具体描述
R语言具有上手快、效率高的特点，它横跨金融、生物、医学、互联网等多个领域，主要用于统计、建模及可视化。预测是数据挖掘的主要作用之一，也是大数据时代的核心价值所在。基于R语言来做预测，兼具效率和价值的双重属性，这是《R语言预测实战》的一大亮点。
《R语言预测实战》共分为三部分。第一部分讲预测基础，主要涵盖预测概念理解、预测方法论、分析方法、特征技术、模型优化及评价，读者通过这部分内容的学习，可以掌握进行预测的基本步骤和方法思路；第二部分讲预测算法，该部分包含了多元回归分析、复杂回归分析、时间序列及进阶算法，内容比较有难度，需要细心体会；第三部分讲预测案例，包括短期日负荷曲线预测和股票价格预测两个实例，读者可以了解到实施预测时需要关注的技术细节。
希望读者在看完《R语言预测实战》后，能够将本书的精要融会贯通，进一步在工作和学习实践中提炼价值。
《统计建模与机器学习应用实战》 探索数据驱动的决策艺术 图书简介 在当今数据爆炸的时代，如何将海量原始数据转化为具有前瞻性的洞察力与可靠的预测模型，已成为各个行业决策者和技术人员面临的核心挑战。本书《统计建模与机器学习应用实战》旨在为读者提供一套系统、深入且高度实用的框架，用以驾驭复杂的数据集，并构建出能够应对真实世界复杂性的预测系统。 本书并非专注于单一编程语言的语法教程，而是侧重于统计思维、模型选择的逻辑，以及工程实践中的模型部署与评估。我们相信，强大的预测能力源于对底层统计原理的深刻理解，而非仅仅是调参技巧的堆砌。 --- 第一部分：统计建模的基石与回归分析的精深（奠定预测的理论基础） 本部分将带领读者回顾并深化经典统计建模的基础。我们不满足于线性回归的表面知识，而是深入剖析其背后的假设、诊断工具以及如何处理违背这些假设的情况。 第一章：数据预处理与特征工程的艺术 数据清洗的鲁棒性策略： 探讨缺失值、异常值（Outliers）处理的高级技术，如稳健性插补法（Robust Imputation）与基于距离的异常检测（Distance-Based Anomaly Detection）。 特征构建的领域知识融合： 如何通过业务理解，有效地进行特征交叉、多项式变换以及分箱（Binning）策略的选择。重点讨论特征选择的严谨性，包括逐步回归法、LASSO、Ridge与弹性网络（Elastic Net）在特征筛选中的作用与权衡。 第二章：广义线性模型（GLMs）的扩展应用 超越正态分布： 系统介绍泊松回归（Poisson Regression）在计数数据（如事件发生次数）中的应用，以及负二项回归（Negative Binomial Regression）在处理过度离散（Overdispersion）问题时的优越性。 逻辑回归的深入理解与校准： 详细阐述逻辑回归（Logistic Regression）的概率解释、偏差（Bias）与方差（Variance）的权衡，并引入校准曲线（Calibration Curve）来评估预测概率的准确性，而非仅仅关注分类精度。 生存分析基础： 引入Cox比例风险模型（Cox Proportional Hazards Model）的基本原理，适用于时间至事件发生场景（如产品寿命、客户流失时间）。 第三章：模型诊断与诊断的深度解析 诊断的哲学： 区分偏差（Bias）与方差（Variance）的权衡，并教授如何通过残差图（Residual Plots）的细致观察来识别模型设定错误（Misspecification）。 多重共线性（Multicollinearity）的识别与缓解： 使用方差膨胀因子（VIF）进行量化分析，并探讨正则化方法在控制共线性影响方面的作用。 模型稳健性测试： 介绍自助法（Bootstrapping）在估计参数标准误和模型稳定性的实际操作，确保模型性能不依赖于单一数据集的随机性。 --- 第二部分：机器学习算法的深度集成与性能优化（构建高效的预测引擎） 本部分聚焦于现代机器学习算法，强调它们在处理非线性关系和高维数据时的强大能力，并着重于模型集成（Ensemble Methods）的工程实现。 