时间序列分析技术是多重技术交叉、结合与关联的组合。基本上有三种技术；（一）时间序列分析的基本技术（二）廻归的分析技术（三）自我廻归统合移动平均的ARIMA模型。本书依据前述三种基本技术进行分析，并透过SPSS软体的程式与电脑的操作执行达成。读者可依据本书内容，以及附录的案例进行研习。

本书特色

　　本书适合研究生与研究人员，在社会及行为科学领域，使用时间序列预测模型分析时使用。透过完整的分析方法，读者研习后，即可着手研究与分析﹔并可进行真实世界问题的预测。

作者简介

余桂霖

　　现任：
　　国防大学政治作战学院政治学系   专任副教授

　　学历：
　　政战学校政研所 博士

　　研究领域：
　　当代政治理论、政治学方法论、政治学研究方法与统计、研究方法与统计、政治哲学
 

第一章　时间序列分析：导论
第一节　廻归分析与时间序列
第二节　时间序列分析技术的发展
第三节　时间序列的基本概念分析
第四节　时间序列分析软体的发展与应用
第五节　结语

第二章　时间序列的分析与预测的基本技术
第一节　绪言
第二节　预测的类型
一、时间序列模型
二、因果模型
三、质化的模型
第三节　时间序列的成分
一、趋势成分
二、循环成分
三、季节成分
四、不规则成分      
第四节　预测误差的测量
一、误差（Error）
二、平均误差（ME）
三、平均绝对离差（MAD）
四、均方差（MSE）
五、平均百分比误差（MPE）
六、平均绝对百分比误差(MAPE)
第五节　利用平滑法预测
一、移动平均
二、加权移动平均
三、指数平滑
第六节　利用趋势投射法预测时间序列
一、趋势投射法
第七节　利用古典分解法预测时间序列
一、季节因素的运算
二、消除季节性因子以显现趋势
三、季节的调整
第八节　利用回归模型预测时间序列
第九节　结语

第三章　时间序列分析：廻归技术的探究
第一节　导论
第二节　时间序列的廻归分析：未滞延的范例
一、一个比率目标的假设
二、误差项
三、时间序列的廻归模型
（一）直线性：Y与X之间的关系是线性的
（二）非机率的X：E
（三）零的平均数：
（四）恆定的变异数：
（五）非自我廻归：
（六）常态性：误差项是常态性分配
四、没有自我廻归的假设
五、违反没有自我廻归假设的结果
六、传统对自我相关的检定
七、一个可以选择对立的估计方法
八、虚拟-GLS估计
九、小样本的特性
十、延伸到多元廻归
十一、一个比率目标假设的再斟酌
第三节　时间序列的廻归分析：滞延的案例
一、滞延的外衍变项
二、滞延的内衍变项
三、滞延内衍变项模型中自我相关的检定
四、估计
五、虚拟-GLS估计
六、IV-虚拟GLS
七、一个修正比率目标的模型
第四节　预测
一、预测误差
二、预测的产生
三、修正预测的方程式
四、预测的评估
第五节　可以选择的时间-相依过程
一、可以选择的过程
（一）较高阶自我廻归的过程
（二）移动平均的过程
（三）混合的过程
二、过程的辨识
（一）滞延内衍变项模型的应用
三、估计
第六节　摘要

第四章　在时间序列资料中自我相关与自我廻归的探究
第一节　绪言
第二节　自我相关的问题
第三节　一阶自我廻归的误差模型
一、简单的线性廻归
二、多元廻归
三、误差项的属性
第四节　自我相关与Durbin-Watson检定
一、自我相关
二、 Durbin-Watson检定
三、范例
四、评论   
第五节　自我相关的修正测量
一、预测变项的增加
二、已被转变变项的使用
三、Cochrane-Orcutt 的程序
1. p的估计
2. 被转变模型的适配
四、Hildreth-Lu的程序
五、一阶的差分的程序
六、三种方法的比较
七、评论
第六节　以自我相关的误差项进行预测
第七节　自我廻归
第八节　提供趋势发展的适配与预测的自我廻归模型
一、一阶的自我廻归模型
二、二阶的自我廻归模型
三、pth-Order的自我廻归模型
第九节　结语

第五章　间断的时间序列：ARIMA模型代数与技术分析
第一节　绪论
第二节　随机组成成份，
一、ARIMA 模型（0,0,0）与ARIMA 模型（0,d,0）过程
二、自我相关函数
三、移动平均模型
四、自我廻归的模型
五、净（偏partial）自我相关的函数
六、混合自我廻归-移动平均模型
七、模型的建构
八、季节的模型
（一）季节性的非常定性
第三节　干预成份，
一、一个突然的间断的，不变的影响
（一）辨识
（二）估计
（三）诊断
（四）影响评估
二、一个逐渐的，不变的影响
三、一个突然的，暂时的影响
四、检定竞争的假设
第四节　结语

