應(yīng)用時(shí)間序列分析 R軟件陪同（第2版）

目錄 \n
\n
前言 iii \n
第1 章引言1 \n
1.1 時(shí)間序列的特點(diǎn)1 \n
1.2 時(shí)間序列例子2 \n
1.3 R 軟件入門5 \n
1.3.1 簡(jiǎn)介5 \n
1.3.2 動(dòng)手8 \n
1.4 本書的內(nèi)容9 \n
1.5 習(xí)題10 \n
第2 章一元時(shí)間序列的基本概念和ARIMA 模型12 \n
2.1 時(shí)間序列的平穩(wěn)性及相關(guān)性度量12 \n
2.1.1 平穩(wěn)、自協(xié)方差函數(shù)和自相關(guān)函數(shù)13 \n
2.1.2 差分算子和后移算子15 \n
2.2 白噪聲16 \n
2.3 隨機(jī)游走18 \n
2.4 趨勢(shì)平穩(wěn)過(guò)程19 \n
2.5 聯(lián)合平穩(wěn)性和互相關(guān)函數(shù)21 \n
2.6 一般線性模型21 \n
2.7 MA 模型23 \n
2.8 AR 模型26 \n
2.9 ARMA 模型31 \n
2.10 ARIMA 模型37 \n
2.11 季節(jié)模型38 \n
2.12 習(xí)題39 \n
第3 章一元時(shí)間序列數(shù)據(jù)的擬合及預(yù)測(cè): ARIMA 及其他模型44 \n
3.1 擬合及預(yù)測(cè)的基本目的與預(yù)測(cè)精度的度量44 \n
3.2 對(duì)序列自相關(guān)的混成檢驗(yàn)46 \n
3.3 ARIMA 模型的估計(jì)和預(yù)測(cè)46 \n
3.3.1 ARMA 模型的最大似然估計(jì)46 \n
3.3.2 ARMA 模型的矩估計(jì)方法47 \n
3.3.3 ARMA 模型預(yù)測(cè)的基本數(shù)學(xué)原理48 \n
3.4 簡(jiǎn)單指數(shù)平滑55 \n
3.5 Holt-Winters 濾波預(yù)測(cè)方法61 \n
3.6 指數(shù)平滑模型的一些術(shù)語(yǔ)和符號(hào)63 \n
3.7 時(shí)間序列季節(jié)性分解的LOESS 方法66 \n
3.7.1 LOESS 方法簡(jiǎn)介66 \n
3.7.2 利用LOESS 做時(shí)間序列的季節(jié)分解67 \n
3.8 回歸用于時(shí)間序列73 \n
3.9 時(shí)間序列的交叉驗(yàn)證76 \n
3.9.1 交叉驗(yàn)證: 利用固定長(zhǎng)度時(shí)間段的訓(xùn)練集來(lái)預(yù)測(cè)固定長(zhǎng)度的未來(lái)77 \n
3.9.2 交叉驗(yàn)證: 利用逐漸增加長(zhǎng)度的訓(xùn)練集來(lái)預(yù)測(cè)固定長(zhǎng)度的未來(lái)80 \n
3.10 更多的一元時(shí)間序列數(shù)據(jù)實(shí)例分析83 \n
3.10.1 例1.4 有效聯(lián)邦基金利率例子83 \n
3.10.2 澳洲D(zhuǎn)arwin 自1882 年以來(lái)月度海平面氣壓指數(shù)例子88 \n
3.10.3 中國(guó)12 個(gè)機(jī)場(chǎng)旅客人數(shù)例子96 \n
3.10.4 例1.2 Auckland 降水序列例子102 \n
3.11 習(xí)題109 \n
第4 章?tīng)顟B(tài)空間模型和Kalman 濾波簡(jiǎn)介111 \n
4.1 動(dòng)機(jī)111 \n
4.2 結(jié)構(gòu)時(shí)間序列模型112 \n
4.2.1 局部水平模型113 \n
4.2.2 局部線性趨勢(shì)模型113 \n
4.2.3 季節(jié)效應(yīng)114 \n
4.3 一般狀態(tài)空間模型114 \n
4.3.1 使用R 程序包解狀態(tài)空間模型的要點(diǎn)116 \n
4.3.2 隨時(shí)間變化系數(shù)的回歸116 \n
4.3.3 結(jié)構(gòu)時(shí)間序列的一般狀態(tài)空間模型表示117 \n
4.3.4 ARMA 模型的狀態(tài)空間模型形式119 \n
4.4 Kalman 濾波123 \n
第5 章單位根檢驗(yàn)134 \n
5.1 單整和單位根134 \n
5.2 單位根檢驗(yàn)138 \n
5.2.1 DF 檢驗(yàn)、ADF 檢驗(yàn)以及PP 檢驗(yàn)139 \n