第四章：决策树与集成学习的威力 决策树的优化： 深入探讨ID3、C4.5、CART算法的核心差异，并着重分析剪枝策略（Pruning）对防止过拟合的关键作用。 随机森林（Random Forests）的原理剖析： 解释Bagging（Bootstrap Aggregating）如何降低模型方差，以及特征随机性的重要性。 梯度提升机（GBM）的迭代优化： 详细讲解AdaBoost、Gradient Boosting Machine（GBM）以及XGBoost/LightGBM的核心思想——如何通过负梯度来指导下一棵树的构建方向，实现偏差的逐步降低。 第五章：支持向量机（SVM）与核方法的精妙 最大间隔分类器的几何直观： 理解SVM如何通过寻找最优超平面来实现最大化分类边界。 核函数（Kernel Trick）的运用： 深入探讨径向基函数（RBF Kernel）的参数选择，及其在映射到高维空间中解决非线性问题时的理论基础。 SVM在回归任务中的扩展（SVR）： 介绍如何使用 $epsilon$-不敏感损失函数（$epsilon$-Insensitive Loss Function）构建支持向量回归模型。 第六章：维度灾难与降维技术 主成分分析（PCA）的限制与应用场景： 在确保信息损失最小的前提下，如何通过PCA进行数据可视化和特征压缩。 非线性降维： 介绍流形学习（Manifold Learning）的基本概念，如t-SNE或Isomap，用于高维数据的内在结构探索。 特征学习： 简要引入神经网络中的自编码器（Autoencoders）作为一种有效的特征学习和降维工具。 --- 第三部分：模型评估、选择与实战部署的工程化（从模型到决策） 强大的模型必须是可信赖且可部署的。本部分关注如何科学地评估模型的预测质量，并在实际业务环境中实现自动化迭代。 第七章：评估指标的审慎选择与构建 分类问题： 不仅局限于准确率（Accuracy）。深入解析混淆矩阵（Confusion Matrix）的每一个组成部分，并强调精确率（Precision）、召回率（Recall）、F1-Score以及特定业务场景下的成本敏感评估。 回归问题： 对比MSE、MAE、RMSE，并引入R方调整值（Adjusted R-squared）在模型复杂度惩罚中的作用。 模型性能的可视化： 熟练运用ROC曲线、PR曲线（Precision-Recall Curve）和提升图（Lift Charts）来直观比较不同模型的优劣。 第八章：模型验证与泛化能力保障 交叉验证（Cross-Validation）的实践： 详述K折交叉验证、分层抽样交叉验证（Stratified K-Fold）在确保模型泛化能力方面的严格性要求。 时间序列数据的特殊验证： 重点讲解前向链式交叉验证（Forward Chaining/Rolling Origin Evaluation），避免未来信息泄露（Data Leakage）。 超参数调优的策略： 系统对比网格搜索（Grid Search）、随机搜索（Random Search）以及更高效的贝叶斯优化（Bayesian Optimization）在寻找最优超参组合时的效率差异。 第九章：预测模型的可解释性（XAI）与业务落地 从黑箱到白箱： 介绍理解复杂模型决策的关键技术，如特征重要性排序的计算方法。 局部解释性： 深入讲解LIME（Local Interpretable Model-agnostic Explanations）和SHAP（SHapley Additive exPlanations）值，如何在单个预测实例的层面解释模型给出的结果，这是建立业务信任的关键。 模型监控与漂移检测： 讨论在生产环境中，如何持续监控模型预测结果的分布变化（概念漂移/数据漂移），并建立自动再训练的触发机制。 --- 本书特色： 本书内容以“问题导向、深度剖析、工程落地”为核心。我们不提供即插即用的代码片段，而是提供算法背后的数学直觉和工程实现时需要避免的陷阱。读者将学会如何像一位经验丰富的统计学家和数据科学家那样思考，从而能够独立地设计、构建、验证并成功部署解决实际业务挑战的预测系统。本书适合具备基础统计学或编程背景，渴望将理论知识转化为可信赖预测能力的专业人士、研究人员和高级数据分析师阅读。
