基本信息
内容简介
书籍
数学书籍
《应用时间序列分析：R软件陪同》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，还介绍了很多最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.
《应用时间序列分析：R软件陪同》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.
数学书籍
《应用时间序列分析：R软件陪同》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，还介绍了很多最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.
《应用时间序列分析：R软件陪同》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.
作译者
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。
目录
《应用时间序列分析：R软件陪同》
前言
第1章引言 1
1.1 时间序列的特点 1
1.2 时间序列例子 1
1.3 R软件入门 5
1.3.1 简介 5
1.3.2 动手 7
1.4 本书的内容 7
1.5 习题 8
第2章一元时间序列的基本概念和模型 10
2.1 时间序列的平稳性及相关性度量 10
2.1.1 平稳、自协方差函数和自相关函数 10
2.1.2 差分算子和后移算子 12
2.2 白噪声 13
2.3 随机游走 14
2.4 趋势平稳过程 15
2.5 一般线性模型 15
2.6 MA模型 16
2.7 AR模型 19
前言
第1章引言 1
1.1 时间序列的特点 1
1.2 时间序列例子 1
1.3 R软件入门 5
1.3.1 简介 5
1.3.2 动手 7
1.4 本书的内容 7
1.5 习题 8
第2章一元时间序列的基本概念和模型 10
2.1 时间序列的平稳性及相关性度量 10
2.1.1 平稳、自协方差函数和自相关函数 10
2.1.2 差分算子和后移算子 12
2.2 白噪声 13
2.3 随机游走 14
2.4 趋势平稳过程 15
2.5 一般线性模型 15
2.6 MA模型 16
2.7 AR模型 19
前言
同类教材的特点
首先，一些教材偏重于数学理论和推导.作者多为数学出身，他们习惯于数学的严格性和导出精确而又漂亮的数学结论.这些书适用于那些愿意为时间序列的数学理论研究做出贡献的读者.
其次，国内教材中一元时间序列往往占绝大部分篇幅，而且包含在各种数学假定下的各种定理和结果.这是因为一元时间序列的数学描述确实很漂亮，很多结果都能够以比较简洁的数学语言表达出来.而多元时间序列则很不一样，在一元情况下很漂亮的结果，在多元情况下就完全不同了.在数学上，复杂的表达是不被人们所喜爱的，因此，多元时间序列很难在数学味道很浓的教科书中展开.
很多教材对于真实时间序列的数据分析强调得不够.那些数学味道强的书，由于其主要目的不是分析实际数据，而且实际数据往往很难满足书中的数学假定，过多地讨论实际应用并不是这些书的重点.
另外有一些教材的确强调应用，而且作者很多也不是数学出身，书中也列举了一些数学假定和结论，但是往往没有花篇幅去完善和系统化，更没有用简明扼要的语言去做解释，使得无论是数学还是非数学出身的读者都不能很好地理解所用模型背后的机理.
在涉及统计软件使用方面，数学味道强的书完全不用任何软件是可以理解的，但很多偏重于应用的教科书只介绍昂贵的“傻瓜式”商业软件就不值得提倡了，因为介绍昂贵商业软件的教材客观上鼓励了使用盗版软件.商业软件不透明，代码保密，而且没有体现最新的成果，完全不能满足实际工作者的需要.
本书的特点
本书的目标读者是非数学专业出身的各类人员，可以是本科生或者研究生，也可以是在校教师或者实际工作者.我们力图用简单通俗的语言阐述有关的基本概念和计算，并尽量通过案例来讲述各种时间序列方法，使得非数学背景的读者可以较容易地理解.同时，我们也把有关的数学结构用简单完整的方式阐述，以供读者参考.
本书以应用为导向，除了介绍常用的一元时间序列方法，也尽可能多地介绍最新的多元时间序列方法.书中不仅包括各个科学领域的实际数据，还包括金融和经济数据的例子.本书例题用到的实际数据都可以从网上下载，或者在华章公司的网站(www.hzbook.com)获取.
本书全程使用免费、公开、透明的开源编程软件R. ，而且提供全部代码.R软件是世界上使用者最多的数据分析软件，有着非常强大的统计界的支持，发展很快，每天都有许多新的程序包被加入，到2014年5月初，R的统计程序包数量已经达到5500多个，而2009年年底只有不到1000个.新的统计方法大都以R程序包的形式首先展现在世人面前，这是任何商业软件所望尘莫及的.我们希望读者能够尽快地学会如何使用R软件解决读者自己的实际问题或分析数据.
欢迎读者提出宝贵意见，以使得我们在本书再版时予以改进.
作者
2014年5月
首先，一些教材偏重于数学理论和推导.作者多为数学出身，他们习惯于数学的严格性和导出精确而又漂亮的数学结论.这些书适用于那些愿意为时间序列的数学理论研究做出贡献的读者.
其次，国内教材中一元时间序列往往占绝大部分篇幅，而且包含在各种数学假定下的各种定理和结果.这是因为一元时间序列的数学描述确实很漂亮，很多结果都能够以比较简洁的数学语言表达出来.而多元时间序列则很不一样，在一元情况下很漂亮的结果，在多元情况下就完全不同了.在数学上，复杂的表达是不被人们所喜爱的，因此，多元时间序列很难在数学味道很浓的教科书中展开.
