Applied Time Series Lecture notes.

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

Applied Time Series Lecture notes.
This was the one  I used in my UG study. R was used for this course
Notes.2005.pdf (760.43 KB)

2010-2-22 15:45:29 上传

1 Introduction 5
1.1 Examples of time series . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2 Classical Decomposition 11
2.1 Stationarity . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.1.1 Estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.1.2 White noise . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.1.3 Distribution of autocorrelations . . . . . . . . . . . . . . . . . . . . . . 14
2.2 Classical decomposition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2.1 Evolution of the seasonal . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2.2 Smoothingmethods . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.2.3 Seasonal decomposition using X–12 . . . . . . . . . . . . . . . . . . . . 25
2.3 Structural equation modelling . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.3.1 Basic Structuralmodel . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.4 Statistics New Zealand . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.5 Naive forecasting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3 Stationary time series 37
3.1 ARMAmodels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.1.1 First order auto-regression model . . . . . . . . . . . . . . . . . . . . . 43
3.1.2 First orderMoving Average . . . . . . . . . . . . . . . . . . . . . . . . 45
3.1.3 ARMA(1,1)model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.2 Autoregressionmodels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.2.1 Estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.2.2 Prediction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.2.3 Finding AR order p . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.2.4 AR modelling in R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.3 Moving averagemodel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.4 ARMAmodels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.4.1 Estimating model order p, q . . . . . . . . . . . . . . . . . . . . . . . . 62
3.5 Model diagnostics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.5.1 ACF and PACF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.5.2 Ljung-Box test . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.6 Forecasting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
4 ARIMA models for non-stationary data 72
4.1 ARIMA processes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
4.1.1 Identification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
4.1.2 Estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
4.1.3 Diagnostic checking . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.2 Models for seasonals and trends . . . . . . . . . . . . . . . . . . . . . . . . . . 81
4.2.1 SeasonalARIMAmodel . . . . . . . . . . . . . . . . . . . . . . . . . . 82
4.2.2 Identification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
4.2.3 Estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
4.2.4 Diagnostic checking . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
4.3 Prediction fromARIMAmodels . . . . . . . . . . . . . . . . . . . . . . . . . 86
5 Input-output models 90
5.1 Regression with correlated errors . . . . . . . . . . . . . . . . . . . . . . . . . 90
5.2 Interventionmodels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
5.3 Distributed lagsmodels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
ii
5.3.1 Geometricmodels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
5.4 Rational distributed lags models . . . . . . . . . . . . . . . . . . . . . . . . . 100
5.4.1 identification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
5.4.2 Examples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
A Exercises 1
B Tutorials 1
C Project 1
C.1 Topics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
D Exampapers and solutions 1
iii

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏1 回帖

关键词：Time Series Applied Lecture Series notes Applied time notes Series Lecture

Thanks for sharing!

good, want to have a look

very good!