＜內容簡介＞ 時間序列分析技術是多重技術交叉、結合與關聯的組合。基本上有三種技術；（一）時間序列分析的基本技術（二）?歸的分析技術（三）自我?歸統合移動平均的ARIMA模型。本書依據前述三種基本技術進行分析，並透過SPSS軟體的程式與電腦的操作執行達成。讀者可依據本書內容，以及附錄的案例進行研習。 ★本書特色： 本書適合研究生與研究人員，在社會及行為科學領域，使用時間序列預測模型分析時使用。透過完整的分析方法，讀者研習後，即可著手研究與分析﹔並可進行真實世界問題的預測。 ★目錄： 第一章　時間序列分析：導論 第一節　?歸分析與時間序列 第二節　時間序列分析技術的發展 第三節　時間序列的基本概念分析 第四節　時間序列分析軟體的發展與應用 第五節　結語 第二章　時間序列的分析與預測的基本技術 第一節　緒言 第二節　預測的類型 一、時間序列模型 二、因果模型 三、質化的模型 第三節　時間序列的成分 一、趨勢成分 二、循環成分 三、季節成分 四、不規則成分 第四節　預測誤差的測量 一、誤差（Error） 二、平均誤差（ME） 三、平均絕對離差（MAD） 四、均方差（MSE） 五、平均百分比誤差（MPE） 六、平均絕對百分比誤差(MAPE) 第五節　利用平滑法預測 一、移動平均 二、加權移動平均 三、指數平滑 第六節　利用趨勢投射法預測時間序列 一、趨勢投射法 第七節　利用古典分解法預測時間序列 一、季節因素的運算 二、消除季節性因子以顯現趨勢 三、季節的調整 第八節　利用迴歸模型預測時間序列 第九節　結語 第三章　時間序列分析：?歸技術的探究 第一節　導論 第二節　時間序列的?歸分析：未滯延的範例 一、一個比率目標的假設 二、誤差項 三、時間序列的?歸模型 （一）直線性：Y與X之間的關係是線性的 （二）非機率的X：E （三）零的平均數： （四）恆定的變異數： （五）非自我?歸： （六）常態性：誤差項是常態性分配 四、沒有自我?歸的假設 五、違反沒有自我?歸假設的結果 六、傳統對自我相關的檢定 七、一個可以選擇對立的估計方法 八、虛擬-GLS估計 九、小樣本的特性 十、延伸到多元?歸 十一、一個比率目標假設的再斟酌 第三節　時間序列的?歸分析：滯延的案例 一、滯延的外衍變項 二、滯延的內衍變項 三、滯延內衍變項模型中自我相關的檢定 四、估計 五、虛擬-GLS估計 六、IV-虛擬GLS 七、一個修正比率目標的模型 第四節　預測 一、預測誤差 二、預測的產生 三、修正預測的方程式 四、預測的評估 第五節　可以選擇的時間-相依過程 一、可以選擇的過程 （一）較高階自我?歸的過程 （二）移動平均的過程 （三）混合的過程 二、過程的辨識 （一）滯延內衍變項模型的應用 三、估計 第六節　摘要 第四章　在時間序列資料中自我相關與自我?歸的探究 第一節　緒言 第二節　自我相關的問題 第三節　一階自我?歸的誤差模型 一、簡單的線性?歸 二、多元?歸 三、誤差項的屬性 第四節　自我相關與Durbin-Watson檢定 一、自我相關 二、 Durbin-Watson檢定 三、範例 四、評論 第五節　自我相關的修正測量 一、預測變項的增加 二、已被轉變變項的使用 三、Cochrane-Orcutt 的程序 1. p的估計 2. 被轉變模型的適配 四、Hildreth-Lu的程序 五、一階的差分的程序 六、三種方法的比較 七、評論 第六節　以自我相關的誤差項進行預測 第七節　自我?歸 第八節