顶部
  1. 首页
  2. 图书产品
  3. 时间序列分析及应用
收藏

时间序列分析及应用

作者：
周永道 王会琦 吕王勇
定价：
32.70元
ISBN：
978-7-04-042967-1
版面字数：
360.000千字
开本：
16开
全书页数：
308页
装帧形式：
平装
重点项目：
暂无
出版时间：
2015-09-21
物料号：
42967-00
读者对象：
高等教育
一级分类：
数学与统计学类
二级分类：
统计学专业课
三级分类：
时间序列分析

本书是为统计学专业学生编写的时间序列分析课程教材。全书共九章，内容包括绪论，预备知识，时间序列的平稳化，自回归模型，滑动平均模型，自回归滑动平均模型，求和自回归滑动平均模型，非线性时间序列，多维时间序列。

本书内容既保证了理论的完整性，又具有方法的实际可操作性，多重角度剖析时间序列的三大模型，并结合统计软件（EViews）应用，增强学习效果。

本书既可作为高等学校统计学专业本科生时间序列分析课程的教材，也可供相关专业的研究生和教师参考。

  • 第一章 绪论
    • 1.1 时间序列
      • 1.1.1 时间序列的例子
      • 1.1.2 时间序列分析的目的
    • 1.2 时间序列分析方法
      • 1.2.1 时域分析方法
      • 1.2.2 频域分析方法
    • 1.3 时间序列的预处理
      • 1.3.1 非等间隔
      • 1.3.2 缺失值
      • 1.3.3 离群点
    • 1.4 时间序列分析发展史
  • 第二章 预备知识
    • 2.1 随机过程
      • 2.1.1 随机过程的定义
      • 2.1.2 随机过程的有限维分布族与数字特征
      • 2.1.3 常见的随机过程
    • 2.2 傅里叶变换
    • 2.3 差分方程与系统
      • 2.3.1 差分方程
      • 2.3.2 时域离散系统
      • 2.3.3 差分方程与系统
    • 习题
  • 第三章 时间序列的平稳化
    • 3.1 平稳时间序列
      • 3.1.1 平稳时间序列的定义
      • 3.1.2 自协方差函数
      • 3.1.3 平稳性的意义
      • 3.1.4 样本自协方差函数
      • 3.1.5 平稳序列谱密度
      • 3.1.6 白噪声序列
    • 3.2 平稳性检验
      • 3.2.1 时序图判断法
      • 3.2.2 自相关系数检验法
      • 3.2.3 分段检验法
      • 3.2.4 游程检验法
    • 3.3 平稳化方法
      • 3.3.1 分解定理
      • 3.3.2 确定性因素分解法
      • 3.3.3 随机性序列差分法
    • 3.4 白噪声检验
    • 习题
  • 第四章 自回归模型
    • 4.1 AR模型的引入
    • 4.2 AR模型的定义
    • 4.3 平稳AR序列的统计性质
      • 4.3.1 均值
      • 4.3.2 方差
      • 4.3.3 自协方差函数
      • 4.3.4 自相关系数
      • 4.3.5 偏自相关系数
      • 4.3.6 谱密度
    • 4.4 AR序列的建模
      • 4.4.1 AR模型的判定
      • 4.4.2 AR模型的参数估计
      • 4.4.3 AR模型的定阶
      • 4.4.4 AR模型的检验
    • 4.5 AR模型的应用
    • 4.6 AR模型的预测
      • 4.6.1 佳预测
      • 4.6.2 佳线性预测
      • 4.6.3 AR模型的预测
      • 4.6.4 修正预测
    • 4.7 AR模型的物理解释
      • 4.7.1 从数理统计角度理解
      • 4.7.2 从系统角度理解
      • 4.7.3 系统的因果稳定性
    • 习题
  • 第五章 滑动平均模型
    • 5.1 MA模型的定义
    • 5.2 MA模型的可逆性
    • 5.3 MA序列的统计性质
      • 5.3.1 均值和方差
      • 5.3.2 自协方差函数和自相关系数
      • 5.3.3 偏自相关系数
      • 5.3.4 谱密度
    • 5.4 MA序列的建模
      • 5.4.1 MA模型的判定
      • 5.4.2 MA模型的参数估计
      • 5.4.3 MA模型的定阶
      • 5.4.4 MA模型的检验
    • 5.5 MA模型的预测
      • 5.5.1 修正预测
    • 5.6 MA模型的应用
    • 5.7 MA模型的物理解释
      • 5.7.1 从数理统计角度理解
      • 5.7.2 从系统角度理解
      • 5.7.3 系统的因果稳定性
    • 习题
  • 第六章 自回归滑动平均模型
    • 6.1 ARMA模型的定义
    • 6.2 ARMA模型的统计性质
      • 6.2.1 均值和方差
      • 6.2.2 自协方差函数和自相关系数
      • 6.2.3 谱密度
    • 6.3 ARMA序列的建模
      • 6.3.1 ARMA模型的判定
      • 6.3.2 ARMA模型的参数估计
    • 6.4 ARMA模型的预测
      • 6.4.1 无限观测值
      • 6.4.2 有限观测值
    • 6.5 ARMA模型的应用
    • 6.6 ARMA模型的物理解释
      • 6.6.1 从数理统计角度理解
      • 6.6.2 从系统角度理解
      • 6.6.3 系统的因果稳定性
    • 习题
  • 第七章 求和自回归滑动平均模型
    • 7.1 ARIMA模型的定义
    • 7.2 ARIMA模型的建模
      • 7.2.1 过差分
      • 7.2.2 ARIMA模型的建模流程
    • 7.3 ARIMA模型的应用
    • 7.4 SARIMA模型
      • 7.4.1 SARIMA模型的定义
      • 7.4.2 SARIMA模型的应用
    • 习题
  • 第八章 非线性时间序列
    • 8.1 条件异方差模型
      • 8.1.1 异方差问题的提出
      • 8.1.2 异方差的处理
      • 8.1.3 条件异方差模型及性质
      • 8.1.4 GARCH模型及其性质
      • 8.1.5 GARCH模型的参数估计
      • 8.1.6 GARCH模型的应用
    • 8.2 门限自回归模型
      • 8.2.1 门限自回归模型的定义
      • 8.2.2 门限自回归模型的参数估计
      • 8.2.3 门限自回归模型的应用
    • 习题
  • 第九章 多维时间序列
    • 9.1 多维平稳序列
      • 9.1.1 多维平稳序列的定义
      • 9.1.2 均值及自协方差函数的估计
      • 9.1.3 多维ARMA模型
      • 9.1.4 VAR模型
      • 9.1.5 VAR模型应用
    • 9.2 协整
      • 9.2.1 伪回归
      • 9.2.2 协整
    • 9.3 Kalman滤波
      • 9.3.1 Kalman滤波的模型
      • 9.3.2 状态估计
      • 9.3.3 Kalman滤波的应用
    • 习题
  • 附录A 数据
  • 附录B EViews上机实现
  • 参考文献
  • 索引