本书是针对有合适专业背景和对该学科感兴趣的研究生和高年级本科生编写的一本教材。对那些在研究中经常遇到时间序列数据的研究人员来说，本书也是一本非常有价值的参考用书。

本书不仅对单变量与多变量时间序列的时域和频域分析提供了一个全面介绍，而且在书中包含了许多单变量和多变量时问序列模型的新进展。本书难度适当，叙述通俗易懂，并结合大量的应用实例说明时间序列分析方法的应用，极大地方便了读者对这些方法的学习和理解。

本书不仅对单变量与多变量时间序列的时域和频域分析提供了一个全面介绍，而且在书中包含了许多单变量和多变量时问序列模型的新进展，如逆自相关函数、扩展样本自相关函数、干预分析及干预探测、向量自回归移动平均模型、偏滞后自相关矩阵函数、局部过程、状态空间模型、卡尔曼滤波、非季节和季节模型的单位根检验等许多内容。

本书结合大量的应用实例说明时间序列分析方法的应用，极大地方便了读者对这些方法的学习和理解。

第1章 概述

1.1 引言

1.2 本书的例子和安排

第2章 基本概念

2.1 随机过程

2.2 自协方差和自相关函数

2.3 偏自相关函数

2.4 白噪声过程

2.5 均值、自协方差和自相关的估计

2.6 时间序列过程的移动平均和自回归表示

2.7 线性差分方程

练习

第3章 平稳时间序列模型

3.1 自回归过程

3.2 移动平均过程

3.3 AR(p)过程和MA(q)过程之间的对偶关系

3.4 自回归移动平均ARMA(p，q)过程

练习

第4章 非平稳时间序列模型

4.1 均值非平稳

4.2 自回归求和移动平均模型

4.3 方差和自协方差非平稳

练习

第5章 预报

5.1 引言

5.2 最小均方误差预报

5.3 预报的计算

5.4 对过去观测值加权平均的ARIMA预报

5.5 更新预报

5.6 最终预报函数

5.7 数值实例

练习

第6章 模型识别

6.1 模型识别的步骤

6.2 实例

6.3 逆自相关函数

6.4 扩展样本自相关函数和其他识别方法

练习

第7章 参数估计、诊断检验和模型选择

7.1 矩方法

7.2 极大似然方法

7.3 非线性估计

7.4 在时间序列分析中的普通最小二乘估计

7.5 诊断检验

7.6 有关序列W1至W7的实例

7.7 模型选择准则

练习

第8章 季节性时间序列模型

8.1 基本概念

8.2 传统方法

8.3 季节性ARIMA模型

8.4 实例

练习

第9章 单位根检验

9.1 引言

9.2 一些有用的极限分布

9.3 AR(1)模型中的单位根检验

9.4 一般模型的单位根检验

9.5 季节性时间序列模型的单位根检验

练习

第10章 干预分析和异常值检验

10.1 干预模型

10.2 干预分析实例

10.3 时间序列的异常值

10.4 异常值分析的实例

10.5 存在异常值时的模型识别

练习

第11章 傅立叶分析

11.1 一般概念

11.2 正交函数

11.3 有限序列的傅立叶表示

11.4 周期序列的傅立叶表示

11.5 非周期序列的傅立叶表示——离散时间序列傅立叶变换

11.6 连续时间函数的傅立叶表示

11.7 快速傅立叶变换

练习

第12章 平稳过程的谱理论

12.1 谱

12.2 一些常用过程的谱

12.3 线性滤波的谱

12.4 混叠

练习

第13章 谱估计

13.1 周期图分析

13.2 样本谱

13.3 平滑谱

13.4 ARMA谱估计

练习

第14章 转换函数模型

14.1 单个输入转换函数模型

14.2 互相关函数和转换函数模型

14.3 转换函数模型的结构

14.4 利用转换函数模型预报

14.5 二元频域分析

14.6 互谱和转换函数模型

14.7 多维输入转换函数模型

练习

第15章 时间序列回归和GARCH模型

15.1 误差具有自相关性的回归

15.2 ARCH和GARCH模型

15.3 GARCH模型的估计

15.4 预报误差方差的计算

15.5 实例

练习

第16章 向量时间序列模型

16.1 协方差和相关矩阵函数

16.2 向量过程的移动平均和自回归表示

16.3 向量自回归移动平均过程

16.4 非平稳向量自回归移动平均模型

16.5 向量时间序列模型的识别

16.6 模型拟合和预报

16.7 实例

16.8 向量过程的谱性质

附录16.A多元线性回归模型

练习

第17章 向量时间序列的深入

17.1 向量过程的单位根和协整

17.2 局部过程和局部过程相关矩阵

17.3 向量ARMA模型的等价表示

练习

第18章 状态空间模型和卡尔曼滤波

18.1 状态空间表示

18.2 状态空间模型和ARMA模型的关系

18.3 状态空间模型拟和与典型相关分析

18.4 经验实例

18.5 卡尔曼滤波及其应用

附录18.A典型相关

练习

第19章 长记忆和非线性过程

19.1 长记忆过程与分数差分

19.2 非线性过程

19.3 门限自回归模型

练习

第20章 时间序列中的聚积和系统抽样

20.1 ARIMA过程的时间聚积

20.2 预报和参数估计的聚积效应

20.3 ARIMA过程的系统抽样

20.4 系统抽样和时间聚积对因果关系的影响

20.5 聚积对线性和正态性检验的影响

20.6 聚积对单位根检验的影响

20.7 进一步的评论

练习