时间序列分析与预测
All models are wrong, but some are useful.
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。在这里你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、课堂练习与作业、考试信息等。
基本信息
- 课程编号：0401990024
- 学分/学时：2学分/36学时
- 2024-2025第二学期上课时间：星期五 7-8节
- 2024-2025第二学期上课地点：丽湖校区四方楼 南403
Hyndman, R. J., & Athanasopoulos, G. (2021). Forecasting: Principles and Practice (3rd ed.). OTexts.
https://otexts.com/fpp3/
中文版：康雁飞, 李丰 [译]. 预测：方法与实践（第三版）
https://otexts.com/fpp3cn/
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，你可以基本理解时间序列数据的特征，初步掌握时间序列分析的常用方法，并能够利用真实数据做出预测。
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，广泛存在于日常生活中的多个领域。我们熟知的 GDP、股票价格指数、日均气温、某一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预测未来取值上，例如对 GDP 的预测可以帮助政府更好地制定经济政策，对股票价格的预测可以帮助投资者更好地做出决策。合理的预测基于对数据生成机制的探索和验证，通常称为建模。建模的基础是理解常用模型的原理和适用范围，从而针对数据特征选择合适的模型。我们将学习回归、指数平滑、Box-Jenkins ARIMA 等常用的时间序列模型。
除了理论学习，我们更加注重实践能力的培养。基于数据分析而做出预测是数据科学的一个重要使命，因此我们选择在该领域广泛使用的 R 作为分析工具。虽然 R 也是一个编程语言，但并不要求你有编程基础。通过循序渐进的学习和大量练习，任何一个肯花时间的学生都能掌握 R 的使用方法。
作为在三年级下学期开设的专业课，我们要求选课学生掌握统计学的基础知识，熟悉方差和相关系数等统计量的推导与计算，并理解多元回归分析的原理。如果你有较好的数学基础，则学习起来会比较轻松。我们使用的教材和参考资料多数为英文，因此也要求你有一定的英语阅读和理解能力。
成绩评定
本门课程采用期末考试为主型的考核方式
平时成绩 40%
平时成绩的考核包括：考勤20%、随堂测验40%、作业40%期末考核 60%
期末考核采用课程文论形式，需按要求独立完成报告内容
根据《深圳大学本科课程考核办法（修订）》，对缺课时数累计超过规定教学时数三分之一或缺交平时作业、实验报告量超过三分之一的学生，任课教师可取消其考试资格，成绩记载为F。请选课同学不要无故缺席课程。
教学进度
下面是2024-2025第二学期的教学进度计划。由于课程进程和学校放假安排具有不确定性，下表中的内容可能发生变化。深圳大学校历
| 周次 | 学习内容 |
|---|---|
| 第一周（2月28日） | 第一讲：课程简介、导论、R 基础 |
| 第二周（3月7日） | 第二讲：Tidyverse 简介、数据整理（tidying）、用 ggplot2 绘图 |
| 第三周（3月14日） | 第三讲：时间序列数据、图形分析、自相关系数 |
| 第四周（3月21日） | 第一次练习课 |
| 第五周（3月28日） | 第四讲 |
| 第六周（4月4日） | 第五讲 |
| 第七周（4月11日） | 第六讲 |
| 第八周（4月18日） | 第二次练习课 |
| 第九周（4月25日） | 第七讲 |
| 第十周（5月2日） | 放假 |
| 第十一周（5月9日） | 第八讲 |
| 第十二周（5月16日） | 第九讲 |
| 第十三周（5月23日） | 第三次练习课 |
| 第十四周（5月30日） | 第十讲 |
| 第十五周（6月6日） | 第十一讲 |
| 第十六周（6月13日） | 第十二讲 |
| 第十七周（6月20日） | 第四次练习课 |
| 第十八周（6月27日） | 提交期末课程论文 |
学习建议
为了学好本门课程（以及其他任何课程），你不仅需要在课堂上集中精力，更需要在课后自发地进行补充学习和练习。本门课程的内容是无法在 80 \times 18 \ / \ 60 = 24 小时内掌握的，如果你想学明白，就要在课外多花时间。不要赶在临近期末时突击学习，因为无论理论还是实践都是一个慢慢积累的过程，而学习 R 语言更需要熟能生巧。
在学习的过程中应该合理利用生成式人工智能软件。你可以把它当成搜索引擎（未必好用）或者翻译工具，但要注意它的局限性。针对它给出的任何答案都应当自己判断真伪，而不是盲目信任。禁止使用生成式人工智能生成作业或期末报告的内容。
练习课需要携带自己的笔记本电脑或安装 Windows 10/11 系统的平板电脑，但不包括 iPad 等平板类设备（因为无法使用 R）。
参考资料
- 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/ （关于R的使用方法主要参考此书）
- Lyubchich, V., & Gel, Y. R. (2023). Time Series Analysis: Lecture Notes with Examples in R. https://vlyubchich.github.io/tsar/
- 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.
- Brockwell, P. J., & Davis, R. A. (2016). Introduction to Time Series and Forecasting (3rd ed.). Springer.
- Hyndman, R. J., Koehler, A. B., Ord, J. K, & Snyder, R. D. (2008). Forecasting with Exponential Smoothing: The State Space Approach. Springer.
注：Springer 出版社出版的（部份）书籍可通过深圳大学图书馆提供的 Springer Nature 电子图书 服务下载电子版。