应用时间序列分析 R软件陪同（第2版） pdf epub mobi txt 电子书 下载 2025

简体网页||繁体网页

☆☆☆☆☆

吴喜之，刘苗 著

图书标签:

• 时间序列分析
• R语言
• 计量经济学
• 统计学
• 数据分析
• 预测
• 金融
• 经济学
• 应用统计
• R软件

出版社： 机械工业出版社

ISBN：9787111587026

版次：2

商品编码：12292495

品牌：机工出版

包装：平装

丛书名： 华章应用统计系列

开本：16开

出版时间：2018-01-01

用纸：胶版纸

页数：264

内容简介

　　本书通过案例讲述有关的概念和方法，不仅介绍了ARMA 模型、状态空间模型、Kalman 滤波、单位根检验和GARCH 模型等一元时间序列方法，还介绍了很多新的多元时间序列方法，如线性协整、门限协整、VAR 模型、Granger 因果检验、神经网络模型、可加AR 模型和谱估计等. 书中强调对真实的时间序列数据进行分析，全程使用R 软件分析了各个科学领域的实际数据，还分析了金融和经济数据的例子.本书通俗易懂，理论与应用并重，可作为高等院校统计学和经济管理等专业“时间序列分析”相关课程的教材，对金融和互联网等领域的相关从业者也极具参考价值.

作者简介

　　吴喜之，北京大学数学力学系学士，美国北卡罗来纳大学统计系博士。中国人民大学统计学院教授、博士生导师。国内统计学界的学术带头人，国内推广R语言的先驱。曾是国务院学位委员会统计学科评议组成员、概率统计学会常务理事、国家教委概率统计教材组成员、国家统计教材编审委员会委员。主要从事序贯分析、回归诊断、质量控制和模型选择等方向的教学与研究，多次主持国家自然科学基金项目。在国际重要学术刊物上发表论文50多篇，著有近20部专著和教材，代表性著作有《复杂数据统计方法》《非参数统计》等。曾在北京大学、南开大学、美国加州大学和北卡罗来纳大学任教。

