 AR序列的建模
4.4.1 AR模型的判定
4.4.2 AR模型的參數估計
4.4.3 AR模型的定階
4.4.4 AR模型的檢驗
4.5 AR模型的應用
4.6 AR模型的預測
4.6.1 最佳預測
4.6.2 最佳綫性預測
4.6.3 AR模型的預測
4.6.4 修正預測
4.7 AR模型的物理解釋
4.7.1 從數理統計角度理解
4.7.2 從係統角度理解
4.7.3 係統的因果穩定性
習題
第五章 滑動平均模型
5.1 MA模型的定義
5.2 MA模型的可逆性
5.3 MA序列的統計性質
5.3.1 均值和方差
5.3.2 自協方差函數和自相關係數
5.3.3 偏自相關係數
5.3.4 譜密度
5.4 MA序列的建模
5.4.1 MA模型的判定
5.4.2 MA模型的參數估計
5.4.3 MA模型的定階
5.4.4 MA模型的檢驗
5.5 MA模型的預測
5.5.1 修正預測
5.6 MA模型的應用
5.7 MA模型的物理解釋
5.7.1 從數理統計角度理解
5.7.2 從係統角度理解
5.7.3 係統的因果穩定性
習題
第六章 自迴歸滑動平均模型
6.1 ARMA模型的定義
6.2 ARMA模型的統計性質
6.2.1 均值和方差
6.2.2 自協方差函數和自相關係數
6.2.3 譜密度
6.3 ARMA序列的建模
6.3.1 ARMA模型的判定
6.3.2 ARMA模型的參數估計
6.4 ARMA模型的預測
6.4.1 無限觀測值
6.4.2 有限觀測值
6.5 ARMA模型的應用
6.6 ARMA模型的物理解釋
6.6.1 從數理統計角度理解
6.6.2 從係統角度理解
6.6.3 係統的因果穩定性
習題
第七章 求和自迴歸滑動平均模型
7.1 ARIMA模型的定義
7.2 ARIMA模型的建模
7.2.1 過差分
7.2.2 ARIMA模型的建模流程
7.3 ARIMA模型的應用
7.4 SARIMA模型
7.4.1 SARIMA模型的定義
7.4.2 SARIMA模型的應用
習題
第八章 非綫性時間序列
8.1 條件異方差模型
8.1.1 異方差問題的提齣
8.1.2 異方差的處理
8.1.3 條件異方差模型及性質
8.1.4 GARCH模型及其性質
8.1.5 GARCH模型的參數估計
8.1.6 GARCH模型的應用
8.2 門限自迴歸模型
8.2.1 門限自迴歸模型的定義
8.2.2 門限自迴歸模型的參數估計
8.2.3 門限自迴歸模型的應用
習題
第九章 多維時間序列
9.1 多維平穩序列
9.1.1 多維平穩序列的定義
9.1.2 均值及自協方差函數的估計
9.1.3 多維ARMA模型
9.1.4 VAR模型
9.1.5 VAR模型應用
9.2 協整
9.2.1 僞迴歸
9.2.2 協整
9.3 Kalman濾波
9.3.1 Kalman濾波的模型
9.3.2 狀態估計
9.3.3 Kalman濾波的應用
習題
附錄A 數據
附錄B EViews上機實現
參考文獻
索引
· · · · · · (收起)