时间序列分析是数理统计的一个分支。它是一种利用具有“时序特性”的观测数据，根据研究对象的统计特征发掘其内在规律并建立动态模型，再对所建立的动态模型进行模式识别、参数估计和检验，然后以此模型为依据对序列的未来发展或动态进行合理的预测和控制的统计方法。在工程技术、经济管理、气象学、地球物理学等方面有着广泛的应用。
SAS软件是国际上流行的统计分析的标准软件。《高等学校本科生教材：列分析与SAS应用（第2版）》只介绍与时间序列有关的程序编写和结果分析
《高等学校本科生教材：列分析与SAS应用（第2版）》主要介绍时间序列的概念、异常点的诊断、自相关分析、偏自}目关分析、时序模型的识别、时序模型的参数估计与检验及其预报，同时也对检验模型平稳性的单位根检验方法、条件异方差模型、传递函数模型、干预模型及误差修正模型进行了介绍。本书既可以作为统计专业、应用数学专业、信息与计算科学专业、经济管理专业和工程技术专业的本科生教材，也可以作为科技工作者的参考书。
1时间序列的基本知识
1.1 时间序列概念
1.2 SAS介绍
1.2.1 SAS的显示管理系统
1.2.2 SAS的程式结构
1.2.3 SAS程式的输入及运行
1.2.4 DATA语句
1.2.5 CARDS语句
1.2.6 INPUT语句
1.2.7 PROC语句
1.2.8 PRINT过程
1.3 时间序列的平稳性
1.3.1 统计特征
1.3.2 时间序列的平稳性
1.3.3 严平稳与宽平稳的关系
1.3.4 样本均值、方差、自协方差与自相关函数
1.3.5 平稳时间序列的意义
1.4 异常点检验与缺省值的补足
1.4.1 时间序列数据的采集
1.4.2 异常点的检验与处理
1.4.3 缺省值的补足
1.5 平稳性检验
1.6 纯随机性检验
1.7 方差的同质性检验
1.7.1 方差的同质性检验
1.7.2 方差的稳定性转换
1.8 差分运算与后移算子
1.8.1 差分运算
1.8.2 后移算子
习题1
2 稳时间序列
2.1 AR（p）模型
2.1.1 p阶自回归模型
2.1.2 p阶自回归模型的统计特性
2.2 MA模型
2.2.1 q阶移动平均模型
2.2.2 移动平均模型的统计特性
2.3 ARMA模型（AutoRegressionMovingAverageModel）
2.3.1 ARMA（p，g）模型
2.3.2 ARMA（p，q）模型的统计特性
2.4 ARMA模型的识别与参数估计
2.4.1 模型的初步识别
2.4.2 模型定阶
2.4.3 模型参数估计
2.4.4 模型的适应性检验和参数的显著性检验
2.5 平稳时间序列的预测
2.6 实例分析（I）
习题2
3 平稳时间序列的确定性分析
3.1 时间序列的分解
3.1.1 Cramer分解定理
3.1.2 确定性因素分解
3.2 长期趋势分析及预报
3.2.1 平滑法
3.2.2 趋势拟合法
3.3 季节变动分析及预报
3.3.1 季节变动及其测定目的
3.3.2 季节变动分析及预测的原理与方法
3.4 X-ll方法简介
3.4.1 X-ll方法的基本思想
3.4.2 X-ll方法
习题3
4 RIMA模型
4.1 平稳化方法
4.1.1差分运算的实质
4.1.2 平稳化方法
4.1.3 过差分
4.2 ARIMA（p，d，q）模型
4.2.1 ARIMA（p，d，g）模型
4.2.2 ARIMA（p，d，q）模型的参数估计与预报
4.3 实例分析（Ⅱ）
4.4 条件异方差模型
4.4.1 模型介绍
4.4.2 拟合模型
习题4
5 递函数模型
5.1 传递函数模型
5.2 传递函数模型的识别
5.3 干预模型
5.4 协整
5.4.1 单整及其检验（Integration）
5.4.2 协整及其检验（Cointegration）
5.4.3 误差修正模型（EICM）
刁题5
附表
参考文献
书单推荐