目录

前言 iii
第1 章引言1
1.1 时间序列的特点1
1.2 时间序列例子2
1.3 R 软件入门5
1.3.1 简介5
1.3.2 动手8
1.4 本书的内容9
1.5 习题10
第2 章一元时间序列的基本概念和ARIMA 模型12
2.1 时间序列的平稳性及相关性度量12
2.1.1 平稳、自协方差函数和自相关函数13
2.1.2 差分算子和后移算子15
2.2 白噪声16
2.3 随机游走18
2.4 趋势平稳过程19
2.5 联合平稳性和互相关函数21
2.6 一般线性模型21
2.7 MA 模型23
2.8 AR 模型26
2.9 ARMA 模型31
2.10 ARIMA 模型37
2.11 季节模型38
2.12 习题39
第3 章一元时间序列数据的拟合及预测: ARIMA 及其他模型44
3.1 拟合及预测的基本目的与预测精度的度量44
3.2 对序列自相关的混成检验46
3.3 ARIMA 模型的估计和预测46
3.3.1 ARMA 模型的最大似然估计46
3.3.2 ARMA 模型的矩估计方法47
3.3.3 ARMA 模型预测的基本数学原理48
3.4 简单指数平滑55
3.5 Holt-Winters 滤波预测方法61
3.6 指数平滑模型的一些术语和符号63
3.7 时间序列季节性分解的LOESS 方法66
3.7.1 LOESS 方法简介66
3.7.2 利用LOESS 做时间序列的季节分解67
3.8 回归用于时间序列73
3.9 时间序列的交叉验证76
3.9.1 交叉验证: 利用固定长度时间段的训练集来预测固定长度的未来77
3.9.2 交叉验证: 利用逐渐增加长度的训练集来预测固定长度的未来80
3.10 更多的一元时间序列数据实例分析83
3.10.1 例1.4 有效联邦基金利率例子83
3.10.2 澳洲Darwin 自1882 年以来月度海平面气压指数例子88
3.10.3 中国12 个机场旅客人数例子96
3.10.4 例1.2 Auckland 降水序列例子102
3.11 习题109
第4 章状态空间模型和Kalman 滤波简介111
4.1 动机111
4.2 结构时间序列模型112
4.2.1 局部水平模型113
4.2.2 局部线性趋势模型113
4.2.3 季节效应114
4.3 一般状态空间模型114
4.3.1 使用R 程序包解状态空间模型的要点116
4.3.2 随时间变化系数的回归116
4.3.3 结构时间序列的一般状态空间模型表示117
4.3.4 ARMA 模型的状态空间模型形式119
4.4 Kalman 滤波123
第5 章单位根检验134
5.1 单整和单位根134
5.2 单位根检验138
5.2.1 DF 检验、ADF 检验以及PP 检验139
5.2.2 KPSS 检验144
第6 章长期记忆过程: ARFIMA 模型147
6.1 介于I(0) 及I(1) 之间的长期记忆序列147
6.2 ARFIMA 过程149
6.3 参数d 的估计151
6.3.1 参数d 的估计: 平稳序列情况151
6.3.2 参数d
的估计: 非平稳ARFIMA(p; d; q) 情况153
6.4 ARFIMA 模型拟合例3.2 尼罗河流量数据153
第7 章GARCH 模型156
7.1 时间序列的波动157
7.2 模型的描述160
7.2.1 ARCH 模型160
7.2.2 GARCH 模型161
7.3 数据的拟合162
7.3.1 例1.1 美国工业生产增长指数数据的拟合162
7.3.2 例7.1 数据的拟合165
7.4 GARCH 模型的延伸167
7.4.1 一组GARCH 模型168
7.4.2 FGARCH 模型族170
7.4.3 ARFIMA-GARCH 模型族拟合例7.1 数据171
第8 章多元时间序列的基本概念及数据分析176
8.1 平稳性177
8.2 交叉协方差矩阵和相关矩阵178
8.3 一般线性模型179
8.4 VARMA 模型180
8.5 协整模型和Granger 因果检验183
8.5.1 VECM 和协整183
8.5.2 协整检验188
8.5.3 Granger 因果检验193
8.6 多元时间序列案例分析196
8.6.1 加拿大宏观经济数据196
8.6.2 例8.2 加拿大宏观经济数据的协整检验和Granger 因果检验197
8.6.3 用VAR(2) 模型拟合例8.2 加拿大宏观经济数据并做预测199
8.6.4 用VARX 模型拟合例8.2 加拿大宏观经济数据并做预测202
8.6.5 用状态空间VARX 模型拟合例8.2 加拿大宏观经济数据204
8.7 习题207
第9 章非线性时间序列208
9.1 非线性时间序列例子208
9.2 线性AR 模型211
9.3 自门限自回归模型212
9.3.1 一个门限参数的模型213
9.3.2 两个门限参数的模型214
9.3.3 Hansen 检验216
9.4 Logistic 平滑过渡自回归模型217
9.5 神经网络模型219
9.6 可加AR 模型221
9.7 模型的比较221
9.8 门限协整222
9.8.1 向量误差修正模型222
9.8.2 向量误差修正模型的估计223
9.8.3 关于向量误差修正模型的Hansen 检验225
第10 章谱分析简介228
10.1 周期性时间序列228
10.2 谱密度232
10.3 谱分布函数234
10.4 自相关母函数和谱密度235
10.5 时不变线性滤波器239
10.6 谱估计242
10.6.1 通过样本自协方差函数估计谱密度243
10.6.2 通过周期图估计谱密度243
10.6.3 非参数谱密度估计246
10.6.4 参数谱密度估计249
附录使用R 软件练习251
参考文献260

