時間序列分析 - 城邦阅读花园


	時間序列分析技術是多重技術交叉、結合與關聯的組合。基本上有三種技術；（一）時間序列分析的基本技術（二）廻歸的分析技術（三）自我廻歸統合移動平均的ARIMA模型。本書依據前述三種基本技術進行分析，並透過SPSS軟體的程式與電腦的操作執行達成。讀者可依據本書內容，以及附錄的案例進行研習。本書特色　　本書適合研究生與研究人員，在社會及行為科學領域，使用時間序列預測模型分析時使用。透過完整的分析方法，讀者研習後，即可著手研究與分析﹔並可進行真實世界問題的預測。


	目錄第一章　時間序列分析：導論第一節　廻歸分析與時間序列第二節　時間序列分析技術的發展第三節　時間序列的基本概念分析第四節　時間序列分析軟體的發展與應用第五節　結語第二章　時間序列的分析與預測的基本技術第一節　緒言第二節　預測的類型一、時間序列模型二、因果模型三、質化的模型第三節　時間序列的成分一、趨勢成分二、循環成分三、季節成分四、不規則成分第四節　預測誤差的測量一、誤差（Error）二、平均誤差（ME）三、平均絕對離差（MAD）四、均方差（MSE）五、平均百分比誤差（MPE）六、平均絕對百分比誤差(MAPE) 第五節　利用平滑法預測一、移動平均二、加權移動平均三、指數平滑第六節　利用趨勢投射法預測時間序列一、趨勢投射法第七節　利用古典分解法預測時間序列一、季節因素的運算二、消除季節性因子以顯現趨勢三、季節的調整第八節　利用迴歸模型預測時間序列第九節　結語第三章　時間序列分析：廻歸技術的探究第一節　導論第二節　時間序列的廻歸分析：未滯延的範例一、一個比率目標的假設二、誤差項三、時間序列的廻歸模型（一）直線性：Y與X之間的關係是線性的（二）非機率的X：E （三）零的平均數：（四）恆定的變異數：（五）非自我廻歸：（六）常態性：誤差項是常態性分配四、沒有自我廻歸的假設五、違反沒有自我廻歸假設的結果六、傳統對自我相關的檢定七、一個可以選擇對立的估計方法八、虛擬-GLS估計九、小樣本的特性十、延伸到多元廻歸十一、一個比率目標假設的再斟酌第三節　時間序列的廻歸分析：滯延的案例一、滯延的外衍變項二、滯延的內衍變項三、滯延內衍變項模型中自我相關的檢定四、估計五、虛擬-GLS估計六、IV-虛擬GLS 七、一個修正比率目標的模型第四節　預測一、預測誤差二、預測的產生三、修正預測的方程式四、預測的評估第五節　可以選擇的時間-相依過程一、可以選擇的過程（一）較高階自我廻歸的過程（二）移動平均的過程（三）混合的過程二、過程的辨識（一）滯延內衍變項模型的應用三、估計第六節　摘要第四章　在時間序列資料中自我相關與自我廻歸的探究第一節　緒言第二節　自我相關的問題第三節　一階自我廻歸的誤差模型一、簡單的線性廻歸二、多元廻歸三、誤差項的屬性第四節　自我相關與Durbin-Watson檢定一、自我相關二、 Durbin-Watson檢定三、範例四、評論第五節　自我相關的修正測量一、預測變項的增加二、已被轉變變項的使用三、Cochrane-Orcutt 的程序 1. p的估計 2. 被轉變模型的適配四、Hildreth-Lu的程序五、一階的差分的程序六、三種方法的比較七、評論第六節　以自我相關的誤差項進行預測第七節　自我廻歸第八節　提供趨勢發展的適配與預測的自我廻歸模型一、一階的自我廻歸模型二、二階的自我廻歸模型三、pth-Order的自我廻歸模型第九節　結語第五章　間斷的時間序列：ARIMA模型代數與技術分析第一節　緒論第二節　隨機組成成份，一、ARIMA 模型（0,0,0）與ARIMA 模型（0,d,0）過程二、自我相關函數三、移動平均模型四、自我廻歸的模型五、淨（偏partial）自我相關的函數六、混合自我廻歸-移動平均模型七、模型的建構八、季節的模型（一）季節性的非常定性第三節　干預成份，一、一個突然的間斷的，不變的影響（一）辨識（二）估計（三）診斷（四）影響評估二、一個逐漸的，不變的影響三、一個突然的，暫時的影響四、檢定競爭的假設第四節　結語第六章　時間序列的資料分析與SPSS（18版）的操作過程第一節　緒論第二節　