應用時間序列分析 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 時間序列的特點1 \n
1.2 時間序列例子2 \n
1.3 R 軟件入門5 \n
1.3.1 簡介5 \n
1.3.2 動手8 \n
1.4 本書的內容9 \n
1.5 習題10 \n
第2 章一元時間序列的基本概念和ARIMA 模型12 \n
2.1 時間序列的平穩(wěn)性及相關性度量12 \n
2.1.1 平穩(wěn)、自協(xié)方差函數和自相關函數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 隨機游走18 \n
2.4 趨勢平穩(wěn)過程19 \n
2.5 聯(lián)合平穩(wěn)性和互相關函數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 習題39 \n
第3 章一元時間序列數據的擬合及預測: ARIMA 及其他模型44 \n
3.1 擬合及預測的基本目的與預測精度的度量44 \n
3.2 對序列自相關的混成檢驗46 \n
3.3 ARIMA 模型的估計和預測46 \n
3.3.1 ARMA 模型的最大似然估計46 \n
3.3.2 ARMA 模型的矩估計方法47 \n
3.3.3 ARMA 模型預測的基本數學原理48 \n
3.4 簡單指數平滑55 \n
3.5 Holt-Winters 濾波預測方法61 \n
3.6 指數平滑模型的一些術語和符號63 \n
3.7 時間序列季節(jié)性分解的LOESS 方法66 \n
3.7.1 LOESS 方法簡介66 \n
3.7.2 利用LOESS 做時間序列的季節(jié)分解67 \n
3.8 回歸用于時間序列73 \n
3.9 時間序列的交叉驗證76 \n
3.9.1 交叉驗證: 利用固定長度時間段的訓練集來預測固定長度的未來77 \n
3.9.2 交叉驗證: 利用逐漸增加長度的訓練集來預測固定長度的未來80 \n
3.10 更多的一元時間序列數據實例分析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Darwin 自1882 年以來月度海平面氣壓指數例子88 \n
3.10.3 中國12 個機場旅客人數例子96 \n
3.10.4 例1.2 Auckland 降水序列例子102 \n
3.11 習題109 \n
第4 章狀態(tài)空間模型和Kalman 濾波簡介111 \n
4.1 動機111 \n
4.2 結構時間序列模型112 \n
4.2.1 局部水平模型113 \n
4.2.2 局部線性趨勢模型113 \n
4.2.3 季節(jié)效應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116 \n
4.3.2 隨時間變化系數的回歸116 \n
4.3.3 結構時間序列的一般狀態(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134 \n
5.1 單整和單位根134 \n
5.2 單位根檢驗138 \n
5.2.1 DF 檢驗、ADF 檢驗以及PP 檢驗139 \n
5.2.2 KPSS 檢驗144 \n
第6 章長期記憶過程: ARFIMA 模型147 \n
6.1 介于I(0) 及I(1) 之間的長期記憶序列147 \n
6.2 ARFIMA 過程149 \n
6.3 參數d 的估計151 \n
6.3.1 參數d 的估計: 平穩(wěn)序列情況151 \n
6.3.2 參數d \n
的估計: 非平穩(wěn)ARFIMA(p; d; q) 情況153 \n
6.4 ARFIMA 模型擬合例3.2 尼羅河流量數據153 \n
第7 章GARCH 模型156 \n
7.1 時間序列的波動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 數據的擬合162 \n
7.3.1 例1.1 美國工業(yè)生產增長指數數據的擬合162 \n
7.3.2 例7.1 數據的擬合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 數據171 \n
第8 章多元時間序列的基本概念及數據分析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183 \n
8.5.1 VECM 和協(xié)整183 \n
8.5.2 協(xié)整檢驗188 \n
8.5.3 Granger 因果檢驗193 \n
8.6 多元時間序列案例分析196 \n
8.6.1 加拿大宏觀經濟數據196 \n
8.6.2 例8.2 加拿大宏觀經濟數據的協(xié)整檢驗和Granger 因果檢驗197 \n
8.6.3 用VAR(2) 模型擬合例8.2 加拿大宏觀經濟數據并做預測199 \n
8.6.4 用VARX 模型擬合例8.2 加拿大宏觀經濟數據并做預測202 \n
8.6.5 用狀態(tài)空間VARX 模型擬合例8.2 加拿大宏觀經濟數據204 \n
8.7 習題207 \n
第9 章非線性時間序列208 \n
9.1 非線性時間序列例子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 一個門限參數的模型213 \n
9.3.2 兩個門限參數的模型214 \n
9.3.3 Hansen 檢驗216 \n
9.4 Logistic 平滑過渡自回歸模型217 \n
9.5 神經網絡模型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223 \n
9.8.3 關于向量誤差修正模型的Hansen 檢驗225 \n
第10 章譜分析簡介228 \n
10.1 周期性時間序列228 \n
10.2 譜密度232 \n
10.3 譜分布函數234 \n
10.4 自相關母函數和譜密度235 \n
10.5 時不變線性濾波器239 \n
10.6 譜估計242 \n
10.6.1 通過樣本自協(xié)方差函數估計譜密度243 \n
10.6.2 通過周期圖估計譜密度243 \n
10.6.3 非參數譜密度估計246 \n
10.6.4 參數譜密度估計249 \n
附錄使用R 軟件練習251 \n
參考文獻260