时间序列分析是统计学科的一个重要分支，它主要研究随着时间的变化，事物发生、发展的过程，寻找事物发展变化的规律并预测未来的走势。在日常生产和生活中，时间序列比比皆是，所以目前时间序列分析方法广泛应用于经济、金融、天文、气象、海洋、物理、化学、医学、质量控制等诸多领域，成为众多行业经常使用的统计方法。
本书是基于Python编写的入门级时间序列分析教材，主要内容包括时间序列分析简介、时间序列的预处理、ARMA模型的性质、平稳序列的拟合与预测、无季节效应的非平稳序列分析、有季节效应的非平稳序列分析、多元时间序列分析。

王燕，中国人民大学统计学院讲师。曾获得北京市青年教师教学技能大赛三等奖和保险精算课程改革北京市优秀团队奖等，被评为中国人民大学十大教学标兵，讲授的“寿险精算学”被评为校级精品课程。讲授课程：统计学、高等数理统计、金融数学、寿险精算学、生存分析、应用时间序列分析、定性数据分析等。

第1章 时间序列分析简介
1.1 引言
1.2 时间序列的定义
1.3 时间序列分析方法
1.3.1 描述性时序分析
1.3.2 统计时序分析
1.4 Python简介
1.4.1 Python的特点
1.4.2 Python的安装
1.4.3 Anaconda的安装
1.4.4 Python的基本语法规则
1.4.5 生成时间序列数据
1.4.6 绘制时序图
1.4.7 时间序列数据的处理
1.4.8 时间序列数据的导出
1.5 习题
第2章 时间序列的预处理
2.1 平稳序列的定义
2.1.1 特征统计量
2.1.2 平稳时间序列的定义
2.1.3 平稳时间序列的统计性质
2.1.4 平稳时间序列的意义
2.2 平稳性检验
2.2.1 时序图检验
2.2.2 自相关图检验
2.3 纯随机性检验
2.3.1 纯随机序列的定义
2.3.2 纯随机序列的性质
2.3.3 纯随机性检验
2.4 习题
第3章 ARMA模型的性质
3.1 Wold分解定理
3.2 AR模型
3.2.1 AR模型的定义
3.2.2 AR模型的平稳性判别
3.2.3 平稳AR模型的统计性质
3.3 MA模型
3.3.1 MA模型的定义
3.3.2 MA模型的统计性质
3.3.3 MA模型的可逆性
3.3.4 MA模型的偏自相关系数
3.4 ARMA模型
3.4.1 ARMA模型的定义
3.4.2 ARMA模型的平稳性与可逆性
3.4.3 ARMA模型的统计性质
3.5 习题
第4章 平稳序列的拟合与预测
4.1 建模步骤
4.2 单位根检验
4.2.1 DF检验
4.2.2 ADF检验
4.3 模型识别
4.4 参数估计
4.4.1 矩估计
4.4.2 极大似然估计
4.4.3 最小二乘估计
4.5 模型检验
4.5.1 模型的显著性检验
4.5.2 参数的显著性检验
4.6 模型优化
4.6.1 问题的提出
4.6.2 AIC准则
4.6.3 BIC准则
4.7 序列预测
4.7.1 线性预测函数
4.7.2 预测方差最小原则
4.7.3 线性最小方差预测的性质
4.7.4 修正预测
4.8 习题
第5章 无季节效应的非平稳序列分析
5.1 Cramer分解定理
5.2 差分平稳
5.2.1 差分运算的实质
5.2.2 差分方式的选择
5.2.3 过差分
5.3 ARIMA模型
5.3.1 ARIMA模型的结构
5.3.2 ARIMA模型的性质
5.3.3 ARIMA模型建模
5.3.4 ARIMA模型预测
5.4 疏系数模型
5.5 习题
第6章 有季节效应的非平稳序列分析
6.1 因素分解理论
6.2 因素分解模型
6.2.1 因素分解模型的选择
6.2.2 趋势效应的提取
6.2.3 季节效应的提取
6.2.4 X11季节调节模型
6.3 指数平滑预测模型
6.3.1 简单指数平滑
6.3.2 Holt两参数指数平滑
6.3.3 Holt-Winters三参数指数平滑
6.4 ARIMA加法模型
6.5 ARIMA乘法模型
6.6 习题
第7章 多元时间序列分析
7.1 伪回归
7.2 协整模型
7.2.1 单整与协整
7.2.2 协整模型
7.2.3 误差修正模型
7.3 干预模型
7.4 Granger因果检验
7.4.1 Granger因果关系的定义
7.4.2 Granger因果检验
7.4.3 Granger因果检验的问题
7.5 习题
附录
参考文献