课程信息
这里是深圳大学管理学院工商管理专业《时间序列分析与预测》的课程网站。在这里可以找到和课程相关的所有公开信息，包括课程介绍、课程资料、作业发布、考试信息等。
基本信息
- 课程编号：0401990024
- 学分/学时：2学分/36学时
- 2023-2024第二学期上课时间：星期四 7-8节
- 2023-2024第二学期上课地点：丽湖校区四方楼 北401
时间序列分析：基于R的数据分析方法
（Time Series: A Data Analysis Approach Using R）
作者：[美]罗伯特·H 沙姆韦，戴维·S 斯托弗 著，李洪成 潘文捷 译
出版社：机械工业出版社
ISBN：978-7-111-69519-6
主讲教师
黄嘉平，工学博士、经济学博士，深圳大学中国经济特区研究中心讲师
- 办公地址：深圳大学粤海校区汇文楼1510
- 联系方式：
huangjp %at% szu %dot% edu %dot% cn - 关于接访：为方便与选课学生交流，接访地点为丽湖校区，需事先邮件预约时间地点
- 个人网站：huangjp.com
内容简介
本门课程的主要内容是介绍时间序列数据的分析和预测方法以及在经济管理领域的应用问题。通过本门课程的学习，学生可以理解时间序列数据的特征，掌握时间序列分析的基本方法，包括利用回归的探索性数据分析，Box-Jenkins 的 ARIMA 模型，频谱分析等。
时间序列数据是针对同一变量在不同时间点上记录观测值的数据形式，广泛存在于社会科学和自然科学的研究领域，例如GDP、股票价格指数、日均气温、特定物种的种群规模等都是时间序列数据的典型例子。
对时间序列数据的利用主要体现在对未来的预测，例如对GDP的预测可以帮助政府更好的制定经济政策，对股票价格的预测可以帮助投资者更好的做出决策。合理的预测基于对数据生成机制的探索和验证，其基础是对时间序列数据特征的理解。我们主要从两个角度讨论时间序列模型，即基于自相关特性的模型和基于谱特性的模型，前者能够描述一般回归模型无法涵盖的特征，而后者适用于具有规律周期性特征的数据。由于时间有限，本门课程不涉及多元时间序列分析的内容。
选择本门课程的学生需要掌握统计学的基础知识，熟练掌握协方差和相关系数等统计量的推导与计算，并能够进行简单的回归分析。我们会用到R语言进行数据分析，但并不要求学生已经掌握了R语言。我们会在学习的过程中循序渐进地介绍R语言的使用方法。
成绩评定
本门课程采用过程考核为主的成绩评定方式
平时成绩 60%
平时成绩满分 100 分 = 出席情况和课堂表现 20% + 练习课和作业 80%（5月10日更新）期末考核 40%
期末考核为闭卷考试 关于考试
教学进度
下面是2023-2024第二学期的教学进度计划。由于课程进程和学校放假安排的不确定性，下表中的内容可能发生变化。（5月10日更新） 深圳大学校历
| 周次 | 学习内容 |
|---|---|
| 第一周（3月7日） | 导论 1 |
| 第二周（3月14日） | 导论 2 |
| 第三周（3月21日） | 时间序列模型简介 1 |
| 第四周（3月28日） | 时间序列模型简介 2 |
| 第五周（4月4日） | （清明节放假） |
| 第六周（4月11日） | 练习课 1 |
| 第七周（4月18日） | 时间序列的特征 1 |
| 第八周（4月25日） | 时间序列的特征 2 |
| 第九周（5月2日 → 5月11日） | 参数的估计 1 |
| 第十周（5月9日） | 参数的估计 2 |
| 第十一周（5月16日） | 练习课 2 |
| 第十二周（5月23日） | 探索性数据分析 1 |
| 第十三周（5月30日） | 探索性数据分析 2 |
| 第十四周（6月6日） | ARMA 模型 1 |
| 第十五周（6月13日） | ARMA 模型 2 |
| 第十六周（6月20日） | 练习课 3 |
| 第十七周（6月27日） | 总结与答疑 |
参考资料
- Shunway, R. H., & Stoffer, D. S. (2019). Time Series: A Data Analysis Approach Using R. CRC Press.
- Cryer, J. D., & Chan, K.-S. (2008). Time Series Analysis: With Applications in R (2nd ed.). Springer.
- Box, G. E. P., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2016). Time Series Analysis: Forecasting and Control (5th ed.). Wiley.
- Shunway, R. H., & Stoffer, D. S. (2017). Time Series Analysis and Its Applications: With R Examples (4th ed.). Springer.
- Lyubchich, V., & Gel, Y. R. (2023). Time Series Analysis: Lecture Notes with Examples in R. https://vlyubchich.github.io/tsar/
- Hyndman, R. J., & Athanasopoulos, G. (2021). Forecasting: Principles and Practice (3rd ed.). OTexts. https://otexts.com/fpp3/
- Grolemund, G. (2014). Hands-On Programming with R. O’Reily. https://rstudio-education.github.io/hopr/
- Wickman, H., Cetinkaya-Rundel, M., & Grolemund, G. (2023). R for Data Science (2nd ed.). O’Reily. https://r4ds.hadley.nz/