《時間序列分析——單變量和多變量方法(第二版·經典版)》不僅對單變量與多變量時間序列的時域和頻域分析提供了一個全面介紹，而且在書中包含了許多單變量和多變量時問序列模型的新進展，如逆自相關函數、擴展樣本自相關函數、干預分析及異常值檢驗、向量自回歸移動平均模型、偏滯後自相關矩陣函數、局部過程、狀態空間模型、卡爾曼濾波、非季節和季節模型的單位根檢驗等許多內容。 《時間序列分析——單變量和多變量方法(第二版·經典版)》結合大量的應用實例說明了時間序列分析方法的應用，極大地方便了讀者對這些方法的學習和理解。

魏武雄（William W.S.Wei），賓夕法尼亞州費城天普大學（Temple University）的統計學教授，自1974年就在此任教。他於1966年獲得臺灣大學經濟學學士學位，又於1969年獲得俄勒岡大學 （University of Oregon）的數學學士學位，1972年和1974年分別獲得威斯康星大學麥迪遜分校（University of Wisconsin-Madison）的統計學碩士和統計學博士學位。他的研究興趣包括時間序列分析、預測方法、統計建模以及統計學在商業和經濟學的應用。他是美國統計學會（AmericanStatistical Association，ASA）院士，英國皇家統計學會（Royal Statistical Society，RSS）會員，國際統計學會（ISI）入選會員，2002年泛華統計協會（ICSA）主席。他還是期刊《預測》（Journal of Forecasting）和《應用統計學》（the Journal of Applied Statistical Science）的副編輯。

第1章概 述 1
1．1 引 言 1
1．2 本書的例子和安排 1
第2章 基本概念 5
2．1 隨機過程 5
2．2 自協方差和自相關函數 8
2．3 偏自相關函數 9
2．4 白噪聲過程 12
2．5 均值、自協方差和自相關函數的估計 13
2．6 時間序列過程的移動平均和自回歸表示 19
2．7 線性差分方程 21
練 習 24
第3章 平穩時間序列模型 27
3．1 自回歸過程 27
3．2 移動平均過程 39
3．3 AR（p）過程和MA（q）過程之間的對偶關繫 46
3．4 自回歸移動平均ARMA（p，q）過程 48
練 習 56
第4章非平穩時間序列模型 58
4．1 均值非平穩 59
4．2 自回歸求和移動平均模型 61
4．3 方差和自協方差非平穩 70
練 習 73
第5章 預 報 75 5．1 引 言 75
5．2 最小均方誤差預報 75
5．3 預報的計算 79
5．4 對過去觀測值加權平均的ARIMA預報 82
5．5 更新預報 84
5．6 最終預報函數 85
5．7 數值實例 87
練 習 89
第6章 模型識別 92
6．1 模型識別的步驟 92
6．2 實 例 94
6．3 逆自相關函數 107
6．4 擴展的樣本自相關函數和其他識別方法 109
練 習 114
第7章 參數估計、診斷檢驗和模型選擇 117
7．1 矩方法 117
7．2 極大似然方法 119
7．3 非線性估計 125
7．4 時間序列分析中的普通最小二乘估計 129
7．5 診斷檢驗 131
7．6 有關序列W1至W7的實例 132
7．7 模型選擇準則 134
練 習 136
第8章 季節時間序列模型 138
8．1 基本概念 138
8．2 傳統方法 139
8．3 季節性ARIMA模型 141
8．4 實 例 146
練 習 158
第9章單位根檢驗 162
9．1 引 言 162
9．2 一些有用的極限分布 162
9．3 AR（1）模型中的單位根檢驗 165
9．4 一般模型的單位根檢驗 171
9．5 季節時間序列模型的單位根檢驗 180
練 習 183
第10章干預分析和異常值檢驗 185
10．1 干預模型 185
10．2 干預分析實例 188
10．3 時間序列的異常值 194
10．4 異常值分析的實例 198
10．5 存在異常值時的模型識別 199
練 習 204
第11章傅立葉分析 206
11．1 一般概念 206
11．2 正交函數 206
11．3 有限序列的傅立葉表示 209
11．4 周期序列的傅立葉表示 210
11．5 非周期序列的傅立葉表示―――離散時間序列傅立葉變換 214
11．6 連續時間函數的傅立葉表示 220
11．7 快速傅立葉變換 223
練 習 225
第12章平穩過程的譜理論 228
12．1 譜 228
12．2 一些常用過程的譜 235
12．3 線性濾波的譜 242
12．4 混 疊 245
練 習 246
第13章譜估計 248
13．1 周期圖分析 248
13．2 樣本譜 255
13．3 平滑譜 258
13．4 ARMA譜估計 272
練 習 274
第14章轉換函數模型 276
14．1 單個輸入轉換函數模型 276
14．2 互相關函數和轉換函數模型 279
14．3 轉換函數模型的結構 282
14．4 利用轉換函數模型預報 292
14．頻域分析 298
14．6 互譜和轉換函數模型 306
14．7 多維輸入轉換函數模型 308
練 習 309
第15章時間序列回歸和GARCH模型 312
15．1 誤差具有自相關性的回歸 312
15．2 ARCH和GARCH模型 314
15．3 GARCH模型的估計 318
15．4 預報誤差方差的計算 319
15．5 實 例 320
練 習 324
第16章向量時間序列模型 326
16．1 協方差和相關矩陣函數 326
16．2 向量過程的移動平均和自回歸表示 328
16．3 向量自回歸移動平均過程 329
16．4 非平穩向量自回歸移動平均模型 340
16．5 向量時間序列模型的識別 341
16．6 模型擬合和預報 352
16．7 實 例 354
16．8 向量過程的譜性質 358
附錄16．線性回歸模型 359
練 習 362
第17章向量時間序列的深入 364
17．1 向量過程的單位根和協整 364
17．2 局部過程和局部過程相關矩陣 376
17．3 向量ARMA模型的等價表示 384
練 習 390
第18章狀態空間模型和卡爾曼濾波 393
18．1 狀態空間表示 393
18．2 狀態空間模型和ARMA模型的關繫 394
18．3 狀態空間模型擬合和與典型相關分析 399
18．4 實例 402
18．5 卡爾曼濾波及其應用 405
附錄18．A 典型相關 408
練 習 411
第19章長記憶和非線性過程 413
19．1 長記憶過程與分數差分 413
19．2 非線性過程 417
19．3 門限自回歸模型 421
練 習 427
第20章時間序列中的聚積和繫統抽樣 428
20．1 ARIMA過程的時間聚積 428
20．2 預報和參數估計的聚積效應 438
20．3 ARIMA過程的繫統抽樣 443
20．4 繫統抽樣和時間聚積對因果關繫的影響 445
20．5 聚積對線性性和正態性檢驗的影響 450
20．6 聚積對單位根檢驗的影響 455
20．7 進一步的評論 462
練 習 463
參考文獻 465 附 錄 482
用作例子的時間序列數據 482
統計表 495
詞彙表 513