Des livres pour l’analyse autodidacte de séries chronologiques?

J'ai commencé par Time Series Analysis de Hamilton, mais je suis désespérément perdu. Ce livre est vraiment trop théorique pour que je puisse l’apprendre par moi-même.

Quelqu'un a-t-il une recommandation pour un manuel d'analyse de séries chronologiques qui convient à l'auto-apprentissage?

Je recommanderais les livres suivants:

1. Analyse de séries temporelles et ses applications: avec R Exemples
2. Analyse et prévision de séries temporelles par exemple

J'espère que ça t'aide. Bonne chance!

Les prévisions: principes et pratiques de Rob J Hyndman et George Athanasopoulos sont disponibles gratuitement en ligne: http://otexts.com/fpp/

C'est un bon livre à part entière; Le précédent livre de prévisions de Hyndman avec Makridakis et Wheelright est hautement considéré, mais cela présente l’avantage supplémentaire de pouvoir voir ce que vous obtenez pour le prix.

Il y a trois livres auxquels je me réfère toujours du point de vue de la Rprogrammation et de l'analyse des séries chronologiques:

1. Analyse de séries chronologiques et ses applications: avec R Exemples de Shumway et Stoffer
2. Analyse de séries chronologiques: avec applications en R de Cryer et Chan.
3. Séries chronologiques d'introduction avec R de Cowpertwait et Metcalfe

Le premier livre de Shumway et Stoffer a une version en source ouverte (abrégée) disponible en ligne appelée version EZgreen.

Si vous étudiez spécifiquement les prévisions de séries chronologiques, je vous recommanderais les ouvrages suivants:

1. Méthodes de prévision et applications par Makridakis, Wheelwright et Hyndman. Je me réfère régulièrement à ce livre. C’est un classique, le style d’écriture est absolument phénoménal.
2. Un successeur en ligne au livre ci - dessus avec de beaux exemples de R est Forecasting Principes et pratique par Hyndman et Athanasopoulos.
3. Si vous examinez l' approche classique de modélisation Box Jenkins, je vous recommanderais l' analyse des séries chronologiques: prévisions et contrôle par Box, Jenkins et Reinsel.
4. La prévision et les modèles de régression dynamique de Pankratz offrent un traitement exceptionnel en matière de modélisation et de prévision de la fonction de transfert . Encore une fois, le style d'écriture est absolument génial.
5. Les principes de prévision d’Armstrong sont un autre moyen extrêmement utile d’appliquer la prévision à la résolution de problèmes concrets.

À mon avis, les livres 1, 4 et 5 sont parmi les meilleurs des meilleurs livres. Beaucoup aiment les principes et la pratique de prévision de Hyndman et Athanasopoulos car ils sont open source et ont des Rcodes. Il n’ya aucun moyen de se rapprocher de l’ampleur, de la profondeur de la couverture des méthodes de prévision et du style d’écriture de son prédécesseur, Makridakis et al. Voici quelques caractéristiques contrastantes expliquant pourquoi j’aime les Makridakis et al:

1. Liste de références: par exemple, dans le chapitre consacré à Box Jenkins, Makridakis et al. Ont environ 31 références; Hyndman et al., Il existe très peu ou pas de références dans de nombreux chapitres.
2. Étendue et profondeur de la couverture - Hyndman et al. se concentrent principalement sur les méthodes univariées spécialement développées par le premier auteur, tandis que Makridakis et. al se concentrent non seulement sur leurs propres recherches, mais aussi sur un large éventail de méthodes et d’applications, mais aussi sur l’application et l’apprentissage dans le monde réel, au lieu d’être davantage axés sur les études.
3. Style d'écriture - Je ne peux vraiment pas me plaindre car les deux livres sont exceptionnellement bien écrits. Cependant, je me penche personnellement vers Makridakis parce que cela résume des concepts complexes en sections faciles à lire. Il y a une section sur la régression dynamique ou les fonctions de transfert, je n'ai trouvé aucune explication aussi claire sur cette "méthode complexe". Il faut un talent extraordinaire en écriture pour aider les lecteurs à comprendre ce qu’est la régression dynamique en 15 pages et ils y parviennent.
4. Makridakis et al., Agnostiques en termes de logiciels / méthodes, répertorient des progiciels utiles et les comparent (même s’ils ont presque 20 ans) sont toujours très précieux pour un praticien.
5. Trois chapitres consacrés à l'application des prévisions dans le monde réel par Makridakis et al. ce qui est un gros plus à avoir pour un pratiquant.

