商业 类型
可以朗读 语音朗读
346千字 字数
2017-08-01 发行日期
展开全部

主编推荐语

计量经济学领域享有盛名的三位国际专家，历经三十载完成，为你介绍美国联邦储备委员会和许多国家中央银行都在使用的评估和预测方法。

内容简介

本书列出许多研究课题的经典专著，包含参数模型和非参数模型，平稳模型和非平稳模型。同时，增加了对复杂问题所涉及到的技术问题的解释章节，也提供有关技术的参考细节、非线性时间序列计量经济模型的预测理论和预测应用章节及GARCH-类模型章节。

全书既注重理论论证和方法演义，又运用经济数据，给出实证分析。对每一经典实例数据，按建模步骤分别给出平滑转换自回归（STAR）模型和人工神经网络（ANN）模型建模，让你体验到使用非线性模型拟合时间序列数据的全过程。然后又使用在样本内得到的估计模型，演示非线性时间序列模型的预测和预测评估。

本书对大数据时代改进宏观经济预测及加强金融风险、治理风险控制等方面具有重要的推动意义。

目录

  • 版权信息
  • 丛书序一
  • 丛书序二
  • 推荐序
  • 译者序
  • 前言
  • 第1章 概念、模型和定义
  • 1.1 非线性的定义
  • 1.2 非线性的来源
  • 1.3 平稳性和非平稳性
  • 1.4 可逆性
  • 1.5 趋势
  • 1.6 季节性
  • 1.7 条件分布
  • 1.8 Wold表述和Volterra扩展
  • 1.9 加法模型
  • 1.10 谱分析
  • 1.11 混沌
  • 第2章 经济理论中的非线性模型
  • 2.1 非均衡模型
  • 2.2 劳动力市场模型
  • 2.2.1 理论
  • 2.2.2 实践应用
  • 2.3 汇率目标区
  • 2.3.1 理论
  • 2.3.2 实践应用
  • 2.4 生产理论
  • 第3章 参数非线性模型
  • 3.1 概述
  • 3.2 转换回归模型
  • 3.2.1 标准转换回归模型
  • 3.2.2 向量门限自回归模型
  • 3.3 马尔可夫状态转换回归模型
  • 3.4 平滑状态转换回归模型
  • 3.4.1 标准平滑状态转换回归模型
  • 3.4.2 加法、多重的时变STR模型
  • 3.4.3 向量平滑转换自回归模型
  • 3.5 多项式模型
  • 3.6 人工神经网络模型
  • 3.7 极大极小模型
  • 3.8 非线性移动平均模型
  • 3.9 双线性模型
  • 3.10 时变参数和状态空间模型
  • 3.11 随机系数和波动性模型
  • 第4章 非参数方法
  • 4.1 引言
  • 4.2 自协方差和谱
  • 4.3 密度、条件均值和条件方差
  • 4.3.1 非高斯边缘分布
  • 4.3.2 条件数量
  • 4.4 非线性过程的相依性测度
  • 4.4.1 相依性的局部测度
  • 4.4.2 相依性的全局测度
  • 4.4.3 基于密度和分布函数的测度
  • 4.4.4 Copula函数
  • 第5章 参数线性检验
  • 5.1 引言
  • 5.2 一致的设定偏误检验
  • 5.3 拉格朗日乘数或得分检验
  • 5.3.1 标准情况
  • 5.3.2 检验阶段和稳健形式
  • 5.3.3 条件异方差性的稳健性检验
  • 5.4 局部等价的备择假设
  • 5.5 仅在备择假设下可识别的非线性模型
  • 5.5.1 识别问题
  • 5.5.2 一般解决方法
  • 5.5.3 拉格朗日乘数型检验
  • 5.5.4 蒙特卡罗检验
  • 5.5.5 冗余参数赋值
  • 5.6 未指定备择模型的线性性检验
  • 5.6.1 回归设定误差检验
  • 5.6.2 基于扩展式的检验
  • 5.7 运用渐近相对效率比较参数线性检验
  • 5.7.1 定义
  • 5.7.2 例子
  • 5.8 使用何种检验
  • 第6章 参数恒定性检验
  • 6.1 概况
  • 6.2 邹氏检验法概述
  • 6.2.1 单一突变的检验
  • 6.2.2 多重突变的检验
  • 6.3 拉格朗日乘数型检验
  • 6.3.1 平稳单变量方程模型的检验
  • 6.3.2 平稳向量自回归模型检验
  • 6.3.3 非平稳向量自回归模型的检验
  • 6.4 基于递归估计的参数检验
