中图网

>

网络与数据通信

>

网络配置与管理

时间序列分析——基于PYTHON(基于PYTHON的数据分析丛书)

作者：王燕

出版社：中国人民大学出版社出版时间：2024-01-01

开本：其他页数： 276

本类榜单：计算机/网络销量榜

中图价:¥34.3(7.0折) 定价 ~~¥49.0~~ 登录后可看到会员价

加入购物车收藏

运费6元，满39元免运费

?新疆、西藏除外

本类五星书更多>

>
决战行测5000题(言语理解与表达)

决战行测5000题(言语理解与表达)

¥38.8¥88
>
软件性能测试.分析与调优实践之路

软件性能测试.分析与调优实践之路

¥49.3¥69
>
第一行代码Android

第一行代码Android

¥58.4¥99
>
深度学习

深度学习

¥92.4¥168
>
Unreal Engine 4蓝图完全学习教程

Unreal Engine 4蓝图完全学习教程

¥72.2¥168
>
深入理解计算机系统-原书第3版

深入理解计算机系统-原书第3版

¥104.3¥139
>
Word/Excel PPT 2013办公应用从入门到精通-(附赠1DVD.含语音视频教学+办公模板+PDF电子书)

Word/Excel PPT 2013办公应用从入门到精通-(附赠1DVD.含语音视频教学+办公模板+PDF电子书)

¥21¥49.9

商品详情
商品评论(0条)

中图价:¥34.3 加入购物车

版权信息
内容简介
目录
作者简介

时间序列分析——基于PYTHON(基于PYTHON的数据分析丛书) 版权信息

ISBN：9787300324784
条形码：9787300324784 ; 978-7-300-32478-4
装帧：平装-胶订
册数：暂无
重量：暂无
所属分类：
计算机/网络
>
网络与数据通信
>
网络配置与管理

时间序列分析——基于PYTHON(基于PYTHON的数据分析丛书) 内容简介

时间序列分析是统计学科的一个重要分支，它主要研究随着时间的变化，事物发生、发展的过程，寻找事物发展变化的规律并预测未来的走势。在日常生产和生活中，时间序列比比皆是，所以目前时间序列分析方法广泛应用于经济、金融、天文、气象、海洋、物理、化学、医学、质量控制等诸多领域，成为众多行业经常使用的统计方法。
本书是基于Python编写的入门级时间序列分析教材，主要内容包括时间序列分析简介、时间序列的预处理、ARMA模型的性质、平稳序列的拟合与预测、无季节效应的非平稳序列分析、有季节效应的非平稳序列分析、多元时间序列分析。

时间序列分析——基于PYTHON(基于PYTHON的数据分析丛书) 目录

**章时间序列分析简介 1.1 引言 1.2 时间序列的定义 1.3 时间序列分析方法 1.3.1 描述性时序分析 1.3.2 统计时序分析 1.4 Python 简介 1.4.1 Python 的特点 1.4.2 Python 的安装 1.4.3 Anaconda 的安装 1.4.4 Python 的基本语法规则 1.4.5 生成时间序列数据 1.4.6 绘制时序图 1.4.7 时间序列数据的处理 1.4.8 时间序列数据的导出 1.5 习题第 2 章时间序列的预处理 2.1 平稳序列的定义 2.1.1 特征统计量 2.1.2 平稳时间序列的定义 2.1.3 平稳时间序列的统计性质 2.1.4 平稳时间序列的意义 2.2 平稳性检验 2.2.1 时序图检验 2.2.2 自相关图检验 2.3 纯随机性检验 2.3.1 纯随机序列的定义 2.3.2 纯随机序列的性质 2.3.3 纯随机性检验 2.4 习题第 3 章 ARMA 模型的性质 3.1 Wold 分解定理 3.2 AR 模型 3.2.1 AR 模型的定义 3.2.2 AR 模型的平稳性判别 3.2.3 平稳 AR 模型的统计性质 3.3 MA 模型 3.3.1 MA 模型的定义 3.3.2 MA 模型的统计性质 3.3.3 MA 模型的可逆性 3.3.4 MA 模型的偏自相关系数 3.4 ARMA 模型 3.4.1 ARMA 模型的定义 3.4.2 ARMA 模型的平稳性与可逆性 3.4.3 ARMA 模型的统计性质 3.5 习题第 4 章平稳序列的拟合与预测 4.1 建模步骤 4.2 单位根检验 4.2.1 DF 检验 4.2.2 ADF 检验 4.3 模型识别 4.4 参数估计 4.4.1 矩估计 4.4.2 极大似然估计 4.4.3 小二乘估计 4.5 模型检验 4.5.1 模型的显著性检验 4.5.2 参数的显著性检验 4.6 模型优化 4.6.1 问题的提出 4.6.2 AIC 准则 4.6.3 BIC 准则 4.7 序列预测 4.7.1 线性预测函数 4.7.2 预测方差小原则 4.7.3 线性小方差预测的性质 4.7.4 修正预测 4.8 习题第 5 章无季节效应的非平稳序列分析 5.1 Cramer 分解定理 5.2 差分平稳 5.2.1 差分运算的实质 5.2.2 差分方式的选择 5.2.3 过差分 5.3 ARIMA 模型 5.3.1 ARIMA 模型的结构 5.3.2 ARIMA 模型的性质 5.3.3 ARIMA 模型建模 5.3.4 ARIMA 模型预测 5.4 疏系数模型 5.5 习题第 6 章有季节效应的非平稳序列分析 6.1 因素分解理论 6.2 因素分解模型 6.2.1 因素分解模型的选择 6.2.2 趋势效应的提取 6.2.3 季节效应的提取 6.2.4 X11 季节调节模型 6.3 指数平滑预测模型 6.3.1 简单指数平滑 6.3.2 Holt 两参数指数平滑 6.3.3 Holt-Winters 三参数指数平滑 6.4 ARIMA 加法模型 6.5 ARIMA 乘法模型 6.6 习题第 7 章多元时间序列分析 7.1 伪回归 7.2 协整模型 7.2.1 单整与协整 7.2.2 协整模型 7.2.3 误差修正模型 7.3 干预模型 7.4 Granger 因果检验 7.4.1 Granger 因果关系的定义 7.4.2 Granger 因果检验 7.4.3 Granger 因果检验的问题 7.5 习题附录参考文献

展开全部

时间序列分析——基于PYTHON(基于PYTHON的数据分析丛书) 作者简介

王燕，中国人民大学统计学院风险管理与精算方向教师。已开设统计学、高等数理统计、金融数学、寿险精算学、生存分析、应用时间序列分析（本科生）、应用时间序列分析（硕士研究生）、定性数据分析等课程。曾获得中国人民大学“十大教学标兵”，北京高校第四届青年教师教学基本功比赛文史组三等奖，寿险精算学精品课程、保险精算课程改革北京市优秀团队奖等。

商品评论(0条)

写书评赚书币

暂无评论……

书友推荐