时间数列分析:Excel与SPSS应用

点击数:1 借阅数: 0

作者:杨秋月 ; 陈耀茂编著

出版社:五南图书

出版年:2018

出版地:台北市

格式:PDF

ISBN:978-957-763-107-7 ; 957-763-107-X

内容简介
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,本书采用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(第15页)
  • 1.1 意义及范围(第17页)
  • 01 章 时间数列分析用语解说(第17页)
  • 1.2 时间数列的特性(第18页)
  • 1.3 时间数列的种类(第19页)
  • 1.4 时间数列的组成分子(第20页)
  • 1.5 时间数列的模型种类(第23页)
  • 1.6 时间数列组成分子的估计方法(第24页)
  • 1.7 时间数列的回归分析法(第27页)
  • 1.8 平均法与平滑法(第28页)
  • 1.9 时间数列的变换方式(第30页)
  • 1.10 预测精确度的衡量(第33页)
  • 1.11 自我相关函数和偏自我相关函数(第33页)
  • 1.12 自我回归模型 AR(p)(第34页)
  • 1.13 移动平均模型 MA(q)(第35页)
  • 1.14 自我回归移动平均模型 ARMA(p, q)(第36页)
  • 1.15 自我回归整合移动平均模型 ARIMA(p, d, q)(第37页)
  • 1.16 相关系数(第39页)
  • 1.17 随机漫步(第40页)
  • 1.18 白色干扰(第42页)
  • 1.19 传递函数(第43页)
  • 1.20 时间数列预测法的分类(第44页)
  • 1.21 模型的估计与选择(第45页)
  • 1.22 自我回归的检定(第46页)
  • 2.1 如表现成图形时(第49页)
  • 2.2 如采取移动平均来观察时(第49页)
  • 02 章 时间数列分析可以知道什么?(第49页)
  • 2.3 如使用自我相关系数时(第50页)
  • 2.4 如使用交差相关系数时(第51页)
  • 2.5 如利用指数平滑化时(第53页)
  • 2.6 如利用自我回归模型时(第53页)
  • 2.7 利用季节性的分解时(第54页)
  • 2.8 如利用光谱分析时(第55页)
  • 3.1 时间数列数据与其图形(第57页)
  • 03 章 时间数列图形的画法(第57页)
  • 3.2 时间数列图形的画法(第61页)
  • 4.1 3 个基本类型(第63页)
  • 04 章 时间数列数据的基本类型(第63页)
  • 4.2 3 个基本类型是重要理由(第67页)
  • 4.3 季节性的分解(第70页)
  • 5.1 长期趋势或长期倾向(第73页)
  • 05 章 长期趋势简介(第73页)
  • 5.2 趋势的检定(第76页)
  • 06 章 利用曲线的适配预测明日(第89页)
  • 6.1 利用最小平方法的曲线适配(第90页)
  • 6.2 利用傅立叶级数的曲线适配(第97页)
  • 6.3 利用 spline 函数的曲线适配(第103页)
  • 6.4 曲线的适配与预测值的求法(第105页)
  • 7.1 周期变动(第113页)
  • 07 章 周期变动与季节变动(第113页)
  • 7.2 季节变动(第117页)
  • 7.3 光谱分析简介(第120页)
  • 8.1 不规则变动(第133页)
  • 08 章 不规则变动与白色杂讯(第133页)
  • 8.2 不规则变动的制作方式(第135页)
  • 8.3 检定随机性(第139页)
  • 8.4 白色杂讯(第143页)
  • 9.1 取差分(第147页)
  • 09 章 时间数列数据的变换(第147页)
  • 9.2 进行移动平均(第151页)
  • 9.3 采取落后(第159页)
  • 9.4 进行对数变换(第160页)
  • 10.1 指数平滑化(第163页)
  • 10 章 指数平滑化简介(第163页)
  • 10.2 利用指数平滑化的预测(第165页)
  • 11.1 自我相关系数(第173页)
  • 11 章 自我相关系数简介(第173页)
  • 11.2 自我相关系数与相关图(第181页)
  • 12.1 2 个变数的时间数列数据(第185页)
  • 12 章 交差相关系数简介(第185页)
  • 12.2 交差相关系数与先行指标(第195页)
  • 13.1 自我回归模型(第197页)
  • 13 章 自我回归模型 AR(p) 简介(第197页)
  • 13.2 ARMA(p, q) 模型(第208页)
