2025年统计学专业期末考试：时间序列分析方法在社会科学研究中的应用试题卷

2025年统计学专业期末考试：时间序列分析方法在社会科学研究中的应用试题卷考试时间：______分钟总分：______分姓名：______一、单项选择题（本大题共20小题，每小题2分，共40分。在每小题列出的四个选项中，只有一项是符合题目要求的，请将正确选项字母填在题后的括号内。）1.时间序列分析的核心目的是什么？A.发现数据中的周期性规律B.预测未来数据点C.减少数据噪声D.比较不同时间点的数据差异2.在时间序列分析中，哪一种方法主要用于处理具有明显趋势成分的数据？A.ARIMA模型B.指数平滑法C.简单移动平均法D.季节性分解法3.如果一个时间序列数据表现出强烈的季节性波动，那么在建模时应优先考虑哪种模型？A.AR模型B.MA模型C.季节性ARIMA模型D.线性回归模型4.ARIMA模型的参数(p,d,q)分别代表什么？A.自回归项数、差分次数、移动平均项数B.移动平均项数、自回归项数、差分次数C.差分次数、自回归项数、移动平均项数D.预测误差项数、自回归系数、移动平均系数5.在时间序列分析中，"单位根检验"的主要目的是什么？A.检验数据是否存在自相关性B.检验序列是否平稳C.检验序列是否存在季节性D.检验模型参数的显著性6.当时间序列数据既包含趋势成分又包含季节性成分时，应该采用哪种方法进行分解？A.指数平滑法B.季节性移动平均法C.时间序列分解法D.ARIMA模型7.在时间序列预测中，"滚动预测"和"固定预测"的主要区别是什么？A.前者适用于短期预测，后者适用于长期预测B.前者需要不断更新模型参数，后者不需要C.前者适用于平稳序列，后者适用于非平稳序列D.前者需要考虑季节性因素，后者不需要8.时间序列分析中的"白噪声"序列具有什么特征？A.序列值围绕均值波动B.序列值之间存在自相关性C.序列值完全随机D.序列值具有明显的趋势成分9.在建立时间序列模型时，如何判断模型是否过拟合？A.模型预测误差较大B.模型参数不显著C.模型在训练数据上表现好，但在测试数据上表现差D.模型过于复杂10.时间序列分析在社会科学研究中有哪些主要应用领域？A.经济预测、人口分析、气候研究B.市场分析、政策评估、社会行为研究C.疾病监测、交通流量分析、能源消耗研究D.以上都是11.在进行时间序列分解时，"趋势成分"通常指的是什么？A.数据中的长期波动模式B.数据中的短期随机波动C.数据中的季节性变化D.数据中的周期性变化12.时间序列分析中的"ACF图"和"PCF图"分别反映了什么？A.自相关系数和偏自相关系数B.移动平均系数和自回归系数C.差分次数和自回归项数D.季节性系数和非季节性系数13.在使用ARIMA模型进行预测时，如何确定最佳的差分次数？A.通过单位根检验B.通过观察数据的ACF图C.通过AIC或BIC准则D.通过专家经验14.时间序列分析中的"季节性调整"目的是什么？A.去除数据中的季节性波动B.增强数据中的季节性波动C.平滑数据中的随机波动D.提高模型的预测精度15.在进行时间序列预测时，"置信区间"反映了什么？A.预测结果的平均值B.预测结果的方差C.预测结果的不确定性范围D.预测结果的误差大小16.时间序列分析中的"异常值检测"方法有哪些？A.标准差法B.移动平均法C.箱线图法D.以上都是17.在建立时间序列模型时，如何处理数据中的缺失值？A.忽略缺失值B.使用均值填充C.使用插值法填充D.以上都可以18.时间序列分析中的"季节性指数"通常如何计算？A.通过季节性分解法B.通过移动平均法C.通过回归分析D.通过专家经验19.在进行时间序列分析时，如何判断数据是否具有"趋势性"？A.通过观察数据的散点图B.通过单位根检验C.通过趋势线拟合D.以上都可以20.时间序列分析中的"预测误差"通常如何衡量？A.MAEB.RMSEC.MSED.以上都是二、多项选择题（本大题共10小题，每小题3分，共30分。在每小题列出的五个选项中，有多项是符合题目要求的，请将正确选项字母填在题后的括号内。）1.时间序列分析的基本成分有哪些？A.趋势成分B.