时间序列分析是一种处理动态数据的统计方法。它是基于随机过程理论和数理统计方法而发展起来的, 是寻找动态数据的变化特征, 挖掘隐含信息, 建立拟合模型, 进而预测数据未来发展的有力统计工具, 它广泛应用于经济、金融、气象、天文、物理、化学、生物、医学、质量控制等社会科学、自然科学和生产实践的诸多领域, 已经成为许多行业常用的统计方法。
本课程以时间序列分析的理论和实例相结合的方式, 有侧重地介绍了以下内容。 第 1 章概述了时间序列的发展历程、时间序列的一些基本概念、数据建模的基本步骤和时间序列数据的预处理。第 2 章和第 3 章分别介绍了平稳时间序列模型的概念、性质、建模和预测方法。第 4 章介绍了时间序列数据分解的思想以及常用的数据平滑方法。 第 5 章介绍了非平稳时间序列模型的概念、趋势的消除、ARIMA 模型的概念、性质、建模方法以及预测, 最后简单讨论了残差自回归模型。第 6 章介绍了几类常见的季节模型以及它们的建模和预测方法。第 7章讨论了伪回归现象、单位根检验和协整。第 8 章主要讲述了 ARCH 模型和 GARCH 模型的概念、估计和检验。
本课程讲解过程中全程使用Python语言，课程实例中的数据绝大部分是来源于实际真实数据，均可溯源。 通过对真实数据的分析, 学习者更能体会到基本理论、数据分析技能和数据分析经验相结合的重要性。同时, 也给初学者提供了大量免费获取的数据资源和练习的机会。此外, 本课程还精选了一定数量的习题。目的是希望通过这些习题的演练, 讲解使读者尽快掌握相应章节的基本理论和方法。 通过本课程的学习能够使得学习者初步掌握时序数据建模与应用的基本理论、方法与实操技能。
本课程适合于高等院校数学、统计、经济、商科、工程以及定量社会科学等相关专业的本科生学习时间序列分析, 也可作为硕士研究生使用 Python 语言学习时间序列分析的课程, 还可供相关技术人员进行时序数据处理时学习参考。