La prévision ne consiste tout simplement pas à utiliser des méthodes univariées comme arima et le lissage exponentiel et la production de sorties. C'est beaucoup plus que cela, et particulièrement la prévision stratégique lorsque vous envisagez un horizon plus long. Les principes de prévision d'Armstrong vont au-delà des méthodes d'extrapolation univariées et sont vivement recommandés à quiconque effectue des prévisions dans le monde réel, notamment des prévisions stratégiques.

Cela dépend de combien de maths vous voulez. Pour un traitement moins mathématique, Applical Econometric Time Series de Enders est bien considéré.

La quatrième partie de Basic Econometrics de Damodar Gujarati et Dawn Porter (cinquième édition) contient cinq chapitres sur l'économétrie des séries chronologiques - un livre très populaire! Il contient de nombreux exercices, des résultats de régression, des interprétations et, mieux encore, vous pouvez télécharger les données du site Web du livre et en reproduire les résultats pour vous-même. Un autre bon livre est Introduction à Econometrics de Stock et Watson .

Commencer par Hamilton était admirable, mais je dirais de lire les deux sections de la série chronologique dans les deux livres que je viens de mentionner, puis de passer à quelque chose comme Applied Econometric Time Series de Walter Enders ou The Modeling of Financial de Terrence C Mill. Série temporelle .

Après cela (et probablement après un examen de l’économie mathématique), vous devriez pouvoir vous asseoir et lire Hamilton sans difficulté.

Remarque: Analyse classique de la série chronologique de 1970 par Box & Jenkins: La prévision et le contrôle sont évidemment plus concentrés (c'est-à-dire que leur contenu est plus étroit) que les "manuels modernes" que j'ai mentionnés, mais je dirais que quiconque veut vraiment comprendre des séries chronologiques ne devraient pas laisser cela en dehors de leur liste de lecture.

En plus de l’autre texte, vous trouverez deux livres d’introduction dans Use R! De Springer. séries qui couvrent les séries chronologiques:
Séries temporelles d'introduction avec R et économétrie appliquée en R

Il y a aussi un texte économétrie avancé dans la série, l' analyse des séries intégrée et temps cointégrées avec R .

Je ne les ai pas utilisées, mais j'ai trouvé plusieurs autres excellentes dans la série.

Il existe de bonnes ressources gratuites en ligne:

1. Le petit livre de R pour la série chronologique , par Avril Coghlan (également disponible en version imprimée, raisonnablement bon marché) - Je n'ai pas tout lu, mais il semble que son texte est bien écrit, qu'il contient de bons exemples et qu'il commence à partir de zéro ( c'est-à-dire facile à obtenir).
2. Chapitre 15, Statistiques avec R , de Vincent Zoonekynd - Introduction décente, mais probablement un peu plus avancée. Je trouve qu'il y a trop de code (mal commenté) et pas assez d'explication.

Si vous trouvez Hamilton trop difficile, alors il ya Introduction à la modélisation économétrique Princeton Uni Press de Bent Nielsen et David Hendry. Il met davantage l'accent sur l'intuition et les procédures pratiques que sur la théorie plus en profondeur. Donc, si vous êtes pressé par le temps, ce serait une bonne approche.

Je recommanderais toujours de persévérer avec l'analyse des séries chronologiques réalisée par Hamilton. Il est mathématiquement très profond et les quatre premiers chapitres vous tiendrons au courant et vous serviront d'introduction très forte au sujet. Il couvre également la non-causalité et la cointégration de Granger et si vous décidez de poursuivre ce sujet plus en profondeur, il constitue une ressource inestimable.

Pour un traitement plus intuitif de la cointégration, je recommanderais également la cointégration, la causalité et les prévisions d'Engle et White.

Enfin, pour les traitements très avancés, il y a le livre de Soren Johansen "L'inférence basée sur la vraisemblance dans les VAR cointégrés" et bien sûr "L'économétrie dynamique" de David Hendry.

Parmi ces deux-là, je pense que Hendry s’intéresse davantage aux grands projets et Johansen est plutôt dur dans les calculs.

