時間序列分析是統計學科的一個重要分支，它主要研究隨著時間的變化，事物發生、發展的過程，尋找事物發展變化的規律并預測未來的走勢。在日常生產和生活中，時間序列比比皆是，所以目前時間序列分析方法廣泛應用于經濟、金融、天文、氣象、海洋、物理、化學、醫學、質量控制等諸多領域，成為眾多行業經常使用的統計方法。
本書是基于Python編寫的入門級時間序列分析教材，主要內容包括時間序列分析簡介、時間序列的預處理、ARMA模型的性質、平穩序列的擬合與預測、無季節效應的非平穩序列分析、有季節效應的非平穩序列分析、多元時間序列分析。
王燕，中國人民大學統計學院風險管理與精算方向教師。已開設統計學、高等數理統計、金融數學、壽險精算學、生存分析、應用時間序列分析（本科生）、應用時間序列分析（碩士研究生）、定性數據分析等課程。曾獲得中國人民大學“十大教學標兵”，北京高校第四屆青年教師教學基本功比賽文史組三等獎，壽險精算學精品課程、保險精算課程改革北京市優秀團隊獎等。
第1 章 時間序列分析簡介
1.1 引 言
1.2 時間序列的定義
1.3 時間序列分析方法
1.3.1 描述性時序分析
1.3.2 統計時序分析
1.4 Python 簡介
1.4.1 Python 的特點
1.4.2 Python 的安裝
1.4.3 Anaconda 的安裝
1.4.4 Python 的基本語法規則
1.4.5 生成時間序列數據
1.4.6 繪制時序圖
1.4.7 時間序列數據的處理
1.4.8 時間序列數據的導出
1.5 習 題
第 2 章 時間序列的預處理
2.1 平穩序列的定義
2.1.1 特征統計量
2.1.2 平穩時間序列的定義
2.1.3 平穩時間序列的統計性質
2.1.4 平穩時間序列的意義
2.2 平穩性檢驗
2.2.1 時序圖檢驗
2.2.2 自相關圖檢驗
2.3 純隨機性檢驗
2.3.1 純隨機序列的定義
2.3.2 純隨機序列的性質
2.3.3 純隨機性檢驗
2.4 習 題
第 3 章 ARMA 模型的性質
3.1 Wold 分解定理
3.2 AR 模型
3.2.1 AR 模型的定義
3.2.2 AR 模型的平穩性判別
3.2.3 平穩 AR 模型的統計性質
3.3 MA 模型
3.3.1 MA 模型的定義
3.3.2 MA 模型的統計性質
3.3.3 MA 模型的可逆性
3.3.4 MA 模型的偏自相關系數
3.4 ARMA 模型
3.4.1 ARMA 模型的定義
3.4.2 ARMA 模型的平穩性與可逆性
3.4.3 ARMA 模型的統計性質
3.5 習 題
第 4 章 平穩序列的擬合與預測
4.1 建模步驟
4.2 單位根檢驗
4.2.1 DF 檢驗
4.2.2 ADF 檢驗
4.3 模型識別
4.4 參數估計
4.4.1 矩估計
4.4.2 極大似然估計
4.4.3 最小二乘估計
4.5 模型檢驗
4.5.1 模型的顯著性檢驗
4.5.2 參數的顯著性檢驗
4.6 模型優化
4.6.1 問題的提出
4.6.2 AIC 準則
4.6.3 BIC 準則
4.7 序列預測
4.7.1 線性預測函數
4.7.2 預測方差最小原則
4.7.3 線性最小方差預測的性質
4.7.4 修正預測
4.8 習 題
第 5 章 無季節效應的非平穩序列分析
5.1 Cramer 分解定理
5.2 差分平穩
5.2.1 差分運算的實質
5.2.2 差分方式的選擇
5.2.3 過差分
5.3 ARIMA 模型
5.3.1 ARIMA 模型的結構
5.3.2 ARIMA 模型的性質
5.3.3 ARIMA 模型建模
5.3.4 ARIMA 模型預測
5.4 疏系數模型
5.5 習 題
第 6 章 有季節效應的非平穩序列分析
6.1 因素分解理論
6.2 因素分解模型
6.2.1 因素分解模型的選擇
6.2.2 趨勢效應的提取
6.2.3 季節效應的提取
6.2.4 X11 季節調節模型
6.3 指數平滑預測模型
6.3.1 簡單指數平滑
6.3.2 Holt 兩參數指數平滑
6.3.3 Holt-Winters 三參數指數平滑
6.4 ARIMA 加法模型
6.5 ARIMA 乘法模型
6.6 習 題
第 7 章 多元時間序列分析
7.1 偽回歸
7.2 協整模型
7.2.1 單整與協整
7.2.2 協整模型
7.2.3 誤差修正模型
7.3 干預模型
7.4 Granger 因果檢驗
7.4.1 Granger 因果關系的定義
7.4.2 Granger 因果檢驗
7.4.3 Granger 因果檢驗的問題
7.5 習 題
附錄
參考文獻
新書資訊