季节性成分C.随机成分D.循环成分E.混合成分2.ARIMA模型的应用条件有哪些？A.序列平稳B.序列无自相关C.序列具有季节性D.序列可分解E.序列可预测3.时间序列分解的方法有哪些？A.指数平滑法B.移动平均法C.时间序列分解法D.ARIMA模型E.季节性分解法4.时间序列预测的方法有哪些？A.朴素预测法B.移动平均法C.指数平滑法D.ARIMA模型E.回归分析法5.时间序列分析中的检验方法有哪些？A.单位根检验B.自相关检验C.偏自相关检验D.白噪声检验E.正态性检验6.时间序列分析中的可视化方法有哪些？A.散点图B.时间序列图C.ACF图D.PCF图E.箱线图7.时间序列分析中的平滑方法有哪些？A.简单移动平均法B.加权移动平均法C.指数平滑法D.双指数平滑法E.三指数平滑法8.时间序列分析中的异常值处理方法有哪些？A.忽略异常值B.使用均值填充C.使用中位数填充D.使用插值法填充E.使用模型调整9.时间序列分析中的模型选择方法有哪些？A.AIC准则B.BIC准则C.RMSE准则D.MAE准则E.专家经验10.时间序列分析在社会科学研究中的应用有哪些？A.经济预测B.人口分析C.社会行为研究D.政策评估E.市场分析三、简答题（本大题共5小题，每小题6分，共30分。请根据题目要求，在答题纸上作答。）1.简述时间序列分析中"平稳性"的概念及其重要性。在社会科学研究中，为什么大多数时间序列模型都要求数据平稳？2.解释"自回归移动平均模型（ARIMA）"的基本原理，并说明其参数p、d、q的含义。如何判断一个时间序列数据是否适合使用ARIMA模型进行建模？3.描述时间序列分析中"季节性分解"的步骤，并说明其应用场景。举例说明如何在社会科学研究中使用季节性分解法分析数据。4.比较并说明"简单移动平均法"和"指数平滑法"的优缺点，并指出它们各自适用的场景。在哪些情况下，这两种方法可能得到相似的结果？5.阐述时间序列分析中"预测误差"的常见类型，并说明如何通过模型选择和参数调整来降低预测误差。在社会科学研究中，如何评估时间序列预测模型的可靠性？四、论述题（本大题共2小题，每小题10分，共20分。请根据题目要求，在答题纸上作答。）1.详细论述时间序列分析在社会科学研究中的具体应用，并举例说明如何利用时间序列模型解决社会科学问题。在应用过程中，需要注意哪些关键问题？2.探讨时间序列分析面临的挑战和局限性，并分析如何克服这些挑战。结合社会科学研究的实际情况，讨论时间序列分析的未来发展方向。本次试卷答案如下一、单项选择题答案及解析1.B解析：时间序列分析的核心目的在于通过揭示数据随时间变化的模式，从而对未来的数据点进行预测。虽然发现周期性规律（A）、比较不同时间点差异（D）也是分析的一部分，但预测未来数据点（B）是时间序列分析最根本和最主要的目标。减少数据噪声（C）更多是数据预处理的目标，而非时间序列分析的核心目的。2.A解析：ARIMA模型（AutoregressiveIntegratedMovingAverage）中的Integrated部分（I）专门用于处理数据中的趋势成分。通过差分（d）操作，可以将非平稳的具有趋势的时间序列转换成平稳序列，然后应用自回归（AR）和移动平均（MA）模型来捕捉残差中的自相关性。因此，ARIMA模型是处理具有明显趋势成分数据的常用且有效的方法。简单移动平均法（C）主要用于平滑短期波动，难以有效捕捉趋势。季节性分解法（D）是分解数据成分的方法，不直接用于处理趋势。指数平滑法（B）虽然可以处理趋势，但其原理与ARIMA的Integrated部分有所不同，且ARIMA更通用。3.C解析：当时间序列数据表现出强烈的季节性波动，意味着数据在固定的时间间隔（如每季度、每月、每周）出现重复的模式变化。在这种情况下，季节性ARIMA模型（季节性ARIMA，通常记为SARIMA或SARIMAX）是最合适的模型选择。它不仅考虑了数据的自回归、移动平均和趋势成分，还特别加入了季节性的自回归项和移动平均项，能够更准确地捕捉和预测这种周期性变化。AR模型（A）主要处理非季节性的自相关性。MA模型（B）主要处理非季节性的移动平均项。