《应用时间序列分析 R软件陪同（第2版）》—— 深入探索时间序列数据的奥秘与应用 本书并非一本简单罗列统计公式或软件命令的指南，而是一次系统、深入、实战的时间序列分析之旅。我们旨在引领读者穿越纷繁复杂的时间序列数据，揭示其内在规律，并借助于强大而灵活的R语言工具，将理论知识转化为解决实际问题的能力。本书第二版在前版的基础上，内容更为翔实，案例更加贴近现实，旨在为广大统计学、经济学、金融学、环境科学、工程技术等领域的研究者、学生以及数据分析从业者提供一份全面且易于实践的学习资源。 本书核心理念：理论与实践的完美融合 时间序列分析的核心在于理解数据随时间变化的动态过程。本书坚守“理论支撑、实践先行”的理念，力求在介绍每一个时间序列模型或方法时，都追溯其严谨的数学原理，但绝不止步于此。我们将重点放在这些理论模型如何映射到现实世界的数据模式，以及如何利用R语言的强大功能来具体实现这些模型的估计、诊断和预测。本书中的每一个章节都伴随着精心设计的R语言代码示例，这些代码不仅展示了如何操作，更重要的是解释了每一步操作背后的逻辑，让读者在动手实践中巩固理论，在解决问题的过程中深化理解。 内容深度与广度：覆盖时间序列分析的经典与前沿 本书内容涵盖了时间序列分析的各个重要方面，从基础概念到高级模型，力求全面且深入： 第一部分：时间序列分析基础 认识时间序列数据： 我们将从最根本的层面出发，剖析时间序列数据的特性，包括其平稳性、自相关性、季节性、趋势性等关键属性。理解这些基本概念是后续深入分析的基石。我们将通过生动的可视化方法，帮助读者直观地感知这些特性。 数据预处理与可视化： 真实世界的数据往往充满噪声，需要进行有效的预处理。本书将详细介绍各种数据清洗、平滑、变换（如对数变换、差分）等技术，并强调可视化在探索数据、识别模式、检验假设过程中的关键作用。我们还将介绍R中强大的可视化包，如`ggplot2`，用于生成专业、美观的时间序列图。 平稳时间序列模型： AR（自回归）模型： 深入解析AR模型的原理，包括如何确定模型的阶数（ACF、PACF图的解读），如何进行模型估计，以及如何评估模型拟合优度。 MA（移动平均）模型： 阐述MA模型的构成，及其与AR模型的相互关系。 ARMA（自回归移动平均）模型： 整合AR和MA模型，介绍ARMA模型在描述更复杂时间序列动态方面的优势，以及模型选择的策略。 非平稳时间序列模型： ARIMA（自回归积分滑动平均）模型： 这是本书的核心内容之一。我们将详细讲解ARIMA模型的建立过程，包括差分操作的必要性，如何确定模型阶数（p, d, q），模型参数的估计与检验，以及模型诊断（残差分析）。本书将提供丰富的案例，展示如何利用ARIMA模型处理具有趋势和季节性的数据。 SARIMA（季节性自回归积分滑动平均）模型： 针对具有明显季节性模式的时间序列，SARIMA模型是必不可少的工具。本书将详细介绍SARIMA模型的结构，包括季节性阶数的确定，模型参数的估计与诊断。 模型诊断与残差分析： 任何时间序列模型都不可能完美拟合数据，残差的性质是评估模型优劣的关键。我们将详细介绍残差分析的方法，包括检验残差的白噪声性（Ljung-Box检验）、正态性等，并指导读者如何根据诊断结果调整模型。 第二部分：高级时间序列模型与技术 GARCH族模型（条件异方差模型）： 金融时间序列分析中，波动率的建模至关重要。本书将深入介绍GARCH模型及其各种变种（EGARCH, GJR-GARCH等），用于捕捉金融资产价格的波动聚集现象，并解释其在风险管理、期权定价等方面的应用。 