时间序列是指将某种现象某一个统计指标在不同时间上的各个数值，按时间先后排列而成的序列，应用领域非常广泛。时间序列的发展历程可以追溯到1927年Yule提出的AR模型，然后在1937年Walker提出了MA模型，将两个模型合并得到了ARMA模型。在1970年Box和Jenkins在《Time Series Analysis Forecasting and Control》中提出了ARIMA模型，主要针对那些带有线性趋势的模型，通过前后差分消掉趋势，已得到ARMA模型，然后就可以用之前得到的结果。不过Box-Jenkins提出的ARIMA模型主要用于单变量，同方差场合的线性模型，对于异方差、多变量的情况还是带有一定的局限性。接下来在1982年，Engle提出了ARCH模型，专门解决那些具有异方差性质的序列。然后1985年，Bollerslov针对多变量的情况提出了GARCH模型。1987年，Granger提出了协整理论，这是经济学中的一项重要理论。在1980年，华人时间序列专家Howell Tong（汤家豪）等人提出了门限自回归模型。时间序列分析的目的一般有两个方面：一是认识产生观测序列的随机机制，即建立数据生成模型；二是基于序列的已知数据，对未来的可能取值给出预测或预报。时间序列分析本质上其实和普通的回归分析一样，都是从样本推断总体的方法，但是由于数据结构不同，不能用普通回归分析那一套方法，即通过最小二乘法寻找。时间序列分析方法有描述性时间序列分析和统计时间序列分析，前者主要通过图表来判断，无数学理论基础，但是能够作为拿到数据后的初步判断。后者拥有很强的数学基础，且分为频域分析方法和时域分析方法。其中频域分析方法用到了数学中的傅里叶分析，较为复杂，不利于使用。目前学校里学得最多的就是时域分析方法，因为这种方法理论基础较为扎实，且操作步骤规范，基本通过编程实现。本文在分析和理解平稳时间序列和非平稳时间序列的基础上，在R语言的环境下，根据某一观测数据的时间序列，实现了对该时间序列的平稳性分析，模型识别，参数估计，模型诊断，预测和更新。