线性回归模型（D）通常不直接处理时间序列的内在自相关性。4.A解析：ARIMA模型的参数(p,d,q)分别代表：p是自回归项数（ARorder），表示模型中包含的过去观测值对当前值的影响项数；d是差分次数（Integrationorder），表示需要差分的次数才能使序列达到平稳；q是移动平均项数（MAorder），表示模型中包含的过去预测误差对当前值的影响项数。这个顺序和含义是时间序列分析中ARIMA模型的标准定义。5.B解析：单位根检验（UnitRootTest），如ADF检验、KPSS检验等，其核心目的是检验一个时间序列数据是否具有平稳性（stationarity）。一个具有单位根的序列通常被认为是非平稳的，它会表现出趋势或单位根过程，这意味着其统计特性（如均值、方差）会随时间变化。在时间序列建模中，非平稳数据可能会导致不稳定的预测结果和伪相关性。因此，必须通过单位根检验来确认序列的平稳性，只有平稳序列才适合直接进行某些类型的建模，特别是传统的ARIMA模型。检验数据是否存在自相关性（A）可以通过ACF/PACF图或相关系数检验完成。检验序列是否存在季节性（C）可以通过季节性分解或观察ACF图中的周期性拖尾完成。检验模型参数的显著性（D）通常在模型估计后通过t检验或F检验进行。6.C解析：当时间序列数据同时包含明显的趋势成分（长期向上或向下漂移）和季节性成分（固定周期内的重复模式变化）时，最合适的方法是时间序列分解法（TimeSeriesDecomposition）。这种方法将原始时间序列分解为几个基本成分，最常见的是趋势（T）、季节性（S）和随机（E或I）成分，有时也包括循环（C）成分。通过分离这些成分，可以更好地理解数据的结构，诊断模型问题，并可能分别对每个成分进行建模或预测。指数平滑法（A）通常适用于具有趋势或季节性的平滑和预测，但其分解思想不如时间序列分解法明确。季节性移动平均法（B）是一种特定类型的平滑方法，主要处理季节性，不处理趋势。ARIMA模型（D）虽然可以包含趋势项（通过差分d实现）和季节性项（通过季节性差分或季节性参数p、q实现），但时间序列分解法提供了一种更直观的成分分析方法。7.B解析：滚动预测（RollingForecast）和固定预测（FixedForecast）的主要区别在于模型参数的更新方式。滚动预测是一种动态预测方法，它在一个时间点上进行预测后，会使用最新的观测数据更新模型参数，然后基于更新后的模型在下一个时间点进行预测，如此循环进行。这种方法能够适应数据结构的变化，更适合进行序列外预测。而固定预测（通常指固定模型预测）是指在某个时间点建立模型，并使用该模型参数对后续多个时间点进行预测，期间模型参数保持不变。因此，关键区别在于前者需要不断更新模型参数（B），以保持模型的时效性；后者不需要（A）。两者都可以适用于短期或长期预测（C），都可以处理平稳或非平稳序列（D），并且都可以考虑季节性因素（D）。8.C解析：在时间序列分析中，“白噪声”（WhiteNoise）序列是一个严格的随机过程，其统计特性非常简单：序列的均值（μ）为0（或常数），方差（σ²）为某个常数，且任何两个不同时间点上的观测值之间不存在自相关性，即自协方差函数（γk）仅在k=0时非零（γ0=σ²），对于所有k>0，γk=0。这意味着序列值是完全随机的，过去的信息对预测未来没有任何帮助。序列值围绕均值波动（A）是许多时间序列的特征，但不是白噪声的独有特征。序列值之间存在自相关性（B）恰恰是白噪声序列的定义特征（其自相关为0）。序列值完全随机（C）正是白噪声的核心定义，即不存在任何可预测的模式或自相关性。序列值具有明显的趋势成分（D）或周期性变化（季节性）则与白噪声的定义相悖，因为这意味着存在可预测的模式。9.C解析：判断一个时间序列模型是否过拟合（Overfitting）通常需要比较模型在训练数据集（用于估计模型参数）上的表现和在测试数据集（未参与模型估计）上的表现。如果模型在训练数据上表现极好（例如，预测误差非常小），但在测试数据上表现突然变差（预测误差显著增大），这就表明模型可能已经过度学习训练数据中的噪声和随机波动，而未能捕捉到数据背后的真实结构，从而失去了对新数据的预测能力。