趋近智
时间序列分析与预测
章节 1: 时间序列数据介绍
时间序列数据的特点
组成部分：趋势、季节性、周期性、不规则性
在Pandas中加载和处理时间序列数据
时间位移、滞后与滚动窗口
时间序列数据可视化
动手实践：数据加载与绘图
章节 2: 时间序列分解与平稳性
理解平稳性
时间序列分解方法
在 Python 中实现分解
平稳性检验：可视化检查
平稳性的统计检验 (ADF 检验)
实现平稳性：差分
动手练习：分解与平稳性检验
章节 3: 自相关性与模型识别
自动相关函数 (ACF)
偏自相关函数 (PACF)
在 Python 中绘制 ACF 和 PACF
解读ACF/PACF以选择模型
动手实践：ACF/PACF 图的绘制与解读
章节 4: ARIMA 模型用于预测
自回归 (AR) 模型
移动平均 (MA) 模型
结合AR和MA：ARMA模型
引入整合：ARIMA 模型
选择ARIMA模型阶数 (p, d, q)
在Python中使用statsmodels拟合ARIMA模型
模型诊断与残差分析
使用ARIMA模型进行预测
动手实践：构建ARIMA模型
章节 5: 使用SARIMA处理季节性
ARIMA模型处理季节性数据的局限性
季节性ARIMA（SARIMA）模型介绍
识别季节性成分 (ACF/PACF)
选择 SARIMA 阶数 (p, d, q)(P, D, Q)m
在 Python 中拟合 SARIMA 模型
SARIMA模型诊断
使用 SARIMA 进行预测
动手实践：构建SARIMA模型
章节 6: 模型评估与选择
模型评估的必要性
时间序列的训练-测试分离
常用评估指标（MAE、MSE、RMSE、MAPE）
信息准则 (AIC, BIC)
比较不同模型的预测结果
预测表现的可视化
动手练习：评估预测
模型诊断与残差分析
这部分内容有帮助吗？
- Forecasting: Principles and Practice, Rob J Hyndman and George Athanasopoulos, 2021 (OTexts) - 为时间序列预测提供了全面且易于理解的指南，包括对ARIMA模型构建、残差诊断和解释的详细讨论。
- statsmodels.tsa.arima.model.ARIMAResults, statsmodels Developers, 2023 -
statsmodels中ARIMAResults对象的官方文档，对理解Python中用于模型诊断的方法和属性至关重要。 - Time Series Analysis: Forecasting and Control, George E. P. Box, Gwilym M. Jenkins, Gregory C. Reinsel, and Greta M. Ljung, 2015 (John Wiley & Sons) - 时间序列分析的基础教材，提供了ARIMA模型的理论深度、模型识别、估计以及对残差的严格诊断检查。
- Time Series Analysis and Its Applications: With R Examples, Robert H. Shumway, David S. Stoffer, 2017 (Springer) - 对时间序列分析进行了详细且统计学上严谨的处理，包括对ARIMA模型以及残差的统计特性和诊断检查的深度介绍。