Analyse de séries chronologiques: méthodes univariées et multivariées de William Wei et David P. Reilly - est un très bon livre sur les séries chronologiques et assez inexpliqué. Il existe une version mise à jour mais à un prix beaucoup plus élevé. Il n'inclut pas R exemples. Il inclut explicitement une grande discussion / présentation des procédures de détection d’intervention qui sont ignorées dans les solutions simplifiées / manuels d’introduction.

Il y a l'Institut d'été du NBER "Quoi de neuf dans l'économétrie des séries chronologiques" ( je ne sais pas si ce matériel est protégé ou non). Il y a des vidéos avec des diapositives d'accompagnement. Les conférences sont données par deux professeurs (Stock et Watson) connus pour leur populaire manuel d'économétrie de premier cycle.

À mon avis, vous ne pouvez vraiment pas battre Prévisions: principes et pratique. Il est écrit par Rob Hyndman et George Athanasopoulos, de CV, et est disponible gratuitement en ligne. Il contient une tonne d'exemples de code en R, utilisant l'excellent paquet de prévisions .

Si vous utilisez Stata, Introduction aux séries chronologiques Utilisation de Stata de Sean Becketti est une introduction douce et solide, avec de nombreux exemples et mettant l’accent sur l’intuition sur la théorie. Je pense que ce livre compléterait assez bien Ender.

Le livre s'ouvre sur une introduction au langage Stata, suivie d'un examen rapide de la régression et des tests d'hypothèses.

La série chronologique commence par les techniques de moyenne mobile et de Holt – Winters pour lisser et prévoir les données. La section suivante se concentre sur leur utilisation pour les techniques de prévision. Ces méthodes sont souvent négligées, mais elles fonctionnent plutôt bien pour la prévision automatisée et sont faciles à expliquer. Becketti explique quand ils vont travailler et quand ils ne vont pas.

Les chapitres suivants couvrent des modèles chronologiques à équation unique, tels que les perturbations autocorrélées, la modélisation ARIMA et ARCH / GARCH.

À la fin, Becketti aborde les modèles à équations multiples, en particulier les VAR et les CVE, et les séries chronologiques non stationnaires.

Il y a quelques livres qui pourraient être utiles. Si vous avez des difficultés mathématiques, vous voudrez peut-être commencer par deux livres SAGE de Mcdowall, Mcleary, Meidinger et Hay, intitulés "Analyse des séries chronologiques interrompues" de 1980 ou "Analyse des séries chronologiques appliquées" de Richard McLeary. Au fur et à mesure que vous en apprenez plus sur les séries chronologiques et décidez que vous voulez plus que de la prose et que vous êtes prêt à subir des calculs, le texte de Wei publié par Addison-Wessley et intitulé "Analyse des séries temporelles" serait un excellent choix. En ce qui concerne le matériel éducatif sur le Web, j’ai écrit un grand nombre de documents utiles qui peuvent être consultés à l’ adresse http://www.autobox.com/cms/index.php/afs-university/intro-to-forecasting intitulé "Introduction à la prévision ".

HILL GRIFFITHS LIM 2011 "Principes d'économétrie" 4E Wiley
Avantages:
(1) Très facile à suivre. Les sujets sont bien présentés. Même si je n'ai suivi aucun cours d'économétrie dans ma vie, j'ai facilement compris l'économétrie introductive avec le livre.

(2) Il existe des livres supplémentaires pour comprendre le livre de HILL:
a. Utilisation d'EViews pour les principes d'économétrie
b. Utilisation d'Excel pour les principes d'économétrie
c. Utilisation de Gretl pour les principes d'économétrie
d. Utilisation de Stata pour les principes d'économétrie

Inconvénients:
(1) Il n'y a pas "Utiliser R pour les principes d'économétrie"!
R est la norme de l'industrie. R est meilleur que Python. Les maths en tête peuvent être mieux reflétés dans le code via R (je le dis en tant que personne qui a écrit les modules VBA dans Excel, écrit les codes Gretl, écrit les codes Eviews).

J'ai moi-même commencé l'économétrie avec "Analyse économétrique GREENE 2011 - WH GREENE 7E PearsonPrentice Hall" C'est aussi agréable, mais plus théorique; peut être difficile pour les débutants.

En résumé, je recommande fortement de saisir Econometrics avec le livre de Hill et d'appliquer cette compréhension via un autre livre d'Econometry basé sur R.