时间序列分析：方法、数据与R的应用

　　数据已经成为人们日常生活的一部分，数据分析的需求也日益提高。本书尝试以初学者的视角梳理时间序列分析的相关内容，按照核心知识、数据导向、建模框架展开介绍，力求让读者轻松、愉快地掌握时间序列分析的基本思想，提高数据分析应用能力，努力实现统计知识传授、数据分析能力培养以及实事求是价值传递。基于实际数据的特点和归纳演绎的认知规律，本书精心挑选了丰富的实例，以问题的形式将教学内容呈现在读者的面前，辅以启发式的分析和直观的图形方法，形象生动而又系统详尽地阐述了时间序列分析的基本理论和应用方法，也补充介绍了伴随着大数据产生的循环神经网络等前沿模型和方法。同时，基于实际数据和案例的分析，为读者呈现思路清晰、易于操作的时间序列建模过程，也引导读者参与知识发现，加强自主数据分析，让读者在解决问题的过程中习得知识、发展能力，提升素养。本书力图为读者呈现一个时间序列“大”模型的整体分析框架。本书可读性强，语言轻松活泼，内容通俗易懂，R软件的使用也便于读者模仿练习。本书每章都提供了代码和数据，方便进一步深入地学习，读者可通过扫描封底的二维码获取。后期还将推出虚拟仿真实验平台。本书可作为高等学校理、工、农、医、经济、管理、人文社会科学专业以及其他领域的教材，也可以供从事商务活动和经济分析等实际工作的各类人员参考。

暂缺《时间序列分析：方法、数据与R的应用》作者简介

第1章 绪论
1.1 时间序列的发展概述
1.2 时间序列的数据特征
1.3 时间序列的统计模型
1.4 相关性测量：自相关和互相关
1.5 平稳时间序列
1.6 相关性估计
1.7 时间序列的基本分析方法
1.8 R软件的使用简介
1.9 小结
练习题
第2章 时间序列回归分析
2.1 时间序列中的经典回归
2.2 探索性数据分析
2.3 时间序列中的平滑方法
2.4 小结
练习题
第3章 平稳时间序列模型
3.1 自回归模型
3.2 移动平均模型
3.3 AR(p)和MA(q)的对偶关系
3.4 自回归移动平均模型
3.5 小结
练习题
第4章 非平稳时间序列模型
4.1 均值非平稳
4.2 自回归求和移动平均模型
4.3 方差和自协方差非平稳
4.4 小结
练习题
第5章 模型识别
5.1 模型识别的步骤
5.2 样本自相关函数和样本偏自相关函数
5.3 扩展的样本自相关函数
5.4 逆自相关函数
5.5 其他识别方法
5.6 非平稳性下的模型识别
5.7 小结
练习题
第6章 参数估计
6.1 矩估计
6.2 极大似然估计
6.3 条件 小二乘估计
6.4 估计量的性质
6.5 小结
练习题
第7章 模型诊断
7.1 残差分析
7.2 过度拟合和参数冗余
7.3 模型选择准则
7.4 小结
练习题
第8章 预测
8.1 小均方误差预测
8.2 AR过程的预测
8.3 MA过程的预测
8.4 ARMA过程的预测
8.5 数值实例
8.6 小结
练习题
第9章 季节性时间序列模型
9.1 季节性时间序列的特征
9.2 传统分解方法
9.3 季节性ARIMA模型
9.4 季节性模型的识别、拟合和检验
9.5 季节性模型预测
9.6 小结
练习题
0章 条件异方差与GARCH模型
10.1 条件异方差问题
10.2 ARCH模型
10.3 GARCH模型
10.4 模型诊断
10.5 GARCH模型的其他推广形式
10.6 小结
练习题
1章 非线性与门限模型
11.1 非线性的可视化与检验
11.2 多项式回归模型
11.3 门限自回归模型
11.4 门限非线性的检验
11.5 TAR模型的估计、诊断和预测
11.6 小结
练习题
2章 谱分析与滤波
12.1 周期行为和周期性
12.2 谱密度
12.3 周期图和离散傅里叶变换
12.4 线性滤波器
12.5 动态傅里叶分析和小波
12.6 滞后回归模型
12.7 信号提取和 滤波
12.8 小结
练习题
3章 循环神经网络模型
13.1 普通循环神经网络
13.2 长短期记忆网络
13.3 门控循环单元
13.4 小结
练习题