时间序列分析简明教程

第1章  动态数据预处理
 1. 1  平稳性检验
 1. 2  正态性检验
 1. 3  独立性检验
 1. 4  周期性检验
 1. 5  趋势项检验
 1. 6  小结
 习题
 第2章  时间序列模型
 2. 1  线性平稳模型
 2. 2  自回归模型(AR模型)
 2. 3  滑动平均模型(MA模型)
 2. 4  自回归-滑动平均混合模型(ARMA模型)
 2. 5  时间序列模型的特征函数
 2. 5. 1  偏相关函数
 2. 5. 2  格林函数(G函数)
 2. 5. 3  逆函数(I函数)
 2. 6  非平稳的时间序列模型
 2. 6. 1  ARIMA模型
 2. 6. 2  IMA模型
 2. 7  小结
 习题
 第3章  模型参数估计
 3. 1  样本参数估计
 3. 1. 1  样本均值
 3. 1. 2  样本方差
 3. 1. 3  样本自相关
 3. 1. 4  样本功率谱
 3. 2  模型参数的相关矩估计
 3. 2. 1  AR模型参数的矩估计
 3. 2. 2  MA模型参数的矩估计
 3. 2. 3  ARMA模型参数的矩估计
 3. 3  最小二乘估计(LS估计)
 3. 3. 1  最小二乘方法
 3. 3. 2  AR模型参数的LS估计
 3. 3. 3  ARMA模型参数的LS估计
 3. 4  最小方差估计(LMS估计)
 3. 4. 1  最小方差方法
 3. 4. 2  模型参数的LMS估计
 3. 5  最大似然估计(ML估计)
 3. 5. 1  最大似然方法
 3. 5. 2  模型参数的ML估计
 3. 6  最大熵估计
 3. 6. 1  最大熵准则
 3. 6. 2  AR模型参数的最大熵估计
 3. 7  小结
 习题
 第4章  模型定阶方法
 4. 1  偏相关定阶法
 4. 2  白度检验定阶法
 4. 2. 1  自相关检验法
 4. 2. 2  卡埃检验法
 4. 3  F检验定阶法
 4. 4  准则函数定阶法
 4. 4. 1  最小预报误差准则(FPE准则)
 4. 4. 2  最小信息准则(AIC准则)
 4. 4. 3  BIC准则
 4. 5  信息熵定阶法
 4. 6  小结
 习题
 第5章  时间序列建模
 5. 1  模型识别
 5. 1. 1  平稳性数据的模型识别
 5. 1. 2  季节性数据的模型识别
 5. 1. 3  趋势性数据的模型识别
 5. 1. 4  异常数据的模型识别
 5. 2  波克斯-詹金斯建模方法
 5. 3  潘迪特-吴贤铭建模方法
 5. 4  长自回归. 白噪化建模方法
 5. 5  小结
 习题
 第6章  时间序列应用
 6. 1  时间序列预测模型
 6. 2  模型谱估计
 6. 3  自适应滤波算法
 6. 4  小结
 习题
 参考文献