時間序列分析：單變量和多變量方法（第二版）

第1章 概述
1.1 引言
1.2 本書的例子和安排
第2章 基本概念
2.1 隨機過程
2.2 自協(xié)方差和自相關函數(shù)
2.3 偏自相關函數(shù)
2.4 白噪聲過程
2.5 均值、自協(xié)方差和自相關的估計
2.6 時間序列過程的移動平均和白回歸表示
2.7 線性差分方程
練習
第3章 平穩(wěn)時間序列模型
3.1 自回歸過程
3.2 移動平均過程
3.3 AR(p)過程和MA(q)過程之間的對偶關系
3.4 自回歸移動平均ARMA(p，q)過程
練習
第4章 非平穩(wěn)時間序列模型
4.1 均值非平穩(wěn)
4.2 自回歸求和移動平均模型
4.3 方差和自協(xié)方差非平穩(wěn)
練習
第5章 預報
5.1 引言
5.2 最小均方誤差預報
5.3 預報的計算
5.4 對過去觀測值加權平均的ARIMA預報
5.5 更新預報
5.6 最終預報函數(shù)
5.7 數(shù)值實例
練習
第6章 模型識別
6.1 模型識別的步驟
6.2 實例
6.3 逆自相關函數(shù)
6.4 擴展樣本自相關函數(shù)和其他識別方法
練習
第7章 參數(shù)估計、診斷檢驗和模型選擇
7.l 矩方法
7.2 極大似然方法
7.3 非線性估計
7.4 在時間序列分析中的普通最小二乘估計
7.5 診斷檢驗
7.6 有關序列w1至w7的實例
7.7 模型選擇準則
練習
第8章 季節(jié)性時間序列模型
8.1 基本概念
8.2 傳統(tǒng)方法
8.3 季節(jié)性ARIMA模型
8.4 實例
練習
第9章 單位根檢驗
9.1 引言
9.2 一些有用的極限分布
9.3 AR(1)模型中的單位根檢驗
9.4 一般模型的單位根檢驗
9.5 季節(jié)性時間序列模型的單位根檢驗
練習
第10章 干預分析和異常值檢驗
10.1 干預模型
10.2 干預分析實例
10.3 時間序列的異常值
10.4 異常值分析的實例
10.5 存在異常值時的模型識別
練習
第11章 傅立葉分析
11.1 一般概念
11.2 正交函數(shù)
11.3 有限序列的傅立葉表示
11.4 周期序列的傅立葉表示
11.5 非周期序列的傅立葉表示——離散時間序列傅立葉變換
11.6 連續(xù)時間函數(shù)的傅立葉表示
11.7 快速傅立葉變換
練習
第12章 平穩(wěn)過程的譜理論
12.1 譜
12.2 一些常用過程的譜
12.3 線性濾波的譜
12.4 混疊
練習
第13章 譜估計
13.1 周期圖分析
13.2 樣本譜
13.3 平滑譜
13.4 ARMA譜估計
練習
第14章 轉換函數(shù)模型
14.1 單個輸入轉換函數(shù)模型
14.2 互相關函數(shù)和轉換函數(shù)模型
14.3 轉換函數(shù)模型的結構
14.4 利用轉換函數(shù)模型預報
14.5 二元頻域分析
14.6 互譜和轉換函數(shù)模型
14.7 多維輸入轉換函數(shù)模型
練習
第15章 時間序列回歸和GARCH模型
15.1 誤差具有自相關性的回歸
15.2 ARCH和GARCH模型
15.3 GARCH模型的估計
15.4 預報誤差方差的計算
15.5 實例
練習
第16章 向量時間序列模型
16.1 協(xié)方差和相關矩陣函數(shù)
16.2 向量過程的移動平均和自回歸表示
16.3 向量自回歸移動平均過程
16.4 非平穩(wěn)向量自回歸移動平均模型
16.5 向量時間序列模型的識別
16.6 模型擬合和預報
……
第17章 向量時間序列的深入
第18章 狀態(tài)空間模型和卡爾曼濾波
第19章 長記憶和非線性過程
第20章 時間序列中的聚積和系統(tǒng)抽樣