第1章 动态数据预处理 1
1.1 平稳性检验 1
1.2 正态性检验 5
1.3 独立性检验 11
1.4 周期性检验 12
1.5 趋势项检验 13
1.6 小结 20
习题 21
第2章 时间序列模型 24
2.1 线性平稳模型 24
2.2 自回归模型（AR模型） 29
2.3 滑动平均模型（MA模型） 36
2.4 自回归-滑动平均混合模型（ARMA模型） 39
2.5 时间序列模型的特征函数 43
2.5.1 偏相关函数 43
2.5.2 格林函数（G函数） 46
2.5.3 逆函数（I函数） 48
2.6 非平稳的时间序列模型 49
2.6.1 ARIMA模型 49
2.6.2 IMA模型 54
2.7 小结 57
习题 58
第3章 模型参数估计 60
3.1 样本参数估计 60
3.1.1 样本均值 60
3.1.2 样本方差 61
3.1.3 样本自相关 63
3.1.4 样本功率谱 64
3.2 模型参数的相关矩估计 66
3.2.1 AR模型参数的矩估计 67
3.2 2 MA模型参数的矩估计 73
3.2.3 ARMA模型参数的矩估计 76
3.3 最小二乘估计（LS估计） 78
3.3.1 最小二乘方法 78
3.3.2 AR模型参数的LS估计 80
3.3.3 ARMA模型参数的LS估计 81
3.4 最小方差估计（LMS估计） 84
3.4.1 最小方差方法 84
3.4.2 模型参数的LMS估计 85
3.5 最大似然估计（ML估计） 87
3.5.1 最大似然方法 87
3.5.2 模型参数的ML估计 88
3.6 最大熵估计 90
3.6.1 最大熵准则 90
3.6.2 AR模型参数的最大熵估计 92
3.7 小结 93
习题 94
第4章 模型定阶方法 97
4.1 偏相关定阶法 97
4.2 白度检验定阶法 102
4.2.1 自相关检验法 102
4.2.2 卡埃检验法 102
4.3 F检验定阶法 105
4.4 准则函数定阶法 112
4.4.1 最小预报误差准则（FPE准则） 112
4.4.2 最小信息准则（AIC准则） 114
4.4.3 BIC准则 115
4.5 信息熵定阶法 117
4.6 小结 120
习题 121
第5章 时间序列建模 123
5.1 模型识别 123
5.1.1 平稳性数据的模型识别 123
5.1.2 季节性数据的模型识别 125
5.1.3 趋势性数据的模型识别 128
5.1.4 异常数据的模型识别 130
5.2 波克斯-詹金斯建模方法 132
5.3 潘迪特-吴贤铭建模方法 137
5.4 长自回归、白噪化建模方法 144
5.5 小结 146
习题 147
第6章 时间序列应用 149
6.1 时间序列预测模型 149
6.2 模型谱估计 156
6.3 自适应滤波算法 168
6.4 小结 174
习题 175
参考文献 176