第1章 时间序列分析简介 1
1.1 引言 1
1.2 时间序列的定义 1
1.3 时间序列分析方法 2
1.3.1 描述性时序分析 2
1.3.2 统计时序分析 4
1.4 R简介 6
1.4.1 R的特点 6
1.4.2 R的安装 7
1.4.3 R语言基本规则 8
1.4.4 生成时间序列数据 11
1.4.5 时间序列数据的处理 14
1.4.6 时间序列数据导出 16
1.5 习题 16
第2章 时间序列的预处理 17
2.1 平稳时间序列 17
2.1.1 特征统计量 17
2.1.2 平稳时间序列的定义 19
2.1.3 平稳时间序列的统计性质 20
2.1.4 平稳时间序列的意义 21
2.2 时序图与自相关图 23
2.2.1 时序图 23
2.2.2 绘制序列自相关图 29
2.3 平稳性的检验 30
2.3.1 时序图检验 30
2.3.2 自相关图检验 32
2.4 纯随机性检验 33
2.4.1 纯随机序列的定义 34
2.4.2 白噪声序列的性质 35
2.4.3 纯随机性检验 36
2.5 习题 41
第3章 平稳时间序列分析 44
3.1 方法性工具 44
3.1.1 差分运算 44
3.1.2 延迟算子 45
3.1.3 线性差分方程 45
3.2 ARMA模型的性质 47
3.2.1 AR模型 47
3.2.2 MA模型 62
3.2.3 ARMA模型 69
3.3 平稳序列建模 72
3.3.1 建模步骤 72
3.3.2 样本自相关系数与偏自相关系数 73
3.3.3 模型识别 73
3.3.4 参数估计 81
3.3.5 模型检验 87
3.3.6 模型优化 91
3.4 序列预测 96
3.4.1 线性预测函数 96
3.4.2 预测方差最小原则 97
3.4.3 线性最小方差预测的性质 98
3.5 习题 105
第4章 非平稳序列的确定性分析 109
4.1 时间序列的分解 109
4.1.1 Wold分解定理 109
4.1.2 Cramer分解定理 110
4.2 确定性因素分解 111
4.3 趋势分析 112
4.3.1 趋势拟合法 112
4.3.2 平滑法 117
4.4 季节效应分析 125
4.5 综合分析 127
4.6 习题 133
第5章 非平稳序列的随机分析 136
5.1 差分运算 136
5.1.1 差分运算的实质 136
5.1.2 差分方式的选择 137
5.1.3 过差分 141
5.2 ARIMA模型 142
5.2.1 ARIMA模型的结构 142
5.2.2 ARIMA模型的性质 143
5.2.3 ARIMA模型建模 145
5.2.4 ARIMA模型预测 147
5.2.5 疏系数模型 150
5.2.6 季节模型 154
5.3 残差自回归模型 161
5.3.1 模型结构 162
5.3.2 残差自相关检验 165
5.3.3 残差自相关模型拟合 168
5.4 异方差的性质 170
5.4.1 异方差的影响 170
5.4.2 异方差的直观诊断 171
5.5 方差齐性变换 173
5.6 条件异方差模型 175
5.6.1 ARCH模型 176
5.6.2 GARCH模型 184
5.6.3 GARCH的衍生模型 191
5.7 习题 193
第6章 多元时间序列分析 198
6.1 平稳多元序列建模 198
6.2 虚假回归 203
6.3 单位根检验 205
6.3.1 DF检验 205
6.3.2 ADF检验 214
6.4 协整 219
6.4.1 单整与协整 219
6.4.2 协整检验 220
6.5 误差修正模型 223
6.6 习题 225
附录 228
参考文献 258