▪ 10.1 时间序列分解 ▪ 10.2 长期趋势分析 ▪ 10.3 季节变动分析 ▪ 10.4 循环波动分析 ▪ 10.5 时间序列的自相关分析 ▪ 10.6 时间序列的动态分析指标 ▪ 10.7 景气循环分析

首次提出将小波分解应用于非平稳时间序列的预测中,通过小波分解将非平稳时间序列分解为多层近似意义上的平稳时间序列,并且用AR(n)模型对分解后的时间序列进行预测,进而得到最终的预测结果.将该方法应用于压缩机轴承座磨损的趋势预测中,通过与基于BP网络的预测方法相比较表明:该方法预测精度高,而且预测速度快,可以有效地应用设备状态的预测和设备故障趋势的分析中

11.1 时间序列定义 11.2 时间序列模型的分类 11.3 Wold 分解定理 11.4 自相关函数（不讲理论，只分析特征） 11.5 偏自相关函数（不讲理论，只分析特征） 11.6 时间序列模型的建立与预测 11.7 案例分析（中国人口、粮食产量 ARIMA 模型） 11.8 回归与 ARMA 组合模型

研究了判断时间序列是否具有分形特征的几个参数:庞加莱映射、李雅普诺夫指数、关联维数、功率谱及赫斯特指数,分析了它们各自的优缺点,认为:在已知动力学系统时,使用庞加莱映射和李雅普诺夫指数就能准确地判断该时间序列是否分形;在不知道动力学系统时,使用功率谱及赫斯特指数更好些,最后给出了分形在时间序列分析中适用的场合

第一节 时间序列基本概念 伪回归问题 随机过程的概念 时间序列的平稳性 第二节 时间序列平稳性的单位根检验 单位根检验 Dickey－Fuller检验 Augmented Dickey－Fuller检验 第三节 协整 协整的概念 协整检验 误差修正模型 第四节 案例分析

第一章:平稳时间序列分析导论 第二章:平稳时间序列分析的基础知识 第三章:平稳时间序列模型的建立 第四章:协整理论导论 第五章:单位根过程 第六章:单位根过程的假设检验 第七章:协整理论

§13.1时间序列及其分解 §13.2平稳序列的平滑和预测 §13.3有趋势序列的分析和预测 §13.4复合型序列的分解

8.1时间序列及其分解 8.2平稳序列的平滑和预测 8.3有趋势序列的分析和预测 8.4复合型序列的分解

◼ 方法性工具 ◼ ARMA模型 ◼ 平稳序列建模 ◼ 序列预测

时间序列数据或截面数据都是一维数据。例如时间序列数据是变量按时间得到的数据；截面数据是变量在截面空间上的数据。面板数据是同时在时间和截面上取得的二维数据。所以，面板数据（panel data）也称时间序列截面数据（time series and cross section data）或混合数据（pool data）