第1章 引言 1
1.1时间序列的特点 1
1.2时间序列例子 2
1.3 R软件入门 5
1.3.1简介 5
1.3.2动手 8
1.4本书的内容 9
1.5习题 10
第2章 一元时间序列的基本概念和ARIMA模型 12
2.1时间序列的平稳性及相关性度量 12
2.1.1平稳、自协方差函数和自相关函数 13
2.1.2差分算子和后移算子 15
2.2白噪声 16
2.3随机游走 18
2.4趋势平稳过程 19
2.5联合平稳性和互相关函数 21
2.6一般线性模型 21
2.7 MA模型 23
2.8 AR模型 26
2.9 ARMA模型 31
2.10 ARIMA模型 37
2.11季节模型 38
2.12习题 39
第3章 一元时间序列数据的拟合及预测：ARIMA及其他模型 44
3.1拟合及预测的基本目的与预测精度的度量 44
3.2对序列自相关的混成检验 46
3.3 ARIMA模型的估计和预测 46
3.3.1 ARMA模型的最大似然估计 46
3.3.2 ARMA模型的矩估计方法 47
3.3.3 ARMA模型预测的基本数学原理 48
3.4简单指数平滑 55
3.5 Holt-Winters滤波预测方法 61
3.6指数平滑模型的一些术语和符号 63
3.7时间序列季节性分解的LOESS方法 66
3.7.1 LOESS方法简介 66
3.7.2利用LOESS做时间序列的季节分解 67
3.8回归用于时间序列 73
3.9时间序列的交叉验证 76
3.9.1交叉验证：利用固定长度时间段的训练集来预测固定长度的未来 77
3.9.2交叉验证：利用逐渐增加长度的训练集来预测固定长度的未来 80
3.10更多的一元时间序列数据实例分析 83
3.10.1例1.4有效联邦基金利率例子 83
3.10.2澳洲Darwin自1882年以来月度海平面气压指数例子 88
3.10.3中国12个机场旅客人数例子 96
3.10.4例1.2 Auckland降水序列例子 102
3.11习题 109
第4章 状态空间模型和Kalman滤波简介 111
4.1动机 111
4.2结构时间序列模型 112
4.2.1局部水平模型 113
4.2.2局部线性趋势模型 113
4.2.3季节效应 114
4.3一般状态空间模型 114
4.3.1使用R程序包解状态空间模型的要点 116
4.3.2随时间变化系数的回归 116
4.3.3结构时间序列的一般状态空间模型表示 117
4.3.4 ARMA模型的状态空间模型形式 119
4.4 Kalman滤波 123
第5章 单位根检验 134
5.1单整和单位根 134
5.2单位根检验 138
5.2.1 DF检验、ADF检验以及PP检验 139
5.2.2 KPSS检验 144
第6章 长期记忆过程：ARFIMA模型 147
6.1介于I（0）及I（1）之间的长期记忆序列 147
6.2 ARFIMA过程 149
6.3参数d的估计 151
6.3.1参数d的估计：平稳序列情况 151
6.3.2参数d*的估计：非平稳ARFIMA（p， d*，q）情况 153
6.4 ARFIMA模型拟合例3.2尼罗河流量数据 153
第7章GARCH模型 156
7.1时间序列的波动 157
7.2模型的描述 160
7.2.1 ARCH模型 160
7.2.2 GARCH模型 161
7.3数据的拟合 162
7.3.1例1.1美国工业生产增长指数数据的拟合 162
7.3.2例7.1数据的拟合 165
7.4 GARCH模型的延伸 167
7.4.1一组GARCH模型 168
7.4.2 FGARCH模型族 170
7.4.3 ARFIMA-GARCH模型族拟合例7.1数据 171
第8章 多元时间序列的基本概念及数据分析 176
8.1平稳性 177
8.2交叉协方差矩阵和相关矩阵 178
8.3一般线性模型 179
8.4 VARMA模型 180
8.5协整模型和Granger因果检验 183
8.5.1 VECM和协整 183
8.5.2协整检验 188
8.5.3 Granger因果检验 193
8.6多元时间序列案例分析 196
8.6.1加拿大宏观经济数据 196
8.6.2例8.2加拿大宏观经济数据的协整检验和Granger因果检验 197
8.6.3用VAR（2）模型拟合例8.2加拿大宏观经济数据并做预测 199
8.6.4用 VARX模型拟合例8.2加拿大宏观经济数据并做预测 202
8.6.5用状态空间VARX模型拟合例8.2加拿大宏观经济数据 204
8.7习题 207
第9章 非线性时间序列 208
9.1非线性时间序列例子 208
9.2线性AR模型 211
9.3自门限自回归模型 212
9.3.1一个门限参数的模型 213
9.3.2两个门限参数的模型 214
9.3.3 Hansen检验 216
9.4 Logistic平滑过渡自回归模型 217
9.5神经网络模型 219
9.6可加AR模型 221
9.7模型的比较 221
9.8门限协整 222
9.8.1向量误差修正模型 222
9.8.2向量误差修正模型的估计 223
9.8.3关于向量误差修正模型的Hansen检验 225
第10章 谱分析简介 228
10.1周期性时间序列 228
10.2谱密度 232
10.3谱分布函数 234
10.4自相关母函数和谱密度 235
10.5时不变线性滤波器 239
10.6谱估计 242
10.6.1通过样本自协方差函数估计谱密度 243
10.6.2通过周期图估计谱密度 243
10.6.3非参数谱密度估计 246
10.6.4参数谱密度估计 249
附录 使用R软件练习 251
参考文献 260