很多教材对于真实时间序列的数据分析强调得不够.那些数学味道强的书，由于其主要目的不是分析实际数据，而且实际数据往往很难满足书中的数学假定，过多地讨论实际应用并不是这些书的重点.
另外有一些教材的确强调应用，而且作者很多也不是数学出身，书中也列举了一些数学假定和结论，但是往往没有花篇幅去完善和系统化，更没有用简明扼要的语言去做解释，使得无论是数学还是非数学出身的读者都不能很好地理解所用模型背后的机理.
在涉及统计软件使用方面，数学味道强的书完全不用任何软件是可以理解的，但很多偏重于应用的教科书只介绍昂贵的“傻瓜式”商业软件就不值得提倡了，因为介绍昂贵商业软件的教材客观上鼓励了使用盗版软件.商业软件不透明，代码保密，而且没有体现最新的成果，完全不能满足实际工作者的需要.
本书的特点
本书的目标读者是非数学专业出身的各类人员，可以是本科生或者研究生，也可以是在校教师或者实际工作者.我们力图用简单通俗的语言阐述有关的基本概念和计算，并尽量通过案例来讲述各种时间序列方法，使得非数学背景的读者可以较容易地理解.同时，我们也把有关的数学结构用简单完整的方式阐述，以供读者参考.
本书以应用为导向，除了介绍常用的一元时间序列方法，也尽可能多地介绍最新的多元时间序列方法.书中不仅包括各个科学领域的实际数据，还包括金融和经济数据的例子.本书例题用到的实际数据都可以从网上下载，或者在华章公司的网站(www.hzbook.com)获取.
本书全程使用免费、公开、透明的开源编程软件R. ，而且提供全部代码.R软件是世界上使用者最多的数据分析软件，有着非常强大的统计界的支持，发展很快，每天都有许多新的程序包被加入，到2014年5月初，R的统计程序包数量已经达到5500多个，而2009年年底只有不到1000个.新的统计方法大都以R程序包的形式首先展现在世人面前，这是任何商业软件所望尘莫及的.我们希望读者能够尽快地学会如何使用R软件解决读者自己的实际问题或分析数据.
欢迎读者提出宝贵意见，以使得我们在本书再版时予以改进.
作者
2014年5月
书摘
第1章引言
1.1 时间序列的特点
本书研究的时间序列主要是根据时间先后对同样的对象按等间隔时间收集的数据,比如每日的平均气温、每天的销售额、每月的降水量、每秒钟容器的压力等等.虽然这些序列所描述的对象本身(比如容器压力)可能是连续的,但由于观测值并不连续,这种时间序列数据称为离散
(discrete)时间序列.当然也有连续
(continuous)时间序列,它是不间断地取值得到的时间序列,比如地震波和一些状态控制(比如月球车是否苏醒的用1-0表示的状态)的连续观测值,但对象不一定是连续的(比如0-1状态).和用于简单最小二乘回归的横截面数据不同,时间序列的观测值有可能是相关的,比如今天的物价和昨天的物价相关,本月的CPI和上个月的CPI相关等等.
因为待研究的时间序列变量个数的不同，时间序列分为一元时间序列和多元时间序列.在使用时间序列进行预测时往往使用一个(一元)或一组(多元)时间序列的历史数据来预测其未来的值,这在一元时间序列的应用中尤其明显.在多元时间序列中也有用其他时间序列作为输入来预测另一些时间序列的情况.这些特点使得时间序列更注重序列本身的自相关,并且利用过去时间序列的模式来预测未来.因此,研究时间序列本身的性质就很重要了.对于没有规律的时间序列,或者受到其他未知的或不可观测变量影响的时间序列,人们基本上无能为力.而且,为了有足够的关于序列模式的信息,时间序列分析通常需要较多的历史数据.只有那些比较“规范”的而且信息量较大的时间序列才有可能被建模并且用于预测.此外,一些时间序列模型有很强的数学假定,但这些最多根据经验的假定永远无法用数据验证.如果不注意到这些局限性,则会导致滥用和误导.
什么是较“规范”的序列呢?比方说,对于一元时间序列来说,就是在进行一系列差分变换之后可以转变为“平稳”的序列,“平稳”是时间序列分析中的一个重要概念.一般地,平稳
的序列可以用可操作的数学模型来描述和处理;而对于多元时间序列,则希望各个序列的线性组合是平稳的,这样人们可以用数学方式来建模.这里所用的数学模型通常都是线性模型,或者是部分线性模型.
一般来说,具有规律的降水、气压、气温、湿度等序列是比较规范的时间序列.在与人类社会活动相关的序列中,食品和日用品的销售等是比较有规律的,一些宏观经济数据也是如此.但诸如股票、期货等贸易及金融数据就很难有较明确的规律性,这些时序的变动依赖于许多其他因素,而且与产生数据的市场的成熟程度有关.
下面介绍一些时间序列的例子.
