《时间序列分析》课程简介

《《时间序列分析》课程简介》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、《时间序列分析》课程简介06121290时间序列分析3.5TimeSeriesAnalysis3-1预修课程：概率论数理统计复变函数实变函数常微分方程泛函分析回归分析面向对象：三、四年级木科生内容简介：《时间序列分析》是概率统计学科中应用性较强的一个分支，在金融经济、气象水文、信号处理、机械振动等众多领域有着广泛的应用。课程内容以时间序列的线性模型和平稳序列的谱分析为主线，主要介绍时间序列的基本知识、常用的建模和预测方法，在内容上强调平稳序列的频率特性，注重解释功率谱的统计含义。《TimeSeriesAnal

2、ysis》isanimportantbranchofappliedfieldsofprobabilityandstatistics,andhasawideapplicationinavarietyoffields,rangingfromfinanceandeconomics,meteorologyandhydrologytosignalhandleandmechanics.Liningthemainlinethatisthespectralanalysisoflinearmodelandstationarys

3、equenceoftimeseries,thecoursemainlyintroducetheelementaryknowledgeoftimeseriesandthemethodsofbuildingmodelandforecasting,andemphasisthefrequencytraitsofstationarysequenceincontentandthestatisticsexplanationofpowerspectrum.推荐教材或主要参考书：(含教材名，主编，出版社，出版年月)《应用时间序

4、列分析》，何书元，北京大学出版社，ISBN7-301-06347-4,出版日期:2003-9；《预测与时间序列》，波尔曼、奥卡内欧(Bowerman/OTonnell),机械工业岀版社ISBN7-111-12410-3,岀版Fl期：2003-7；《时间序列的理论与方法》，B铮译，高等教育出版社ISBN：7-04-008701-4,出版日期:2003-4；《时间序列分析》，安鸿志，华东师范大学出版社，出版口期：1992。《时间序列分析》教学大纲06121290时间序列分析3.5TimeSeriesAnalysi

5、s3~1预修课程：概率论数理统计复变函数实变函数常微分方程泛函分析冋归分析面向对象：三、四年级本科生教学大纲一、教学目的和基本要求：通过本课程的学习使学生能掌握吋间序列的基本知识，掌握自回归模型、滑动平均模型、口回归滑动平均模型的基木特征，以及各口模型的参数估计方法，并给出相应模型的预测、预报。另外，通过上机的辅导能对一些简单的实际应用问题中进行分析、建模并给出相应的预测。Thestudentsarerequiredtounderstandtheelementaryknowledgeoftimeseriesa

6、ndthemainpropertiesofautoregressivemodels,movingaveragemodelsandARMAmodels,andtolcarnthemethodsofparametercstimatcandforecastingoftheabovemodels.Theyalsoarerequiredtoabletoanalysissomesimplepracticalproblem,andthentogiveamodelandforecastsforthem.二、主要内容及学时分配

7、：1.时间序列8学时+2学时上机时间序列的分解厂平稳序列；线性平稳序列和线性滤波；严平稳序列及英遍丿力性;Hilbert空间中的平稳序列；平稳序列的谱函数。2.自冋归模型8学吋+4学吋上机推移算子和常系数差分方程；自冋归模型及其平稳性；AR序列的谱密度和Yule-Walker方程;平稳序列的偏相关系数和Levinson递推公式；AR序列举例3.滑动平均模型与自回归滑动平均模型6学时+2学时上机滑动平均模型；自冋归滑动平均模型4.均值和自协方差函数的估计8学吋+4学吋上机均值的估计，自协方差函数的估计，片噪声检

8、验5.时间序列的预报8学时+4学时上机最佳线性预测的基本性质；非决定平稳序列及其Wold表示;时间序列的递推预测；ARMA序列的递推预测。1.ARMA模型的参数估计8学时+2学时上机AR模型的参数估计；MA模型的参数估计；ARMA模型的参数估计。Chapter1.Chapter2.Chapter3.TimeSeries(8+2hours).AutoregressiveModels(8+4hours)