作者简介
游皓麟，高级数据分析师，目前专注于NLP、知识图谱以及深度学习的研究与实现。曾服务于华为技术软件有限公司等企业，多次出席R语言会议并发表演讲，在小象学院担任过R语言数据挖掘和机器学习讲师。
目录信息
第一部分 预测入门篇
第1章 预测入门 2
1.1 什么是预测 3
1.1.1 预测的定义 3
1.1.2 预测的特点 4
1.1.3 预测的分类 4
1.1.4 预测的基本原则 5
1.2 大数据与预测 7
1.2.1 什么是大数据 7
1.2.2 大数据预测的优势 9
1.2.3 大数据预测的特征 9
1.2.4 大数据预测案例 12
1.3 预测利器之R语言 22
1.3.1 R语言简介 22
1.3.2 R语言预测初步 33
1.3.3 R语言预测常用包 42
第2章 预测方法论 44
2.1 预测流程 45
2.1.1 确定主题 45
2.1.2 收集数据 47
2.1.3 选择方法 49
2.1.4 分析规律 53
2.1.5 建立模型 57
2.1.6 评估效果 60
2.1.7 发布模型 60
2.2 指导原则 61
2.2.1 界定问题 61
2.2.2 判断预测法 63
2.2.3 外推预测法 64
2.2.4 因果预测法 66
2.3 团队构成 66
2.3.1 成员分类 67
2.3.2 数据氛围 68
2.3.3 团队合作 70
第3章 分析方法 72
3.1 相关分析 73
3.1.1 自相关分析 73
3.1.2 偏相关分析 74
3.1.3 简单相关分析 75
3.1.4 互相关分析 83
3.1.5 典型相关分析 84
3.2 对应分析 88
3.3 频谱分析 92
3.4 趋势分析 94
3.5 聚类分析 96
3.5.1 K-Means算法 96
3.5.2 系统聚类算法 99
3.6 关联分析 105
3.6.1 关联规则挖掘：Apriori与Eclat算法 105
3.6.2 序列模式挖掘：SPADE算法 119
第4章 特征构建技术 132
4.1 特征变换 133
4.1.1 概念分层 134
4.1.2 标准化 136
4.1.3 离散化 139
4.1.4 函数变换 142
4.1.5 深入表达 143
4.2 特征组合 143
4.2.1 基于特定的领域知识 143
4.2.2 二元组合 144
4.2.3 高阶多项式 148
4.3 自动生成：基于遗传编程的方法 152
4.3.1 基本思路 153
4.3.2 特征表达式 154
4.3.3 产生初始种群 162
4.3.4 计算适应度 163
4.3.5 选择、交叉和变异 165
4.3.6 实例分析 171
第5章 特征选择方法 176
5.1 直接法 177
5.2 单元法 177
5.2.1 Pearson相关系数 177
5.2.2 距离相关系数 179
5.2.3 单因素方差分析 181
5.2.4 信息增益 184
5.2.5 卡方检验 191
5.2.6 Gini系数 194
5.3 多元法 198
5.3.1 逐步回归 198
5.3.2 随机森林 203
5.3.3 遗传算法 210
第6章 模型参数优化 213
6.1 交叉验证 214
6.2 网格搜索 215
6.3 遗传算法 217
6.3.1 基本概念 217
6.3.2 遗传算法算例 218
6.3.3 遗传算法实现步骤 223
6.3.4 遗传算法R语言实现 223
6.3.5 R语言mcga和genalg包的应用 228
6.4 粒子群优化 233
6.4.1 基本概念及原理 233
6.4.2 粒子群算法R语言实现 235
6.4.3 粒子群算法实现步骤 238
6.4.4 R语言pso包的应用 239
6.5 模拟退火 241
6.5.1 基本概念及原理 241
6.5.2 模拟退火算法R语言实现 242
6.5.3 模拟退火算法实现步骤 244
6.5.4 R语言GenSA和stats包的应用 245
第7章 预测效果评估 250
7.1 概率预测评估方法 251
7.1.1 混淆矩阵 251
7.1.2 ROC曲线 255
