店铺推荐
【内容】
时间序列分析是统计学非常重要的一个分支，它遵循统计学基本原理，利用样本信息估计总体性质。但是由于时间的不可重复性，大多数时间序列的观察样本有且只有一个。这种特殊的数据结构使得时间序列分析具有独特且自成体系的一套分析方法。
《应用时间序列分析——基于Python》旨在介绍时间序列分析的基本概念、原理及模型，涵盖了时间序列分析中最基本的线性模型及非线性模型。全书共有七章，可作为一个学期的课程教材，供高等院校统计学、经济学等专业本科生和研究生使用。
该书使用Python作为数据分析软件。该书特色之一在于采用模型、数据双向分析：一，从模型出发，模拟过程。通过对模拟数据的直观分析，反射出模型的理论属性；二，从数据出发，拟合模型。通过对实际数据的分析，从多角度挖掘数据信息，拟合经验模型。为了帮助读者在学习理论知识的同时，能够熟练掌握Python中时间序列的分析过程，该书在每一章的案例分析中，给出并详细说明每一步分析对应的代码及输出结果。
《应用时间序列分析——基于Python》旨在介绍时间序列分析的基本概念、原理及模型，涵盖了时间序列分析中最基本的线性模型及非线性模型。全书共有七章，可作为一个学期的课程教材，供高等院校统计学、经济学等专业本科生和研究生使用。
该书使用Python作为数据分析软件。该书特色之一在于采用模型、数据双向分析：一，从模型出发，模拟过程。通过对模拟数据的直观分析，反射出模型的理论属性；二，从数据出发，拟合模型。通过对实际数据的分析，从多角度挖掘数据信息，拟合经验模型。为了帮助读者在学习理论知识的同时，能够熟练掌握Python中时间序列的分析过程，该书在每一章的案例分析中，给出并详细说明每一步分析对应的代码及输出结果。
【目录】
第1章 时间序列分析概论
1.1 时间序列
1.2 时间序列分析
1.3 时间序列分析的基本概念
1.4 时间序列分析的一般步骤
1.5 时间序列分析软件——Python简介
1.6 习题
第2章 平稳时间序列模型
2.1 自回归模型
2.2 移动平均模型
2.3 自回归移动平均模型
2.4 平稳时间序列模型的特征
2.5 平稳时间序列模型的建立
2.6 Pandit-Wu建模方法
2.7 案例分析
2.8 习题
第3章 非平稳时间序列模型
3.1 非平稳时间序列
3.2 无季节效应的非平稳时间序列模型
3.3 ARIMA模型的建立
3.4 有季节效应的非平稳时间序列模型
3.5 季节ARIMA模型的建立
3.6 案例分析
3.7 习题
第4章 时间序列的预测
4.1 最小均方误差预测
4.2 平稳时间序列的预测
4.3 非平稳时间序列的预测
4.4 案例分析
4.5 习题
第5章 多元时间序列分析
5.1 向量平稳时间序列
5.2 VAR（p）模型
5.3 传递函数模型
5.4 协整与误差修正模型
5.5 案例分析
5.6 习题
第6章 条件异方差模型
6.1 条件期望与无条件期望
6.2 ARCH模型
6.3 GARCH模型
6.4 GARCH模型的建立
6.5 GARCH类模型的扩展
6.6 案例分析
6.7 习题
第7章 门限自回归模型
7.1 门限自回归模型
7.2 门限自回归模型的建立
7.3 门限自回归模型的扩展形式
7.4 案例分析
7.5 习题
参考文献
附录
1.1 时间序列
1.2 时间序列分析
1.3 时间序列分析的基本概念
1.4 时间序列分析的一般步骤
1.5 时间序列分析软件——Python简介
1.6 习题
第2章 平稳时间序列模型
2.1 自回归模型
2.2 移动平均模型
2.3 自回归移动平均模型
2.4 平稳时间序列模型的特征
2.5 平稳时间序列模型的建立
2.6 Pandit-Wu建模方法
2.7 案例分析
2.8 习题
第3章 非平稳时间序列模型
3.1 非平稳时间序列
3.2 无季节效应的非平稳时间序列模型
3.3 ARIMA模型的建立
3.4 有季节效应的非平稳时间序列模型
3.5 季节ARIMA模型的建立
3.6 案例分析
3.7 习题
第4章 时间序列的预测
4.1 最小均方误差预测
4.2 平稳时间序列的预测
4.3 非平稳时间序列的预测
4.4 案例分析
4.5 习题
第5章 多元时间序列分析
5.1 向量平稳时间序列
5.2 VAR（p）模型
5.3 传递函数模型
5.4 协整与误差修正模型
5.5 案例分析
5.6 习题
第6章 条件异方差模型
6.1 条件期望与无条件期望
6.2 ARCH模型
6.3 GARCH模型
6.4 GARCH模型的建立
6.5 GARCH类模型的扩展
6.6 案例分析
6.7 习题
第7章 门限自回归模型
7.1 门限自回归模型
7.2 门限自回归模型的建立
7.3 门限自回归模型的扩展形式
7.4 案例分析
7.5 习题
参考文献
附录
