| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-12页 |
| 1.1 论文综述 | 第8-9页 |
| 1.2 本文的结构安排及建模思路 | 第9-12页 |
| 2 理论知识 | 第12-28页 |
| 2.1 传统时间序列分析 | 第12-16页 |
| 2.1.1 确定性因素分解 | 第12-13页 |
| 2.1.2 季节性分析 | 第13-14页 |
| 2.1.3 趋势分析 | 第14页 |
| 2.1.4 Holt-Winters指数平滑法 | 第14-16页 |
| 2.2 白噪声过程 | 第16-20页 |
| 2.2.1 白噪声序列的性质 | 第16-17页 |
| 2.2.2 白噪声过程的特点 | 第17-20页 |
| 2.3 平稳时间序列ARMA模型 | 第20页 |
| 2.4 非平稳时间序列分析 | 第20-22页 |
| 2.4.1 求和自回归移动平均（ARIMA）模型 | 第20-21页 |
| 2.4.2 残差自回归模型 | 第21-22页 |
| 2.5 平稳季节时间序列模型 | 第22-24页 |
| 2.5.1 简单季节 AR(P)_s模型 | 第22-23页 |
| 2.5.2 简单季节MA(Q)_s 模型 | 第23页 |
| 2.5.3 乘积季节 ARMA(p,q)×(P,Q)_s模型 | 第23-24页 |
| 2.6 非平稳季节ARIMA模型 | 第24-25页 |
| 2.7 SARIMA模型的预测 | 第25-26页 |
| 本章小结 | 第26-28页 |
| 3 季度GDP分离季节因素建模 | 第28-48页 |
| 3.1 数据的宏观把握 | 第28-29页 |
| 3.2 确定性因素分解 | 第29-32页 |
| 3.3 二次函数曲线拟合 | 第32-36页 |
| 3.4 残差自回归模型 | 第36-40页 |
| 3.5 建立现代时间序列模型 | 第40-48页 |
| 3.5.1 模型的建立 | 第40-44页 |
| 3.5.2 模型的预测 | 第44-48页 |
| 4 原始数据建模 | 第48-64页 |
| 4.1 原始序列的Holt-Winters指数平滑模型 | 第48-50页 |
| 4.2 建立非平稳季节ARIMA模型 | 第50-56页 |
| 4.2.1 模型的建立 | 第50-54页 |
| 4.2.2 模型检验 | 第54-55页 |
| 4.2.3 模型的预测 | 第55-56页 |
| 4.3 四种模型的优劣比较 | 第56-61页 |
| 4.3.1 模型关于原始序列的拟合值与残差值 | 第56-57页 |
| 4.3.2 模型拟合效果比较 | 第57-59页 |
| 4.3.3 残差纯随机性的强弱 | 第59-61页 |
| 4.4 最优模型对季度GDP序列的预测 | 第61-62页 |
| 本章小结 | 第62-64页 |
| 5 结语 | 第64-66页 |
| 致谢 | 第66-68页 |
| 参考文献 | 第68-71页 |
| 附录 | 第71-90页 |
| A．季度GDP数据 | 第71-76页 |
| B：本文程序代码 | 第76-90页 |