2025年统计学专业期末考试：时间序列分析误差分析试题

2025年统计学专业期末考试：时间序列分析误差分析试题考试时间：______分钟总分：______分姓名：______一、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，只有一项是最符合题目要求的，请将正确选项的字母填在题后的括号内。）1.在时间序列分析中，下列哪项不是常用的误差衡量指标？（A.MAEB.RMSEC.MAPED.CV）*解析：这题我平时上课经常强调的，误差衡量指标啊，得门儿清。MAE、RMSE、MAPE都是常用的，CV是变异系数，主要用来衡量数据的离散程度，跟误差衡量不太一样，得选D。2.当时间序列数据的误差呈现周期性波动时，应该考虑使用哪种模型进行修正？（A.ARIMAB.SARIMAC.ExponentialSmoothingD.Regression）*解析：哦，这题得好好想想。周期性波动啊，肯定得用SARIMA，自回归积分滑动平均季节性模型，这可是专门处理周期性问题的。ARIMA是处理非周期性平稳序列的，ExponentialSmoothing主要处理趋势和季节性，Regression是回归分析，跟周期性关系不大，所以选B。3.在计算时间序列的ACF（自相关函数）时，如果发现ACF值在滞后1时显著不为零，而在滞后2时显著为零，这通常意味着什么？（A.数据存在自相关性B.数据存在季节性C.数据存在趋势性D.数据是白噪声）*解析：这题啊，得懂ACF的意义。ACF在滞后1时显著不为零，说明数据有自相关性，滞后2时显著为零，说明自相关性在滞后2后消失了，所以选A。B是季节性，C是趋势性，D是白噪声，都不符合这个描述。4.在ARIMA模型中，参数p、d、q分别代表什么？（A.p代表自回归阶数，d代表差分阶数，q代表移动平均阶数B.p代表差分阶数，d代表自回归阶数，q代表移动平均阶数C.p代表移动平均阶数，d代表自回归阶数，q代表差分阶数D.p代表自回归阶数，d代表移动平均阶数，q代表差分阶数）*解析：这题我上课讲过好几次了，ARIMA模型啊，p、d、q可不能记混了。p是自回归阶数，d是差分阶数，q是移动平均阶数，所以选A。5.如果时间序列数据的误差项不满足正态分布，应该采用哪种方法进行修正？（A.数据变换B.增加样本量C.使用非参数方法D.改变模型阶数）*解析：误差项不满足正态分布啊，这得注意。数据变换可以改善分布，比如对数变换、平方根变换，所以选A。增加样本量可能有助于误差项趋近正态分布，但不是直接方法。非参数方法不依赖分布假设，也可以考虑，但数据变换更直接。改变模型阶数主要是为了提高拟合优度，跟分布假设关系不大，所以不选D。6.在时间序列分析中，什么是“伪回归”现象？（A.模型拟合优度高但预测效果差B.数据存在严重的自相关性C.模型参数估计不稳定D.模型拟合优度和预测效果都不好）*解析：伪回归啊，这可是个大问题。本来两个不相关的序列，通过差分或者其他方法，看起来好像有关系，这叫伪回归。所以选A，模型拟合优度高，但预测效果差，就是因为把不相关的东西当成了相关的，得小心。7.在计算时间序列的MAE（平均绝对误差）时，如果某个预测值与实际值的差很大，但这个差值被其他较小的差值平均掉了，这会怎样影响MAE的计算结果？（A.MAE会显著增大B.MAE会显著减小C.MAE不会受到影响D.MAE可能会增大也可能减小）*解析：这题得想想MAE的计算方法。MAE是所有绝对误差的平均值，所以某个很大的差值会被平均掉，但不会完全消除。所以MAE会显著增大，选A。如果差值都很小，MAE就小；如果差值有大有小，MAE就介于最大和最小之间。8.