编者按：
这本书呈现了状态空间方法关于时间序列分析的全面处理。状态空间时间序列模型最显著的特征是把观测序列看作由明确的各成分组成，如趋势、季节、回归元素和扰动项，每一成分都可分开建模。建模过程就是将所有成分放置在一起形成一个单独模型，称为状态空间模型，它提供了分析的基础。这个方法所衍生的技术非常灵活，相比时间序列分析当前主要使用的分析系统——Box-Jenkins ARIMA系统，可以处理非常广泛的问题。
中文版序言
近年大数据的兴起对宏观经济研究范式提出巨大的挑战，大数据独有的高维、异构、实时、碎尾、信噪比高、非高斯等特征对经济统计和计量提出更高和更多要求，传统的统计和计量方法较难处理或效果不佳。状态空间方法的属性天然易于解决降维、混频、碎尾、数据修订等难题，利用内在的Kalman算法进行信号提取具有非常高的精度，非常适合拟合和预测数据。状态空间方法对不可观测的状态向量设定演化过程以拟合观测数据的机制，即“让数据说话”的机制是有效应对大数据挑战的利器。
更进一步，传统宏观经济研究历来重视经济的结构关系，忽视了时间不一致的问题。自卢卡斯(1976)对此提出批判以来，学术界开始关注此时间序列的计量问题。Nelson和Plosser(1982)提出大多宏观经济时间序列都是单位根的论断，Granger(1987)提出协整和伪回归的理论，Sims(1980)提出Var(向量自回归)方法，当代的宏观研究越来越重视时间序列的相关问题。但时间序列方法与传统的结构分析方法融合有限，仅衍生出结构Var等有限方法。Laubach和Williams(2003)联立IS方程和Phillips方程，利用状态空间方法求解自然利率，即所谓的半结构方法，既考虑了经济结构理论，又考虑了数据结构特征，状态空间方法似乎给出了有效解决小型宏观经济模型的两难的一条蹊径。
自Kalman(1960)提出著名的卡尔曼滤波的递推算法以来,状态空间方法在工程领域得到了广泛的应用。Harvey(1989)的专著成功将状态空间方法引入经济领域。Durbin和Koopman(2007,2012)的专著系统全面地分析了状态空间方法在经济时间序列的理论和应用，可以说是状态空间方法在经济领域的顶尖水平。本书的两位作者是计量经济学领域的顶级学者。Durbin教授是计量经济学界的泰斗，序列相关中的DW检验，就是Durbin与Watson于1950年提出的。Koopman教授是STAMP和SSFpack软件的开发者，可以说集理论和应用于一身。其提出的Collapsed Dynamic Factor方法，由芝加哥联储利用500个月度指标实现了月度GDP预测，这是迄今为止经济研究中所用到的最大数据量。
伴随着大数据发展，欧洲央行和美联储基于状态空间方法提出Nowcasting概念和方法，纽约联储2016年每周公开发布Nowcasting结果。基于状态空间方法的Nowcasting可以实现高频的宏观经济金融预测，而不失精确度，有效解决了政策决策的时效性和精确度的两难选择问题。美联储内部也专门形成了经济当前状况(Economics Current Conditions)部门实时对经济状况的监控。
Nowcasting方法一经提出，就得到多家央行的响应和重视，它们纷纷开始研究和应用。我在2015年央行内部研讨会提请央行的研究人员关注Nowcasting方法，没想到郇志坚博士不仅关注Nowcasting方法，还探究其背后的状态空间理论和方法。值得欣慰的是，郇博士不仅不畏艰难敢于学习相对艰深的理论和方法，还有志于将这一方法翻译成中文在国内传播。
基于以上，我非常高兴向国内宏观经济学研究和实践者推荐此译著,衷心希望有更多的有识之士能够投身于中国的宏观经济研究，为我国经济金融研究和实践作出自己的贡献。
马骏
中国人民银行货币政策委员会前委员
北京大学国家发展研究院兼职教授
中国财富50人论坛学术委员
2022年5月
