《应用时间序列分析(第6版)》是基于SAS软件的一本入门级本科生教材,详细介绍了ARIMA模型和因素分解模型的思想、原理以及相关内容基于SAS软件的实现步骤。本书也包括异方差分析(GARCH模型)和多元时序分析(干预分析和协整分析)的内容。这部分扩展内容既可根据教学需要用于课堂讲授,也可以作为本科和硕士课程的衔接用于自学。

第1章 时间序列分析简介 1.1 引言 1.2时间序列的定义 1.3时间序列分析方法 1.4时间序列分析软件 1.5习题 1.6上机指导 第2章 时间序列的预处理 2.1 平稳序列的定义 2.2 平稳性检验 2.3 纯随机性检验 2.4 习题 2.5 上机指导 第3章 ARMA模型的性质 3.1 Wold分解定理 3.2 AR模型 3.3 MA模型 3.4 ARMA模型 3.5 习题 3.6 上机指导 第4章 平稳序列的拟合与预测 4.1 建模步骤 4.2 单位根检验 4.3 模型识别 4.4 参数估计 4.5 模型检验 4.6 模型优化 4.7 序列预测 4.8 习题 4.9 上机指导 第5章 无季节效应的非平稳序列分析 5.1 Cramer分解定理 5.2 差分平稳 5.3 ARIMA模型 5.4 疏系数模型 5.5 习题 5.6 上机指导 第6章 有季节效应的非平稳序列分析 6.1 因素分解理论 6.2 因素分解模型 6.3 指数平滑预测模型 6.4 ARIMA加法模型 6.5 ARIMA乘法模型 6.6 习题 6.7 上机指导 第7章 条件异方差模型 7.1 异方差的问题 7.2 异方差的直观诊断 7.3 方差齐性变换 7.4 ARCH模型 7.5 GARCH模型 7.6 GARCH的衍生模型 7.7 习题 7.8 上机指导 第8章 多元时间序列分析 8.1 ARIMAX模型 8.2 干预分析 8.3 伪回归 8.4 协整 8.5 Granger因果检验 8.6 习题 8.7 上机指导 附录1 附录2 附录3 参考文献

对于非平稳序列,由于它不具有二阶矩平稳的性质,所以对它的统计分析要周折一些,通常要进行进一步的检验、变换或处理,才能确定适当的拟合模型。 如果序列平稳,情况就简单多了,我们有一套非常成熟的平稳序列建模方法。但是,并不是所有的平稳序列都值得建模。只有那些序列值之间具有密切的相关关系、历史数据对未来的发展有一定影响的序列,才值得我们花时间去挖掘历史数据中的有效信息,用来预测序列未来的发展。 如果序列值彼此之间没有任何相关性,那就意味着该序列是一个没有记忆的序列,过去的行为对将来的发展没有丝毫影响,这种序列称为纯随机序列。从统计分析的角度来说,纯随机序列是没有任何分析价值的序列。为了确定平稳序列是否值得继续分析下去,我们需要对平稳序列进行纯随机性检验。

王 燕 中国人民大学统计学院教师,从2015年开始承担中国人民大学统计学院本科生和硕士研究生“应用时间序列”课程的教学,已出版多部基于SAS软件和R软件的应用时间序列分析教材。