SAS Enterprise Guide 時系列分析編

第1章　時系列分析とは
第2章　時系列データの準備、編集と時系列グラフ
第3章　自己相関
第4章　季節性の分解
第5章　次期の予測
第6章　ARIMA モデルと予測
第7章　自己回帰誤差付き回帰分析
第8章　パネルデータの回帰分析

第1章　時系列分析とは
1.1 ● 時系列分析の考え方
1.1.1 時系列分析のイメージ
1.1.2 データ期間の選択
COLUMN 次の丙午はどうなるか
1.1.3 間隔の選択
1.2 ● 時系列データの構成
1.2.1 傾向変動　T（Trend）と循環変動　C（Cycle）およびトレンド・サイクル　TC
1.2.2 季節変動　S（Seasonal）
1.2.3 不規則変動　I（Irregular）
1.2.4 原系列と加法モデル・乗法モデル
1.3 ● ラグ・階差・移動平均・対数変換
1.3.1 ラグ
1.3.2 階差
1.3.3 移動平均
COLUMN 前方移動平均、中心移動平均、後方移動平均
1.3.4 対数変換
第2章　時系列データの準備、編集と時系列グラフ
2.1 ● EG 用の時系列データの準備
2.1.1 時間ID 変数の作成と加工
2.1.2 時間ID を使った時系列変数の編集
2.1.3 データの補間
2.2 ● EG 用の時系列データの加工・編集
2.2.1 EG で行う期間の選択
2.2.2 EG で行うラグの作成
2.2.3 EG で行う階差の作成
2.2.4 EG で行う移動平均の作成
COLUMN 12 ヶ月移動平均（中心化移動平均）の作成
2.2.5 EG で行う対数変換
2.2.6 時系列グラフの作成
COLUMN グラフからわかるデータの異常
第3章　自己相関
3.1 ● 相関係数と偏相関係数
3.1.1 相関係数とは
3.1.2 EG で行う相関係数の算出
3.1.3 偏相関係数とは
3.1.4 EG で求める偏相関係数
3.2 ● 自己相関係数と偏自己相関係数
3.2.1 自己相関係数と偏自己相関係数とは
3.2.2 EG で求める自己相関係数と偏自己相関係数
3.2.3 コレログラム
第4章　季節性の分解
4.1 ● 季節性の分解とは
4.1.1 時系列データの傾向の確認
4.1.2 時系列データの構成の確認
4.2 ● EG で行う季節性の分解
4.2.1 EG で行う季節性の分解　加法モデル
4.2.2 EG で行う季節性の分解　乗法モデル
第5章　次期の予測
5.1 ● 次期の予測
5.1.1 ステップワイズ自己回帰（自己回帰プロセス用
5.1.2 指数平滑化（移動平均プロセス用）
5.1.3 Winters 法（乗法型季節調整プロセス用）
5.1.4 Winters 法（加法型季節調整プロセス用)
5.2 ● EG で行う次期の予測
5.2.1 EG で行うステップワイズ自己回帰
5.2.2 EG で行う指数平滑化
5.2.3 EG で行うWinters 法（乗法型)
5.2.4 EG で行うWinters 法（加法型）
COLUMN 当てはまりが一番よいのはどの手法か
第6章　ARIMA モデルと予測 
6.1 ● ARIMA とは
6.1.1 AR、MA、ARMA モデル
6.1.2 データの定常性・非定常性とARIMA モデル
6.2 ● EG で行うARIMA モデルの予測の実際
6.2.1 EG でのARIMA モデルの指定
6.2.2 EG でのARIMA モデルの出力
第7章　自己回帰誤差付き回帰分析
7.1 ● 回帰分析について
7.1.1 線形回帰分析とは
7.1.2 EG で行う線形回帰分析
7.2 ● 自己回帰誤差付き回帰分析
7.2.1 自己回帰誤差付き回帰分析とは
7.2.2 EG で行う自己回帰誤差付き回帰分析
第8章　パネルデータの回帰分析
8.1 ● パネルデータとは
8.1.1 クロスセクションデータ
COLUMN 人口動態と人口静態
8.1.2 時系列データ
8.1.3 パネルデータ
8.2 ● パネルデータの回帰分析
8.2.1 パネルデータの回帰分析の種類
8.2.2 EG によるパネルデータの回帰分析の実際
COLUMN 仮説検定とは
参考文献
索引