这种情况被称为过拟合。模型预测误差较大（A）通常意味着模型拟合不足（Underfitting）。模型参数不显著（B）可能意味着模型设定不当或数据量不足，不直接等同于过拟合。模型过于复杂（D）是过拟合的常见原因，但过于复杂的模型也可能导致拟合不足，关键看其在测试集上的表现。10.D解析：时间序列分析在社会科学研究中有广泛的应用，几乎涵盖了所有与社会现象相关的领域。具体应用包括：经济预测（如GDP增长率、失业率、通货膨胀率）、人口分析（如出生率、死亡率、人口迁移）、气候研究（社会科学中也涉及环境政策与气候变化关系）、市场分析（如消费者行为、产品销量）、政策评估（如政策实施对相关指标的影响）、社会行为研究（如犯罪率、网络舆情）、疾病监测（如传染病发病趋势）、交通流量分析（如城市交通拥堵模式）、能源消耗研究（如居民用电量变化）等。因此，选项D“以上都是”是正确的概括。其他选项都只是应用领域的一部分。11.A解析：在时间序列分解（TimeSeriesDecomposition）中，“趋势成分”（TrendComponent）指的是数据在长期内表现出的持续向上、向下或保持稳定的漂移或变化模式。它反映了数据背后潜在的、非周期性的长期增长或下降趋势。这种成分通常不是严格线性的，可能随时间变化速度，但方向相对稳定。季节性变化（C）是固定周期内的模式，循环成分（CyclicComponent，如果包含）是较长周期（通常大于一年）的波动，两者都与趋势的定义不同。12.A解析：时间序列分析中的“自相关图”（AutocorrelationFunction,ACF）显示了时间序列在滞后k（lagk）时与其自身滞后k期值的线性相关程度。它反映了序列在不同时间点之间的自相关性，即过去值对当前值的影响。而“偏自相关图”（PartialAutocorrelationFunction,PACF）则衡量了在排除了中间滞后项的影响后，时间序列在滞后k时的自相关程度。换句话说，PACF显示了滞后k期与当前值的直接相关关系，已经剔除了1到k-1期滞后的影响。因此，ACF图和PCF图分别反映了自相关系数（A）和偏自相关系数。13.B解析：在使用ARIMA模型（AutoregressiveIntegratedMovingAverage）进行预测时，确定最佳的差分次数（d）是模型选择的关键步骤之一。一个常用的方法是观察时间序列数据的自相关函数（ACF）图或偏自相关函数（PACF）图。对于非平稳序列，ACF图通常会显示拖尾（逐渐衰减至零），而PACF图则在第一个滞后处截尾（之后迅速衰减至零）。通过反复差分，直到ACF图表现出明显的截尾特征（或拖尾变得足够快，接近截尾），就可以确定所需的差分次数d。例如，如果第一次差分后的序列ACF在1阶截尾，那么d=1。这种方法直观且常用。通过单位根检验（A）可以检验序列是否需要差分，但通常不能直接给出d的具体数值。通过AIC或BIC准则（C）选择模型时，会考虑包括差分项在内的不同模型，但AIC/BIC主要用于比较模型的整体拟合优度，而不是直接确定d。通过专家经验（D）过于主观，缺乏数据支持。14.A解析：时间序列分析中的“季节性调整”（SeasonalAdjustment）的主要目的是从原始时间序列中去除或分离出季节性成分（S）。这样做有几个目的：一是为了得到一个“去季节化”的数据序列，更清晰地观察数据中的趋势（T）和随机波动（E，即IrregularComponent）；二是为了更容易地应用某些模型（如ARIMA），因为很多经典模型假设不存在季节性；三是为了进行季节性比较，例如比较不同年份的同一个月或同一周的数据。去除季节性波动（A）是季节性调整最核心的定义和作用。增强季节性波动（B）与季节性调整的目的相反。平滑数据中的随机波动（C）是平滑方法的目标，不是季节性调整。提高模型的预测精度（D）可能是季节性调整的间接好处之一，但不是其主要目的。