時間序列分析（初版）

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

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...