2    Basic Course Information

Class Time:    MWF 2:30pm– 3:20pm.

Location:    Akerman Hall 225

Description:    This  course  will  cover  elements  of time  series  analysis,  including ARIMA  models  (chap.  3  of text),  state  space  models,  forecasting, frequency domain methods and other topics (time permitting).  The course covers basic theory, methodology, and data analysis (using the statistical software R).

Prerequisites:    Basic statistics courses that cover basic probability and linear regres- sion  (STAT  5101– 2  (4101– 2),  STAT  3032,  3302,  5302;  STAT  5021). Basic matrix/vector manipulations, linearity of expectation with ma- trices,  covariance  matrices,  multivariate  normal  distribution.    Fa- miliarity programming in the  R language.   Basic understanding  of complex numbers is helpful.   There is a pre-requisite practice quiz publicly  available  on  my  website  at  http://users.stat.umn.edu/ ~cdoss/5511.shtml.   (A variation on this will be given early in the semester.)

3     Grading, Exams, Schedule

3. 1     Homework

Overview:    There will be on the order of 7 homeworks of varying lengths.  The first (“zeroth”) homework is assigned on the first day of class.  The lowest HW score is automatically dropped.

Content:    Assignments will require you to do basic derivations, and to write R code, analyze real data, and clearly summarize your results.

Submission:    Your answers and all the associated R code should be printed out and hard copies submitted in class.   (The assignment should be stapled together.)

Policy:    Hard copies of assignments are due at the beginning of class on the due date.  There is a grace period:  homework will be accepted until the end of class (“end of class” is at the professor’s discretion and could be different than  3:20pm).   The lowest homework score is automatically dropped.  Thus, late submissions and resubmis- sions  will  not  be  accepted!   You may also drop homework off in the professor’s mailbox on the 3rd  floor of Ford Hall (room 337). You must drop them off two hours before class begins on the day they are due (so I have time to pick them up). You may discuss the homework problems but you should write up the solution independently.

3.2    Exams/quizzes

Quizzes:    There will be quizzes, especially in the earlier part of class.   (They somewhat substitute for a first midterm, and mostly just provide mo- tivation (together with HW’s) for you to be on top of the material.) Their timing will be announced in advance (not pop quizzes). Quizzes will be short and timed.  Lowest quiz score dropped.  Quiz questions are generally/on average intended to be easier than midterm ques- tions.  The quiz questions will often be 0 points or full credit (espe- cially when graded by computer).   The first quiz will likely be Fri., Sept. 16 (Friday of the second week).  (This quiz provides guidance on whether this course is a good fit.)

Midterms:    One midterm exam in the second half of the class; the midterm exam is a takehome exam.  It will be due on November 24th and assigned either on the 19th or 20th of November. (So, weeks 11– 12.)

Final:    The ‘final exam’ is a takehome exam that will be assigned on Dec 14 (the last day of class) and due by Dec 17.

(Here is some schedule information for the semester, which you may ignore but which is sometimes helpful for scheduling context: the last day of instruction: Weds, Dec 14. Final exam period is Dec 15– 22; Also, here is the university’s policy on exam scheduling. Native American heritage / Thanksgiving break is Nov 24 and 25.

3.3    Grading

•  Weighting: Homework is 20%; Quizzes are 10%; The midterm is 35%; The final is 35%.

•  A student taking the class P/F needs a C- or higher to earn a P.

•  The lowest homework score is dropped automatically.  The lowest quiz score is dropped automatically.

•  The lowest quiz is dropped. Therefore, there is no makeup quiz possible. I prefer students not miss the midterm and no makeup exams will be administered; in case of illness including COVID or other excused absence, the final exam will count for the midterm exam. A missed exam for any unexcused absence will get a 0 (and may result in failing the course).

4     Course Materials

Textbooks:    Robert H. Shumway and David S. Stoffer. Time Series Analysis & Its Applications: With R Examples (4th Edition), Springer

Additional reading materials may be posted to the course website.

Software:    R (available for free at http://www.r-project.org/)

Webpage/Notes:    U of M Canvas (https://canvas.umn.edu/).  (Note:  slides will be pro-

vided. But these are a supplement, not a replacement for lecture.)

5     Fall 2022 Course Structure

The  ‘modality’ for this course is  ‘in person’ .   This means  I will deliver  (in person) lectures in the assigned course room at the assigned time.  Zoom may be used as a temporary backup option when/if it is helpful.

By default, my office hours will be by held in person in my office.  If students do not wish to meet in person they may let me know and we can do a zoom meeting during the office hours period.

6     Miscellaneous

Incompletes:    Incompletes (I) are granted only in extraordinary circumstances and approval must be obtained from the instructor prior to the last day of class.

Integrity:    Students must abide by the campus regulations and student conduct code; see http://regents.umn.edu/policies/index

Disability:    Students        with         disabilities        requiring         accommodations should    contact    the    instructor    as    soon    as    possible;      see https://diversity.umn.edu/disability/.

Stress:    UMN provides services for you to help manage your mental health and stress levels; see http://www.mentalhealth.umn.edu.

Changes:    The  content  and  requirements  of this  course  and  syllabus  may be altered depending on the instructor’s perception of the needs of the class.  See the course website for the current version of the course syllabus and schedule.  Changes may be communicated by email so students are required to check their email.

6. 1     Recommendation Letter Policy

As a general policy, I do not write recommendation letters for any students who have not fully completed a course with me; once you have completed the course (and your final grade is available), it is then possible for me to evaluate whether I will be able to write a recommendation letter, based on your grade and our interactions in the class. (You are certainly free to ask about/discuss the possibility of my writing a letter before your grade is available, but I will not be able to offer any guarantees.)

6.2     On cell phones

I ask that you not have your cell phones out during lecture. Devices (laptops, tablets) that are needed for note taking may be used during lecture, but their use should be limited to taking notes; if I find you using them for other purposes I may ask you to put them away.  (If a cell phone for some reason is needed for your note taking process or otherwise to follow along in class you may speak to me and individual exceptions can be made for phone usage during class.)

I ask this because I believe (1) that careful thinking and learning requires extended periods of focus without distraction (and we often use phones to distract ourselves precisely when material is challenging us and we would rather avoid than face the challenge) and (2) more than in other subjects, mathematical fields have many details (definitions, notation, indices, ...)   that, even in the cases where they are conceptually as simple as possible, still require energy to learn and remember.

7     Academic Honesty and Dishonesty

The following  definition  of student  academic integrity  and  scholastic  dishonesty is  slightly modified from the webpage of the University’s Office for Student Conduct and Academic In- tegrity, http://www.oscai.umn.edu:

Scholastic dishonesty means plagiarizing; cheating on assignments or examinations; engag- ing in unauthorized collaboration on academic work; taking, acquiring, or using test materials without faculty permission; submitting false or incomplete records of academic achievement; acting alone or in cooperation with another to falsify records or to obtain dishonestly grades, honors, awards, or professional endorsement; altering, forging, or misusing a University aca- demic record; or fabricating or falsifying data, research procedures, or data analysis.

All School of Statistics teaching faculty are instructed to refer students who violate the policy for academic honesty and dishonesty to the Office of Student Conduct and Academic Integrity. A student responsible for scholastic dishonesty can in addition be assigned a penalty up to and including an F or N for the course.

8    COVID- 19 and Our Classroom

The University has enforced a vaccination mandate and so all students are expected to be vaccinated or have an exemption.  Masks are no longer required.  It is however important to remember that there may be members of our community/society who are still in a state of vulnerability and it is good to communicate with those around us about their safety needs and take those into account in our behaviors.