袁霓

[摘 要] “时间序列分析”是一门应用性很强的学科。针对当前大数据时代下在本科“时间序列分析”课程教学中遇到的挑战进行了探讨。首先从改变教学观念、建立大数据视野角度出发，阐明了进行“时间序列分析”课程教学改革的必要性。其次从案例模块教学、“微课”教学、开展第二课堂、考核方式等方面探索了现阶段本科“时间序列分析”课程教学改革的办法和建议。最后表明要不断提高教师队伍建设，修改和完善教学方法，以期提高学生的实际应用能力，更好地适应大数据时代的需要。

[关键词] 时间序列分析;案例教学;教学改革

[作者简介] 袁 霓（1972—），女 ，北京人，劳动经济学博士，中国社会科学院大学经济学院副教授，主要从事劳动经济学和应用计量经济学研究。

[中图分类号] G642.0   [文献标识码] A   [文章编号] 1674-9324（2021）33-0065-04    [收稿日期] 2021-03-29

“时间序列分析”是经济学和数理统计学的交叉学科，是一门与社会经济活动联系非常密切的课程。在经济、金融、数据挖掘等众多领域有着广泛的应用，其主要目的是通过对已有历史数据的观察，寻找数据内在的发展变化规律，以构造合理模型并对未来进行预测。在大数据时代，“时间序列分析”作为一门经济学方法论课程，其应用范围越来越广泛。2015年国务院印发了《促进大数据发展行动纲要》，指出鼓励高校设立数据科学和数据工程相关专业，大力培养具有统计分析、计算机技术、经济管理等多学科知识的跨界复合型人才。作为培养学生数据处理与分析能力的重要课程，“时间序列分析”在新的历史时期应当承担起培养学生金融大数据视野的责任[1]。因此，在“时间序列分析”教学中，需要不断调整课程设置和教学方法，以适应大数据背景下社会对培养数据分析能力人才的需求。

目前“时间序列分析”在各财经类院校开设的情况不尽相同，但整体而言，这门课程引入高校的时间并不长，在教学内容和教学方法等方面都不太成熟。而作为以数据分析为主的课程，大数据时代必将对“时间序列分析”的教学方式、教学内容产生较大冲击。由此本文从教学观念、案例模块教学、“微课”教学、开展第二课堂等方面展开探讨。

一、在大数据时代改变固有教学观念，推进教学改革

由于“时间序列分析”内容涉及的理论推导比较多，对数学知识的要求比较高，因此授课教师会比较注重数学证明或推导，对案例分析和实际应用重视不够，这些因素都会导致固有的理论教学方法难以调动学生的学习热情和学习积极性。教师在讲授必要的理论推导时，要注重和先修课程的衔接，让学生充分理解“时间序列分析”课程在整个现代计量经济学中的地位和脉络。在课程第一节，就要说明正是宏观经济时间序列的非平稳性与经典计量经济学模型数学基础之间的矛盾造就了现代时间序列分析框架，并通过几位诺贝尔奖获得者的贡献引出整个“时间序列分析”的主线。由于“时间序列分析”很多时候是以数据为导向的，在授课时一定要强调数据关系的统计分析只是必要条件而非充分条件，因果关系一定来自统计学之外，诉诸经验的或者经济理论上的思考。

传统的“时间序列分析”教学体系注重数据分析法，并不涉及基础的数据收集部分。然而大数据时代以海量的数据为研究分析对象，这就要求教学要在强调推理论证的教学模式上，注重数据收集、数据处理及数据分析能力的培养，而大数据思维的训练和培养就显得尤为重要了。大数据思维本质上依旧是因果思维，但与只依据部分数据进行推理的传统因果思维有所不同，它是建立在决策信息来源于大数据基础之上的。在“时间序列分析”的教学中，要紧跟时代步伐，在教学中充分意识到大数据分析方法的出现给“时间序列分析”研究提供了更大的空间和更新的视角。

二、采用“微课”与传统教学相结合的模式，深度开展案例式教学

（一）深入开展案例式教学

案例式教学既是“时间序列分析”教学中的重要环节，又是目前“时间序列分析”教学中最薄弱的环节[2]。可依据“时间序列分析”教学大纲将课程内容分成不同模块：ARMA平稳时间序列模型、向量自回归模型、协整及误差修正模型和GARCH模型。针对每一部分内容，从背景介绍、时间序列数据特征、建模思想与方法等方面形成教学案例，并将各个模块有机贯穿起来，具体如下。

1.ARMA模型的建立与估计。这是传统时间序列分析的经典模型，以中国通货膨胀率的ARMA模型为基础[3]，整合时间序列数据特征、平稳时间序列模型的识别与估计、模型优化及预测等知识，并对中国通货膨胀率进行预测。此案例帮助学生掌握时间序列数据的导入，描述分析、绘制和分析时序图及相关图，熟悉通过观察时序图发现时间序列中较明显的规律性，如趋势性、季节性等。通过观察序列自相关图和偏相关图可对模型进行识别和设定滞后项，从而掌握时间序列建模的基本思想和涉及的各类检验，为后面的学习打下良好的基础。作为第一个教学案例，该教学环节以模仿学习为主。此外，数据的采集和文献查询方式介绍也是重要的教学内容之一。

2.向量自回归模型的建立与估计。利用通货膨胀率与短期利率的VAR模型，建立脉冲响应函数和方差分解。此案例帮助学生理解利用VAR模型处理多个相关经济指标的分析与预测，并分析随机扰动对时间序列系统的动态冲击，从而解释各种经济冲击对经济变量造成的影响。

3.误差修正模型的建立与估计。利用我国财政支出与财政收入的协整关系来检验建立误差修正模型[4]。该案例整合了单位根检验、协整检验及误差修正模型的建立与估计等知识，具有很强的综合性。通过综合性案例帮助学生更好地掌握数据采集、文獻阅读、分析数据、学术论文写作的整个流程。

4.金融时间序列数据分析，主要学习各类GARCH模型。金融时间序列数据一般记录得比较准确且频率较高，而频率的高低对建模方法的选择至关重要。随着中国资本市场金融产品的日益丰富，套利交易日益频繁，产生了大量诸如逐秒交易等高频或超高频金融数据。而高频数据具有时间间隔不等、数据离散和存在日内周期等特点，导致金融高频数据所对应的时间序列分析方法与课程前讨论的低频时间序列方法明显不同。通过SP500股票指数的日收益率构建ARCH模型和GARCH模型，让学生体会不同类型GARCH模型的使用条件。由于GARCH模型的拓展研究是目前比较活跃的领域，因此应鼓励学生在教学案例的基础上大量阅读前沿文献。同时，金融大数据既是经济活动中变化最快且最不稳定的数据，又是经济活动中一个最值得重点研究的领域，通过对“时间序列分析”的学习，鼓励学生在金融数据挖掘、收集、加工、处理等方面不断学习和探索。