ARMA 模型的干扰分析就是对平稳时间序列的均值变化进行显著性检验。先以 AR(1) 过程为例

 方法性工具  差分运算  延迟算子  线性差分方程  ARMA模型  AR模型（Auto Regression Model）  MA模型（Moving Average Model）  ARMA模型（Auto Regression Moving Average model）  平稳序列建模  序列预测  建模步骤  模型识别  参数估计  模型检验  模型优化  序列预测

由于虚假回归问题的存在，在回归模型中应避免直接使用不存在协积关系的非平稳变 量。因此检验变量的平稳性是一个必须解决的问题。在第二章中介绍用相关图判断时间序列 的平稳性。这一章则给出序列平稳性的严格的统计检验方法，即单位根检验。 在介绍单位根检验之前，先认识四种典型的非平稳随机过程

一、单位根过程 1、平稳过程与非平稳过程的差异 平稳时间序列具有如下特性： 具有常定均值，序列围绕在长期均值周围波动；

 时间序列的分解  确定性因素分解  趋势分析  季节效应分析  综合分析  X－11过程

01 建模步骤 02 单位根检验 03 模型识别 04 参数估计 05 模型检验 06 模型优化 07 序列预测

从本章起介绍计量经济学近 20 年来最新研究成果。如果把第 1 章内容称为经典计量经 济学，那么将要介绍的内容则应该称为非经典计量经济学。 从 1974 年开始计量经济学工作者渐渐意识到当用含有单位根的时间序列建立经典计量 经济模型时会出现一些问题，这就是虚假回归

◼ 差分运算 ◼ ARIMA模型 ◼ Auto-Regressive模型 ◼ 异方差的性质 ◼ 方差齐性变化 ◼ 条件异方差模型

01 因素分解理论 02 因素分解模型 03 指数平滑预测模型 04 ARIMA季节加法模型 05 ARIMA季节乘法模型

5.1 移动平均过程(MA Process) 5.2 自回归移动平均过程(ARMA Processes) 5.3 部分自相关函数 (Partial Autocorrelations)