Bücher zur selbststudierenden Zeitreihenanalyse?

Ich habe mit der Zeitreihenanalyse von Hamilton begonnen, bin aber hoffnungslos verloren. Dieses Buch ist wirklich zu theoretisch, als dass ich es allein lernen könnte.

Hat jemand eine Empfehlung für ein Lehrbuch zur Zeitreihenanalyse, das zum Selbststudium geeignet ist?

Ich würde die folgenden Bücher empfehlen:

1. Zeitreihenanalyse und ihre Anwendungen: Mit R-Beispielen
2. Zeitreihenanalyse und -prognose am Beispiel

Ich hoffe es hilft dir. Viel Glück!

Prognose: Prinzipien und Praktiken von Rob J. Hyndman und George Athanasopoulos sind kostenlos online verfügbar: http://otexts.com/fpp/

Es ist ein gutes Buch für sich; Hyndmans bisheriges Prognosebuch mit Makridakis und Wheelright wird hoch geschätzt, aber dies hat den zusätzlichen Vorteil, dass Sie sehen können, was Sie für den Preis bekommen.

Es gibt drei Bücher, auf die ich mich aus der RPerspektive der Programmierung und Zeitreihenanalyse immer wieder beziehe :

1. Zeitreihenanalyse und ihre Anwendungen: Mit R-Beispielen von Shumway und Stoffer
2. Zeitreihenanalyse: Mit Anwendungen in R von Cryer und Chan.
3. Einführungszeitreihe mit R von Cowpertwait und Metcalfe

Das erste Buch von Shumway und Stoffer hat eine Open-Source-Version (gekürzt), die online als EZgreen-Version erhältlich ist.

Wenn Sie sich speziell mit Zeitreihenprognosen beschäftigen, empfehle ich folgende Bücher:

1. Prognosemethoden und -anwendungen von Makridakis, Wheelwright und Hyndman. Ich beziehe mich immer wieder auf dieses Buch. Dies ist ein klassischer Schreibstil, der absolut phänomenal ist.
2. Ein Online-Nachfolger des obigen Buches mit schönen R-Beispielen ist Forecasting Principles and Practice von Hyndman und Athanasopoulos.
3. Wenn Sie sich mit dem klassischen Modellierungsansatz von Box Jenkins befassen, würde ich die Zeitreihenanalyse empfehlen : Prognose und Kontrolle durch Box, Jenkins und Reinsel.
4. Eine außergewöhnliche Behandlung der Modellierung und Prognose von Übertragungsfunktionen ist die Prognose mit dynamischen Regressionsmodellen von Pankratz . Auch hier ist der Schreibstil absolut großartig.
5. Ein weiterer äußerst nützlicher Aspekt bei der Anwendung von Prognosen zur Lösung von Problemen in der Praxis ist Principles of Forecasting von Armstrong.

Meiner Meinung nach gehören die Bücher 1, 4 und 5 zu den besten der besten Bücher. Viele mögen Forecasting Principles and Practice von Hyndman und Athanasopoulos, weil es Open Source ist und RCodes enthält. Es ist nicht näher an die Breite, die Tiefe der Berichterstattung über Prognosemethoden und den Schreibstil seines Vorgängers Makridakis et al. Heran. Nachfolgend sind einige kontrastierende Merkmale aufgeführt, warum ich die Makridakis et al. Mag:

1. Referenzliste: Zum Beispiel enthält das Kapitel über Box Jenkins von Makridakis et al ~ 31 Referenzen, Hyndman et al gibt es in vielen Kapiteln nur sehr wenige oder gar keine Referenzen.
2. Breite und Tiefe der Abdeckung - Hyndman et al. konzentrieren sich hauptsächlich auf univariate Methoden, die speziell vom Erstautor entwickelt wurden, während Makridakis et. Alle konzentrieren sich nicht nur auf ihre eigene Forschung, sondern auf eine Vielzahl von Methoden und Anwendungen. Der Schwerpunkt liegt auch auf der Anwendung und dem Lernen in der Praxis, anstatt sich mehr auf die Wissenschaft zu konzentrieren.
3. Schreibstil - Ich kann mich wirklich nicht beklagen, da beide Bücher außergewöhnlich gut geschrieben sind. Ich persönlich neige jedoch zu Makridakis, weil es komplexe Konzepte zu leserfreundlichen Abschnitten zusammenfasst. Es gibt einen Abschnitt über dynamische Regressions- oder Übertragungsfunktionen. Ich habe keine so klare Erklärung für diese "komplexe Methode" gefunden. Es bedarf außergewöhnlicher schriftstellerischer Fähigkeiten, um dem Leser das Verständnis der dynamischen Regression auf 15 Seiten zu erleichtern.
4. Makridakis et al. Sind Software- / Methodenunabhängige und sie listen einige nützliche Softwarepakete auf und vergleichen und kontrastieren sie (obwohl dies fast 20 Jahre alt ist), was für einen Praktiker immer noch sehr wertvoll ist.
5. Drei spezielle Kapitel zur Anwendung von Prognosen in der realen Welt in Makridakis et al. Das ist ein großes Plus für einen Praktiker.

