¿Libros para el análisis de series temporales de autoaprendizaje?

Comencé por Time Series Analysis de Hamilton, pero estoy perdido sin remedio. Este libro es realmente demasiado teórico para que lo pueda aprender solo.

¿Alguien tiene una recomendación para un libro de texto sobre análisis de series de tiempo que sea adecuado para el autoestudio?

Recomendaría los siguientes libros:

1. Análisis de series temporales y sus aplicaciones: con ejemplos R
2. Análisis de series de tiempo y pronósticos por ejemplo

Espero que te ayude. ¡La mejor de las suertes!

Pronóstico: principios y práctica de Rob J Hyndman y George Athanasopoulos está disponible en línea de forma gratuita: http://otexts.com/fpp/

Es un buen libro por derecho propio; El libro de pronósticos anterior de Hyndman con Makridakis y Wheelright es muy apreciado, pero esto tiene la ventaja adicional de que puedes ver lo que obtienes por el precio.

Hay tres libros a los que siempre me refiero desde una Rperspectiva de programación y análisis de series de tiempo:

1. Análisis de series temporales y sus aplicaciones: con ejemplos R de Shumway y Stoffer
2. Análisis de series temporales: con aplicaciones en R de Cryer y Chan.
3. Series temporales introductorias con R de Cowpertwait y Metcalfe

El primer libro de Shumway y Stoffer tiene una versión de código abierto (abreviada) disponible en línea llamada versión EZgreen.

Si está buscando específicamente pronósticos de series de tiempo, le recomendaría los siguientes libros:

1. Métodos y aplicaciones de pronóstico por Makridakis, Wheelwright y Hyndman. Sigo refiriéndome a este libro repetidamente. Este es un estilo clásico de escritura absolutamente fenomenal.
2. Un sucesor en línea del libro anterior con buenos ejemplos de R son los Principios y prácticas de pronóstico de Hyndman y Athanasopoulos.
3. Si está buscando el enfoque clásico de modelado de Box Jenkins, recomendaría el Análisis de series temporales: pronóstico y control de Box, Jenkins y Reinsel.
4. Un tratamiento excepcional en el modelado y pronóstico de la función de transferencia se encuentra en Pronósticos con modelos de regresión dinámica de Pankratz . Nuevamente, el estilo de escritura es absolutamente genial.
5. Otro extremadamente útil si aplica la predicción para resolver problemas del mundo real es Principios de predicción de Armstrong.

En mi opinión, los libros 1, 4 y 5 son algunos de los mejores libros. A muchos les gustan los Principios y prácticas de pronóstico de Hyndman y Athanasopoulos porque es de código abierto y tiene Rcódigos. No se acerca mucho a la amplitud, la profundidad de la cobertura de los métodos de pronóstico y el estilo de escritura de su predecesor Makridakis et al. A continuación se presentan algunas características contrastantes sobre por qué me gustan los Makridakis et al:

1. Lista de referencias: por ejemplo, en el capítulo de Box Jenkins, Makridakis et al tiene ~ 31 referencias, Hyndman et al hay muy poca o ninguna referencia en muchos capítulos.
2. Amplitud y profundidad en la cobertura - Hyndman et al. se centran principalmente en métodos univariados especialmente desarrollados por el primer autor, mientras que Makridakis et. Se centran no solo en su propia investigación, sino también en una amplia variedad de métodos y aplicaciones, y también se hace hincapié en la aplicación y el aprendizaje en el mundo real en lugar de estar más centrados académicamente.
3. Estilo de escritura: realmente no me puedo quejar ya que ambos libros están excepcionalmente bien escritos. Sin embargo, personalmente me inclino por Makridakis porque reduce conceptos complejos en secciones fáciles de leer. Hay una sección sobre regresión dinámica o funciones de transferencia, no he encontrado una explicación tan clara sobre este "método complejo". Se necesita un talento de escritura extraordinario para ayudar al lector a comprender qué es la regresión dinámica en 15 páginas y lo consiguen.
4. Makridakis et al es independiente del software / método y enumeran algunos paquetes de software útiles y los comparan y contrastan (aunque esto tiene casi 20 años) sigue siendo muy valioso para un profesional.
5. Tres capítulos dedicados sobre cómo aplicar pronósticos en el mundo real en Makridakis et al. lo cual es una gran ventaja para un practicante.

