基于OBE理念的應用型本科院校時間序列分析課程教學改革探究

［摘 要］時間序列分析不僅是經濟統計學專業的核心課程，還是數字化人才不可或缺的專業技能。文章基于成果導向教育（Outcomes-Based Education，OBE）理念，對應用型本科院校時間序列分析課程教學改革實踐進行分析，具體包括重新定位課程目標、模塊化設計課程內容、創新應用案例教學方法、多元化考核評價和優化課程設置等，以期為其他應用型本科院校開展教學改革提供借鑒。

［關鍵詞］時間序列分析課程；教學改革；OBE理念；模塊化教學

doi：10.3969/j.issn.1673 - 0194.2024.20.073

［中圖分類號］G642 ［文獻標識碼］A ［文章編號］1673-0194（2024）20-0-04

0" " "引 言

現階段，信息技術的迅猛發展引領人們進入一個全新的數據驅動時代。在這個時代，時間序列分析作為一門揭示數據內在時間依賴性和預測未來趨勢的重要工具，在經濟學、金融學、環境科學等多個領域的應用日益廣泛，對現代數據分析具有至關重要的作用。然而，面對大數據帶來的機遇與挑戰，傳統的時間序列分析課程教學模式已難以滿足培養高素質應用型人才的需求。面對這一現狀，探索與時代發展要求相適應的教學模式變得尤為迫切。在此背景下，OBE教學理念可以融入時間序列分析課程教學改革中。OBE教學理念以學生學習成果為導向，強調教育目標的明確性和可度量性。基于此，本文主要探討基于OBE理念的應用型本科院校時間序列分析課程教學改革策略。

1" " "研究背景

OBE教學理念自20世紀80年代在美國興起以來，已在全球范圍內得到廣泛應用。OBE理念的核心在于以學生為中心，以學習成果為導向［1-2］。OBE理念在教學改革領域的應用，已經證明能夠提高學生的參與度，增強學生的學習動力，并促進學生批判性思維和問題解決能力的培養［3-4］。

目前，傳統的時間序列分析課程教學模式面臨諸多問題，且與其他課程存在的問題差別不大。姚娟等指出，傳統教學模式往往側重于理論講授，忽視了學生的實踐操作和創新能力培養［5-6］。此外，以閉卷考試為主的考核方式難以全面評價學生的學習成效，尤其是在理論性強、對數學功底要求高的課程中［6］。這些問題的存在，限制了學生將抽象的理論知識應用于解決實際問題的能力。盡管已有學者對這些問題進行了深入探討［5-8］，但在應用型本科教育的特定背景下，將OBE理念融入時間序列分析課程教學實踐的研究仍有不足，存在顯著的研究空白。本文致力于填補這一空白，深入探討OBE理念在時間序列分析課程教學改革中的具體應用，以此為時間序列分析課程教學改革提供新的視角。

2" " "OBE理念下的時間序列分析課程教學改革的實踐做法

2.1" "重新定位課程目標

在OBE理念的引領下，經濟統計學專業的人才培養方案經過了全面的修訂與優化，將培養目標定位為培養適應數字化時代新需求的高素質應用型統計專業人才，并根據專業的人才培養目標，明確了畢業生應達到的具體要求。以此為基礎，課程組對時間序列分析課程的教學目標進行了重新定位。表1詳細列出了時間序列分析課程的教學目標。

2.2" "模塊化設計課程內容

在OBE理念的指導下，課程組對時間序列分析課程進行了精心的模塊化設計，這一設計過程緊密圍繞教學目標展開，以確保課程內容的系統性和連貫性。課程內容被劃分為3個核心模塊，每個模塊都圍繞特定的學習成果來構建，包括理論知識、實踐技能和研究方法，具體如表2所示。模塊化設計不僅能增強課程內容的邏輯性和連貫性，也便于學生根據自己的興趣和需求選擇學習路徑。例如，對金融市場分析感興趣的學生可以選擇深入學習多元時間序列分析模塊，并通過項目驅動學習解決實際問題。此外，模塊化設計還允許教師根據最新的學術研究和行業需求，靈活更新課程內容。這種設計不僅促進了學生的個性化學習，也確保了課程內容的時效性和相關性，使之能夠緊跟時代的步伐，滿足數字化時代對經濟統計學專業人才的新要求。

2.3" "創新應用案例教學方法

案例教學法在本課程中發揮著重要作用，將案例分析融入整個教學過程，可以激勵學生主動探索、深入分析問題，并自主提出解決方案。這不僅使學生可以利用理論知識解決實際問題，而且顯著提升了他們的批判性思維和創新能力。

2.3.1" "專業特色案例的融入

課題組精選了與經濟統計學專業緊密相關的實際案例，如地區經濟發展和金融市場分析，確保案例的真實性、時效性和教育性，特別是以安徽省滁州市GDP預測這一具有地域特色的案例為核心，詳細闡述了案例分析的全過程。

（1）案例背景與數據收集：首先，對滁州市的經濟背景進行詳細介紹，包括其地理位置、經濟結構和發展歷史等，為學生提供全面的背景信息；隨后，詳細描述數據收集的過程，包括數據來源、時間范圍和數據的預處理方法，確保案例分析的準確性和可靠性。