In der Prognose werden einfach keine univariaten Methoden wie arima und exponentielles Glätten ausgeführt und Ausgaben erzeugt. Es ist viel mehr als das, und vor allem strategische Prognosen, wenn Sie in einen längeren Horizont blicken. Die Prognosegrundsätze von Armstrong gehen über die univariaten Extrapolationsmethoden hinaus und werden jedem empfohlen, der Prognosen für die reale Welt erstellt, insbesondere für strategische Prognosen.

Es hängt davon ab, wie viel Mathe Sie wollen. Für eine weniger mathematisch intensive Behandlung wird die Applied Econometric Time Series von Enders geschätzt.

Teil 4 von Damodar Gujarati und Dawn Porters Basic Econometrics (5. Ausgabe) enthält fünf Kapitel über Zeitreihen-Ökonometrie - ein sehr beliebtes Buch! Es enthält viele Übungen, Regressionsausgaben, Interpretationen und vor allem können Sie die Daten von der Website des Buches herunterladen und die Ergebnisse für sich selbst replizieren. Ein weiteres gutes Buch ist die Einführung von Stock und Watson in die Ökonometrie .

Es war bewundernswert, mit Hamilton anzufangen, aber ich würde sagen, dass ich beide Zeitreihenabschnitte in den beiden Büchern, die ich gerade erwähnt habe, durchgelesen habe, und dann zu Walter Enders angewandter ökonometrischer Zeitreihe oder Terrence C Mills The Modeling of Financial übergegangen bin Zeitreihen .

Danach (und wahrscheinlich nach einer Überprüfung der mathematischen Ökonomie) sollten Sie sich hinsetzen und Hamilton bequem lesen können.

Hinweis: Die klassische Zeitreihenanalyse von Box & Jenkins aus dem Jahr 1970: Prognose und Kontrolle sind offensichtlich konzentrierter (dh inhaltlich enger) als die von mir erwähnten "modernen Lehrbücher", aber ich würde sagen, dass jeder, der ein wirklich gutes Verständnis erlangen möchte von Zeitreihen sollte dies nicht von ihrer Leseliste lassen.

Neben dem anderen Text gibt es in Springer's Use R! Zwei Einführungsbücher. Zeitreihen:
Einführungszeitreihen mit R und Angewandte Ökonometrie in R

Es gibt auch einen erweiterte Ökonometrie Text in der Serie, Analyse von integrierten und Co-integriert Time Series mit R .

Ich habe diese nicht verwendet, aber einige andere in der Serie als ausgezeichnet befunden.

Es gibt einige gute, kostenlose Online-Ressourcen:

1. Das kleine Buch von R für Zeitreihen von Avril Coghlan (auch in gedruckter Form erhältlich, recht günstig) - Ich habe nicht alles durchgelesen, aber es scheint gut geschrieben zu sein, es enthält einige gute Beispiele und fängt im Grunde bei Null an ( dh leicht zu erreichen).
2. Kapitel 15, Statistik mit R , von Vincent Zoonekynd - Ordentliches Intro, aber wahrscheinlich etwas fortgeschrittener. Ich finde, dass es zu viel (schlecht kommentierten) Code gibt und nicht genug Erklärungen dafür.

Wenn Sie Hamilton zu schwierig finden, gibt es eine Einführung in die ökonometrische Modellierung von Princeton Uni Press von Bent Nielsen und David Hendry. Es konzentriert sich mehr auf Intuition und praktische Anleitungen als auf tiefere Theorie. Wenn Sie also zeitlich begrenzt sind, ist dies ein guter Ansatz.

Ich würde immer noch empfehlen, die Zeitreihenanalyse von Hamilton durchzuhalten. Es ist mathematisch sehr tiefgreifend und die ersten vier Kapitel werden Sie lange beschäftigen und Ihnen eine sehr gute Einführung in das Thema bieten. Es deckt auch die Nicht-Kausalität und Kointegration von Granger ab. Wenn Sie sich entschließen, dieses Thema weiter zu verfolgen, ist es eine unschätzbare Ressource.

Für eine intuitivere Behandlung der Kointegration würde ich auch Cointegration, Causality und Forecasting by Engle and White empfehlen.

Schließlich gibt es für sehr fortgeschrittene Behandlungen Soren Johansens Buch "Likelihood-Based Inference in Cointegrated VARs" und natürlich David Hendrys "Dynamic Econometrics".

Unter diesen beiden würde ich denken, dass Hendry mehr auf das große Ganze ausgerichtet ist und Johansen ziemlich hart im Rechnen ist.