El pronóstico simplemente no ejecuta métodos univariantes como arima y suavizado exponencial y resultados de producción. Es mucho más que eso, y especialmente el pronóstico estratégico cuando se mira hacia un horizonte más largo. Los principios de pronóstico de Armstrong van más allá de los métodos de extrapolación univariados y son muy recomendables para cualquiera que haga pronósticos del mundo real, especialmente pronósticos estratégicos.

Depende de la cantidad de matemáticas que quieras. Para un tratamiento menos matemáticamente intenso, la serie de tiempo econométrica aplicada de Enders es bien considerada.

La cuarta parte de la Econometría básica de Damodar Gujarati y Dawn Porter (5ª ed.) Contiene cinco capítulos sobre econometría de series temporales: ¡un libro muy popular! Contiene muchos ejercicios, resultados de regresión, interpretaciones y, lo mejor de todo, puede descargar los datos del sitio web del libro y replicar los resultados usted mismo. Otro buen libro es la Introducción a la Econometría de Stock y Watson .

Comenzar con Hamilton fue admirable, pero diría que lea las dos secciones de series de tiempo en los dos libros que acabo de mencionar y luego pase a algo como la Serie de tiempo econométrica aplicada de Walter Enders o The Modeling of Financial de Terrence C Mill. Series de tiempo .

Después de esto (y probablemente después de una revisión de la economía matemática), entonces debería poder sentarse y leer Hamilton cómodamente.

Nota: Análisis clásico de la serie de tiempo de Box & Jenkins de 1970: el pronóstico y el control obviamente están más concentrados (es decir, más limitados en contenido) que los "libros de texto modernos" que mencioné, pero diría que cualquiera que quiera tener una buena comprensión de series temporales no deberían dejar esto fuera de su lista de lectura.

Además del otro texto, hay dos libros de introducción en Springer's Use R! series que cubren series temporales:
Series temporales introductorias con R y Econometría aplicada en R

También hay un texto avanzado econometría en la serie, Análisis de Series de Tiempo Integrado y co-integrado con R .

No los he usado, pero he encontrado que muchos otros en la serie son excelentes.

Hay algunos buenos recursos gratuitos en línea:

1. The Little Book of R for Time Series , de Avril Coghlan (también disponible en forma impresa, razonablemente barato): no he leído todo esto, pero parece que está bien escrito, tiene algunos buenos ejemplos y comienza básicamente desde cero ( es decir, fácil de entrar).
2. Capítulo 15, Estadísticas con R , por Vincent Zoonekynd - Introducción decente, pero probablemente un poco más avanzada. Me parece que hay demasiado código (mal comentado) y no hay suficiente explicación del mismo.

Si le resulta demasiado difícil a Hamilton, hay Introducción al modelado econométrico Princeton Uni Press de Bent Nielsen y David Hendry. Se centra más en la intuición y los procedimientos prácticos que en la teoría más profunda. Entonces, si tiene poco tiempo, sería un buen enfoque.

Todavía recomendaría perseverar con el Análisis de series temporales de Hamilton. Es matemáticamente muy profundo y los primeros cuatro capítulos lo mantendrán activo durante mucho tiempo y servirán como una introducción muy sólida al tema. También cubre la no causalidad y la cointegración de Granger y si decide seguir este tema más profundamente, es un recurso invaluable.

Para un tratamiento más intuitivo de la cointegración, también recomendaría Cointegración, Causalidad y Pronósticos de Engle y White.

Finalmente para tratamientos muy avanzados, está el libro de Soren Johansen "Inferencia basada en probabilidad en VAR cointegrados" y, por supuesto, "Econometría dinámica" de David Hendry.

Entre esos dos, creo que Hendry está más orientado al panorama general y Johansen es bastante difícil en matemáticas.

