时间序列数据，顾名思义，就是按时间顺序收集起来的数据。与独立截面数据不同，时间序列数据在时间上的顺序决定其自身具有时间相依性（temporal dependence），因此对独立数据的统计推断方法不能直接应用于时间序列分析。时间序列数据广泛存在于现实世界的各个领域，如全球月平均温度、股票日收盘价格、太阳黑子的年均个数、河流的月均水位高度、测量脑部活动的功能性磁共振成像(fMRI)数据等。掌握时间序列分析方法对理解这些数据的生成过程非常重要。时间序列分析的目的有两层：第一层，通过历史数据展现出来的经验特征(empirical characters),建立合适的时间序列模型，用模型解释隐藏在数据背后的生成机制（也称样本内拟合）；第二层，根据建立起来的模型，预测未来（样本外预测）。相比第一个层面，第二层面的挑战更大，不确定性也更多。

在商业银行、政府统计部门以及一些私人投资机构中，时间序列数据占主导地位，因此对毕业后想在这些部门任职的学生来说，掌握时间序列分析和预测的基本能力至关重要。同时通过这门课的学习，也可以为该领域相关高阶课程，如非参数时间序列分析、机器学习算法在时间序列中的应用等打下前期基础。

通过本课程的学习，学生可掌握对时间序列数据的一般建模方法和步骤。

对于业界工作者，通过该门课的学习，掌握如何通过统计方法刻画数据经验特征，以及对金融和经济数据进行预测分析。对于打算继续深造的同学，该门课可以作为高级时间序列分析（如非线性时间序列分析、非参数时间序列分析、金融时间序列分析）的基础课程。

微积分、线性代数、概率论与数理统计、回归分析（或计量经济学）

[1]. Time Series Analysis With Applications in R (2nd ed.), Jonathan D. Cryer and Kung-Sik Chan, 2008. （本科生水平）

[2]. Time Series Analysis, James D. Hamilton, 1994. （研究生水平）

[3]. Analysis of Financial Time Series (3rd ed.), Ruey S. Tsay, 2010. （侧重金融时间序列建模和预测）

[4]. The Elements of Financial Econometrics, Jianqing Fan& Qiwei Yao, 2015. （侧重金融计量）

[5]. Galit Shmueli & Kenneth C. Lichtendahl Jr. (2016).  Practical Time Series Forecasting with R. （侧重实际预测方法）