教学、应用与研究在时间序列分析课程教学中的有机结合的研究

《教学、应用与研究在时间序列分析课程教学中的有机结合的研究》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、时间序列是指对某种特定的现象按照时间顺序记录的一列有序数据，对时间序列的研究是统计学必备的最重要的专业技能之一，相关知识有时间序列分析、统计分析、灰色模型、回归模型和马尔可夫链等。而时间序列分析是对数据进行观察和研究，找出数据的内在发展规律，建立统计模型，并依此对未来的走势进行预测。时间序列分析在经济学、生物医学、社会科学和工程技术等众多领域都有着广泛的应用，对数据处理有着强大的功能，也是统计学的专业必修课之一，在知识结构中占据了很重要的一环。作为一门综合性课程，时间序列分析需要概率统计的相关知识和统计软件，

2、同时涉及随机过程、复变函数和微分方程等比较难的知识，因此这门课的讲授与学习都有很大的难度和挑战，对其教学探索有着重要而积极的意义。本文提出了一种新的时间序列分析课程教学理念。1时间序列分析课程教学普遍问题笔者经过翻阅大量的随机序列分析教材并多年实践教学后，发现目前的教材和教学普遍存在下列问题:1）脉络不清楚。从数据到模型还是模型到数据，模型的来源、发展和构建等基本问题交代不清，学生很容易混淆。2）重点不突出。相关的定义、性质和定理等内容没有重点标出，整个课本是平铺直叙，让学生很难抓到重点和要点，学起来也很单调

3、和枯燥。3）案例过旧。课程上的例子数据基本来源于20世纪中下叶，学生很难把案例与当前情况联系起来。4）与具体应用和前沿研究脱节。为了与理论知识一致，课程编排基本是从模型出发，很少有从问题和数据出发进行分析,在解决实际问题时学生很容易陷入一种不知如何下手的困境。受制于这些普遍的问题，教师在授课时不注意的话，就很难凸显这门学科的知识性和应用性，讲授也局限于ARIMA模型，很难跳出专业的限制来处理实际数据，模型与实际也相差甚远。造成的后果是课堂教学枯燥乏味，学生缺乏主动性和思考能力，没有达到教学的基本目的2课程教学

4、改革措施基于以上存在的问题，笔者在教学中尝试了新的授课理念，即把具体应用和学术研究进行有机结合，并引导学生从问题出发，打破学科和专业的界限。具体操作有以下几个方jIo2.1课程大纲和教材修订课程大纲是授课的纲领，大纲除了明确要求学生掌握时间序列分析的基本理论和方法，还应把教学目标提升到学会处理时间序列数据，能够选择恰当的模型拟合具体数据并进行预测，做到从数据出发，解决实际问题。另一方面，教材作为教学的凭借，内容不只是为了学科知识的系统和完整，更应该是从实际出发，从学生认知出发。因此教学不应受限于某一本教材，而

5、是综合利用课程资源，合理整合授课内容，并在教学中引进最新的真实案例。另外理论与实验相结合，相铺相成进行授课和实践操作，并且预留12次课的时间来讲解和处理实际应用问题。合理的课程大纲和授课安排有助于内容讲解和知识接受2.2课堂教学时间序列分析的实质是对时间序列进行建模预测。前一两次授课先给学生展示本学科的全局概貌和应用，理清时间序列分析在数据分析中的地位和作用，同时点评几篇最近的研究文献，阐述科研工作者是如何利用相关知识来分析和处理问题的，让学生接触到学科知识的研究价值和意义。进一步的，根据实际提出了几个应用性

6、问题，比如给出近些年的病例、气候、股票和经济等数据，讲解经过课程学习我们可以实现对数据的拟合和预测，在往后的学习中紧扣问题进行授课，由此提高学生的学习兴趣。根据课程脉络，由浅入深介绍各种相关模型，强调和比较不同模型的定义和性质，理清模型之间的关系，分析为什么要引入这些模型。比如ARMA模型是用来处理平稳序列，但因实现数据大多都是非平稳序列，所以要引逬ARIMA模型；而因存在残差的自相关和异方差情况，所以要引进GARCH模型。在教学过程中，强调模型建立的前提条件，必须让学生掌握3种最简单时间序列模型（即AR、M

7、A和ARMA模型）的建模思路、检验、估计和预测，并对ARIMA、GARCH等模型的产生原因和建模思路进行深入细致的分析。特别要强调，课本知识是从模型构建脉络展开，逐步引出各类模型而最终构成时间序列分析的知识大厦。这种课程安排有利于学生理解模型，但也容易造成他们在处理实际数据时不知从何下手。因此必须让学生对知识脉络和框架有完整的认识和理解。尽量多利用较新的真实案例讲解抽象模型。案例教学在时间序列分析课程授课过程中占据重要的地位，用案例紧扣教学，能够更好地启发学生。在讨论时间序列模型时，摈除过于陈旧的案例，引入当

8、前最新的并且真实的数据。t匕如利用实际人口或经济的数据引入非平稳序列，在讲授非线性趋势和异方差的过程中，分别引入广西1986〜2014年的GDP数据和2015年股市的深证指数。透彻的实证分析能够激发学生的思考能力和学习主动性。特别是，介绍完时间序列模型后，回归到问题本身，从具体数据出发解决实际问题给定不同的数据，不限制模型结构，关键在于如何构建恰当的模型进行拟合和预测，并让学生实际操作，培养处理实际