应用时间序列分析

第1章 引言1.1 时间序列的特点 1.2 时间序列例子1.3 R软件入门 1.3.1 简介 1.3.2 动手 1.4 本书的内容 1.5 习题

第2章 一元时间序列的基本概念和模型2.1 时间序列的平稳性及相关性度量2.1.1 平稳、自协方差函数和自相关函数2.1.2 差分算子和后移算子 2.2 白噪声2.3 随机游走 2.4 趋势平稳过程2.5 一般线性模型2.6 MA模型 2.7 AR模型 2.8 ARMA模型 2.9 ARIMA模型2.10 季节模型 2.11 习题

第3章 一元时间序列数据的拟合及预测3.1 一些估计和预测方法的基本数学原理 3.1.1 ARMA模型的最大似然估计3.1.2 ARMA模型的矩估计方法 3.1.3 预测的基本目的3.1.4 简单指数平滑 3.1.5 Holt-Winters滤波预测方法 3.1.6 ARMA模型预测的基本数学原理 3.2 一元时间序列数据实例分析 3.2.1 差分、平滑和时间序列的分解 3.2.2 ARMA模型和ARIMA模型 3.2.3 例1.2中Auckland降水序列的综合分析3.3 习题

第4章 状态空间模型和Kalman滤波简介*4.1 动机 4.2 结构时间序列模型 4.2.1 局部水平模型 4.2.2 局部线性趋势模型4.2.3 季节效应4.3 一般状态空间模型 4.3.1 随时间变化系数的回归 4.3.2 ARMA模型的状态空间模型形式 4.3.3 结构时间序列的一般状态空间模型表示 4.4 Kalman滤波 4.5 状态空间数据例子 4.5.1 一元局部水平模型例子 4.5.2 二元局部水平模型Kalman滤波例子 4.5.3 包含季节因素的局部水平多元模型Kalman滤波例子

第5章 单位根检验 5.1 单整和单位根5.2 单位根检验 5.2.1 DF检验、ADF检验以及PP检验 5.2.2 KPSS检验

第6章 长期记忆过程:ARFIMA模型6.1 介于(0)及(1)之间的长期记忆序列 6.2 ARFIMA过程 6.3 ARFIMA模型拟合例3.4尼罗河流量数据

第7章 GARCH模型7.1 时间序列的波动 7.2 模型的描述 7.3 数据的拟合7.3.1 例7.1数据的拟合7.3.2 例7.2数据的拟合7.4 GARCH模型的延伸 7.4.1 一组GARCH模型7.4.2 FGARCH模型族 7.4.3 ARFIMA-GARCH模型族拟合例7.2数据

第8章 多元时间序列的基本概念和模型8.1 平稳性8.2 交叉协方差矩阵和相关矩阵8.3 一般线性模型8.4 VARMA模型8.5 协整模型和Granger因果检验8.5.1 VECM和协整 8.5.2 协整检验8.5.3 Granger因果检验

第9章 多元时间序列数据的拟合及预测9.1 例9.1数据的协整检验和Granger因果检验9.1.1 Johansen协整检验.9.1.2 Engle-Granger协整检验9.1.3 Pillips-Ouliaris协整检验9.1.4 例9.1数据的Granger因果检验 9.2 用VAR、VARX及状态空间模型拟合例9.1数据 9.2.1 用VAR拟合及预测例9.1数据 9.2.2 用VARX模型拟合及预测例9.1数据 9.2.3 用状态空间模型拟合及预测例9.1数据 9.3 习题

第10章 非线性时间序列10.1 非线性例子10.2 线性AR模型10.3 自门限自回归模型 10.3.1 一个门限参数的模型 10.3.2 两个门限参数的模型 10.3.3 Hansen检验10.4 Logistic平滑过渡自回归模型10.5 神经网络模型10.6 可加AR模型10.7 模型的比较10.8 门限协整 10.8.1 向量误差修正模型10.8.2 向量误差修正模型的估计10.8.3 向量误差修正模型的检验

第11章 谱分析简介11.1 周期性时间序列11.2 谱密度11.3 谱分布函数11.4 自相关母函数和谱密度11.5 时不变线性滤波器11.6 谱估计11.6.1 通过样本自协方差函数估计谱密度.11.6.2 通过周期图估计谱密度 11.6.3 非参数谱密度估计.11.6.4 参数谱密度估计附录使用R软件练习参考文献