协整与向量自回归（VAR）模型： 当存在多个相互关联的时间序列时，协整和VAR模型能够揭示它们之间的长期均衡关系和动态联系。本书将详细介绍协整检验、VAR模型的建立、参数估计、模型检验以及脉冲响应函数、方差分解等应用。 状态空间模型与卡尔曼滤波： 状态空间模型提供了一种统一的框架来描述和估计各种时间序列模型。本书将介绍状态空间模型的基本思想，并重点阐述卡尔曼滤波在处理动态系统、估计隐藏状态以及进行实时预测中的强大能力。 时间序列预测与模型评估： 预测是时间序列分析的最终目标之一。本书将介绍多种预测方法，包括点预测、区间预测，并讨论如何对预测模型进行科学的评估（如RMSE, MAE, MAPE等指标）。我们将强调在不同应用场景下选择合适的预测模型和评估指标的重要性。 非线性时间序列模型： 随着数据复杂性的增加，线性模型可能无法充分捕捉时间序列的动态。本书将初步介绍一些非线性时间序列模型，为读者打开探索更复杂动态的大门。 第三部分：R语言在时间序列分析中的应用实践 R语言作为一款开源、免费且功能强大的统计分析软件，在时间序列分析领域拥有无可比拟的优势。本书将贯穿始终地展示如何利用R语言实现上述所有理论模型的分析过程。 核心R包介绍： 我们将重点介绍R中处理时间序列数据的核心包，如`ts`、`zoo`、`xts`等，以及用于模型拟合、诊断和预测的专业包，例如`forecast`、`tseries`、`vars`、`MTS`、`rugarch`等。 数据导入与管理： 详细指导读者如何将各种格式的时间序列数据导入R，并进行高效的数据管理和操作。 模型实现与可视化： 提供大量可执行的R代码，演示如何使用这些包来构建、估计、诊断和预测各种时间序列模型。每一个代码片段都经过精心设计，力求清晰易懂，方便读者复制、修改和应用。 案例研究： 本书的另一大亮点是丰富的案例研究。我们将选取经济、金融、环境、工程等多个领域的真实数据集，一步一步地展示如何运用书中所学的知识和R语言工具来分析这些数据，并得出有意义的结论。这些案例不仅是理论知识的实践，更是激发读者思考和解决实际问题的绝佳范例。 本书的独特价值与目标读者 独特价值： 注重实际应用： 本书强调理论知识在实际问题中的应用，而非纯粹的理论推导。 R语言深度集成： R语言代码贯穿始终，提供完整的解决方案，使学习者能够立即动手实践。 结构清晰，循序渐进： 内容从基础到高级，逻辑严谨，适合不同水平的学习者。 案例丰富，贴近现实： 丰富的实际案例帮助读者理解模型的适用场景和分析过程。 第二版内容更新： 吸收前版反馈，内容更加完善，增加更多前沿模型和实践技巧。 目标读者： 统计学、经济学、金融学、数学等相关专业的本科生和研究生： 为他们提供系统扎实的时间序列分析理论基础和实践技能。 从事数据分析、量化研究、金融工程、市场预测等工作的专业人士： 帮助他们提升在时间序列数据分析方面的专业能力，解决工作中遇到的实际问题。 对时间序列分析感兴趣的科研人员和工程师： 为他们提供一个全面深入的学习资源，掌握分析复杂动态数据的方法。 任何希望掌握如何从时间序列数据中提取有价值信息并进行有效预测的读者。 结语 《应用时间序列分析 R软件陪同（第2版）》旨在成为您进行时间序列分析的得力助手和忠实伙伴。我们相信，通过本书的学习，您不仅能够掌握时间序列分析的精髓，更能熟练运用R语言这一强大工具，在数据驱动的时代，从错综复杂的时间序列中洞察规律，做出更明智的决策。我们期待与您一同踏上这段精彩的时间序列分析探索之旅。