（2）模型建立與參數估計：在模型建立階段，詳細闡述如何根據時間序列的特性選擇合適的模型。對于滁州市GDP這一非平穩序列，描述一階差分的過程和平穩性檢驗的方法。在參數估計方面，解釋如何利用統計軟件進行參數的估計，并討論不同參數估計方法的優劣。

（3）結果分析與模型驗證：展示模型擬合的結果，包括模型檢驗和預測效果。通過對比實際值和預測值，評估模型的準確性。此外，討論模型可能存在的局限性和改進方向，以及如何通過模型調整來提高預測的精度。

（4）案例的拓展與思考：引導學生思考案例的拓展應用，如如何將年度數據的分析拓展到季度或月度數據，以及在存在季節效應時如何調整模型。通過提出開放性問題，激發學生的好奇心和探索欲望，同時鍛煉他們自主分析問題和創造性地解決問題的能力。

2.3.2" "數學建模競賽案例的融入

時間序列分析作為數學建模中的常用方法，在解決實際問題中的應用為學生提供了豐富的案例學習資源。將長江水質評價、上海世博會影響力評估等經典問題引入實踐，不僅激發了學生對時間序列分析的興趣，還增強了他們運用所學知識創造性地解決問題的能力。

2.3.3" "科研案例的融入

錢偉長院士曾強調，大學必須拆除教學與科研之間的高墻［9］。在時間序列分析課程中引入科研問題，如南極地表月平均溫度問題［10］，不僅能夠讓學生接觸到前沿的科研工作，還能夠培養他們用科學方法分析處理專業問題的能力。通過結合教師的科研工作，介紹時間序列分析在科研中的應用，如自回歸模型在數值模擬與實例分析中的使用［11］，能極大地激發學生的科研興趣，為他們未來的學術研究或職業生涯奠定堅實的基礎。

2.4" "多元化考核評價

本課程摒棄了單一的閉卷考試形式，轉而采用課程論文作為主要考核手段。學生3人為一小組，運用所學的時間序列分析知識和統計軟件，自主選擇研究主題，完成撰寫課程論文的全過程，包括文獻綜述、數據收集、模型建立和結果分析等任務。這種小組合作模式不僅培養了學生的團結協作精神，還激發了他們的科研探索能力。同時，課程融入了線上線下混合式教學的形成性評價體系，線上平臺提供豐富的學習資源和實時反饋，線下課堂則注重實踐操作和深入討論，全面培養了學生的批判性思維和問題解決能力。詳細的課程考核評價體系如表3所示。

2.5" "優化課程設置

在經濟統計學專業教學中，面對眾多統計軟件如R、EViews、SAS、SPSS、Python等，選擇適宜的配套工具至關重要。考慮到R軟件在多元統計分析、數據挖掘和金融統計分析等課程中得到了廣泛應用，已修訂的人才培養方案在大二下學期特別開設了統計建模與R軟件課程，深入講解R的基本語法與應用。此舉措不僅增強了課程的實用性，而且為學生在時間序列分析實驗課和未來科研編程中的學習奠定了堅實基礎。

3" " "結束語

本文從課程目標重新定位、模塊化課程設計、案例驅動教學、多元化考核、優化課程設置等方面，對應用型本科院校時間序列分析課程教學改革實踐進行了全面的分析。通過上述措施，學生學習態度發生了積極變化，學生實踐創新能力得到了提升。未來的工作將集中在持續跟蹤學生的學習進度，收集更多的反饋信息等方面，并根據學生的需要和行業發展，不斷調整與優化教學內容和方法。

主要參考文獻

［1］李小琴.OBE理念下課程教學目標達成度評價模式探索與實踐［J］.高教學刊，2023（10）：80-83，88.

［2］林茜頡，劉葵.新工科背景下基于OBE教育理念的《化工基礎》課程教學改革的探索［J］.廣東化工，2022（16）：240-241，248.

［3］蔡清.OBE理念下的多元可視化應用型課程教學改革研究［J］.黑龍江生態工程職業學院學報，2022（1）：139-143.

［4］王長義，郝振萍.基于OBE理念的新農科專業核心課程改革與實踐：以設施農業環境工程學為例［J］.高教學刊，2022（19）：126-129.

［5］姚娟，鄧興.大數據環境下時間序列分析課程教學模式改革探討［J］.課程教育研究，2016（37）：249-250.

［6］紀志榮，何東進，劉金福，等.“互聯網+”背景下的統計學專業《時間序列分析》課程教學改革的探索［J］.教育教學論壇，2018（16）：107-108.

［7］譚斌.《時間序列分析》案例教學探討［J］.統計與咨詢，2009（1）：48-49.

［8］唐燕.項目驅動的《時間序列分析》課程教學改革與實踐［J］.課程教育研究，2019（51）：20，22.

［9］李先海，李龍江，黃小芬.基于實驗室開放項目的大學生創新人才培養實踐［J］.大學，2021（39）：15-17.

［10］相旭東，胡學平，余曉美，等.基于ARIMA模型和LSTM模型對南極地表月平均溫度的預測［J］.高師理科學刊，2021（6）：33-37.

［11］DENG Xin，WANG Xuejun，WU Yi.The Berry–Esseen type bounds of the weighted estimator in a nonparametric model with linear process errors［J］.Statistical Papers，2019（3）：963–984.