7.1.3 KS曲线 261
7.1.4 累计收益图 263
7.1.5 累计提升图 264
7.1.6 累计响应图 266
7.2 数值预测评估方法 267
7.2.1 常见评估指标 267
7.2.2 ASD累计收益图 270
第二部分 预测算法篇
第8章 线性回归及其优化 274
8.1 多元线性回归 275
8.1.1 回归模型和基本假定 275
8.1.2 最小二乘估计 276
8.1.3 回归方程和回归系数的显著性检验 276
8.1.4 多重共线性 277
8.2 Ridge回归 280
8.2.1 基本概念 281
8.2.2 岭迹曲线 281
8.2.3 基于GCV准则确定岭参数 283
8.2.4 Ridge回归的R语言实现 284
8.3 Lasso回归 285
8.3.1 基本概念 285
8.3.2 使用LAR求解Lasso 286
8.3.3 Lasso算法的R语言实现 288
8.3.4 R语言lars包的应用 290
8.4 分位数回归 292
8.4.1 基本概念 292
8.4.2 分位数回归的计算 294
8.4.3 用单纯形法求解分位数回归及R语言实现 296
8.4.4 R语言quantreg包的应用 298
8.5 稳健回归 300
8.5.1 基本概念 301
8.5.2 M-估计法及其R语言实现 301
8.5.3 应用R语言MASS包实现稳健回归 304
第9章 复杂回归分析 307
9.1 梯度提升回归树（GBRT） 308
9.1.1 Boosting方法简介 308
9.1.2 AdaBoost算法 308
9.1.3 提升回归树算法 311
9.1.4 梯度提升 312
9.1.5 GBRT的R语言实现 314
9.1.6 R语言gbm包的应用 316
9.2 神经网络 320
9.2.1 基本概念 320
9.2.2 单层感知器学习算法 322
9.2.3 SLP回归算法的R语言实现 323
9.2.4 BP神经网络学习算法 325
9.2.5 BP回归算法的R语言实现 327
9.2.6 RBF神经网络学习算法 330
9.2.7 RBF回归算法的R语言实现 332
9.2.8 Elman神经网络学习算法 334
9.2.9 Elman回归算法的R语言实现 336
9.2.10 使用R语言包构建神经网络 338
9.3 支持向量机回归 343
9.3.1 基本问题 344
9.3.2 LS-SVMR算法 347
9.3.3 LS-SVMR算法的R语言实现 348
9.4 高斯过程回归 349
9.4.1 GPR算法 350
9.4.2 GPR算法的R语言实现 352
9.4.3 R语言kernlab包的应用 355
第10章 时间序列分析 358
10.1 Box-Jenkins方法 359
10.1.1 p阶自回归模型 359
10.1.2 q阶移动平均模型 361
10.1.3 自回归移动平均模型 363
10.1.4 ARIMA模型 365
10.1.5 ARIMA模型的R语言实现 367
10.1.6 R语言forecast包的应用 373
10.2 门限自回归模型 376
10.2.1 TAR模型的基本原理 376
10.2.2 TAR模型的R语言实现 377
10.2.3 R语言TSA包的应用 380
10.3 GARCH模型族 382
10.3.1 线性ARCH模型 382
10.3.2 GRACH模型 383
10.3.3 EGARCH模型 384
10.3.4 Power ARCH模型 384
10.3.5 PARCH模型的R语言实现 385
10.3.6 R语言fGarch包的应用 395
10.4 向量自回归模型 398
10.4.1 VAR模型基本原理 398
10.4.2 VAR模型的R语言实现 399
10.4.3 R语言vars包的应用 403
10.5 卡尔曼滤波器算法 405
10.5.1 Kalman滤波算法初步 406
10.5.2 Kalman滤波的R语言实现 407
10.5.3 R语言FKF包的应用 409
第三部分 预测应用篇
第11章 短期日负荷曲线预测 414