5.2.2 KPSS 檢驗(yàn)144 \n
第6 章長(zhǎng)期記憶過(guò)程: ARFIMA 模型147 \n
6.1 介于I(0) 及I(1) 之間的長(zhǎng)期記憶序列147 \n
6.2 ARFIMA 過(guò)程149 \n
6.3 參數(shù)d 的估計(jì)151 \n
6.3.1 參數(shù)d 的估計(jì): 平穩(wěn)序列情況151 \n
6.3.2 參數(shù)d \n
的估計(jì): 非平穩(wěn)ARFIMA(p; d; q) 情況153 \n
6.4 ARFIMA 模型擬合例3.2 尼羅河流量數(shù)據(jù)153 \n
第7 章GARCH 模型156 \n
7.1 時(shí)間序列的波動(dòng)157 \n
7.2 模型的描述160 \n
7.2.1 ARCH 模型160 \n
7.2.2 GARCH 模型161 \n
7.3 數(shù)據(jù)的擬合162 \n
7.3.1 例1.1 美國(guó)工業(yè)生產(chǎn)增長(zhǎng)指數(shù)數(shù)據(jù)的擬合162 \n
7.3.2 例7.1 數(shù)據(jù)的擬合165 \n
7.4 GARCH 模型的延伸167 \n
7.4.1 一組GARCH 模型168 \n
7.4.2 FGARCH 模型族170 \n
7.4.3 ARFIMA-GARCH 模型族擬合例7.1 數(shù)據(jù)171 \n
第8 章多元時(shí)間序列的基本概念及數(shù)據(jù)分析176 \n
8.1 平穩(wěn)性177 \n
8.2 交叉協(xié)方差矩陣和相關(guān)矩陣178 \n
8.3 一般線性模型179 \n
8.4 VARMA 模型180 \n
8.5 協(xié)整模型和Granger 因果檢驗(yàn)183 \n
8.5.1 VECM 和協(xié)整183 \n
8.5.2 協(xié)整檢驗(yàn)188 \n
8.5.3 Granger 因果檢驗(yàn)193 \n
8.6 多元時(shí)間序列案例分析196 \n
8.6.1 加拿大宏觀經(jīng)濟(jì)數(shù)據(jù)196 \n
8.6.2 例8.2 加拿大宏觀經(jīng)濟(jì)數(shù)據(jù)的協(xié)整檢驗(yàn)和Granger 因果檢驗(yàn)197 \n
8.6.3 用VAR(2) 模型擬合例8.2 加拿大宏觀經(jīng)濟(jì)數(shù)據(jù)并做預(yù)測(cè)199 \n
8.6.4 用VARX 模型擬合例8.2 加拿大宏觀經(jīng)濟(jì)數(shù)據(jù)并做預(yù)測(cè)202 \n
8.6.5 用狀態(tài)空間VARX 模型擬合例8.2 加拿大宏觀經(jīng)濟(jì)數(shù)據(jù)204 \n
8.7 習(xí)題207 \n
第9 章非線性時(shí)間序列208 \n
9.1 非線性時(shí)間序列例子208 \n
9.2 線性AR 模型211 \n
9.3 自門限自回歸模型212 \n
9.3.1 一個(gè)門限參數(shù)的模型213 \n
9.3.2 兩個(gè)門限參數(shù)的模型214 \n
9.3.3 Hansen 檢驗(yàn)216 \n
9.4 Logistic 平滑過(guò)渡自回歸模型217 \n
9.5 神經(jīng)網(wǎng)絡(luò)模型219 \n
9.6 可加AR 模型221 \n
9.7 模型的比較221 \n
9.8 門限協(xié)整222 \n
9.8.1 向量誤差修正模型222 \n
9.8.2 向量誤差修正模型的估計(jì)223 \n
9.8.3 關(guān)于向量誤差修正模型的Hansen 檢驗(yàn)225 \n
第10 章譜分析簡(jiǎn)介228 \n
10.1 周期性時(shí)間序列228 \n
10.2 譜密度232 \n
10.3 譜分布函數(shù)234 \n
10.4 自相關(guān)母函數(shù)和譜密度235 \n
10.5 時(shí)不變線性濾波器239 \n
10.6 譜估計(jì)242 \n
10.6.1 通過(guò)樣本自協(xié)方差函數(shù)估計(jì)譜密度243 \n
10.6.2 通過(guò)周期圖估計(jì)譜密度243 \n
10.6.3 非參數(shù)譜密度估計(jì)246 \n
10.6.4 參數(shù)譜密度估計(jì)249 \n
附錄使用R 軟件練習(xí)251 \n
參考文獻(xiàn)260