在ARIMA模型中，如果ACF和PACF（偏自相关函数）都呈指数衰减，这通常意味着什么？（A.数据存在自相关性B.数据存在季节性C.数据存在趋势性D.数据是白噪声）*解析：ACF和PACF都呈指数衰减，这可是AR(1)模型的特征啊，所以数据存在自相关性，选A。B是季节性，C是趋势性，D是白噪声，都不符合这个特征。9.在时间序列分析中，什么是“过拟合”现象？（A.模型拟合优度过高但预测效果差B.数据存在严重的自相关性C.模型参数估计不稳定D.模型拟合优度和预测效果都不好）*解析：过拟合啊，我也经常跟学生讲这个。模型太复杂了，把训练数据里的噪声都当成了规律，导致拟合优度很高，但预测效果很差。所以选A，模型拟合优度过高，但预测效果差。10.在计算时间序列的RMSE（均方根误差）时，如果某个预测值与实际值的差很大，这会怎样影响RMSE的计算结果？（A.RMSE会显著增大B.RMSE会显著减小C.RMSE不会受到影响D.RMSE可能会增大也可能减小）*解析：RMSE是所有误差平方的平均值的平方根，所以某个很大的差值会被平方后显著增大，进而使RMSE增大。所以选A，RMSE会显著增大。11.在时间序列分析中，什么是“平稳性”概念？（A.数据的统计特性不随时间变化B.数据存在明显的趋势性C.数据存在明显的季节性D.数据存在自相关性）*解析：平稳性啊，这可是时间序列分析的基础。平稳性就是数据的均值、方差、自相关系数等统计特性不随时间变化，所以选A。B是趋势性，C是季节性，D是自相关性，都不符合平稳性的定义。12.在ARIMA模型中，如果PACF在滞后1时显著不为零，而在滞后2时显著为零，这通常意味着什么？（A.数据存在自相关性B.数据存在季节性C.数据存在趋势性D.数据是白噪声）*解析：PACF在滞后1时显著不为零，说明数据存在自相关性，滞后2时显著为零，说明自相关性在滞后2后消失了，所以选A。B是季节性，C是趋势性，D是白噪声，都不符合这个描述。13.在时间序列分析中，什么是“单位根”检验？（A.用于检验数据的平稳性B.用于检验数据的自相关性C.用于检验数据的季节性D.用于检验数据的趋势性）*解析：单位根检验啊，我上课讲过，ADF检验、KPSS检验都是常用的单位根检验方法，主要是用来检验数据的平稳性，所以选A。B是自相关性，C是季节性，D是趋势性，都不符合单位根检验的目的。14.在计算时间序列的MAPE（平均绝对百分比误差）时，如果实际值接近于零，这会怎样影响MAPE的计算结果？（A.MAPE会显著增大B.MAPE会显著减小C.MAPE不会受到影响D.MAPE可能会增大也可能减小）*解析：MAPE是所有绝对百分比误差的平均值，如果实际值接近于零，百分比误差会非常大，所以MAPE会显著增大。所以选A，MAPE会显著增大。15.在ARIMA模型中，如果ACF呈拖尾状，PACF在滞后1时显著不为零，而在滞后2时显著为零，这通常意味着什么？（A.数据存在自相关性B.数据存在季节性C.数据存在趋势性D.数据是白噪声）*解析：ACF拖尾，PACF在滞后1时显著不为零，滞后2时显著为零，这可是AR(1)模型的特征，所以数据存在自相关性，选A。B是季节性，C是趋势性，D是白噪声，都不符合这个特征。16.在时间序列分析中，什么是“差分”操作？（A.将时间序列数据中的非线性关系转化为线性关系B.将时间序列数据中的趋势性转化为季节性C.将时间序列数据中的非平稳性转化为平稳性D.将时间序列数据中的自相关性转化为独立性）*解析：差分操作啊，我经常用。如果时间序列数据非平稳，比如有趋势，可以通过差分操作使其平稳。比如一阶差分就是当前值减去前一个值，这样趋势性就被消除或减弱了，所以选C。A、B、D都不符合差分操作的目的。