时间序列分析：基于R的数据分析方法

　　本书以易于理解的方式讲述了时间序列模型及其应用，内容包括趋势、平稳时间序列模型、非平稳时间序列模型、模型识别、参数估计、模型诊断、预测、季节模型、时间序列回归模型、异方差模型、谱分析入门、谱估计和门限模型。对所有的思想和方法，都用真实数据集和模拟数据集进行了说明。

　　罗伯特·H. 沙姆韦（Robert H. Shumway） 加利福尼亚大学戴维斯分校统计系荣誉退休教授，美国统计协会会士，曾获美国统计协会杰出统计应用奖。著作等身，并在Journal of Forecasting和Journal of the American Statistical Association等专业期刊的编委会任职。戴维·S. 斯托弗（David S. Stoffer） 匹兹堡大学统计系教授，美国统计协会会士，曾获美国统计协会杰出统计应用奖。目前是Journal of Forecasting、Annals of Statistical Mathematics和Journal of Time Series Analysis的编委会成员。曾担任美国国家科学基金会的数学科学部项目主任，以及Journal of the American Statistical Association和Journal of Business & Economic Statistics的助理编辑。

译者序
前言
第1章 时间序列基础 1
1.1 介绍 1
1.2 时间序列数据 1
1.3 时间序列模型 9
习题 14
第2章 相关性与平稳时间序列 16
2.1 度量相关性 16
2.2 平稳性 20
2.3 相关系数的估计 28
习题 34
第3章 时间序列回归和探索性数据分析 38
3.1 时间序列的小二乘 38
3.2 探索性数据分析 49
3.3 时间序列中的平滑 61
习题 67
第4章 ARMA 模型 69
4.1 介绍 69
4.2 相关性函数 79
4.3 模型估计 86
4.4 模型预测 97
习题 100
第5章 ARIMA 模型 103
5.1 差分模型 103
5.2 建立 ARIMA 模型 108
5.3 季节性 ARIMA 模型 117
5.4 具有自相关误差的回归* 128
习题 133
第6章 频谱分析与滤波 136
6.1 周期性和循环性行为 136
6.2 谱密度 144
6.3 线性滤波器 * 148
习题 152
第7章 频谱估计 155
7.1 周期图和离散傅里叶变换 155
7.2 非参数谱估计 160
7.3 参数谱估计 172
7.4 相干性和交叉谱 * 174
习题 178
第8章 其他主题 * 181
8.1 GARCH 模型 181
8.2 单位根检验 189
8.3 长记忆模型和分数阶差分 192
8.4 状态空间模型 198
8.5 交叉相关分析和预白化 201
8.6 自回归模型的自助法 205
8.7 阈值自回归模型 209
习题 214
附录A R 补充材料 216
附录B 概率论与统计入门 235
附录C 复数入门 240
附录D 其他时域理论 247
附录E 部分习题的提示 256
参考文献 264