☆☆☆☆☆
简体网页||繁体网页



点击这里下载

类似图书 点击查看全场最低价

所谓时间数列数据是「随时间一起改变的数据」，此种数据不只在商学、工学上，即使在医学上也是屡见不鲜的。

　　有关时间数列分析的中英文专书有不少，本书是以简明的手册型方式整理，这是本书有别他书之处。

　　本书的另一特色是不使用冗长的数理来表达，改以有速效之称的软体操作来说明，对急于想进行实证研究的人相信会有不少助益。

　　此外，时间数列的应用软体市面上有不少，每种软体均有其特色，本书採用SPSS来讲解说明，除此之外，也介绍有EXCEL的使用。两种应用软体各有特色，搭配使用可收相辅相成之效

　　本书共分2篇，上篇是介绍EXCEL在时间数列上的应用，下篇是介绍SPSS在时间上的应用，使用本书熟悉两种应用软体之后，相信会对时间数列的研究有所助益。
 

作者简介

杨秋月

　　弘光科技大学健康事业管理系副教授兼系主任
　　国立成功大学基础医学研究所博士

陈耀茂

　　日本（国立）电气通信大学经营工学博士
　　东海大学企管系教授
 

上篇：Excel应用
1.时间数列分析用语解说
1.1　意义及范围
1.2　时间数列的特性
1.3　时间数列的种类
1.4　时间数列的组成分子
1.5　时间数列的模型种类
1.6　时间数列组成分子的估计方法
1.7　时间数列的回归分析法
1.8　平均法与平滑法
1.9　时间数列的变换方式
1.10　预测精确度的衡量
1.11　自我相关函数和偏自我相关函数
1.12　自我回归模型AR(p)
1.13　移动平均模型MA(q)
1.14　自我回归移动平均模型ARMA(p, q)
1.15　自我回归整合移动平均模型ARIMA(p, d, q)
1.16　相关系数
1.17　随机漫步
1.18　白色干扰
1.19　传递函数
1.20　 时间数列预测法的分类
1.21　模型的估计与选择
1.22　自我回归的检定
2.时间数列分析可以知道什么？
2.1　如表现成图形时
2.2　如採取移动平均来观察时
2.3　如使用自我相关系数时
2.4　如使用交差相关系数时
2.5　如利用指数平滑化时
2.6　如利用自我回归模型时
2.7　利用季节性的分解时
2.8　如利用光谱分析时
3.时间数列图形的画法
3.1　时间数列数据与其图形
3.2　时间数列图形的画法
4.时间数列数据的基本类型
4.1　3个基本类型
4.2　3个基本类型是重要理由
4.3　季节性的分解
5.长期趋势简介
5.1　长期趋势或长期倾向
5.2　趋势的检定
6.利用曲线的适配预测明日
6.1　利用最小平方法的曲线适配
6.2　利用傅立叶级数的曲线适配
6.3　利用spline函数的曲线适配
6.4　曲线的适配与预测值的求法
7.週期变动与季节变动
7.1　週期变动
7.2　季节变动
7.3　光谱分析简介
8.不规则变动与白色杂讯
8.1　不规则变动
8.2　不规则变动的制作方式
8.3　检定随机性
8.4　白色杂讯
9.时间数列数据的变换
9.1　取差分
9.2　进行移动平均
9.3　採取落后
9.4　进行对数变换
10.指数平滑化简介
10.1　指数平滑化
10.2　利用指数平滑化的预测
11.自我相关系数简介
11.1　自我相关系数
11.2　自我相关系数与相关图
12.交差相关系数简介
12.1　2个变数的时间数列数据
12.2　交差相关系数与先行指标
13.自我回归模型AR(p)简介
13.1　自我回归模型
13.2　ARMA(p, q)模型
13.3　ARIMA(p, d, q)模型
13.4　Box-Jenkins法的例子
14.随机漫步简介
14.1　随机漫步的作法
14.2　随机漫步的预测值
15.时间数列数据的回归分析
15.1　回归分析与残差的问题
15.2　利用自变数的自我回归模型
15.3　预测值的计算
16.传递函数简介
16.1　何谓传递函数
16.2　各种传递函数的例子

