時間序列分析簡明教程

第1章  動態(tài)數據預處理
 1. 1  平穩(wěn)性檢驗
 1. 2  正態(tài)性檢驗
 1. 3  獨立性檢驗
 1. 4  周期性檢驗
 1. 5  趨勢項檢驗
 1. 6  小結
 習題
 第2章  時間序列模型
 2. 1  線性平穩(wěn)模型
 2. 2  自回歸模型(AR模型)
 2. 3  滑動平均模型(MA模型)
 2. 4  自回歸-滑動平均混合模型(ARMA模型)
 2. 5  時間序列模型的特征函數
 2. 5. 1  偏相關函數
 2. 5. 2  格林函數(G函數)
 2. 5. 3  逆函數(I函數)
 2. 6  非平穩(wěn)的時間序列模型
 2. 6. 1  ARIMA模型
 2. 6. 2  IMA模型
 2. 7  小結
 習題
 第3章  模型參數估計
 3. 1  樣本參數估計
 3. 1. 1  樣本均值
 3. 1. 2  樣本方差
 3. 1. 3  樣本自相關
 3. 1. 4  樣本功率譜
 3. 2  模型參數的相關矩估計
 3. 2. 1  AR模型參數的矩估計
 3. 2. 2  MA模型參數的矩估計
 3. 2. 3  ARMA模型參數的矩估計
 3. 3  最小二乘估計(LS估計)
 3. 3. 1  最小二乘方法
 3. 3. 2  AR模型參數的LS估計
 3. 3. 3  ARMA模型參數的LS估計
 3. 4  最小方差估計(LMS估計)
 3. 4. 1  最小方差方法
 3. 4. 2  模型參數的LMS估計
 3. 5  最大似然估計(ML估計)
 3. 5. 1  最大似然方法
 3. 5. 2  模型參數的ML估計
 3. 6  最大熵估計
 3. 6. 1  最大熵準則
 3. 6. 2  AR模型參數的最大熵估計
 3. 7  小結
 習題
 第4章  模型定階方法
 4. 1  偏相關定階法
 4. 2  白度檢驗定階法
 4. 2. 1  自相關檢驗法
 4. 2. 2  卡埃檢驗法
 4. 3  F檢驗定階法
 4. 4  準則函數定階法
 4. 4. 1  最小預報誤差準則(FPE準則)
 4. 4. 2  最小信息準則(AIC準則)
 4. 4. 3  BIC準則
 4. 5  信息熵定階法
 4. 6  小結
 習題
 第5章  時間序列建模
 5. 1  模型識別
 5. 1. 1  平穩(wěn)性數據的模型識別
 5. 1. 2  季節(jié)性數據的模型識別
 5. 1. 3  趨勢性數據的模型識別
 5. 1. 4  異常數據的模型識別
 5. 2  波克斯-詹金斯建模方法
 5. 3  潘迪特-吳賢銘建模方法
 5. 4  長自回歸. 白噪化建模方法
 5. 5  小結
 習題
 第6章  時間序列應用
 6. 1  時間序列預測模型
 6. 2  模型譜估計
 6. 3  自適應濾波算法
 6. 4  小結
 習題
 參考文獻