15.C解析：在进行时间序列预测时，“置信区间”（ConfidenceInterval,CI）给出了预测值的一个区间范围，并指出在该范围内包含真实未来值的可能性有多大（通常用95%或99%置信水平表示）。它反映了预测结果的不确定性范围（C）。置信区间越宽，表示预测的不确定性越大；反之，则表示预测越精确。预测结果的平均值（A）是点预测值。预测结果的方差（B）衡量的是预测误差的离散程度。预测结果的误差大小（D）通常用预测误差（如MAE、RMSE）或标准误差来衡量，而置信区间是围绕预测值的区间，不是误差本身。16.D解析：时间序列分析中的“异常值检测”（OutlierDetection）方法有多种，可以结合使用。标准差法（A）是一种简单方法，认为超出均值加减若干倍标准差的点为异常值。移动平均法（B）可以通过比较当前值与近期移动平均值及移动标准差来检测突变点，但不是直接检测离群值。箱线图法（C）是一种可视化方法，通过箱线图的上下边缘（通常是1.5倍四分位数间距）来识别潜在的离群值。因此，以上方法（D）都可以用于异常值检测，具体选择取决于数据的特性和分析需求。17.D解析：在进行时间序列分析时，处理数据中的缺失值（MissingValues）需要谨慎，因为简单的处理方法可能会引入偏差或错误。常见的处理方法包括：忽略缺失值（A），但这会减少样本量，可能导致信息损失；使用均值填充（B）或中位数填充（C），这种方法简单，但会平滑数据，可能掩盖真实模式，且填充值与实际值可能差异很大。更稳健的方法是使用插值法（D），如线性插值、时间序列插值等，这些方法可以根据序列的邻近值来估计缺失值，更能保留数据的内在结构。有时也可以考虑使用模型来预测缺失值，但这通常更复杂。因此，选择哪种方法取决于缺失值的模式、数据量、分析目的等因素，以上方法（D）都有应用场景。18.A解析：时间序列分析中的“季节性指数”（SeasonalIndex）通常用于衡量每个季节（如每月、每季）相对于长期趋势的平均偏差程度。其计算方法最常用的是时间序列分解法（A）。具体步骤通常包括：先从原始序列中去除趋势和随机成分（例如，通过移动平均法平滑），得到季节性成分和随机成分的估计；然后，计算每个季节的平均值；最后，将每个季节的平均值与所有季节平均值（或趋势值）的均值进行比较，得到季节性指数。指数平滑法（B）主要用于预测和估计平滑值。季节性移动平均法（C）主要用于估计季节性效应，但不一定计算指数。通过回归分析（D）也可以建模季节性效应，但不是计算季节性指数的标准方法。19.A解析：在时间序列分析中，判断数据是否具有“趋势性”（Trend）可以通过多种方法。最直观的方法是观察数据的散点图（A），如果数据点呈现出明显的向上、向下或水平方向的漂移趋势，则可能存在趋势性。此外，也可以通过计算斜率或进行线性回归来量化趋势。单位根检验（B）是检验序列平稳性的统计方法，非平稳序列（包括具有趋势的序列）通常拒绝单位根原假设。趋势线拟合（C）是拟合趋势的过程，而不是判断趋势的存在性。因此，观察散点图是最初步也最直观的方法。20.D解析：时间序列分析中的“预测误差”（ForecastError）通常用多种指标来衡量，以全面评估模型的预测性能。MAE（MeanAbsoluteError，平均绝对误差）、RMSE（RootMeanSquaredError，均方根误差）、MSE（MeanSquaredError，均方误差）都是常用的预测误差衡量指标。MAE计算的是绝对误差的平均值，对异常值不敏感。RMSE计算的是误差平方的平均值的平方根，既考虑了误差的大小，也给了较大的误差更高的权重，对异常值更敏感。MSE是RMSE的平方，单位是原始数据单位的平方。因此，以上都是衡量预测误差的常用指标（D）。二、多项选择题答案及解析1.ABC解析：时间序列分析的基本成分通常被认为是趋势成分（Trend）、季节性成分（Seasonality/S）和随机成分（Random/Irregular/E）。趋势成分代表数据的长期变化方向；季节性成分代表数据在固定周期内的重复模式变化；随机成分代表数据中无法解释的、随机的波动。混合成分（E）描述的是趋势和季节性的组合，但更基础的分解是这三个成分。