第1章 时间序列（ARIMA和SARIMA）模型 1
1.1 随机过程、时间序列 1
1.2 时间序列模型的分类 6
1.3 自相关函数 18
1.4 偏自相关函数 24
1.5 时间序列（ARIMA）模型的建立与预测 27
1.6 非季节时间序列建模案例 36
1.7 季节时间序列（SARIMA）模型 44
1.8 季节时间序列建模案例 46
第2章 时间序列的移动平均计算原理 61
2.1 定义和理论 61
2.2 X-11中的对称移动平均 67
2.3 Musgrave非对称移动平均 76
2.4 X-11移动平均滤子 82
3.1 平稳与非平稳序列的统计特征 86
第3章 单位根检验方法 86
3.2 四种典型的非平稳随机序列 90
3.3 DF分布 97
3.4 单位根的DF检验用表 99
3.5 进一步讨论 100
3.6 单位根检验 102
3.7 单位根检验举例 105
3.8 结构突变与单位根检验 113
4.1 季节调整的意义 121
第4章 X-12-ARIMA季节调整原理 121
4.2 X-12-ARIMA简介 123
4.3 X-12-ARIMA程序的基本流程 125
4.4 regARIMA建模原理 126
4.5 X-11的默认计算原型 131
4.6 X-11方法的具体步骤 134
4.7 X-12-ARIMA设定函数的运算流程 141
4.8 案例 144
附录A EVIEWS的视窗菜单操作 179
附录B EVIEWS的命令行操作 185
第5章 X-12-ARIMA季节调整程序中的新功能与方法 190
5.1 引言 190
5.2 新的X-11调整选项 194
5.3 新的诊断 206
5.4 regARIMA建模与模型选择 213
5.5 用模型解决调整问题：四个例子 223
5.6 用户交互界面：三个例子 232
5.7 结论性评论 234
附录A Henderson滤子、Musgrave非对称滤子 234
附录B AO和LS探测程序 237
第6章 X-12输出结果详解 239
前言 239
6.1 输出表格B部分：初步估计极端值和日历效应 241
6.2 输出表格C部分：极端值和日历效应的最终估计 293
6.3 输出表格D部分：不同成分的最终估计 317
6.4 输出表格E部分 355
6.5 输出表格F部分：季节调整质量的衡量 362
第7章 中国春节等特殊日历因素调整方案 377
7.1 移动假日效应 377
7.2 春节模型 379
7.3 案例 380
7.4 存量数据的春节效应调整 386
7.5 genhol程序简要说明 388
7.6 春节模型的进一步改进 389
7.7 存量数据春节模型的进一步改进 394
附表1 春节虚拟变量（流量数据）1970—2020年（-14≤w≤20） 400
附表2 春节虚拟变量（存量数据）1970—2020年（w2=31） 414
附表3 春节虚拟变量（存量数据）1970—2020年（w2=25） 418
附表4 改进春节模型的春节虚拟变量（流量数据） 422
附表5 改进春节模型的春节虚拟变量（存量数据）1970—2020年（wb=15,wd=3,wa=20,w2=31） 424
参考文献 426