11.1 电力行业负荷预测介绍 415
11.2 短期日负荷曲线预测的基本要求 415
11.3 预测建模准备 416
11.3.1 基础数据采集 416
11.3.2 缺失数据处理及平滑 418
11.3.3 潜在规律分析 421
11.4 基于RBF神经网络的预测 426
11.4.1 RBF网络结构设计 426
11.4.2 确定最优参数 427
11.4.3 建模并实现预测 431
11.4.4 效果评估 433
11.5 基于LS-SVMR算法的预测 435
11.5.1 确定最优参数 436
11.5.2 建模并实现预测 438
11.5.3 效果评估 439
第12章 股票价格预测 442
12.1 股票市场简介 443
12.1.1 股票的基本概念 443
12.1.2 股票市场常用术语 443
12.1.3 股价波动的影响因素 447
12.2 获取股票数据 452
12.3 基于VAR算法的预测 455
12.3.1 平稳性检验 455
12.3.2 VAR模型定阶 456
12.3.3 预测及效果验证 457
参考文献 459
· · · · · · (收起)
第1章 预测入门 2
1.1 什么是预测 3
1.1.1 预测的定义 3
1.1.2 预测的特点 4
1.1.3 预测的分类 4
1.1.4 预测的基本原则 5
1.2 大数据与预测 7
1.2.1 什么是大数据 7
1.2.2 大数据预测的优势 9
1.2.3 大数据预测的特征 9
1.2.4 大数据预测案例 12
1.3 预测利器之R语言 22
1.3.1 R语言简介 22
1.3.2 R语言预测初步 33
1.3.3 R语言预测常用包 42
第2章 预测方法论 44
2.1 预测流程 45
2.1.1 确定主题 45
2.1.2 收集数据 47
2.1.3 选择方法 49
2.1.4 分析规律 53
2.1.5 建立模型 57
2.1.6 评估效果 60
2.1.7 发布模型 60
2.2 指导原则 61
2.2.1 界定问题 61
2.2.2 判断预测法 63
2.2.3 外推预测法 64
2.2.4 因果预测法 66
2.3 团队构成 66
2.3.1 成员分类 67
2.3.2 数据氛围 68
2.3.3 团队合作 70
第3章 分析方法 72
3.1 相关分析 73
3.1.1 自相关分析 73
3.1.2 偏相关分析 74
3.1.3 简单相关分析 75
3.1.4 互相关分析 83
3.1.5 典型相关分析 84
3.2 对应分析 88
3.3 频谱分析 92
3.4 趋势分析 94
3.5 聚类分析 96
3.5.1 K-Means算法 96
3.5.2 系统聚类算法 99
3.6 关联分析 105
3.6.1 关联规则挖掘：Apriori与Eclat算法 105
3.6.2 序列模式挖掘：SPADE算法 119
第4章 特征构建技术 132
4.1 特征变换 133
4.1.1 概念分层 134
4.1.2 标准化 136
4.1.3 离散化 139
4.1.4 函数变换 142
4.1.5 深入表达 143
4.2 特征组合 143
4.2.1 基于特定的领域知识 143
4.2.2 二元组合 144
4.2.3 高阶多项式 148
4.3 自动生成：基于遗传编程的方法 152
4.3.1 基本思路 153
4.3.2 特征表达式 154
4.3.3 产生初始种群 162
4.3.4 计算适应度 163
4.3.5 选择、交叉和变异 165
4.3.6 实例分析 171
第5章 特征选择方法 176
5.1 直接法 177
5.2 单元法 177
5.2.1 Pearson相关系数 177
5.2.2 距离相关系数 179
5.2.3 单因素方差分析 181
5.2.4 信息增益 184
5.2.5 卡方检验 191
5.2.6 Gini系数 194
5.3 多元法 198
5.3.1 逐步回归 198
5.3.2 随机森林 203
5.3.3 遗传算法 210
第6章 模型参数优化 213
6.1 交叉验证 214
6.2 网格搜索 215