下篇：SPSS应用
1.时间数列数据的输入方式
1.1　时间数列分析的基本步骤
1.2　日期的定义
2.时间数列数据的变换方式
2.1　前言
2.2　利用差分制作新的时间数列
2.3　利用中心化平均制作新的时间数列
2.4　利用落后制作新的时间数列
3.时间数列数据的图形表现方式
3.1　前言
3.2　时间数列图形
4.自我相关、偏自我相关
4.1　前言
4.2　自我相关与偏自我相关
5.交叉相关
5.1　前言
5.2　交叉相关
6.光谱分析
6.1　前言
6.2　光谱（Spectral）分析
7.季节性的分解
7.1　前言
7.2　週期性的分解
8.指数平滑法
8.1　前言
8.2　指数平滑化
9.时间数列数据的回归分析
9.1　前言
9.2　时间数列数据的回归分析
9.3　自我相关的回归与复回归分析之不同
10.自我回归模式AR(p)
10.1　前言
10.2　自我回归模式AR(p)
11.移动平均模式MA(g)
11.1　前言
11.2　移动平均模式MA(q)
12.ARMA(p, q)模式
12.1　前言
12.2　ARMA(p, q)模式
13.ARIMA(p, d, q)模式
13.1　前言
13.2　ARIMA(p, d, q)模式
14.季节性ARIMA模式
─SARIMA(p, d, q), (P, D, Q)s
14.1　前言
14.2　季节性ARIMA模式
15.X12-ARIMA
15.1　X12-ARIMA简介
15.2　NumXL简介
15.3　分析方法
16.建立传统模型
16.1　前言
16.2　求最适预测值的步骤
16.3　预测时选择自变数的步骤
16.4　事件变数的利用法
17.套用传统模型
17.1　前言
17.2　想利用相同的模式再延伸预测时的步骤
17.3　想比较2个脚本时的步骤
18.建立时间原因模型
18.1　简介
18.2　目标数列已知时
18.3　若目标数列未知时
19.套用时间原因模型
19.1　简介
19.2　时间原因模型预测
19.3　时间原因模型实务
19.4　求最适预测值的步骤

附录　RIMA(p, d, q)模式的自我相关图与偏自我相关图
参考文献
 

1.2 时间数列的特性

时间数列的特性整理如下：

1. 时间数列中的观测值是由4个影响因素所组成，亦即长期趋势（trend）、循环变动（cyclical fluctuation）、季节变动（seasonal fluctuation）及不规则变动（irregular fluctuation）。

2. 时间数列的各个观测值通常互有关联，唯时间的相隔愈长，关联性即愈小。

3. 不同时间单位的时间数列，因分析上之需要，可以转换成相同单位之时间数列。

4. 时间数列应依先后次序排列。

5. 时间数列之时间单位通常可以是年、季、月、週、日等，并採用相同间隔以利分析。

6. 时间数列中的时间为自变数，而其他变数为依变数，可为总数、平均数、比例、指数等。

7. 时间数列各观察值皆存在关联性，时间间隔愈短则相关性愈大。故时间数列不满足「各个观察值为独立」之假设。

8. 时间数列中之各个观察值乃按时间先后顺序排列，不可任意变更。

9. 不同时间单位的时间数列若为分析上需要，则可转换为相同时间单位的资料。

10. 分析一些社会现象或经济现象的时间数列，常需要对人口变动与价格变动等因素加以调整或转换，例如转换为每人平均消费额等。

11. 时间数列的各个观测值为该时期许多影响因素的组合，因此进行时间数列分析时，需先将时间数列依其组合成分加以分解再进行。

1.3 时间数列的种类

时间数列的种类可分成以下几种来说明：

一、水平型时间数列

水平型时间数列的走势无倾向性，既不倾向于逐步增加，也不倾向于逐步减少，总是在某一水平上上下下波动，且波动无规律性。即时间数列的后序值，既可高于水平值、也可低于水平值，因这一水平是相对稳定的。故水平型数列又称为稳定型时间数列或平稳型时间数列。

通常呈水平型时间数列的情形像是日用生活必需品的销售量、某种耐用消费品的开箱合格率、退货率等等。

二、季节型时间数列

季节型时间数列的走势按日历时间週期起伏，即在某日历时间内时间数列的后序值逐步向上，到达顶峰后逐步向下，探谷底后又逐步向上，周而复始。因为它产生于伴随一年四季气候的变化而出现的现象数量变化，故称为季节型时间数列。其实「季节」可以是一年中的四季、一年中的12个月、一月中的4週、一週中的7天等等。

通常呈季节型时间数列的有每月社会消费品零售量，与气候有关的季节性商品各季销售量、月分销售量等等。

None

时间数列分析：Excel与SPSS应用 电子书 下载 mobi epub pdf txt 2024

类似图书 点击查看全场最低价

查看全网最低价