醉染图书应用时间序列分析9787111587026

前言iii
章引言1
1.1时间序列的特点1
1.2时间序列例子2
1.3R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
2章元时间序列的基本概念和ARIMA模型12
2.1时间序列的平稳及关度量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
.随机游走18
2.4趋势平稳过程19
2.5联合平稳和互关函数21
2.6一般线模型21
2.7MA模型
2.8AR模型26
2.9ARMA模型31
2.10ARIMA模型37
2.11季节模型38
2.1习题
3章元时间序列数据的拟合及预测:ARIMA及模型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
3.3ARIMA模型的估计和预测46
3.3.1ARMA模型的优选似然估计46
3.3.2ARMA模型的矩估计方法47
3.3.3ARMA模型预测的基本数学原理48
3.4简单指数平滑55
3.5Holt-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时间序列季节分解的LOESS方法66
3.7.1LOESS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76
3.9.1交叉验: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: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1.2Auckland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局部线趋势模型113
4..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
4.3.4ARMA模型的状态空间模型形式119
4.4Kalman滤波1
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
5.2.1DF检验、ADF检验以及PP检验139
5.2.2KPSS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
6.2ARFIMA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
6.4ARFIMA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
7.2.1ARCH模型160
7.2.2GARCH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
7.4GARCH模型的延伸167
7.4.1一组GARCH模型168
7.4.2FGARCH模型族170
7.4.3ARFIMA-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177
8.2交叉协方差矩阵和相关矩阵178
8.3一般线模型179
8.4VARMA模型180
8.5协整模型和Granger因果检验183
8.5.1VECM和协整183
8.5.2协整检验188
8.5.3Granger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章非线时间序列208
9.1非线时间序列例子208
9.2线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
9.3.3Hansen检验216
9.4Logistic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2
9.8.3关于向量误差修正模型的Hansen检验225
0章谱分析简介228
10.1周期时间序列228
10.2谱密度2
10.3谱分布函数4
10.4自相关母函数和谱密度5
10.5时不变线滤波器
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

吴喜之， 北京大学数学力学系学士，美国北卡罗来纳大学统计系博士。中国人民大学统计学院教授、博士生导师。靠前统计学界的学术带头人，靠前推广R语言的先驱。曾是委员会统计学科评议组成员、概率统计学会常务理事、教委概率统计教材组成员、统计教材编审委员会委员。主要从事序贯分析、回归诊断、质量控制和模型选择等方向的教学与研究，多次主持自然科学项目。在靠前重要学术刊物上发表50多篇，著有近20部专著和教材，代表著作有《复杂数据统计方法》《非参数统计》等。曾在北京大学、南开大学、美国加州大学和北卡罗来纳大学任教。

前言多数国内时间序列教材的一些特点首先, 一些教材比较着重于数学理论和推导. 作者多为数学出身,他们习惯于数学的严格和而又漂亮的数学结论的推导.这些书适用于那些愿意为时间序列的数学理论研究做出贡献的读者.其次, 国内教材中一元时间序列往往占绝大部分篇幅,而且包含在各种数学定下的定理和结果.这可能是因为一元时间序列的数学描述确实很漂亮,很多结果都能够以比较简洁的数学语言表达出来. 而多元时间序列则很不一样,在一元情况下很漂亮的结果, 在多元情况下就完全不同了. 在数学上,繁琐的表达是不受人们喜爱的, 因此,多元时间序列很难在数学味道很浓的教科书中展开.很多教材对于真实时间序列的数据分析强调得不够. 那些数学味道浓的书,主要目的不是分析实际数据, 而且实际数据往往很难满足那些书上的数学定,过多地讨论实际应用并不是这些书的重点.另外有一些教材的确强调应用, 作者很多也不是数学出身,书中也列举了一些数学定和论, 但往往没有花篇幅去完善和系统化,更没有用简明扼要的语言去做解释,使得无论是数学还是非数学出身的读者均不能很好地理解所用模型背后的机理.在涉及统计软件使用方面, 数学味道的书完全不用任何软件是可以理解的,但很多着重于应用的教科书只介绍昂贵的"傻瓜式"商业软件就不值得提倡了，因为介绍昂贵商业软件的教材客观上鼓励了使用盗版软件.商业软件不透明, 代码保密, 而且没有体现的成果,完全不能满足实际工作者的需要.本书的宗旨本书的读者对象是非数学专业的读者, 可以是生或者,也可以是在校教师或者实际工作者.我们力图用简单通俗的语言阐述有关的基本概念和计算,并尽量通过案例来讲述各种时间序列方法,使得非数学背景的读者可以较容易地理解.同时,我们也把有关的数学结构用简单完整的方式阐述, 以供读者参考.本书全程使用免费、公开、透明的开源编程软件R[^1], 而且提供全部代码.R软件是世界上使用者多的数据分析软件, 有着强大的统计界的支持,发展很快, 每天都有许多新的程序包加入, 到2017年年初,R的统计程序包数量已经超过10 000, 而2009年年底只有不到1000.新的统计方法大都以R程序包的形式首先展现在世人面前.这是任何商业软件所望尘莫及的.本书希望读者能够尽快地学会如何使用R软件解决读者自己的实际问题或数据.本书的实际例子都可以从网上下载, 或者从华章获取.本书也尽可能多地介绍的多元时间序列方法.除了各个科学领域的实际数据之外, 还包括了金融和经济数据的例子.第2版对整个结构做了较大的修改、增补和调整, 更便于理解和教学,并且做了一些订正.感谢云南财经大学谢佳春老师对本书提出的很好的意见, 改进了本书的质量.欢迎读者提出宝贵意见, 以使我们在本书再版时予以改进.作者曾经在美国University of California---Berkeley统计系时间序列课(STAT 153)及University of Michigan---Ann Arbor统计系的时间序列课(STAT 531)上用过本书的内容.[^1]: R Core Team (2016). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. https://www.R-project.org/.吴喜之2017 年5 月