循环成分（CyclicComponent）有时也被提及，它代表周期性较长（通常大于一年）的经济或社会波动，与季节性成分有相似之处但时间尺度不同，有时会与趋势成分交织，严格区分可能需要复杂的分解方法。但最基础和普遍接受的三个成分是T、S、E。2.ACD解析：ARIMA模型（AutoregressiveIntegratedMovingAverage）的应用需要满足一定条件。序列平稳（A）是最基本的要求，因为传统的ARIMA模型是建立在序列平稳的假设之上的（Integrated部分通过差分实现平稳）。如果序列是非平稳的，通常需要先进行差分处理。序列具有季节性（C）是SARIMA模型（季节性ARIMA）的应用条件，对于非季节性序列，可以使用标准的ARIMA模型。序列可分解（D）是时间序列分析的一个普遍思想，虽然ARIMA模型是直接应用于原始序列的，但其思想是将序列分解为自相关、移动平均和可能的差分（趋势）成分。序列可预测（E）是时间序列分析的目标，但不是模型应用的前提条件。序列无自相关（B）恰恰是ARIMA模型要捕捉和建模的特征，因此不是应用条件。3.ABCE解析：时间序列分析中分解序列成分的方法有多种。指数平滑法（A）虽然主要用于预测，但其平滑过程可以看作一种分解思想，尤其是在双指数平滑和三指数平滑中包含了趋势估计。移动平均法（B）可以通过中心移动平均来估计趋势和季节性成分。时间序列分解法（C）是专门用于将序列分解为趋势、季节性和随机成分的经典方法，如移动平均分解法。季节性分解法（E）是时间序列分解法的一种特定类型，专门处理季节性成分。ARIMA模型（D）主要是用于建模和预测，而不是分解成分。因此，以上方法（A、B、C、E）都与时间序列分解相关或可应用于分解。4.ABCD解析：简单移动平均法（SimpleMovingAverage,SMA）和指数平滑法（ExponentialSmoothing,ES）都是常用的时间序列平滑和预测方法，它们的主要思想都是赋予近期观测值更高的权重，而赋予较远观测值较低的权重。简单移动平均法（A）对最近k个观测值赋予相同的权重（1/k），然后取平均值。指数平滑法（C）使用一个平滑参数α，赋予最新观测值权重α，赋予前一个平滑值权重1-α，权重呈指数衰减。它们的优点是简单易实现，计算速度快。缺点是：简单移动平均法（A）需要固定窗口大小k，对异常值敏感，不能自动适应趋势或季节性变化；指数平滑法（C）虽然能适应水平变化，但对趋势和季节性的适应能力有限（单指数平滑只能适应水平，双/三指数平滑需要特殊形式）。它们都适用于短期预测，当数据平滑是主要目的时。在数据平稳、无明显趋势和季节性的情况下，如果窗口大小k或平滑参数α选择得当，两种方法可能会得到相似的结果（D），因为它们都反映了近期数据的平均趋势。5.ABCDE解析：时间序列分析中常见的预测误差类型包括：随机误差（噪声，E/Irregular），这是模型无法解释的随机波动；模型误差，可能源于模型设定不当（如未包含必要的成分，如趋势、季节性、自相关）；参数估计误差；测量误差。具体来说，可以通过模型选择（AIC/BIC）、参数调整（如选择合适的p,d,q值）、考虑更复杂的模型（如SARIMA、神经网络）、数据预处理（如差分、去趋势）等方法来降低这些预测误差。评估模型可靠性（D）通常通过回测（backtesting）、计算预测误差指标（MAE、RMSE）、进行假设检验等。因此，以上都是预测误差相关的内容。6.ABCDE解析：时间序列分析中的可视化方法非常丰富，是理解数据特征和模型结果的重要手段。散点图（A）可以显示两个变量之间的关系，在时间序列分析中常用于绘制数据点随时间的变化。时间序列图（B）是显示单个时间序列数据点随时间变化的图形，是最基本也是最常用的可视化方式。自相关图（ACF图）和偏自相关图（PACF图）（CD）是用于分析序列自相关性的重要工具，通过观察它们可以推断序列的平稳性以及适合的ARIMA模型参数。箱线图（Boxplot）（E）可以显示数据的中位数、四分位数、异常值等信息，有助于理解数据的分布特征和识别异常值。以上都是时间序列分析中常用的可视化方法。7.A