具体描述
《现代时间序列分析导论(第2版)》是一部关于时间序列计量经济学的最新理论，以及在经济学和金融学中的应用的教科书。《现代时间序列分析导论(第2版)》英文版第1版由斯普林格出版社出版之后，广受好评，于2012年出版发行了第2版。第2版中添加了时间序列分析的最新理论。其读者对象为经济学和计量经济学专业的高年级本科生和研究生，以及应用时间序列分析技术的学者。《现代时间序列分析导论(第2版)》内容包括：时间序列分析的历史、单变量平稳过程、格兰杰因果检验、向量自回归模型、非平稳过程、协整分析、非平稳面板数据、自回归条件异方差模型，等等。《现代时间序列分析导论(第2版)》在阐述时间序列分析理论的同时，特别重视对实证分析方法的介绍。书中使用了63个实际案例，其中大部分来自真实的数据集，应用EViews7.2运算得到。所有的原始数据集可在乌沃·哈斯勒（UweHassler）的个人主页上下载。作者多年的教学经验，以及大量的案例分析，使《现代时间序列分析导论(第2版)》成为一本阅读性很强的教科书，读者不用阅读其他大量的参考书就能够掌握时间序列分析的基本框架。书中还列出了重要的参考文献。
现代时间序列分析导论：全面解析与实践指南 本书旨在为读者提供一个深入且全面的现代时间序列分析框架。 深入探讨从经典理论到前沿方法的演变历程，侧重于在实际应用中如何构建、检验和部署稳健的时间序列模型。 第一部分：基础理论与数据准备 本书的开篇章节致力于打下坚实的理论基础。我们将从时间序列的基本概念入手，详细解释序列的平稳性、随机游走以及自相关性（ACF）和偏自相关性（PACF）在识别序列特性中的核心作用。我们不会仅仅停留在理论定义，而是会通过大量的实例演示，展示如何利用这些工具来初步诊断数据结构。 随后，我们将重点介绍时间序列数据的预处理。这包括缺失值处理、异常值检测与平滑技术。其中，趋势与季节性的分解方法将作为核心内容进行讲解，包括经典的加法模型和乘法模型，以及更先进的基于状态空间模型的分解技术（如卡尔曼滤波在分解中的应用）。数据的平稳化处理，包括差分（Differentiating）技术的选择与应用，将进行细致的探讨，确保读者能够为后续的建模做好充分准备。 第二部分：经典线性模型深度剖析 本部分将全面回顾和深化对经典线性时间序列模型的理解。 自回归（AR）模型、移动平均（MA）模型以及它们的组合——自回归移动平均（ARMA）模型将作为基础进行详尽的讲解。我们将详细推导模型的数学表达式，并着重讲解如何依据ACF和PACF图来确定$p$和$q$的阶数。 在此基础上，我们深入探讨自回归积分移动平均（ARIMA）模型。书中将细致区分不同类型的积分过程（I），并探讨何时需要引入季节性因素，从而引出季节性ARIMA（SARIMA）模型。我们将提供一套清晰的Box-Jenkins建模流程，指导读者如何系统地进行模型识别、参数估计和诊断检验。诊断检验部分将包括残差白噪声检验（如Ljung-Box检验）和模型拟合优度的评估标准。 此外，本书还将引入广义自回归条件异方差（GARCH）族模型，这是处理金融、经济等领域常见波动性集群现象的基石。我们将详细分析标准GARCH(1,1)模型的结构，并对比EMT（EGARCH）、TARCH等非对称波动模型，解释它们如何捕捉波动率的杠杆效应。 第三部分：现代状态空间方法与卡尔曼滤波 进入现代分析阶段，状态空间模型被认为是统一许多时间序列模型的强大框架。 本章将详细介绍状态空间表示法，解释如何将ARIMA、状态空间模型，甚至部分非线性模型转化为统一的状态空间形式。核心内容是卡尔曼滤波（Kalman Filtering）。我们将从离散时间线性系统出发，系统推导卡尔曼滤波的预测步和更新步，并展示其在实时估计、平滑以及参数估计中的强大能力。 对于状态空间模型的参数估计，我们将探讨最大似然估计（MLE）在状态空间框架下的实现，即利用EM算法或直接基于残差的似然函数进行优化。 第四部分：多元时间序列分析 现实世界的数据往往是相互关联的。本部分将聚焦于多元时间序列（Multivariate Time Series）的建模。 我们将从最基础的向量自回归（VAR）模型开始，阐述其结构、参数估计与平稳性条件。VAR模型的核心应用——脉冲响应函数（IRF）的计算与解释，将通过具体的例子进行强化教学，展示一个变量的冲击如何沿着系统传导。 此外，我们还将深入探讨格兰杰因果关系检验在VAR框架下的应用，帮助读者理解变量间的预测依赖性。随后，本书将介绍协整（Cointegration）的概念，这是处理非平稳多元序列的关键。