教学资源 – 图书教辅

扩展信息

语种 : 简体中文

页数 : 188

开本 : 16

原书名 : 无

原出版社: 无

属性分类: 教材

包含CD : 无

绝版 : 无

图书简介

本书通过案例讲述时间序列分析有关的概念和方法, 不仅介绍了ARMA模型、状态空间模型、Kalman滤波、单位根检验和GRACH模型等一元时间序列方法, 还介绍了很多最新的多元时间序列方法, 如线性协整、门限协整、VAR模型、Granger因果检验、神经网络模型、可加AR模型和谱估计等. 书中强调对真实的时间序列数据进行分析, 全程使用R软件分析了各个科学领域的实际数据, 还分析了金融和经济数据的例子. 本书例题用到的实际数据都可以从网上下载.
　　本书通俗易懂, 理论与应用并重, 可作为高等院校统计学和经济管理等专业“时间序列分析”相关课程的教材, 对金融和互联网等领域的相关从业者也极具参考价值.

图书特色

内容特色
本书从实际数据分析出发，通过案例阐述有关的概念和方法，既介绍了一元时间序列方法，也介绍了最新的多元时间序列方法，如门限协整、Granger因果检验、神经网络模型、可加AR模型和谱估计等。与市场上很多同类教材不同，本书不涉及复杂的数学理论推导，而是强调数据分析的思路和方法，全程使用R软件分析了各个科学领域的实际数据，很多章节给出丰富的习题，方便读者练习使用所介绍的方法和R软件分析数据。
学习收获
书中引导读者分析了金融、经济和其他各个领域的实际数据，具体包括美国经济数据、汇率数据、证券数据、商务数据、利率数据、气温数据、降水数据、气压数据、尼罗河流量数据、全球气候数据、交通死亡数据、结婚和离婚数据、猞猁数据以及中国12个机场旅客人数等。
作者注重培养选择模型及灵活应用各种方法的能力，对同一数据用不同方法分析，并比较分析结果。通过本书的学习，读者能够掌握时间序列分析的常见方法，领会分析实际数据的思路，然后举一反三，分析自己的数据。

作者简介
吴喜之　北京大学数学力学系学士，美国北卡罗来纳大学统计系博士。中国人民大学统计学院教授、博士生导师。国内统计学界的学术带头人，国内推广R语言的先驱。曾是国务院学位委员会统计学科评议组成员、概率统计学会常务理事、国家教委概率统计教材组成员、国家统计教材编审委员会委员。主要从事序贯分析、回归诊断、质量控制和模型选择等方向的教学与研究，多次主持国家自然科学基金项目。在国际重要学术刊物上发表论文50多篇，著有近20部专著和教材，代表性著作有《复杂数据统计方法》、《非参数统计》等。曾在北京大学、南开大学、美国加州大学和北卡罗来纳大学任教。

图书前言

同类教材的特点
　　首先，一些教材偏重于数学理论和推导.作者多为数学出身，他们习惯于数学的严格性和导出精确而又漂亮的数学结论。这些书适用于那些愿意为时间序列的数学理论研究做出贡献的读者。
　　其次，国内教材中一元时间序列往往占绝大部分篇幅，而且包含在各种数学假定下的各种定理和结果。这是因为一元时间序列的数学描述确实很漂亮，很多结果都能够以比较简洁的数学语言表达出来。而多元时间序列则很不一样，在一元情况下很漂亮的结果，在多元情况下就完全不同了。在数学上，复杂的表达是不被人们所喜爱的，因此，多元时间序列很难在数学味道很浓的教科书中展开。
　　很多教材对于真实时间序列的数据分析强调得不够。那些数学味道强的书，由于其主要目的不是分析实际数据，而且实际数据往往很难满足书中的数学假定，过多地讨论实际应用并不是这些书的重点。
　　另外有一些教材的确强调应用，而且作者很多也不是数学出身，书中也列举了一些数学假定和结论，但是往往没有花篇幅去完善和系统化，更没有用简明扼要的语言去做解释，使得无论是数学还是非数学出身的读者都不能很好地理解所用模型背后的机理。
　　在涉及统计软件使用方面，数学味道强的书完全不用任何软件是可以理解的，但很多偏重于应用的教科书只介绍昂贵的“傻瓜式”商业软件就不值得提倡了，因为介绍昂贵商业软件的教材客观上鼓励了使用盗版软件。商业软件不透明，代码保密，而且没有体现最新的成果，完全不能满足实际工作者的需要。
本书的特点
　　本书的目标读者是非数学专业出身的各类人员，可以是本科生或者研究生，也可以是在校教师或者实际工作者。我们力图用简单通俗的语言阐述有关的基本概念和计算，并尽量通过案例来讲述各种时间序列方法，使得非数学背景的读者可以较容易地理解。同时，我们也把有关的数学结构用简单完整的方式阐述，以供读者参考。
　　本书以应用为导向，除了介绍常用的一元时间序列方法，也尽可能多地介绍最新的多元时间序列方法。书中不仅包括各个科学领域的实际数据，还包括金融和经济数据的例子。本书例题用到的实际数据都可以从网上下载，或者在华章公司的网站(www。hzbook。com)获取。
　　本书全程使用免费、公开、透明的开源编程软件R。而且提供全部代码。R软件是世界上使用者最多的数据分析软件，有着非常强大的统计界的支持，发展很快，每天都有许多新的程序包被加入，到2014年5月初，R的统计程序包数量已经达到5500多个，而2009年年底只有不到1000个。新的统计方法大都以R程序包的形式首先展现在世人面前，这是任何商业软件所望尘莫及的。我们希望读者能够尽快地学会如何使用R软件解决读者自己的实际问题或分析数据。
　　欢迎读者提出宝贵意见，以使得我们在本书再版时予以改进。

