在工农业生产、科学技术和社会经济生活的许多领域,普遍存在着按时间顺序发生的具有概率特征的随机现象。按照时间顺序把随机现象变化发展的过程记录下来就构成了时间序列的一次观察。对时间序列进行观察,研究,并且提取有用的信息,以便找出客观事物发展的规律,预测其发展趋势,并进行必要的控制就是时间序列分析。时间序列分析是概率统计学中应用性较强的一个分支,是很多领域如金融经济、气象水文、信号处理等常用的建模和预测方法。 时间序列{X（t）,t=0,±1,±2,…)的一次观察{x（i）,i=1,2,…,N}所得到的数据,实际上是N维随机变量{X（t1）,X（t2）,…,X（tN）}的一次观察。这些数据依赖于时间点和时间序列的统计特征而变化,并按时间先后顺序排列,呈现一定的相关性,而且数据的相关性在整体上呈现某种趋势性或周期性变化,反映了时间序列{X（t）,t=0,±1,±2,…)随“时间”变化的、“动态”的、“整体”的统计规律性,包含了产生该时间序列的系统历史行为的全部信息。 在完全数据领域,时间序列的研究成果已经相当的完善,关于这一方面的参考书和参考文献也是层出不穷,在时间序列模型的建立,参数估计,预测方面给出了很多处理方法。然而,现实中我们往往不能得到确切的数值,只能观测到事件发生的时间在某个区间内,这就是常常遇到的删失数据情况。 删失数据包含很多类型,有左删失、右删失、区间删失。本文在[1],[2]和[12]的基础上,将右删失数据下时间序列的参数估计推广到左删失数据情形,从而比较全面的介绍了删失数据下,三类常用平稳时间序列模型的参数估计问题。主要通过生存分析中的K-M估计和K-S-V估计,得到删失数据下均值和协方差的估计,从而求得模型参数的矩估计,并且结合模拟结果加以分析。本文的最后给出了删失数据下模型的预测方法。