我们将讲解Engle-Granger两步法和Johansen检验，并演示如何构建向量误差修正模型（VECM）来同时捕捉长期均衡关系和短期动态调整。 第五部分：先进方法与机器学习集成 随着计算能力的提升，时间序列分析正加速与先进统计学和机器学习方法融合。 本书将重点介绍时间序列的非线性建模方法。我们将探讨阈值自回归模型（TAR）和状态依赖模型（SVAR）在捕捉结构性断点和非线性转换方面的优势。 在与机器学习的交叉领域，我们将介绍时间序列的特征工程，包括如何从序列中提取有意义的滞后项、傅里叶项和统计特征。重点将放在如何应用正则化线性模型（如LASSO/Ridge）进行时间序列预测，以及如何使用循环神经网络（RNN），特别是长短期记忆网络（LSTM）进行复杂的序列预测任务。本书将对比传统统计方法与深度学习方法的适用场景、优缺点及模型选择策略。 第六部分：预测、评估与实战应用 最后，本书将聚焦于预测的实践操作和模型效果的严格评估。 我们将细致阐述点预测、区间预测（包括基于模型方差和基于模拟的预测区间）的构造方法。预测评估部分，除了常用的MSE、MAE之外，还将引入更具业务意义的评估指标，并强调预测的滚动验证（Rolling Forecast Origin）和样本外（Out-of-Sample）测试的重要性。 全书贯穿大量的Python/R语言实现案例，涵盖数据获取、模型拟合、诊断和结果可视化的全流程，确保读者能够将所学知识直接应用于实际的经济金融、工程控制或环境科学数据分析任务中。本书最终目标是培养读者独立构建、评估和部署稳健时间序列分析解决方案的能力。
作者简介
目录信息
第1章引言及基础知识
1.1时间序列分析的发展历史
1.2经济时间序列的图形表示
1.3滞后算子
1.4遍历性和平稳性
参考文献
第2章单变量平稳过程
2.1自回归过程
2.1.1一阶自回归过程
2.1.2二阶自回归过程
2.1.3高阶自回归过程
2.1.4偏自相关函数
2.1.5自回归过程的估计
2.2移动平均过程
2.2.1一阶移动平均过程
2.2.2MA（1）过程与时频归并
2.2.3高阶移动平均过程
2.3混合过程
2.3.1ARMA（1，1）过程
2.3.2ARMA（p，q）过程
2.4预测
2.4.1最小均方误差（minimalmeansquarederrors）预测
2.4.2ARMA（p，q）过程的预测
2.4.3预测效果的评价
2.5计量模型与ARMA过程的关系
参考文献
第3章格兰杰因果关系
3.1格兰杰因果性的定义
3.2双变量模型中因果关系的刻画
3.2.1因果关系的刻画———基于自回归和移动平均过程
3.2.2因果关系的刻画———基于单变量过程的残差
3.3因果关系检验
3.3.1直接格兰杰方法
3.3.2Haugh—Pierce检验
3.3.3Hsiao方法
3.4因果关系检验在多元模型中的应用
3.4.1直接格兰杰方法在多变量情形下的应用
3.4.2在多变量模型中解释双变量因果检验的结果
3.5结束语
参考文献
第4章向量自回归过程
4.1VAR系统的表达式
4.2格兰杰因果性
4.3脉冲响应分析
4.4方差分解
4.5结束语
参考文献
第5章非平稳过程
5.1非平稳性的形式
5.2趋势去除
5.3单位根检验
5.3.1Dickey—Fuller检验
5.3.2增广的Dickey—Fuller检验
5.3.3Phillips—Perron检验
5.3.4单位根检验和结构突变
5.3.5当原假设为平稳时的检验
5.4时间序列的分解
5.5进一步的扩展
5.5.1分整（fractionalintegration）
5.5.2季节单整
5.6经济时间序列中的确定性趋势与随机趋势
参考文献
第6章协整
6.1协整过程的定义及性质
6.2单方程模型中的协整：表达式、估计及检验
6.2.1双变量协整
6.2.2多变量协整
6.2.3静态模型中的协整检验
6.2.4动态模型中的协整检验
6.3向量自回归模型中的协整
6.3.1向量误差修正表达式
6.3.2Johansen方法
6.3.3向量误差修正模型的分析
6.4协整与经济理论
参考文献
第7章非平稳面板数据
7.1面板模型的几个相关问题
7.1.1遗漏变量偏差
7.1.2估计和检验
7.1.3混合的面板证据（mixedpanelevidence）
7.2面板单位根检验
7.2.1第一代检验方法
7.2.2第二代检验方法
7.2.3平稳性原假设的检验
7.3显著性的结合
7.3.1逆正态方法（inversenormalmethod）
7.3.2Bonferroni型检验
7.4面板协整
7.4.1单方程方法
7.4.2系统方法
