應用時間序列分析：R軟件陪同（簡體書）

前言
第1章　引言
1．1　時間序列的特點
1．2　時間序列例子
1．3　R軟件入門
1．3．1　簡介
1．3．2　動手
1．4　本書的內容
1．5　習題
第2章　一元時間序列的基本概念和模型
2．1　時間序列的平穩性及相關性度量
2．1．1　平穩、自協方差函數和自相關函數
2．1．2　差分算子和后移算子
2．2　白噪聲
2．3　隨機游走 前言
第1章　引言
1．1　時間序列的特點
1．2　時間序列例子
1．3　R軟件入門
1．3．1　簡介
1．3．2　動手
1．4　本書的內容
1．5　習題
第2章　一元時間序列的基本概念和模型
2．1　時間序列的平穩性及相關性度量
2．1．1　平穩、自協方差函數和自相關函數
2．1．2　差分算子和后移算子
2．2　白噪聲
2．3　隨機游走
2．4　趨勢平穩過程
2．5　一般線性模型
2．6　MA模型
2．7　AR模型
2．8　ARMA模型
2．9　ARIMA模型
2．10　季節模型
2．11　習題
第3章　一元時間序列數據的擬合及預測
3．1　一些估計和預測方法的基本數學原理
3．1．1　ARMA模型的最大似然估計
3．1．2　ARMA模型的矩估計方法
3．1．3　預測的基本目的
3．1．4　簡單指數平滑
3．1．5　Holt—Winters濾波預測方法
3．1．6　ARMA模型預測的基本數學原理
3．2　一元時間序列數據實例分析
3．2．1　差分、平滑和時間序列的分解
3．2．2　ARMA模型和ARIMA模型
3．2．3　例1．2中Auckland降水序列的綜合分析
3．3　習題
第4章　狀態空間模型和Kalman濾波簡介
4．1　動機
4．2　結構時間序列模型
4．2．1　局部水平模型
4．2．2　局部線性趨勢模型
4．2．3　季節效應
4．3　一般狀態空間模型
4．3．1　隨時間變化系數的回歸
4．3．2　ARMA模型的狀態空間模型形式
4．3．3　結構時間序列的一般狀態空間模型表示
4．4　Kalman濾波
4．5　狀態空間數據例子
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濾波例子
4．5．3　包含季節因素的局部水平多元模型Kalman濾波例子
第5章　單位根檢驗
5．1　單整和單位根
5．2　單位根檢驗
5．2．1　DF檢驗、ADF檢驗以及PP檢驗
5．2．2　KPSS檢驗
第6章　長期記憶過程：ARFIMA模型術
6．1　介于J(0)及J(1)之間的長期記憶序列
6．2　ARFIMA過程
6．3　ARFIMA模型擬合例3．4尼羅河流量數據
第7章　GARCH模型
7．1　時間序列的波動
7．2　模型的描述
7．3　數據的擬合
7．3．1　例7．1數據的擬合
7．3．2　例7．2數據的擬合
7．4　GARCH模型的延伸
7．4．1　一組GARCH模型
7．4．2　FGARCH模型族
7．4．3　ARFIMA—GARCH模型族擬合例7．2數據
第8章　多元時間序列的基本概念和模型
8．1　平穩性
8．2　交叉協方差矩陣和相關矩陣
8．3　一般線性模型
8．4　VARMA模型
8．5　協整模型和Granger因果檢驗
8．5．1　VECM和協整
8．5．2　協整檢驗
8．5．3　Granger因果檢驗
第9章　多元時間序列數據的擬合及預測
9．1　例9．1數據的協整檢驗和Granger因果檢驗
9．1．1　Johansen協整檢驗
9．1．2　Engle—Granger協整檢驗
9．1．3　Pillips—Ouliaris協整檢驗
9．1．4　例9．1數據的Granger因果檢驗
9．2　用VAR、VARX及狀態空間模型擬合例9．1數據
9．2．1　用VAR擬合及預測例9．1數據
9．2．2　用VARX模型擬合及預測例9．1數據
9．2．3　用狀態空間模型擬合及預測例9．1數據
9．3　習題
第10章　非線性時間序列
10．1　非線性例子
10．2　線性AR模型
10．3　自門限自回歸模型
10．3．1　一個門限參數的模型
10．3．2　兩個門限參數的模型
10．3．3　Hansen檢驗
10．4　Logistic平滑過渡自回歸模型
10．5　神經網絡模型
10．6　可加AR模型
10．7　模型的比較
10．8　門限協整
10．8．1　向量誤差修正模型
10．8．2　向量誤差修正模型的估計
10．8．3　向量誤差修正模型的檢驗
第11章　譜分析簡介
11．1　周期性時間序列
11．2　譜密度
11．3　譜分布函數
11．4　自相關母函數和譜密度
11．5　時不變線性濾波器
11．6　譜估計
11．6．1　通過樣本自協方差函數估計譜密度
11．6．2　通過周期圖估計譜密度
11．6．3　非參數譜密度估計
11．6．4　參數譜密度估計
附錄　使用R軟件練習
參考文獻

顯示全部信息