Análisis de series de tiempo: métodos univariados y multivariados de William Wei y David P. Reilly: es un libro muy bueno sobre series de tiempo y bastante económico. Hay una versión actualizada pero a un precio mucho más alto. No incluye ejemplos de R. Incluye explícitamente una gran discusión / presentación de los procedimientos de detección de intervención que se ignoran en las soluciones simplificadas / libros de texto introductorios.

Existe el Instituto de Verano del NBER "Novedades en la Econometría de Series de Tiempo" (no estoy seguro de si este material está cerrado o no). Hay videos con diapositivas que lo acompañan. Las conferencias son impartidas por un par de profesores (Stock y Watson) que son conocidos por su popular libro de texto de econometría de pregrado.

En mi opinión, realmente no se puede superar la previsión: principios y práctica. Está escrito por Rob Hyndman y George Athanasopoulos de CV , está disponible de forma gratuita en línea y tiene toneladas de código de ejemplo en R, haciendo uso del excelente paquete de pronóstico .

Si usa Stata, Introducción a las series temporales El uso de Stata de Sean Becketti es una introducción suave y sólida, con muchos ejemplos y un énfasis en la intuición sobre la teoría. Creo que este libro complementaría bastante bien a Ender.

El libro comienza con una introducción al lenguaje Stata, seguido de una revisión rápida de la regresión y la prueba de hipótesis.

La parte de la serie temporal comienza con técnicas de media móvil y Holt-Winters para suavizar y pronosticar los datos. La siguiente sección se enfoca en usarlos para las técnicas de pronóstico. Estos métodos a menudo se descuidan, pero funcionan bastante bien para pronósticos automáticos y son fáciles de explicar. Becketti explica cuándo funcionarán y cuándo no.

Los capítulos siguientes cubren modelos de series de tiempo de ecuaciones simples como perturbaciones autocorrelacionadas, ARIMA y modelado ARCH / GARCH.

Al final, Becketti discute modelos de ecuaciones múltiples, particularmente VAR y VEC, y series de tiempo no estacionarias.

Hay algunos libros que pueden ser útiles. Si tiene dificultades matemáticas, puede comenzar con dos libros SAGE de Mcdowall, Mcleary, Meidinger y Hay, llamados "Análisis de series de tiempo interrumpido" 1980 O "Análisis de series de tiempo aplicado" de Richard McLeary. A medida que aprenda más sobre las series temporales y decida que quiere más que prosa y que está dispuesto a sufrir a través de algunas matemáticas, el texto Wei publicado por Addison-Wessley titulado "Análisis de series temporales" sería una excelente opción. En términos de material educativo basado en la web, he escrito una gran cantidad de material útil que se puede ver en http://www.autobox.com/cms/index.php/afs-university/intro-to-forecasting titulado "Introducción a la previsión ".

HILL GRIFFITHS LIM 2011 "Principios de Econometría" 4E Wiley
Ventajas:
(1) Muy fácil de seguir. Los temas están bien presentados. Aunque no tomé ningún curso econométrico en mi vida, comprendí fácilmente la econometría introductoria con el libro.

(2) Hay libros suplementarios para entender el libro de HILL:
a. Uso de EViews para Principios de Econometría
b. Usando Excel para los Principios de Econometría
c. Usando Gretl para los Principios de Econometría
d. Usando Stata para los Principios de Econometría

Desventajas:
(1) ¡No hay "Uso de R para los Principios de Econometría"!
R es el estándar de la industria. R es mejor que Python. Las matemáticas en mente pueden reflejarse mejor en el código a través de R (lo digo como una persona que escribió módulos VBA en Excel, escribió códigos Gretl, escribió códigos Eviews).

Empecé Econometría con "Análisis econométrico GREENE 2011 - WH GREENE 7E PearsonPrentice Hall" Esto también es bueno, pero más teórico; Puede ser difícil para empezar.

En resumen, recomiendo encarecidamente tomar Econometría con el libro de Hill, y aplicar esa comprensión a través de otro libro de Econometría basado en R.