  • 13.3 ARIMA(p, d, q) 模型(第209页)
  • 13.4 Box-Jenkins 法的例子(第211页)
  • 14.1 随机漫步的作法(第219页)
  • 14 章 随机漫步简介(第219页)
  • 14.2 随机漫步的预测值(第224页)
  • 15.1 回归分析与残差的问题(第227页)
  • 15 章 时间数列数据的回归分析(第227页)
  • 15.2 利用自变数的自我回归模型(第232页)
  • 15.3 预测值的计算(第235页)
  • 16.1 何谓传递函数(第237页)
  • 16 章 传递函数简介(第237页)
  • 16.2 各种传递函数的例子(第240页)
  • 下篇:SPSS 应用(第257页)
  • 1.1 时间数列分析的基本步骤(第259页)
  • 01 章 时间数列数据的输入方式(第259页)
  • 1.2 日期的定义(第261页)
  • 2.1 前言(第271页)
  • 02 章 时间数列数据的变换方式(第271页)
  • 2.2 利用差分制作新的时间数列(第275页)
  • 2.3 利用中心化平均制作新的时间数列(第278页)
  • 2.4 利用落后制作新的时间数列(第281页)
  • 3.1 前言(第285页)
  • 03 章 时间数列数据的图形表现方式(第285页)
  • 3.2 时间数列图形(第289页)
  • 4.1 前言(第293页)
  • 04 章 自我相关、偏自我相关(第293页)
  • 4.2 自我相关与偏自我相关(第299页)
  • 5.1 前言(第305页)
  • 05 章 交叉相关(第305页)
  • 5.2 交叉相关(第309页)
  • 6.1 前言(第313页)
  • 06 章 光谱分析(第313页)
  • 6.2 光谱(spectral)分析(第317页)
  • 7.1 前言(第321页)
  • 07 章 季节性的分解(第321页)
  • 7.2 周期性的分解(第325页)
  • 8.1 前言(第331页)
  • 08 章 指数平滑法(第331页)
  • 8.2 指数平滑化(第335页)
  • 9.1 前言(第343页)
  • 09 章 时间数列数据的回归分析(第343页)
  • 9.2 时间数列数据的回归分析(第346页)
  • 9.3 自我相关的回归与复回归分析之不同(第352页)
  • 10.1 前言(第359页)
  • 10 章 自我回归模式 AR(p)(第359页)
  • 10.2 自我回归模式 AR(p)(第364页)
  • 11.1 前言(第377页)
  • 11 章 移动平均模式 MA(g)(第377页)
  • 11.2 移动平均模式 MA(q)(第382页)
  • 12.1 前言(第393页)
  • 12 章 ARMA(p, q) 模式(第393页)
  • 12.2 ARMA(p, q) 模式(第397页)
  • 13.1 前言(第409页)
  • 13 章 ARIMA(p, d, q) 模式(第409页)
  • 13.2 ARIMA(p, d, q) 模式(第412页)
  • 14.1 前言(第427页)
  • 14 章 季节性 ARIMA 模式 —— sARIMA(p, d, q), (P, D, Q)s(第427页)
  • 14.2 季节性 ARIMA 模式(第431页)
  • 15.1 X12-ARIMA 简介(第447页)
  • 15.2 NumXL 简介(第447页)
  • 15 章 X12-ARIMA(第447页)
  • 15.3 分析方法(第449页)
  • 16.1 前言(第461页)
  • 16 章 建立传统模型(第461页)
  • 16.2 求最适预测值的步骤(第464页)
  • 16.3 预测时选择自变数的步骤(第473页)
  • 16.4 事件变数的利用法(第478页)
  • 17.1 前言(第481页)
  • 17 章 套用传统模型(第481页)
  • 17.2 想利用相同的模式再延伸预测时的步骤(第483页)
  • 17.3 想比较 2 个脚本时的步骤(第489页)
  • 18.1 简介(第503页)
  • 18 章 建立时间原因模型(第503页)
  • 18.2 目标数列已知时(第505页)
  • 18.3 若目标数列未知时(第514页)
  • 19.1 简介(第523页)
  • 19 章 套用时间原因模型(第523页)
  • 19.2 时间原因模型预测(第524页)
  • 19.3 时间原因模型实务(第531页)
  • 19.4 求最适预测值的步骤(第534页)
  • 附录 RIMA(p, d, q) 模式的自我相关图与偏自我相关图(第545页)
  • 参考文献(第551页)