  • 6.4.1 累积和检验
  • 6.4.2 移动和检验
  • 6.4.3 波动性检验
  • 6.4.4 随机参数的检验
  • 6.4.5 协整关系的恒定性检验
  • 第7章 非参数的规范检验
  • 7.1 引言
  • 7.2 非参数线性检验
  • 7.2.1 谱域的非参数检验
  • 7.2.2 条件均值和条件方差下的线性检验
  • 7.2.3 估计
  • 7.2.4 渐近理论
  • 7.2.5 有限样本属性及渐近的运用
  • 7.2.6 自助法检验
  • 7.3 具体函数形式的检验
  • 7.3.1 基于残差的检验
  • 7.3.2 条件均值和条件方差检验
  • 7.3.3 连续时间
  • 7.4 滞后项选择
  • 7.5 可加性和交互作用的检验
  • 7.5.1 可加模型的检验
  • 7.5.2 仿真案例
  • 7.6 部分线性和半参数模型检验
  • 7.7 独立性检验
  • 7.7.1 传统检验
  • 7.7.2 秩相关
  • 7.7.3 基于频率的检验
  • 7.7.4 BDS检验
  • 7.7.5 基于分布的独立性检验
  • 7.7.6 广义谱和独立性检验
  • 7.7.7 基于密度的独立性检验
  • 7.7.8 独立性检验的一些例子
  • 第8章 条件异方差模型
  • 8.1 自回归条件异方差模型
  • ARCH模型
  • 8.2 广义ARCH模型
  • 8.2.1 为什么要拓展ARCH模型
  • 8.2.2 单变量GARCH族模型
  • 8.2.3 非线性GARCH模型
  • 8.2.4 时变GARCH模型
  • 8.2.5 一阶GARCH模型的矩结构
  • 8.2.6 高阶GARCH模型的矩结构
  • 8.2.7 单整和分数单整GARCH模型
  • 8.2.8 典型事实和GARCH模型
  • 8.2.9 单变量GARCH模型的构建
  • 8.3 指数类GARCH模型
  • 8.3.1 EGARCH模型的矩结构
  • 8.3.2 典型事实和EGARCH模型
  • 8.3.3 EGARCH模型的构建
  • 8.4 自回归随机波动模型
  • 8.4.1 定义
  • 8.4.2 ARSV模型的矩结构
  • 8.4.3 典型事实和随机波动模型
  • 8.4.4 ARSV模型的估计
  • 8.4.5 ARSV模型与GARCH模型的比较
  • 8.5 GARCH均值模型
  • 8.6 实现波动率
  • 8.7 多元GARCH模型
  • 8.7.1 广义多元GARCH模型
  • 8.7.2 与随机系数模型的联系
  • 8.7.3 常条件相关GARCH模型
  • 8.7.4 常条件相关假设的检验和动态条件相关模型
  • 8.7.5 CCC-GARCH模型的其他推广
  • 8.7.6 BEKK-GARCH模型
  • 8.7.7 因子GARCH模型
  • 第9章 时变参数和状态空间模型
  • 9.1 引言
  • 9.2 线性状态空间模型
  • 9.3 时变参数模型
  • 9.4 非线性状态空间模型
  • 9.4.1 扩展卡尔曼滤波
  • 9.4.2 Kitagawa格点近似
  • 9.4.3 蒙特卡罗方法
  • 9.4.4 粒子滤波
  • 9.4.5 高斯密度近似
  • 9.5 隐马尔可夫链和状态
  • 9.5.1 隐马尔可夫链
  • 9.5.2 混合模型
  • 9.6 参数估计
  • 9.6.1 平稳性
  • 9.6.2 识别
  • 9.6.3 线性模型的参数估计
  • 9.6.4 非线性模型的参数估计
  • 9.6.5 隐马尔可夫和混合模型的估计
  • 第10章 非参数模型
  • 10.1 可加模型
  • 10.1.1 纯可加模型的估计
  • 10.1.2 边缘积分
  • 10.1.3 更新和平滑更新
  • 10.1.4 带交互作用的可加模型
  • 10.1.5 实例说明
  • 10.1.6 条件方差函数的非参数和可加估计
  • 10.2 相关模型
  • 10.2.1 函数系数自回归模型
  • 10.2.2 因变量变换和ACE算法
  • 10.2.3 回归树、样条和MARS
  • 10.2.4 分位数回归
  • 10.3 半参数模型
