计量经济学时间序列模型及Python应用(应用统计学丛书)

前言
1 引论
1．1 计量经济模型概述
1．1．1 计量经济学简介
1．1．2 计量经济学的分析方法
1．1．3 计量经济模型的发展
1．2 计量经济学内容与建模
1．2．1 计量经济学的内容体系
1．2．2 计量经济学的建模技术
1．2．3 计量经济学的建模步骤
1．3 计量经济学数据的处理
1．3．1 计量经济学数据的类型
1．3．2 计量经济学数据的收集
1．3．3 计量经济学软件的使用
1．4 Python的编程环境
1．4．1 Anaconda的安装与使用
1．4．2 Jupyter模块的安装与使用
1．4．3 spyder模块的安装与使用
1．5 Python计量经济初步分析
1．5．1 Python单变量数据分析
1．5．2 Python多变量数据分析
1．5．3 Python分析的中间结果
练习题

2 经典回归分析模型
2．1 线性回归分析模型
2．1．1 单变量线性回归模型简介
2．1．2 多变量线性回归模型建立
2．1．3 获取模型分析的中间结果
2．1．4 建立有用的回归分析模型
2．2 线性相关分析模型
2．2．1 简单线性相关分析
2．2．2 偏相关分析
2．2．3 复相关分析
2．3 含虚拟变量回归模型
2．3．1 虚拟变量及其作用
2．3．2 虚拟变量的设置方式
2．3．3 虚拟变量的特殊应用
2．4 简单非线性回归分析
2．4．1 简单非线性回归模型
2．4．2 生产函数及弹性分析
2．4．3 技术进步及贡献率计算
练习题

3 非典型回归分析模型
3．1 回归分析模型的诊断
3．1．1 回归诊断的概念
3．1．2 模型的基本诊断
3．1．3 变量的共线性诊断
3．2 误差的异方差检验与建模
3．2．1 异方差的概念及其来源
3．2．2 异方差的影响及其检验
3．2．3 异方差模型的处理方法
3．3 误差的相关性及其检验
3．3．1 误差的相关性概念
3．3．2 误差自相关性检验
3．3．3 误差自相关处理方法
练习题

4 经典时间序列分析模型
4．1 时间序列的基本概念
4．1．1 时间序列的含义
4．1．2 时间序列的相关性
4．1．3 序列自相关性判别
4．2 时间序列自回归AR模型
4．2．1 AR模型的平稳性条件
4．2．2 AR模型的自相关函数
4．2．3 AR模型的估计与识别
4．3 时间序列移动平均MA模型
4．3．1 MA模型的基本形式
4．3．2 MA模型的阶数确定
4．3．3 MA模型的参数估计
4．4 白回归移动平均ARMA模型
4．4．1 ARMA模型的概念
4．4．2 ARMA模型的相关分析
4．4．3 ARMA模型的统计推断
4．4．4 道琼斯工业平均指数模型
练习题

5 扩展时间序列分析模型
5．1 分布滞后与自回归模型
5．1．1 滞后效应与滞后变量模型
5．1．2 分布滞后模型的参数估计
5．1．3 分布滞后自回归模型及估计
5．2 非平稳时间序列模型
5．2．1 时间序列的非平稳性
5．2．2 时间序列的差分技术
5．2．3 时间序列的非平稳性检验
5．3 非平稳时间序列模型的建立
5．3．1 差分算子及其应用
5．3．2 非平稳时间序列的模拟研究
5．3．3 非平稳时间序列的实证分析
练习题

6 异方差时间序列模型
6．1 ARCH模型
6．1．1 ARCH模型的构建
6．1．2 ARCH效应的检验
6．1．3 ARCH模型的参数估计
6．2 GARCH模型
6．2．1 GARCH模型的基本原理
6．2．2 改进的GARCH模型
6．2．3 异方差模型实证分析
6．3 时间序列建模小结
6．3．1 时间序列的建模过程
6．3．2 时间序列模型的评价
练习题

7 多变量时间序列模型初步
7．1 协整与误差修正模型
7．1．1 协整的定义和检验
7．1．2 误差修正模型原理
7．1．3 Granger因果关系检验
7．1．4 协整和ECM的实证分析
7．2 简单多变量时间序列模型
’7．2．1 VAR模型的提出
7．2．2 VAR模型的定阶
7．2．3 VAR模型的估计
7．3 VAR模型的诊断与检验
7．3．1 序列相关性与异方差检验
7．3．2 序列正态性与结构变化检验
7．3．3 Granger因果检验与预测分析
练习题
参考文献