17.在计算时间序列的CV（变异系数）时，如果两个时间序列的均方根误差相同，但一个时间序列的均值较大，另一个时间序列的均值较小，这会怎样影响CV的计算结果？（A.CV会显著增大B.CV会显著减小C.CV不会受到影响D.CV可能会增大也可能减小）*解析：CV是标准差除以均值，所以如果两个时间序列的均方根误差相同，但一个时间序列的均值较大，另一个时间序列的均值较小，CV会显著减小。因为标准差相同，但分母不同，所以CV会减小。所以选B，CV会显著减小。18.在ARIMA模型中，如果ACF和PACF都呈截尾状，这通常意味着什么？（A.数据存在自相关性B.数据存在季节性C.数据存在趋势性D.数据是白噪声）*解析：ACF和PACF都呈截尾状，这可是ARMA模型的特征啊，所以数据存在自相关性，选A。B是季节性，C是趋势性，D是白噪声，都不符合这个特征。19.在时间序列分析中，什么是“模型选择准则”？（A.用于比较不同模型的拟合优度B.用于检验数据的平稳性C.用于检验数据的自相关性D.用于检验数据的季节性）*解析：模型选择准则啊，我经常用AIC、BIC这些。主要是用于比较不同模型的拟合优度，选择最优的模型，所以选A。B、C、D都不是模型选择准则的主要目的。20.在计算时间序列的RMSE（均方根误差）时，如果所有预测值都与实际值非常接近，这会怎样影响RMSE的计算结果？（A.RMSE会显著增大B.RMSE会显著减小C.RMSE不会受到影响D.RMSE可能会增大也可能减小）*解析：RMSE是所有误差平方的平均值的平方根，如果所有预测值都与实际值非常接近，误差会很小，平方后会更小，平均后再开方，RMSE会显著减小。所以选B，RMSE会显著减小。二、简答题（本大题共5小题，每小题4分，共20分。请将答案写在答题纸上对应题号的位置上。）1.简述时间序列分析中常用的误差衡量指标有哪些，并说明它们的优缺点。*解析：这题得好好写写。常用的误差衡量指标啊，我上课都讲过。MAE（平均绝对误差）、RMSE（均方根误差）、MAPE（平均绝对百分比误差）、CV（变异系数）。MAE的优点是计算简单，对异常值不敏感，缺点是它不能反映误差的方向；RMSE的优点是能反映误差的大小，对异常值比较敏感，缺点是计算复杂；MAPE的优点是直观易懂，缺点是当实际值为零时无法计算；CV的优点是能反映误差的相对大小，缺点是当均值为零时无法计算。得这么写，清晰明了。2.在时间序列分析中，什么是“自相关性”？请举例说明。*解析：自相关性啊，我上课经常用例子解释。自相关性就是时间序列数据中的当前值与过去值之间存在相关性。比如，股票价格今天上涨了，明天继续上涨的可能性就比较大，这就是自相关性。再比如，空气质量今天不好，明天不好的可能性也比较大，这也是自相关性。得这么举例，学生才能明白。3.简述ARIMA模型中参数p、d、q的含义。*解析：ARIMA模型中参数p、d、q的含义啊，我上课讲过。p是自回归阶数，表示模型中包含的自回归项的数量；d是差分阶数，表示需要差分多少次才能使数据平稳；q是移动平均阶数，表示模型中包含的移动平均项的数量。得这么写，简单明了。4.在时间序列分析中，什么是“白噪声”序列？请举例说明。*解析：白噪声序列啊，我也经常用例子解释。白噪声序列就是均值、方差和自相关系数都为常数，且自相关系数在滞后大于零时都为零的序列。比如，天气预报中随机出现的降雨量，就是白噪声序列。再比如，股票价格中的随机波动，也是白噪声序列。得这么举例，学生才能明白。5.简述时间序列分析中常用的模型选择准则有哪些，并说明它们的优缺点。*解析：模型选择准则啊，我上课都讲过。常用的模型选择准则有AIC（赤池信息准则）、BIC（贝叶斯信息准则）。