7.5结束语
参考文献
第8章自回归条件异方差
8.1ARCH模型
8.1.1定义及表达式
8.1.2条件矩
8.1.3时频归并
8.2广义ARCH模型
8.2.1GARCH模型
8.2.2GARCH（1，1）过程
8.2.3非线性扩展
8.3估计和检验
8.4多元模型
8.4.1VAR型模型
8.4.2相关模型（correlationmodels）
8.5金融市场分析中的ARCH/GARCH模型
参考文献
译后记
· · · · · · (收起)
1.1时间序列分析的发展历史
1.2经济时间序列的图形表示
1.3滞后算子
1.4遍历性和平稳性
参考文献
第2章单变量平稳过程
2.1自回归过程
2.1.1一阶自回归过程
2.1.2二阶自回归过程
2.1.3高阶自回归过程
2.1.4偏自相关函数
2.1.5自回归过程的估计
2.2移动平均过程
2.2.1一阶移动平均过程
2.2.2MA（1）过程与时频归并
2.2.3高阶移动平均过程
2.3混合过程
2.3.1ARMA（1，1）过程
2.3.2ARMA（p，q）过程
2.4预测
2.4.1最小均方误差（minimalmeansquarederrors）预测
2.4.2ARMA（p，q）过程的预测
2.4.3预测效果的评价
2.5计量模型与ARMA过程的关系
参考文献
第3章格兰杰因果关系
3.1格兰杰因果性的定义
3.2双变量模型中因果关系的刻画
3.2.1因果关系的刻画———基于自回归和移动平均过程
3.2.2因果关系的刻画———基于单变量过程的残差
3.3因果关系检验
3.3.1直接格兰杰方法
3.3.2Haugh—Pierce检验
3.3.3Hsiao方法
3.4因果关系检验在多元模型中的应用
3.4.1直接格兰杰方法在多变量情形下的应用
3.4.2在多变量模型中解释双变量因果检验的结果
3.5结束语
参考文献
第4章向量自回归过程
4.1VAR系统的表达式
4.2格兰杰因果性
4.3脉冲响应分析
4.4方差分解
4.5结束语
参考文献
第5章非平稳过程
5.1非平稳性的形式
5.2趋势去除
5.3单位根检验
5.3.1Dickey—Fuller检验
5.3.2增广的Dickey—Fuller检验
5.3.3Phillips—Perron检验
5.3.4单位根检验和结构突变
5.3.5当原假设为平稳时的检验
5.4时间序列的分解
5.5进一步的扩展
5.5.1分整（fractionalintegration）
5.5.2季节单整
5.6经济时间序列中的确定性趋势与随机趋势
参考文献
第6章协整
6.1协整过程的定义及性质
6.2单方程模型中的协整：表达式、估计及检验
6.2.1双变量协整
6.2.2多变量协整
6.2.3静态模型中的协整检验
6.2.4动态模型中的协整检验
6.3向量自回归模型中的协整
6.3.1向量误差修正表达式
6.3.2Johansen方法
6.3.3向量误差修正模型的分析
6.4协整与经济理论
参考文献
第7章非平稳面板数据
7.1面板模型的几个相关问题
7.1.1遗漏变量偏差
7.1.2估计和检验
7.1.3混合的面板证据（mixedpanelevidence）
7.2面板单位根检验
7.2.1第一代检验方法
7.2.2第二代检验方法
7.2.3平稳性原假设的检验
7.3显著性的结合
7.3.1逆正态方法（inversenormalmethod）
7.3.2Bonferroni型检验
7.4面板协整
7.4.1单方程方法
7.4.2系统方法
7.5结束语
参考文献
第8章自回归条件异方差
8.1ARCH模型
8.1.1定义及表达式
8.1.2条件矩
8.1.3时频归并
8.2广义ARCH模型
8.2.1GARCH模型
8.2.2GARCH（1，1）过程
8.2.3非线性扩展
8.3估计和检验
8.4多元模型
8.4.1VAR型模型
8.4.2相关模型（correlationmodels）
8.5金融市场分析中的ARCH/GARCH模型
参考文献
译后记
· · · · · · (收起)
读后感
评分
评分
评分
评分
评分
用户评价
评分
硬是花了钱才找到完整版的，这书倒不是多好，但是写的比较清除，也亲民~~~
评分见过的最用户友好的参考文献。
评分见过的最用户友好的参考文献。
评分可以。
评分见过的最用户友好的参考文献。
相关图书
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2026 book.quotespace.org All Rights Reserved. 小美书屋 版权所有