预测:方法与实践
引言
1
入门
1.1
什么可以被预测?
1.2
预测、计划和目标
1.3
决定预测什么
1.4
预测数据和方法
1.5
案例
1.6
预测过程的主要步骤
1.7
统计预测观点
1.8
练习
1.9
扩展阅读
2
时间序列图形
2.1
ts
对象
2.2
时间图
2.3
时间序列模式
2.4
季节图
2.5
子系列季节图
2.6
散点图
2.7
滞后图
2.8
自相关
2.9
白噪声
2.10
练习
2.11
拓展阅读
3
预测者的工具集
3.1
一些简单的预测方法
3.2
变换和调整
3.3
残差诊断
3.4
评估预测精度
3.5
预测区间
3.6
R中的预测包
3.7
练习
3.8
拓展阅读
4
判断预测
4.1
谨防局限性
4.2
主要原则
4.3
德尔菲法
4.4
类比预测
4.5
情景预测
4.6
新产品预测
4.7
判断性调整
4.8
拓展阅读
5
时间序列回归模型
5.1
线性模型
5.2
最小二乘估计
5.3
回归模型的评估
5.4
高效的预测变量
5.5
预测变量的筛选
5.6
回归预测
5.7
矩阵方程
5.8
非线性回归
5.9
相关关系、因果关系和预测
5.10
练习
5.11
拓展阅读
6
时间序列分解
6.1
时间序列成分
6.2
移动平均
6.3
经典时间序列分解
6.4
X11 分解法
6.5
SEATS 分解法
6.6
STL 分解法
6.7
趋势性和季节性的程度测定
6.8
分解法预测
6.9
练习
6.10
拓展阅读
7
指数平滑
7.1
简单的指数平滑
7.2
趋势法
7.3
Holt-Winters季节性方法
7.4
指数平滑法的分类
7.5
创新的指数平滑状态空间模型
7.6
模型估计和选择
7.7
使用ETS模型预测
7.8
练习
7.9
拓展阅读
8
ARIMA 模型
8.1
平稳性和差分
8.2
延迟算子
8.3
自回归模型
8.4
移动平均模型
8.5
非季节性ARIMA模型
8.6
估计和阶数选择
8.7
在R中建立ARIMA模型
8.8
预测
8.9
季节性ARIMA模型
8.10
ARIMA vs ETS
8.11
练习
8.12
拓展阅读
9
动态回归模型
9.1
模型估计
9.2
ARIMA 误差回归在 R 中的实现
9.3
模型预测
9.4
随机趋势和确定性趋势
9.5
动态谐波回归
9.6
滞后预测变量
9.7
练习
9.8
拓展阅读
10
预测分层或分组时间序列
10.1
分层时间序列
10.2
分组时间序列
10.3
自下而上的方法
10.4
自上而下的方法
10.5
中间突破方法
10.6
映射矩阵
10.7
最优调和方法
10.8
练习
10.9
拓展阅读
11
高级预测方法
11.1
复杂季节性
11.2
向量自回归
11.3
神经网络模型
11.4
Bootstrapping 和 bagging
11.5
练习
11.6
拓展阅读
12
实际预测问题
12.1
周数据,日数据及日以下数据
12.2
计数时间序列
12.3
限定预测结果范围
12.4
预测组合
12.5
总和的区间预测
12.6
向后预测
12.7
长期和短期的时间序列
12.8
训练集和测试集预测
12.9
处理缺失值和离群值
12.10
拓展阅读
附录:使用 R
关于作者
关于译者
参考文献
Published by OTexts™ with bookdown
预测: 方法与实践
1.8
练习
假设相关数据可以得到,列出
1.5
节案例3和案例4中可能有用的预测变量。
描述
1.5
节案例3中项目预测的五个步骤。