AIC的优点是计算简单，能有效地选择最优模型，缺点是当样本量较大时，可能会选择过于复杂的模型；BIC的优点是能有效地控制模型的复杂度，缺点是计算复杂。得这么写，清晰明了。三、简答题（本大题共5小题，每小题4分，共20分。请将答案写在答题纸上对应题号的位置上。）6.请解释什么是时间序列的“季节性”现象，并说明如何识别季节性。*解析：季节性啊，这可是时间序列分析中经常遇到的问题。季节性就是时间序列数据中出现的周期性波动，这个周期通常是一年、一季度、一个月或者一周。比如，零售业在年底会出现销售高峰，这就是季节性现象。再比如，空调销量在夏季会上升，在冬季会下降，这也是季节性现象。识别季节性啊，我得好好想想。常用的方法有观察法，就是看图表，如果数据呈现明显的周期性波动，那就有季节性。还有计算季节性指数，如果某个季节的值总是比其他季节的值高或者低，那就有季节性。还可以用模型来识别，比如SARIMA模型，如果模型中包含季节性参数，那就有季节性。得这么写，学生才能明白。7.在时间序列分析中，什么是“差分”操作？请说明差分操作的目的是什么，并举例说明一阶差分和二阶差分的计算方法。*解析：差分操作啊，我上课经常用。差分操作就是将时间序列数据中的当前值减去前一个值。差分操作的目的是将非平稳数据转化为平稳数据。比如，原始数据是Yt，一阶差分就是Yt-Yt-1，二阶差分就是(Yt-Yt-1)-(Yt-1-Yt-2)，即Yt-2Yt-1+Yt-2。如果一阶差分后的数据是平稳的，那就说明原始数据是一阶单整的。如果一阶差分后的数据还是非平稳的，那就需要做二阶差分，直到数据平稳为止。得这么写，清晰明了。8.请比较并说明MAE、RMSE和MAPE这三种误差衡量指标的异同点。*解析：MAE、RMSE和MAPE这三种误差衡量指标啊，我上课都讲过。MAE是平均绝对误差，RMSE是均方根误差，MAPE是平均绝对百分比误差。它们的相同点是都是用来衡量预测误差的。不同点在于计算方法和适用场景。MAE的计算简单，对异常值不敏感，但无法反映误差的方向；RMSE能反映误差的大小，对异常值比较敏感，但计算复杂；MAPE直观易懂，但当实际值为零时无法计算；MAPE是百分比误差，更直观，但当实际值为零时无法计算。得这么写，清晰明了。9.什么是“单位根检验”？请说明单位根检验的作用，并列举两种常用的单位根检验方法。*解析：单位根检验啊，我上课讲过。单位根检验就是用来检验时间序列数据是否平稳的检验方法。单位根检验的作用是判断时间序列数据是否具有统计上的平稳性。常用的单位根检验方法有ADF检验（AugmentedDickey-Fuller检验）和KPSS检验（Kwiatkowski-Phillips-Schmidt-Shin检验）。ADF检验是检验序列是否存在单位根，如果检验统计量小于临界值，那就说明序列是平稳的；KPSS检验是检验序列是否存在单位根，如果检验统计量大于临界值，那就说明序列是平稳的。得这么写，清晰明了。10.请简述时间序列分析中模型诊断的步骤，并说明模型诊断的目的。*解析：模型诊断啊，我上课也讲过。模型诊断就是检查时间序列模型是否拟合得好的过程。模型诊断的步骤啊，我得好好想想。首先，要检查残差是否为白噪声，如果残差不是白噪声，那就说明模型拟合得不好，需要调整模型；其次，要检查模型的参数是否显著，如果不显著，那就说明模型拟合得不好，需要调整模型；最后，要检查模型的预测效果，如果预测效果不好，那就说明模型拟合得不好，需要调整模型。模型诊断的目的就是确保模型拟合得好，预测效果好。得这么写，清晰明了。四、计算题（本大题共3小题，每小题10分，共30分。请将答案写在答题纸上对应题号的位置上。）11.