作者
2014年5月

上架指导

经管/统计

封底文字

内容特色
本书从实际数据分析出发，通过案例阐述有关的概念和方法，既介绍了一元时间序列方法，也介绍了最新的多元时间序列方法，如门限协整、Granger因果检验、神经网络模型、可加AR模型和谱估计等。与市场上很多同类教材不同，本书不涉及复杂的数学理论推导，而是强调数据分析的思路和方法，全程使用R软件分析了各个科学领域的实际数据，很多章节给出丰富的习题，方便读者练习使用所介绍的方法和R软件分析数据。
学习收获
书中引导读者分析了金融、经济和其他各个领域的实际数据，具体包括美国经济数据、汇率数据、证券数据、商务数据、利率数据、气温数据、降水数据、气压数据、尼罗河流量数据、全球气候数据、交通死亡数据、结婚和离婚数据、猞猁数据以及中国12个机场旅客人数等。
作者注重培养选择模型及灵活应用各种方法的能力，对同一数据用不同方法分析，并比较分析结果。通过本书的学习，读者能够掌握时间序列分析的常见方法，领会分析实际数据的思路，然后举一反三，分析自己的数据。

作者简介

吴喜之刘苗编著：吴喜之　北京大学数学力学系学士，美国北卡罗来纳大学统计系博士。中国人民大学统计学院教授、博士生导师。国内统计学界的学术带头人，国内推广R语言的先驱。曾是国务院学位委员会统计学科评议组成员、概率统计学会常务理事、国家教委概率统计教材组成员、国家统计教材编审委员会委员。主要从事序贯分析、回归诊断、质量控制和模型选择等方向的教学与研究，多次主持国家自然科学基金项目。在国际重要学术刊物上发表论文50多篇，著有近20部专著和教材，代表性著作有《复杂数据统计方法》、《非参数统计》等。曾在北京大学、南开大学、美国加州大学和北卡罗来纳大学任教。