Zeitreihenanalyse: Univariate und multivariate Methoden von William Wei und David P. Reilly - ist ein sehr gutes Buch über Zeitreihen und ziemlich unerschwinglich. Es gibt eine aktualisierte Version, aber zu einem viel höheren Preis. Es enthält keine R-Beispiele. Es enthält ausdrücklich eine ausführliche Diskussion / Präsentation von Interventionserkennungsverfahren, die in vereinfachten Lösungen / einführenden Lehrbüchern ignoriert werden.

Es gibt das NBER-Sommerinstitut "Was ist neu in der Zeitreihen-Ökonometrie" (nicht sicher, ob dieses Material verknüpft ist oder nicht). Es gibt Videos mit begleitenden Folien. Die Vorlesungen werden von zwei Professoren (Stock und Watson) gehalten, die für ihr populäres Ökonometrie-Lehrbuch für Studenten bekannt sind.

Meiner Meinung nach ist Forecasting unschlagbar: Prinzipien und Praxis. Es wurde von Rob Hyndman und George Athanasopoulos geschrieben, ist kostenlos online verfügbar und enthält tonnenweise Beispielcode in R, wobei das exzellente Vorhersagepaket verwendet wird .

Wenn Sie Stata verwenden, ist Introduction to Time Series Using Stata von Sean Becketti eine solide, sanfte Einführung mit vielen Beispielen und einem Schwerpunkt auf Intuition über Theorie. Ich denke, dieses Buch würde Ender ziemlich gut ergänzen.

Das Buch beginnt mit einer Einführung in die Stata-Sprache, gefolgt von einem kurzen Überblick über Regressionen und Hypothesentests.

Der Zeitreihenteil beginnt mit gleitenden Mittelwerten und Holt-Winters-Techniken, um die Daten zu glätten und vorherzusagen. Der nächste Abschnitt befasst sich mit deren Verwendung für die Vorhersage von Techniken. Diese Methoden werden häufig vernachlässigt, eignen sich jedoch gut für die automatisierte Vorhersage und sind leicht zu erklären. Becketti erklärt, wann sie arbeiten und wann nicht.

Die nächsten Kapitel befassen sich mit Einzelgleichungs-Zeitreihenmodellen wie autokorrelierten Störungen, ARIMA- und ARCH / GARCH-Modellierung.

Am Ende diskutiert Becketti Modelle mit mehreren Gleichungen, insbesondere VARs und VECs, und instationäre Zeitreihen.

Es gibt ein paar Bücher, die nützlich sein könnten. Wenn Sie mathematisch herausgefordert sind, sollten Sie mit zwei SAGE-Büchern von Mcdowall, Mcleary, Meidinger und Hay beginnen, die "Interrupted Time Series Analysis" (1980) oder "Applied Time Series Analysis" (Angewandte Zeitreihenanalyse) von Richard McLeary heißen. Wenn Sie mehr über Zeitreihen lernen und entscheiden, dass Sie mehr wollen als Prosa und dass Sie bereit sind, durch etwas Mathematik zu leiden, ist der von Addison-Wessley veröffentlichte Wei-Text mit dem Titel "Time Series Analysis" eine ausgezeichnete Wahl. In Bezug auf webbasiertes Lehrmaterial habe ich eine Menge nützliches Material verfasst, das unter http://www.autobox.com/cms/index.php/afs-university/intro-to-forecasting mit dem Titel "Introduction" eingesehen werden kann zur Prognose ".

HILL GRIFFITHS LIM 2011 "Prinzipien der Ökonometrie" 4E Wiley
Vorteile:
(1) Sehr einfach zu befolgen. Die Themen sind gut dargestellt. Auch wenn ich in meinem Leben keinen ökonometrischen Kurs belegt habe, habe ich mit dem Buch die Einführung in die Ökonometrie leicht verstanden.

(2) Es gibt zusätzliche Bücher zum Verständnis von HILLs Buch:
a. Verwenden von EViews für Prinzipien der Ökonometrie
b. Verwenden von Excel für ökonometrische Prinzipien
c. Verwendung von Gretl für ökonometrische Prinzipien
d. Verwenden von Stata für ökonometrische Prinzipien

Nachteile:
(1) Es gibt kein "Verwenden von R für ökonometrische Prinzipien"!
R ist Industriestandard. R ist besser als Python. Mathematische Überlegungen lassen sich am besten in Code über R umwandeln (ich sage dies als Person, die VBA-Module in Excel geschrieben, Gretl-Codes geschrieben und Eviews-Codes geschrieben hat).

Ich habe die Ökonometrie mit "GREENE 2011-Ökonometrieanalyse - WH GREENE 7E PearsonPrentice Hall" selbst gestartet. kann für den Anfang schwierig sein.

Zusammenfassend empfehle ich nachdrücklich, Ökonometrie mit Hill's Buch zu erfassen und dieses Verständnis über ein anderes Ökonometriebuch anzuwenden, das auf R basiert.