6.3 遗传算法 217
6.3.1 基本概念 217
6.3.2 遗传算法算例 218
6.3.3 遗传算法实现步骤 223
6.3.4 遗传算法R语言实现 223
6.3.5 R语言mcga和genalg包的应用 228
6.4 粒子群优化 233
6.4.1 基本概念及原理 233
6.4.2 粒子群算法R语言实现 235
6.4.3 粒子群算法实现步骤 238
6.4.4 R语言pso包的应用 239
6.5 模拟退火 241
6.5.1 基本概念及原理 241
6.5.2 模拟退火算法R语言实现 242
6.5.3 模拟退火算法实现步骤 244
6.5.4 R语言GenSA和stats包的应用 245
第7章 预测效果评估 250
7.1 概率预测评估方法 251
7.1.1 混淆矩阵 251
7.1.2 ROC曲线 255
7.1.3 KS曲线 261
7.1.4 累计收益图 263
7.1.5 累计提升图 264
7.1.6 累计响应图 266
7.2 数值预测评估方法 267
7.2.1 常见评估指标 267
7.2.2 ASD累计收益图 270
第二部分 预测算法篇
第8章 线性回归及其优化 274
8.1 多元线性回归 275
8.1.1 回归模型和基本假定 275
8.1.2 最小二乘估计 276
8.1.3 回归方程和回归系数的显著性检验 276
8.1.4 多重共线性 277
8.2 Ridge回归 280
8.2.1 基本概念 281
8.2.2 岭迹曲线 281
8.2.3 基于GCV准则确定岭参数 283
8.2.4 Ridge回归的R语言实现 284
8.3 Lasso回归 285
8.3.1 基本概念 285
8.3.2 使用LAR求解Lasso 286
8.3.3 Lasso算法的R语言实现 288
8.3.4 R语言lars包的应用 290
8.4 分位数回归 292
8.4.1 基本概念 292
8.4.2 分位数回归的计算 294
8.4.3 用单纯形法求解分位数回归及R语言实现 296
8.4.4 R语言quantreg包的应用 298
8.5 稳健回归 300
8.5.1 基本概念 301
8.5.2 M-估计法及其R语言实现 301
8.5.3 应用R语言MASS包实现稳健回归 304
第9章 复杂回归分析 307
9.1 梯度提升回归树（GBRT） 308
9.1.1 Boosting方法简介 308
9.1.2 AdaBoost算法 308
9.1.3 提升回归树算法 311
9.1.4 梯度提升 312
9.1.5 GBRT的R语言实现 314
9.1.6 R语言gbm包的应用 316
9.2 神经网络 320
9.2.1 基本概念 320
9.2.2 单层感知器学习算法 322
9.2.3 SLP回归算法的R语言实现 323
9.2.4 BP神经网络学习算法 325
9.2.5 BP回归算法的R语言实现 327
9.2.6 RBF神经网络学习算法 330
9.2.7 RBF回归算法的R语言实现 332
9.2.8 Elman神经网络学习算法 334
9.2.9 Elman回归算法的R语言实现 336
9.2.10 使用R语言包构建神经网络 338
9.3 支持向量机回归 343
9.3.1 基本问题 344
9.3.2 LS-SVMR算法 347
9.3.3 LS-SVMR算法的R语言实现 348
9.4 高斯过程回归 349
9.4.1 GPR算法 350
9.4.2 GPR算法的R语言实现 352
9.4.3 R语言kernlab包的应用 355
第10章 时间序列分析 358
10.1 Box-Jenkins方法 359
10.1.1 p阶自回归模型 359
10.1.2 q阶移动平均模型 361
10.1.3 自回归移动平均模型 363
10.1.4 ARIMA模型 365
10.1.5 ARIMA模型的R语言实现 367
10.1.6 R语言forecast包的应用 373
10.2 门限自回归模型 376
10.2.1 TAR模型的基本原理 376
10.2.2 TAR模型的R语言实现 377