1.2 时间序列例子
例1.1美国年度经济数据
(sf.csv).该数据来自Fisher(1994). .该数据的变量为DATE(相应于年末)、PRICEIND(1900—1938年道琼斯工业及交通运输指数,拼接到1939—1985年的纽约证交所综合指数)、PREMIUM(每年美国股票溢价)、USVEL2(纽
.可以从网页http://qed.econ.queensu.ca/jae/1994-v9.S/下载.
第1章引言
约证交所成交率)和GROWTH(美国工业生产增长指数).图1.1为该序列的点图.该图是用
下面语句生成的:
w=read.csv("sf.csv") w=ts(w[,-1],start=c(1899,1),freq=1) plot(w,main="",type="o",pch=16)
图1.1 例1.1美国年度经济数据
这是一组经济时间序列,Fisher(1994)研究了这些序列之间的关系.PRI-CEIND和USVEL2序列随着时间变化表现出上升和下降的长期趋势.PREMI-UM和GROWTH序列的波动较大,且呈现一定的周期性.在宏观经济分析领域,这些时间序列数据扮演了很重要的角色.通过对这些序列的预测和分析可以更好地为国家经济的管理服务.本书的很多方法主要是用于经济金融领域的时间序列.
1.1 时间序列的特点
本书研究的时间序列主要是根据时间先后对同样的对象按等间隔时间收集的数据,比如每日的平均气温、每天的销售额、每月的降水量、每秒钟容器的压力等等.虽然这些序列所描述的对象本身(比如容器压力)可能是连续的,但由于观测值并不连续,这种时间序列数据称为离散
(discrete)时间序列.当然也有连续
(continuous)时间序列,它是不间断地取值得到的时间序列,比如地震波和一些状态控制(比如月球车是否苏醒的用1-0表示的状态)的连续观测值,但对象不一定是连续的(比如0-1状态).和用于简单最小二乘回归的横截面数据不同,时间序列的观测值有可能是相关的,比如今天的物价和昨天的物价相关,本月的CPI和上个月的CPI相关等等.
因为待研究的时间序列变量个数的不同，时间序列分为一元时间序列和多元时间序列.在使用时间序列进行预测时往往使用一个(一元)或一组(多元)时间序列的历史数据来预测其未来的值,这在一元时间序列的应用中尤其明显.在多元时间序列中也有用其他时间序列作为输入来预测另一些时间序列的情况.这些特点使得时间序列更注重序列本身的自相关,并且利用过去时间序列的模式来预测未来.因此,研究时间序列本身的性质就很重要了.对于没有规律的时间序列,或者受到其他未知的或不可观测变量影响的时间序列,人们基本上无能为力.而且,为了有足够的关于序列模式的信息,时间序列分析通常需要较多的历史数据.只有那些比较“规范”的而且信息量较大的时间序列才有可能被建模并且用于预测.此外,一些时间序列模型有很强的数学假定,但这些最多根据经验的假定永远无法用数据验证.如果不注意到这些局限性,则会导致滥用和误导.
什么是较“规范”的序列呢?比方说,对于一元时间序列来说,就是在进行一系列差分变换之后可以转变为“平稳”的序列,“平稳”是时间序列分析中的一个重要概念.一般地,平稳
的序列可以用可操作的数学模型来描述和处理;而对于多元时间序列,则希望各个序列的线性组合是平稳的,这样人们可以用数学方式来建模.这里所用的数学模型通常都是线性模型,或者是部分线性模型.
一般来说,具有规律的降水、气压、气温、湿度等序列是比较规范的时间序列.在与人类社会活动相关的序列中,食品和日用品的销售等是比较有规律的,一些宏观经济数据也是如此.但诸如股票、期货等贸易及金融数据就很难有较明确的规律性,这些时序的变动依赖于许多其他因素,而且与产生数据的市场的成熟程度有关.
下面介绍一些时间序列的例子.
1.2 时间序列例子
例1.1美国年度经济数据
(sf.csv).该数据来自Fisher(1994). .该数据的变量为DATE(相应于年末)、PRICEIND(1900—1938年道琼斯工业及交通运输指数,拼接到1939—1985年的纽约证交所综合指数)、PREMIUM(每年美国股票溢价)、USVEL2(纽
.可以从网页http://qed.econ.queensu.ca/jae/1994-v9.S/下载.
第1章引言
约证交所成交率)和GROWTH(美国工业生产增长指数).图1.1为该序列的点图.该图是用
下面语句生成的:
w=read.csv("sf.csv") w=ts(w[,-1],start=c(1899,1),freq=1) plot(w,main="",type="o",pch=16)
图1.1 例1.1美国年度经济数据
这是一组经济时间序列,Fisher(1994)研究了这些序列之间的关系.PRI-CEIND和USVEL2序列随着时间变化表现出上升和下降的长期趋势.PREMI-UM和GROWTH序列的波动较大,且呈现一定的周期性.在宏观经济分析领域,这些时间序列数据扮演了很重要的角色.通过对这些序列的预测和分析可以更好地为国家经济的管理服务.本书的很多方法主要是用于经济金融领域的时间序列.