  • 10.3.1 指数模型
  • 10.3.2 投影寻踪回归
  • 10.3.3 部分线性模型
  • 10.4 稳健性和自适应估计
  • 第11章 非线性和非平稳模型
  • 11.1 长记忆模型
  • 11.2 线性单位根模型
  • 11.3 向量自回归过程及线性协整
  • 11.4 非线性I（1）过程
  • 11.5 非线性误差修正模型
  • 11.6 有非平稳回归变量的参数非线性回归
  • 11.7 非线性协整类下的非参数估计
  • 11.8 随机单位根模型
  • 第12章 参数非线性模型的估计算法
  • 12.1 不用导数的优化法
  • 12.1.1 格点搜索法和线性搜索法
  • 12.1.2 共轭方向法
  • 12.1.3 模拟退火法
  • 12.1.4 演化算法
  • 12.2 需要导数的算法
  • 12.2.1 梯度法
  • 12.2.2 变尺度法
  • 12.3 其他方法
  • 12.3.1 期望最大算法
  • 12.3.2 神经网络序列估计
  • 第13章 基本非参数估计
  • 13.1 密度估计
  • 13.1.1 核估计
  • 13.1.2 偏差与方差缩减
  • 13.1.3 带宽选择
  • 13.1.4 可变带宽与最近邻域估计
  • 13.1.5 多元密度估计
  • 13.2 非参数回归估计
  • 13.2.1 核回归估计
  • 13.2.2 局部多项式估计
  • 13.2.3 偏差、卷积与高阶核
  • 13.2.4 最近邻域估计
  • 13.2.5 样条与MARS
  • 13.2.6 级数展开
  • 13.2.7 非参数回归的带宽选择
  • 第14章 非线性模型的预测
  • 14.1 引言
  • 14.2 参数模型的条件均值预测
  • 14.2.1 分析点预测
  • 14.2.2 预测的数值方法
  • 14.3 非参数模型的预测
  • 14.4 预测的精度
  • 14.5 非线性模型预测的有用性
  • 14.5.1 每个预测期间单独模型的预测
  • 14.5.2 每一预测区间使用相同模型
  • 14.6 预测波动性
  • 14.7 非线性模型预测综述
  • 第15章 非线性脉冲响应
  • 15.1 广义脉冲响应函数
  • 15.2 图解表示法
  • 第16章 非线性模型的构建
  • 16.1 概述
  • 16.2 非参数和半参数模型
  • 16.3 平滑转换回归模型的构建
  • 16.3.1 建模的三个步骤
  • 16.3.2 模型设定
  • 16.3.3 参数估计
  • 16.3.4 模型评价
  • 16.3.5 刻画STAR模型动态行为的图形工具
  • 16.3.6 案例
  • 16.4 构建转换回归模型
  • 16.4.1 模型设定
  • 16.4.2 估计和评价
  • 16.4.3 案例
  • 16.5 构建人工神经网络模型
  • 16.5.1 模型设定
  • 16.5.2 参数估计
  • 16.5.3 模型评价
  • 16.5.4 其他建模方法
  • 16.5.5 案例
  • 16.6 两个预测的比较
  • 16.6.1 预测wolf的年度太阳黑子数
  • 16.6.2 预测美国月度失业率
  • 第17章 其他专题
  • 17.1 数据的加总
  • 17.2 季节性
  • 17.2.1 时变季节性
  • 17.2.2 依时加总与时变季节性
  • 17.2.3 季节性调整中的非线性滤波
  • 17.3 异常值与非线性性
  • 17.3.1 什么是异常值
  • 17.3.2 基于模型的定义
  • 参考文献
  • 出版说明
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

机械工业出版社有限公司

机械工业出版社是全国优秀出版社，自1952年成立以来，坚持为科技、为教育服务，以向行业、向学校提供优质、权威的精神产品为宗旨，以“服务社会和人民群众需求，传播社会主义先进文化”为己任，产业结构不断完善，已由传统的图书出版向着图书、期刊、电子出版物、音像制品、电子商务一体化延伸，现已发展为多领域、多学科的大型综合性出版社，涉及机械、电工电子、汽车、计算机、经济管理、建筑、ELT、科普以及教材、教辅等领域。