第六章　时间序列的资料分析与SPSS（18版）的操作过程      
第一节　绪论
第二节　时间序列的廻归
一、时间就是一个预测式
二、进行二次方程式趋势
三、诊断：自我相关的修正
四、Durben-Watson的统计量
五、差分
六、图形的求取与SPSS软体的操作方法
（一）在时间就是一个预测式中有关其序列关联图的SPSS操作过程
（二）在进行二次方程式趋势中有关其序列关联图的SPSS操作过程
（三）在诊断：自我相关的修正中有关其序列关联图的SPSS操作过程
（四）Durben-Watson的统计量中有关其序列关联图的SPSS操作过程
（五）在差分中有关其序列关联图的SPSS操作过程
第三节　滞延    
一、分配的滞延
二、KOYCK模型
三、图形的求取与SPSS软体的操作方法
（一）在分配的滞延中有关其序列关联图的SPSS操作过程
第四节　自我廻归
一、AR（1）模型
二、AR（2）模型
三、图形的求取与SPSS软体的操作方法
（一）在AR（1）模型中有关其序列关联图的SPSS操作过程
（二）在AR（2）模型中有关其序列关联图的SPSS操作过程
第五节　指数平滑
一、简单的指数平滑
二、平滑常数的选择
三、双重指数平滑
四、起动双重指数平滑
五、图形的求取与SPSS软体的操作方法
第六节　季节的时间序列
一、季节性
二、季节的（测量）指标
三、图形的求取与SPSS软体的操作方法
第七节　季节的自我廻归
第八节　季节的指数平滑
一、季节指数平滑的起动
二、平滑常数的选择
三、外在的RMSPE
四、图形的求取与SPSS软体的操作方法
第九节　季节的差分
第十节　季节的调整
第十一节　结语

第七章　时间序列预测模型：专题的分析与SPSS（13版）的操作
第一节　指数平滑模型
第一节　指数平滑模型
一、模型类型
（一）简单的（二）杂林（Holt）（三）冬天（冬季）（四）习惯性（Custom）
二、有四种模型的参数可以被要求进行选择
（一）一般的(Alpha， )（二）Gamma.（ ）（三）Delta.（ ）（四）Phi.（ ）
三、使用指数平滑去预测未来的量尺
四、理解你的资料
五、建立与分析指数平滑模型
六、建立与分析一个简单的模型
七、建立与分析一个杂木（Holt）模型
八、建立冬季模型
九、检定模型预测能力
十、使用模型去预测未来的量尺
第二节　自我廻归
一、方法
（一）精确的最大概似（二）Cochrane-Orcutt（三）Prais-Winsten
二、在自我相关廻归出现时决定其显着性的预测变项
三、从普通（ordinary）最小平方廻归进行预测
（一）进行分析（二）系数（三）检查残差的常态性
四、检核残差的自我相关
五、把自我廻归应用于问题
（一）进行分析（二）系数（三）检核残差的自我相关
六、再进行显着性预测变项的分析
七、摘要
第三节　ARIMA
一、自我廻归（ARIMA）
二、差分（ARIMA）
三、移动平均（ARIMA）
四、季节的阶
五、使用ARIMA的步骤
（一）辨识成份（二）估计（三）诊断
六、起动的基本步骤
（一）使用季节性ARIMA以预测变项进入童装服饰目录案例模型的分析（二）绘制童装服饰目录案例销售的曲线图（三）辨识模型（四）建立模型（五）模型诊断（六）增加预测变项到模型（七）检定模型预测的能力（八）摘要
七、使用干扰分析去决定市场分配
（一）干扰分析策略（二）辨识一个模型（三）决定干扰的时期（四）创造干扰变项（五）进行分析（六）模型诊断（七）评估干扰（八）摘要
第四节　季节的分解
一、模型
二、从销售量中排除季节性
三、决定与设定定期或周期性
四、理解输出报表的结果
五、摘要
第五节　 光谱的曲线图
一、使用光谱的曲线图去证实关于周期性的指数
二、进行分析
三、摘要

第八章　时间序列模型塑造与预测：专题与SPSS（18版）的操作分析
第一节　绪论
一、学习如何去使用专业的模组器
二、学习如何去应用被储存的模型
第二节　以专业模组器进行混合的预测
一、检测你的资料
二、进行分析
三、模型的预测
四、摘要
第三节　应用已储存的模型进行混合的预测
一、进行分析
二、模型适配统计量
三、模型的预测
四、摘要
第四节　使用专业模组器去决定显着性的预测变项
一、绘制你的资料图形
二、进行分析
三、序列的图形
四、模型的叙述表
五、模型的统计量表
六、ARIMA模型的参数表
七、摘要
第五节　应用已储存的模型使用预测式进行实验
一、扩张预测式的序列
二、修正在预测期间预测式的值
三、进行分析
第六节　季节的分解
一、模型
二、从销售资料中消除季节性
三、决定与设定週期
四、进行分析
五、理解输出结果的资料
六、摘要
七、相关程序
第七节　光谱的图形
一、使用光谱的图形去证实有关週期的预期
二、进行分析
三、理解週期的量尺与光谱的密度
五、摘要
六、相关程序
第八节　结语