这本书呈现了状态空间方法关于时间序列分析的全面处理。状态空间时间序列模型最显著的特征是把观测序列看作由明确的各成分组成，如趋势、季节、回归元素和扰动项，每一成分都可分开建模。建模过程就是将所有成分放置在一起形成一个单独模型，称为状态空间模型，它提供了分析的基础。
本书主要面向学生、教师、研究状态空间时间序列分析的方法论和应用领域的学者，以及相关领域的统计学家和经济计量学家。

1.引言
1.1 状态空间分析的基本思想
1.2 线性模型
1.3 非线性和非高斯模型
1.4 预备知识
1.5 记号
1.6 有关状态空间方法的其他著作
1.7 本书的网址
2.局部水平模型
2.1 引言
2.2 滤波
2.2.1 卡尔曼滤波
2.2.2 回归引理
2.2.3 贝叶斯处理
2.2.4 最小方差线性无偏处理
2.2.5 演示
2.3 预测误差
2.3.1 乔里斯基（Cholesky）分解
2.3.2 误差递推
2.4 状态平滑
2.4.1 平滑状态
2.4.2 平滑状态方差
2.4.3 演示
2.5 扰动平滑
2.5.1 平滑观测扰动
2.5.2 平滑状态扰动
2.5.3 演示
2.5.4 乔里斯基分解和平滑
2.6 模拟
演示
2.7 缺失观测
演示
2.8 预测
演示
2.9 初始化
2.10 参数估计
2.10.1 似然函数评估
2.10.2 集中对数似然函数
2.10.3 演示
2.11 稳态
2.12 诊断检查
2.12.1 预测误差的诊断检验
2.12.2 异常点和结构断点探测
2.12.3 演示
2.13 练习
3.线性高斯状态空间模型
3.1 引言
3.2 一元结构时间序列模型
3.2.1 趋势成分
3.2.2 季节成分
3.2.3 基本结构时间序列模型
3.2.4 周期成分
3.2.5 解释变量和干预效应
3.2.6 STAMP
3.3 多元结构时间序列模型
……
4.滤波、平滑和预测
5.滤波和平滑的初始化
6.深入计算方面
7.参数极大似然估计
8.线性高斯模型应用的演示
9.非线性和非高斯模型特例
10.近似滤波与平滑
11.平滑的重要性采样
12.粒子滤波
13.贝叶斯参数估计
14非高斯和非线性演示
参考文献