图书目录

前言
第1章引言.................................................... 1
1.1 时间序列的特点........................................................ 1
1.2 时间序列例子.......................................................... 1
1.3 R软件入门............................................................ 5
1.3.1 简介........................................................... 5
1.3.2 动手........................................................... 7
1.4 本书的内容............................................................ 7
1.5 习题.................................................................. 8
第2章一元时间序列的基本概念和模型......................... 10
2.1 时间序列的平稳性及相关性度量........................................ 10
2.1.1 平稳、自协方差函数和自相关函数............................... 10
2.1.2 差分算子和后移算子............................................ 12
2.2 白噪声................................................................ 13
2.3 随机游走.............................................................. 14
2.4 趋势平稳过程.......................................................... 15
2.5 一般线性模型.......................................................... 15
2.6 MA模型............................................................... 16
2.7 AR模型............................................................... 19
2.8 ARMA模型........................................................... 23
2.9 ARIMA模型.......................................................... 24
2.10 季节模型.............................................................. 26
2.11 习题.................................................................. 26
第3章一元时间序列数据的拟合及预测......................... 29
3.1 一些估计和预测方法的基本数学原理.................................... 29
3.1.1 ARMA模型的最大似然估计..................................... 29
3.1.2 ARMA模型的矩估计方法....................................... 30
3.1.3 预测的基本目的................................................. 30
3.1.4 简单指数平滑................................................... 30
3.1.5 Holt-Winters滤波预测方法...................................... 32
3.1.6 ARMA模型预测的基本数学原理................................. 33
3.2 一元时间序列数据实例分析............................................. 36
3.2.1 差分、平滑和时间序列的分解................................... 36
3.2.2 ARMA模型和ARIMA模型...................................... 49
3.2.3 例1.2中Auckland降水序列的综合分析............................ 60
3.3 习题.................................................................. 67
第4章状态空间模型和Kalman滤波简介*....................... 69
4.1 动机.................................................................. 69
4.2 结构时间序列模型..................................................... 69
4.2.1 局部水平模型................................................... 70
4.2.2 局部线性趋势模型.............................................. 70
4.2.3 季节效应....................................................... 70
4.3 一般状态空间模型..................................................... 71
4.3.1 随时间变化系数的回归.......................................... 71
4.3.2 ARMA模型的状态空间模型形式................................. 71
4.3.3 结构时间序列的一般状态空间模型表示........................... 74
4.4 Kalman滤波........................................................... 75
4.5 状态空间数据例子..................................................... 76
4.5.1 一元局部水平模型例子.......................................... 76
4.5.2 二元局部水平模型Kalman滤波例子.............................. 78
4.5.3 包含季节因素的局部水平多元模型Kalman滤波例子.............. 80
第5章单位根检验............................................. 83
5.1 单整和单位根.......................................................... 83
5.2 单位根检验............................................................ 84
5.2.1 DF检验、ADF检验以及PP检验................................. 85
5.2.2 KPSS检验...................................................... 88
第6章长期记忆过程:ARFIMA模型*.......................... 90
6.1 介于..(0)及..(1)之间的长期记忆序列.................................... 90
6.2 ARFIMA过程......................................................... 91
6.3 ARFIMA模型拟合例3.4尼罗河流量数据................................ 93
第7章GARCH模型............................................95
7.1 时间序列的波动........................................................ 95
7.2 模型的描述............................................................ 98
7.3 数据的拟合............................................................100
7.3.1 例7.1数据的拟合................................................100
7.3.2 例7.2数据的拟合................................................102
7.4 GARCH模型的延伸................................................... 104
7.4.1 一组GARCH模型...............................................104
7.4.2 FGARCH模型族............................................... 106
7.4.3 ARFIMA-GARCH模型族拟合例7.2数据.........................107
第8章多元时间序列的基本概念和模型.........................112
8.1 平稳性................................................................ 112
8.2 交叉协方差矩阵和相关矩阵.............................................112
8.3 一般线性模型..........................................................113
8.4 VARMA模型..........................................................113
8.5 协整模型和Granger因果检验........................................... 114
8.5.1 VECM和协整.................................................. 114
8.5.2 协整检验....................................................... 115
8.5.3 Granger因果检验............................................... 117
第9章多元时间序列数据的拟合及预测.........................119
9.1 例9.1数据的协整检验和Granger因果检验............................... 120
9.1.1 Johansen协整检验..............................................120
9.1.2 Engle-Granger协整检验.........................................120
9.1.3 Pillips-Ouliaris协整检验........................................ 121
9.1.4 例9.1数据的Granger因果检验................................... 122
9.2 用VAR、VARX及状态空间模型拟合例9.1数据.......................... 122
9.2.1 用VAR拟合及预测例9.1数据.................................... 122
9.2.2 用VARX模型拟合及预测例9.1数据.............................. 125
9.2.3 用状态空间模型拟合及预测例9.1数据........................... 127
9.3 习题.................................................................. 129
第10章非线性时间序列........................................130
10.1 非线性例子............................................................130
10.2 线性AR模型...........................................................133
10.3 自门限自回归模型..................................................... 133
10.3.1 一个门限参数的模型............................................ 134
10.3.2 两个门限参数的模型............................................ 135
10.3.3 Hansen检验.................................................... 137
10.4 Logistic平滑过渡自回归模型...........................................138
10.5 神经网络模型..........................................................140
10.6 可加AR模型...........................................................141
10.7 模型的比较............................................................142
10.8 门限协整.............................................................. 142
10.8.1 向量误差修正模型.............................................. 142
10.8.2 向量误差修正模型的估计........................................143
10.8.3 向量误差修正模型的检验........................................145
第11章谱分析简介*...........................................147
11.1 周期性时间序列........................................................147
11.2 谱密度................................................................ 150
11.3 谱分布函数............................................................151
11.4 自相关母函数和谱密度.................................................152
11.5 时不变线性滤波器..................................................... 155
11.6 谱估计................................................................ 158
11.6.1 通过样本自协方差函数估计谱密度............................... 158
11.6.2 通过周期图估计谱密度.......................................... 158
11.6.3 非参数谱密度估计.............................................. 160
11.6.4 参数谱密度估计.................................................162
附录使用R软件练习...........................................164
参考文献.......................................................172