時間序列的廻歸一、時間就是一個預測式二、進行二次方程式趨勢三、診斷：自我相關的修正四、Durben-Watson的統計量五、差分六、圖形的求取與SPSS軟體的操作方法（一）在時間就是一個預測式中有關其序列關聯圖的SPSS操作過程（二）在進行二次方程式趨勢中有關其序列關聯圖的SPSS操作過程（三）在診斷：自我相關的修正中有關其序列關聯圖的SPSS操作過程（四）Durben-Watson的統計量中有關其序列關聯圖的SPSS操作過程（五）在差分中有關其序列關聯圖的SPSS操作過程第三節　滯延一、分配的滯延二、KOYCK模型三、圖形的求取與SPSS軟體的操作方法（一）在分配的滯延中有關其序列關聯圖的SPSS操作過程第四節　自我廻歸一、AR（1）模型二、AR（2）模型三、圖形的求取與SPSS軟體的操作方法（一）在AR（1）模型中有關其序列關聯圖的SPSS操作過程（二）在AR（2）模型中有關其序列關聯圖的SPSS操作過程第五節　指數平滑一、簡單的指數平滑二、平滑常數的選擇三、雙重指數平滑四、起動雙重指數平滑五、圖形的求取與SPSS軟體的操作方法第六節　季節的時間序列一、季節性二、季節的（測量）指標三、圖形的求取與SPSS軟體的操作方法第七節　季節的自我廻歸第八節　季節的指數平滑一、季節指數平滑的起動二、平滑常數的選擇三、外在的RMSPE 四、圖形的求取與SPSS軟體的操作方法第九節　季節的差分第十節　季節的調整第十一節　結語第七章　時間序列預測模型：專題的分析與SPSS（13版）的操作第一節　指數平滑模型第一節　指數平滑模型一、模型類型（一）簡單的（二）雜林（Holt）（三）冬天（冬季）（四）習慣性（Custom）二、有四種模型的參數可以被要求進行選擇（一）一般的(Alpha， )（二）Gamma.（）（三）Delta.（）（四）Phi.（）三、使用指數平滑去預測未來的量尺四、理解你的資料五、建立與分析指數平滑模型六、建立與分析一個簡單的模型七、建立與分析一個雜木（Holt）模型八、建立冬季模型九、檢定模型預測能力十、使用模型去預測未來的量尺第二節　自我廻歸一、方法（一）精確的最大概似（二）Cochrane-Orcutt（三）Prais-Winsten 二、在自我相關廻歸出現時決定其顯著性的預測變項三、從普通（ordinary）最小平方廻歸進行預測（一）進行分析（二）係數（三）檢查殘差的常態性四、檢核殘差的自我相關五、把自我廻歸應用於問題（一）進行分析（二）係數（三）檢核殘差的自我相關六、再進行顯著性預測變項的分析七、摘要第三節　ARIMA 一、自我廻歸（ARIMA）二、差分（ARIMA）三、移動平均（ARIMA）四、季節的階五、使用ARIMA的步驟（一）辨識成份（二）估計（三）診斷六、起動的基本步驟（一）使用季節性ARIMA以預測變項進入童裝服飾目錄案例模型的分析（二）繪製童裝服飾目錄案例銷售的曲線圖（三）辨識模型（四）建立模型（五）模型診斷（六）增加預測變項到模型（七）檢定模型預測的能力（八）摘要七、使用干擾分析去決定市場分配（一）干擾分析策略（二）辨識一個模型（三）決定干擾的時期（四）創造干擾變項（五）進行分析（六）模型診斷（七）評估干擾（八）摘要第四節　季節的分解一、模型二、從銷售量中排除季節性三、決定與設定定期或周期性四、理解輸出報表的結果五、摘要第五節　光譜的曲線圖一、使用光譜的曲線圖去證實關於周期性的指數二、進行分析三、摘要第八章　時間序列模型塑造與預測：專題與SPSS（18版）的操作分析第一節　緒論一、學習如何去使用專業的模組器二、學習如何去應用被儲存的模型第二節　以專業模組器進行混合的預測一、檢測你的資料二、進行分析三、模型的預測四、摘要第三節　應用已儲存的模型進行混合的預測一、進行分析二、模型適配統計量三、模型的預測四、摘要第四節　使用專業模組器去決定顯著性的預測變項一、繪製你的資料圖形二、進行分析三、序列的圖形四、模型的敘述表五、模型的統計量表六、ARIMA模型的參數表七、摘要第五節　應用已儲存的模型使用預測式進行實驗一、擴張預測式的序列二、修正在預測期間預測式的值三、進行分析第六節　季節的分解一、模型二、從銷售資料中消除季節性三、決定與設定週期四、進行分析五、理解輸出結果的資料六、摘要七、相關程序第七節　光譜的圖形一、使用光譜的圖形去證實有關週期的預期二、進行分析三、理解週期的量尺與光譜的密度五、摘要六、相關程序第八節　結語