评分☆☆☆☆☆

作为一名在金融行业工作的分析师，我经常需要处理和分析大量的金融时间序列数据，比如股票价格、汇率、利率等。时间序列的波动性和周期性对我来说是日常工作中的重要研究对象。在工作实践中，我发现市面上很多关于时间序列分析的书籍，要么年代久远，要么缺乏对金融领域应用的针对性，这让我很难找到能够直接解决我工作痛点的资料。这本书的“第2版”字样让我对其内容的更新和完善抱有较高的期望，这表明作者一直在关注该领域的发展，并根据最新研究成果和实践需求对书籍进行修订。我特别关注的是它在应用方面的深度和广度，尤其是能否涵盖一些在金融建模中常用到的时间序列模型，例如ARIMA模型、GARCH族模型，以及一些状态空间模型在金融市场预测中的应用。此外，如果书中能够提供一些实际的金融数据集的案例分析，并展示如何使用R语言进行数据处理、模型建立、结果解释和预测，那对我来说将是巨大的帮助。我希望这本书能够帮助我提升在金融时间序列分析方面的技能，从而更好地理解和预测金融市场的动态。

评分☆☆☆☆☆

这本书的出版信息让我产生浓厚的兴趣。作为一名长期关注应用统计领域发展的学者，我深知时间序列分析在现代科学研究和工程实践中的重要性。一本高质量、与时俱进的教材能够极大地推动该领域的研究和应用。“第2版”的更新，意味着它很可能已经吸收了近年来时间序列分析领域的新进展，例如在机器学习与时间序列结合方面的最新成果，或者在处理高频、大数据集方面的新方法。我特别关注的是该书在理论严谨性与工程应用之间的平衡。我希望它在深入探讨时间序列模型（如状态空间模型、贝叶斯时间序列方法等）的数学原理的同时，也能提供清晰的、在R语言环境下可操作的实现方案。如果书中能够包含一些跨学科的应用案例，例如在环境科学、医学、通信工程等领域的实际问题，并展示如何运用R语言进行建模和分析，这将极大地拓展读者的视野，并激发新的研究思路。一本好的学术专著，不仅要传授知识，更要激发思考，我期待这本书能在这方面有所体现。

评分☆☆☆☆☆

这本书的封面设计很吸引人，简洁而专业，让人一眼就能感受到这是一本关于数据分析的严谨之作。我是在一次偶然的机会下，在书店里翻阅到它的。当时我正好在寻找关于时间序列分析方面的学习资料，市面上有很多同类的书籍，但很多要么过于理论化，要么过于碎片化，难以系统学习。这本书的排版和字体都非常舒适，翻阅起来让人心情愉悦。我随便翻了几页，发现它不仅在理论阐述上深入浅出，而且在实操方面也提供了非常详细的指导。特别是它提到了“R软件陪同”，这对我来说是一个巨大的吸引力，因为我一直希望将理论知识与实际操作相结合，而R语言作为一款强大的开源统计分析软件，无疑是最佳选择。它的章节目录清晰明了，从基础概念到高级应用，循序渐进，让我对整个学习路径有了清晰的认识。虽然还没有深入阅读，但仅仅是初步的浏览，就让我对这本书的专业性和实用性充满了期待。我感觉这不仅仅是一本书，更像是一位经验丰富的导师，随时准备在我学习的道路上提供帮助和指导。

评分☆☆☆☆☆

我是一名正在攻读计量经济学硕士的学生，时间序列分析是我们课程中的重要组成部分。在寻找相关教材时，我被这本书的副标题“R软件陪同（第2版）”所吸引。在我看来，一本优秀的教材不仅要讲清楚理论，更要能够指导我们如何将这些理论应用到实际问题中。很多教材在理论讲解上做得很好，但在实际操作层面却显得不足，或者提供的代码示例不够清晰易懂，这让学习者在实践中感到举步维艰。而这本书明确提出“R软件陪同”，这让我看到了将理论与实践完美结合的希望。我期待它能够提供清晰、可运行的R代码示例，并且对代码的每一个部分进行详细的解释，让我们能够理解其背后的逻辑，而不是简单地复制粘贴。同时，我希望这本书能够涵盖时间序列分析中一些前沿的、在实际研究中常用的模型和方法，例如一些非线性模型、状态空间模型等，并且能够针对这些模型在R软件中的实现给出详细的指导。我需要一本能够帮助我独立完成时间序列数据分析的工具书，而这本书似乎正是为此而生。

评分☆☆☆☆☆

我是一名对数据科学充满热情，并且在业余时间努力学习各种分析技能的爱好者。之前，我接触过一些基础的统计学知识，也尝试过使用Python进行数据分析，但总感觉在时间序列分析这个领域，我缺乏一个系统、深入的指导。很多网络上的教程往往零散且不系统，让我难以形成完整的知识体系。当我看到这本书的介绍时，我的第一感觉就是“找到了”！“R软件陪同”这个点简直太棒了，因为我最近正在学习R语言，并且深深被它的强大和灵活所吸引。我希望这本书能够像一个耐心的老师，一步一步地引导我理解时间序列分析的核心概念，比如平稳性、自相关、偏自相关等，并且能够教会我如何使用R语言来实现这些概念的检验和分析。我期待书中能够包含丰富的图表和可视化示例，帮助我更直观地理解数据和模型。另外，我希望它不仅仅是理论的罗列，更要注重实际操作的指导，让我能够亲手完成数据的导入、清洗、模型选择、参数估计、模型诊断以及预测等全过程。