当前位置:首页 > 数理化
时间序列分析  单变量和多变量方法  第2版
时间序列分析  单变量和多变量方法  第2版

时间序列分析 单变量和多变量方法 第2版PDF电子书下载

数理化

  • 电子书积分:17 积分如何计算积分?
  • 作 者:魏武雄著;贺学强等译
  • 出 版 社:北京:中国人民大学出版社
  • 出版年份:2009
  • ISBN:9787300103136
  • 页数:597 页
图书介绍:本书介绍了多变量与单变量时间序列的时域和频域。
《时间序列分析 单变量和多变量方法 第2版》目录

第1章 概述 1

1.1 引言 1

1.2 本书的例子和安排 2

第2章 基本概念 6

2.1 随机过程 6

2.2 自协方差和自相关函数 10

2.3 偏自相关函数 11

2.4 白噪声过程 15

2.5 均值、自协方差和自相关的估计 16

2.6 时间序列过程的移动平均和自回归表示 21

2.7 线性差分方程 24

练习 28

第3章 平稳时间序列模型 30

3.1 自回归过程 30

3.2 移动平均过程 43

3.3 AR(p)过程和MA(q)过程之间的对偶关系 51

3.4 自回归移动平均ARMA(p,q)过程 53

练习 61

第4章 非平稳时间序列模型 64

4.1 均值非平稳 65

4.2 自回归求和移动平均模型 67

4.3 方差和自协方差非平稳 77

练习 81

第5章 预报 83

5.1 引言 83

5.2 最小均方误差预报 84

5.3 预报的计算 88

5.4 对过去观测值加权平均的ARIMA预报 91

5.5 更新预报 93

5.6 最终预报函数 94

5.7 数值实例 97

练习 99

第6章 模型识别 102

6.1 模型识别的步骤 102

6.2 实例 105

6.3 逆自相关函数 118

6.4 扩展样本自相关函数和其他识别方法 121

练习 126

第7章 参数估计、诊断检验和模型选择 130

7.1 矩方法 130

7.2 极大似然方法 132

7.3 非线性估计 138

7.4 在时间序列分析中的普通最小二乘估计 143

7.5 诊断检验 145

7.6 有关序列W1至W7的实例 146

7.7 模型选择准则 148

练习 150

第8章 季节性时间序列模型 153

8.1 基本概念 153

8.2 传统方法 155

8.3 季节性ARIMA模型 157

8.4 实例 162

练习 175

第9章 单位根检验 179

9.1 引言 179

9.2 一些有用的极限分布 180

9.3 AR(1)模型中的单位根检验 182

9.4 一般模型的单位根检验 189

9.5 季节性时间序列模型的单位根检验 199

练习 203

第10章 干预分析和异常值检验 204

10.1 干预模型 204

10.2 干预分析实例 207

10.3 时间序列的异常值 214

10.4 异常值分析的实例 218

10.5 存在异常值时的模型识别 220

练习 226

第11章 傅立叶分析 228

11.1 一般概念 228

11.2 正交函数 229

11.3 有限序列的傅立叶表示 232

11.4 周期序列的傅立叶表示 233

11.5 非周期序列的傅立叶表示——离散时间序列傅立叶变换 237

11.6 连续时间函数的傅立叶表示 243

11.7 快速傅立叶变换 247

练习 250

第12章 平稳过程的谱理论 252

12.1 谱 252

12.2 一些常用过程的谱 260

12.3 线性滤波的谱 267

12.4 混叠 270

练习 271

第13章 谱估计 274

13.1 周期图分析 274

13.2 样本谱 282

13.3 平滑谱 284

13.4 ARMA谱估计 301

练习 303

第14章 转换函数模型 305

14.1 单个输入转换函数模型 305

14.2 互相关函数和转换函数模型 309

14.3 转换函数模型的结构 312

14.4 利用转换函数模型预报 323

14.5 二元频域分析 330

14.6 互谱和转换函数模型 338

14.7 多维输入转换函数模型 340

练习 342

第15章 时间序列回归和GARCH模型 345

15.1 误差具有自相关性的回归 345

15.2 ARCH和GARCH模型 347

15.3 GARCH模型的估计 352

15.4 预报误差方差的计算 354

15.5 实例 355

练习 359

第16章 向量时间序列模型 361

16.1 协方差和相关矩阵函数 361

16.2 向量过程的移动平均和自回归表示 363

16.3 向量自回归移动平均过程 364

16.4 非平稳向量自回归移动平均模型 377

16.5 向量时间序列模型的识别 378

16.6 模型拟合和预报 390

16.7 实例 392

16.8 向量过程的谱性质 396

附录16.A 多元线性回归模型 398

练习 400

第17章 向量时间序列的深入 403

17.1 向量过程的单位根和协整 403

17.2 局部过程和局部过程相关矩阵 416

17.3 向量ARMA模型的等价表示 426

练习 433

第18章 状态空间模型和卡尔曼滤波 435

18.1 状态空间表示 435

18.2 状态空间模型和ARMA模型的关系 436

18.3 状态空间模型拟和与典型相关分析 442

18.4 经验实例 445

18.5 卡尔曼滤波及其应用 449

附录18.A 典型相关 453

练习 456

第19章 长记忆和非线性过程 457

19.1 长记忆过程与分数差分 457

19.2 非线性过程 462

19.3 门限自回归模型 467

练习 473

第20章 时间序列中的聚积和系统抽样 474

20.1 ARIMA过程的时间聚积 474

20.2 预报和参数估计的聚积效应 486

20.3 ARIMA过程的系统抽样 491

20.4 系统抽样和时间聚积对因果关系的影响 493

20.5 聚积对线性和正态性检验的影响 499

20.6 聚积对单位根检验的影响 504

20.7 进一步的评论 512

练习 513

参考文献 515

附录 535

用作例子的时间序列数据 535

统计表 549

人名 568

词汇表 573

相关图书
作者其它书籍
返回顶部