10.2.3 R语言TSA包的应用 380
10.3 GARCH模型族 382
10.3.1 线性ARCH模型 382
10.3.2 GRACH模型 383
10.3.3 EGARCH模型 384
10.3.4 Power ARCH模型 384
10.3.5 PARCH模型的R语言实现 385
10.3.6 R语言fGarch包的应用 395
10.4 向量自回归模型 398
10.4.1 VAR模型基本原理 398
10.4.2 VAR模型的R语言实现 399
10.4.3 R语言vars包的应用 403
10.5 卡尔曼滤波器算法 405
10.5.1 Kalman滤波算法初步 406
10.5.2 Kalman滤波的R语言实现 407
10.5.3 R语言FKF包的应用 409
第三部分 预测应用篇
第11章 短期日负荷曲线预测 414
11.1 电力行业负荷预测介绍 415
11.2 短期日负荷曲线预测的基本要求 415
11.3 预测建模准备 416
11.3.1 基础数据采集 416
11.3.2 缺失数据处理及平滑 418
11.3.3 潜在规律分析 421
11.4 基于RBF神经网络的预测 426
11.4.1 RBF网络结构设计 426
11.4.2 确定最优参数 427
11.4.3 建模并实现预测 431
11.4.4 效果评估 433
11.5 基于LS-SVMR算法的预测 435
11.5.1 确定最优参数 436
11.5.2 建模并实现预测 438
11.5.3 效果评估 439
第12章 股票价格预测 442
12.1 股票市场简介 443
12.1.1 股票的基本概念 443
12.1.2 股票市场常用术语 443
12.1.3 股价波动的影响因素 447
12.2 获取股票数据 452
12.3 基于VAR算法的预测 455
12.3.1 平稳性检验 455
12.3.2 VAR模型定阶 456
12.3.3 预测及效果验证 457
参考文献 459
· · · · · · (收起)
读后感
评分
关键章节没有数据，无法做实验 找作者要了几次，都不回复 关键章节没有数据，无法做实验 找作者要了几次，都不回复 关键章节没有数据，无法做实验 找作者要了几次，都不回复 关键章节没有数据，无法做实验 找作者要了几次，都不回复 关键章节没有数据，无法做实验 找作者要了几...
评分关键章节没有数据，无法做实验 找作者要了几次，都不回复 关键章节没有数据，无法做实验 找作者要了几次，都不回复 关键章节没有数据，无法做实验 找作者要了几次，都不回复 关键章节没有数据，无法做实验 找作者要了几次，都不回复 关键章节没有数据，无法做实验 找作者要了几...
评分关键章节没有数据，无法做实验 找作者要了几次，都不回复 关键章节没有数据，无法做实验 找作者要了几次，都不回复 关键章节没有数据，无法做实验 找作者要了几次，都不回复 关键章节没有数据，无法做实验 找作者要了几次，都不回复 关键章节没有数据，无法做实验 找作者要了几...
评分关键章节没有数据，无法做实验 找作者要了几次，都不回复 关键章节没有数据，无法做实验 找作者要了几次，都不回复 关键章节没有数据，无法做实验 找作者要了几次，都不回复 关键章节没有数据，无法做实验 找作者要了几次，都不回复 关键章节没有数据，无法做实验 找作者要了几...
评分关键章节没有数据，无法做实验 找作者要了几次，都不回复 关键章节没有数据，无法做实验 找作者要了几次，都不回复 关键章节没有数据，无法做实验 找作者要了几次，都不回复 关键章节没有数据，无法做实验 找作者要了几次，都不回复 关键章节没有数据，无法做实验 找作者要了几...
用户评价
评分
amazon上面的评价非常高
评分相当不错的入门书，对数据的预测有一个不错的认识，而且代码很全，
评分实战还是很有用的 但理论推导讲的不是很具体pa
评分amazon上面的评价非常高
评分相当不错的入门书，对数据的预测有一个不错的认识，而且代码很全，
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