第1章 时间序列（ARIMA和SARIMA）模型

1.1 随机过程、时间序列

1.2 时间序列模型的分类

1.3 自相关函数

1.4 偏自相关函数

1.5 时间序列（ARIMA）模型的建立与预测

1.6 非季节时间序列建模案例

1.7 季节时间序列（SARIMA）模型

1.8 季节时间序列建模案例

第2章 时间序列的移动平均计算原理

2.1 定义和理论

2.2 X-11中的对称移动平均

2.3 Musgrave非对称移动平均

2.4 X-11移动平均滤子

3.1 平稳与非平稳序列的统计特征

第3章 单位根检验方法

3.2 四种典型的非平稳随机序列

3.3 DF分布

3.4 单位根的DF检验用表

3.5 进一步讨论

3.6 单位根检验

3.7 单位根检验举例

3.8 结构突变与单位根检验

4.1 季节调整的意义

第4章 X-12-ARIMA季节调整原理

4.2 X-12-ARIMA简介

4.3 X-12-ARIMA程序的基本流程

4.4 regARIMA建模原理

4.5 X-11的默认计算原型

4.6 X-11方法的具体步骤

4.7 X-12-ARIMA设定函数的运算流程

4.8 案例

附录A EVIEWS的视窗菜单操作

附录B EVIEWS的命令行操作

第5章 X-12-ARIMA季节调整程序中的新功能与方法

5.1 引言

5.2 新的X-11调整选项

5.3 新的诊断

5.4 regARIMA建模与模型选择

5.5 用模型解决调整问题：四个例子

5.6 用户交互界面：三个例子

5.7 结论性评论

附录A Henderson滤子、Musgrave非对称滤子

附录B AO和LS探测程序

第6章 X-12输出结果详解

前言

6.1 输出表格B部分：初步估计极端值和日历效应

6.2 输出表格C部分：极端值和日历效应的最终估计

6.3 输出表格D部分：不同成分的最终估计

6.4 输出表格E部分

6.5 输出表格F部分：季节调整质量的衡量

第7章 中国春节等特殊日历因素调整方案

7.1 移动假日效应

7.2 春节模型

7.3 案例

7.4 存量数据的春节效应调整

7.5 genhol程序简要说明

7.6 春节模型的进一步改进

7.7 存量数据春节模型的进一步改进

附表1 春节虚拟变量（流量数据）1970—2020年（-14≤w≤20）

附表2 春节虚拟变量（存量数据）1970—2020年（w2=31）

附表3 春节虚拟变量（存量数据）1970—2020年（w2=25）

附表4 改进春节模型的春节虚拟变量（流量数据）

附表5 改进春节模型的春节虚拟变量（存量数据）1970—2020年（wb=15,wd=3,wa=20,w2=31）

参考文献