前言
第1章  概率统计知识基础
  1.1  随机变量及其分布
    1.1.1  随机变量
    1.1.2  概率分布
    1.1.3  累积概率分布
    1.1.4  随机变量函数的分布
  1.2  随机变量的数字特征
    1.2.1  数学期望
    1.2.2  方差
    1.2.3  矩与特征函数
    1.2.4  协方差与相关系数
    1.2.5  分位数
  1.3  参数估计方法
    1.3.1  点估计
    1.3.2  区间估计
  1.4  假设检验
    1.4.1  原假设与备择假设
    1.4.2  拒绝域和显著性水平
    1.4.3  常见的假设检验
  习题
第2章  一元线性回归
  2.1  回归分析的发展和一般模型
  2.2  一元回归模型简介
    2.2.1  一元线性回归模型
    2.2.2  回归模型的基本假定
  2.3  一元回归的参数估计及其性质
    2.3.1  普通最小二乘估计
    2.3.2  OLS估计的基本性质
    2.3.3  最大似然估计
  2.4  一元回归的拟合优度
    2.4.1  方差分析
    2.4.2  R2和相关系数
  2.5  一元回归的显著性检验
    2.5.1  回归系数的显著性检验与区间估计
    2.5.2  回归模型的显著性检验
  2.6  残差分析与预测
    2.6.1  残差分析
    2.6.2  预测
  习题
第3章  多元线性回归
  3.1  多元线性回归模型简介
    3.1.1  多元线性回归模型
    3.1.2  回归模型的基本假定
  3.2  多元线性回归的参数估计及其性质
    3.2.1  多元线性回归的参数估计
    3.2.2  OLS估计的基本性质
    3.2.3  最大似然估计
    3.2.4  回归方程的解读
  3.3  多元线性回归的显著性检验
    3.3.1  拟合优度检验
    3.3.2  回归模型的显著性检验
    3.3.3  回归系数的显著性检验
    3.3.4  回归系数的区间估计
  3.4  多元回归的预测
    3.4.1  平均值的区间预测
    3.4.2  单值的区间预测
  3.5  中心化与标准化回归模型
    3.5.1  中心化回归模型
    3.5.2  标准化回归模型
    3.5.3  非线性模型的标准化
  习题
第4章  违背基本假设的回归分析处理
  4.1  异方差及其识别
    4.1.1  异方差的概念和影响
    4.1.2  异方差的识别方法
    4.1.3  异方差的处理方法
    4.1.4  加权最小二乘方法
  4.2  自相关问题及其识别
    4.2.1  自相关的产生原因
    4.2.2  自相关的检验
    4.2.3  自相关的处理方法
  4.3  异常值和强影响点及其识别
    4.3.1  异常值的识别
    4.3.2  强影响点的识别
    4.3.3  异常值和强影响点的处理
  4.4  多重共线性及其识别
    4.4.1  多重共线性的概念和影响
    4.4.2  多重共线性的识别
    4.4.3  多重共线性的处理
  习题
第5章  线性回归模型的变量选择
  5.1  自变量选择简介
    5.1.1  全模型和选模型
    5.1.2  自变量选择错误的影响
  5.2  所有子集回归
    5.2.1  最优子集回归
    5.2.2  变量选择准则
  5.3  逐步回归
    5.3.1  前向和后向选择
    5.3.2  逐步回归法
  习题
第6章  回归方法拓展
  6.1  线性回归拓展
    6.1.1  主成分回归
    6.1.2  岭回归
    6.1.3  Lasso方法
  6.2  非线性回归
  6.3  属性变量回归
    6.3.1  虚拟解释变量回归
    6.3.2  Logistic回归
  习题
第7章  时间序列的预处理
  7.1  时间序列分析简介
    7.1.1  时间序列的定义
    7.1.2  时间序列分析方法
    7.1.3  时间序列分析的发展史
  7.2  平稳时间序列
    7.2.1  特征统计量
    7.2.2  平稳性的定义
    7.2.3  平稳性的检验
    7.2.4  白噪声检验
  7.3  平稳化方法
    7.3.1  分解定理
    7.3.2  确定性因素分解法
  习题
第8章  线性时间序列模型
  8.1  方法性工具
    8.1.1  差分运算
    8.1.2  滞后算子
    8.1.3  线性差分方程
  8.2  自回归模型
    8.2.1  AR模型的定义
    8.2.2  AR模型的统计性质
  8.3  移动平均模型
    8.3.1  MA模型的定义
    8.3.2  MA模型的统计性质
  8.4  自回归移动平均模型
    8.4.1  ARMA模型的定义
    8.4.2  ARMA模型的因果可逆过程
    8.4.3  ARMA模型的统计性质
  习题
第9章  线性时间序列的建模与预测
  9.1  自回归模型
    9.1.1  参数估计
    9.1.2  模型检验和优化
    9.1.3  序列预测
  9.2  移动平均模型
    9.2.1  参数估计
    9.2.2  模型检验和优化
    9.2.3  序列预测
  9.3  自回归移动平均模型
    9.3.1  参数估计
    9.3.2  序列预测
  9.4  线性时间序列模型的定阶
    9.4.1  图形辨识法
    9.4.2  信息准则法
    9.4.3  模型诊断法
  9.5  线性时间序列建模小结
  习题
第10章  时间序列模型的拓展
  10.1  ARIMA模型
    10.1.1  模型的定义
    10.1.2  模型的性质
    10.1.3  模型的建模
    10.1.4  模型的应用
  10.2  ARCH模型
    10.2.1  模型的定义
    10.2.2  模型的性质
    10.2.3  模型的建模
    10.2.4  模型的应用
    10.2.5  GARCH模型及其应用
  习题
第11章  多元时间序列介绍
  11.1  多元平稳时间序列
    11.1.1  多元平稳时间序列的定义
    11.1.2  均值和自协方差函数的估计
  11.2  ARIMAX模型
    11.2.1  ARIMAX模型的定义和性质
    11.2.2  ARIMAX模型的建模
    11.2.3  案例分析
  11.3  向量自回归模型
    11.3.1  VAR模型的定义和性质
    11.3.2  VAR模型的建模
  11.4  协整与因果关系
    11.4.1  伪回归
    11.4.2  协整的定义
    11.4.3  协整的检验
    11.4.4  Granger因果性的定义
    11.4.5  Granger因果检验
  习题
第12章  时间序列的谱表示
  12.1  谱分布与谱密度
  12.2  平稳序列的周期图
    12.2.1  周期图的定义
    12.2.2  周期图的性质
  12.3  加窗谱估计
    12.3.1  加时窗的谱估计
    12.3.2  加谱窗的谱估计
    12.3.3  常用谱窗和时窗
  12.4  平稳序列的谱表示
    12.4.1  谱表示定理
    12.4.2  线性平稳序列的谱表示
    12.4.3  离散谱序列的特征
    12.4.4  离散谱序列的随机测度
    12.4.5  平稳序列的分解
    12.4.6  ARMA序列的谱表示
  习题
参考文献
附录  全书R语言程序代码