假设某时间序列数据如下：3,5,7,9,11,13,15,17,19,21。请计算该时间序列的一阶差分和二阶差分。*解析：这题得一步步计算。一阶差分就是当前值减去前一个值。所以，一阶差分分别是：5-3=2,7-5=2,9-7=2,11-9=2,13-11=2,15-13=2,17-15=2,19-17=2,21-19=2。所以一阶差分序列是：2,2,2,2,2,2,2,2,2。二阶差分就是一阶差分序列中的当前值减去前一个值。所以，二阶差分都是0。得这么写，清晰明了。12.假设某时间序列模型的预测值和实际值如下表所示：|时间|实际值|预测值||------|--------|--------||1|10|12||2|12|11||3|14|15||4|16|17||5|18|19|请计算该时间序列的MAE、RMSE和MAPE。*解析：这题得一步步计算。首先，计算误差：|10-12|=2,|12-11|=1,|14-15|=1,|16-17|=1,|18-19|=1。MAE是这些误差的平均值，所以MAE=(2+1+1+1+1)/5=2。RMSE是这些误差平方的平均值的平方根，所以RMSE=sqrt(((2^2)+(1^2)+(1^2)+(1^2)+(1^2))/5)=sqrt(10/5)=sqrt(2)。MAPE是这些误差的绝对值除以实际值的平均值，所以MAPE=(2/10+1/12+1/14+1/16+1/18)/(5/18)=0.4。得这么写，清晰明了。13.假设某时间序列数据的ACF和PACF如下表所示：|滞后|ACF|PACF||------|--------|--------||1|0.6|0.8||2|0.3|0.1||3|0.1|0|请根据ACF和PACF的图形特征，写出合适的ARIMA模型。*解析：这题得根据ACF和PACF的特征来判断。ACF在滞后1时显著不为零，滞后2时显著不为零，滞后3时显著为零；PACF在滞后1时显著不为零，滞后2时显著为零，滞后3时显著为零。根据这个特征，可以写出合适的ARIMA模型是ARIMA(2,0,2)。得这么写，清晰明了。五、论述题（本大题共2小题，每小题15分，共30分。请将答案写在答题纸上对应题号的位置上。）14.请论述时间序列分析中模型选择的重要性，并说明如何选择最优模型。*解析：模型选择啊，这可是时间序列分析中非常重要的一步。模型选择的重要性在于，选择合适的模型可以提高预测的准确性，避免过拟合或欠拟合。如何选择最优模型呢？我得好好想想。首先，要根据数据的特征选择合适的模型，比如数据是否平稳，是否有趋势和季节性。其次，要使用模型选择准则，比如AIC、BIC，选择拟合优度最好且复杂度最低的模型。最后，要进行模型诊断，检查残差是否为白噪声，参数是否显著，预测效果如何。如果模型诊断结果不理想，就需要调整模型。得这么写，清晰明了。15.请论述时间序列分析中误差分析的意义，并说明如何进行误差分析。*解析：误差分析啊，这可是时间序列分析中非常重要的一步。误差分析的意义在于，可以帮助我们了解模型的预测误差，找出模型的不足，从而改进模型。如何进行误差分析呢？我得好好想想。首先，要计算误差衡量指标，比如MAE、RMSE、MAPE，这些指标可以帮助我们了解误差的大小。其次，要进行模型诊断，检查残差是否为白噪声，如果残差不是白噪声，那就说明模型拟合得不好，需要调整模型。最后，要分析误差的来源，比如数据质量问题、模型选择不当、参数估计错误等，从而改进模型。得这么写，清晰明了。本次试卷答案如下一、选择题答案及解析1.D解析：MAE、RMSE、MAPE都是常用的误差衡量指标，而CV是变异系数，主要用来衡量数据的离散程度，不是误差衡量指标。2.B解析：SARIMA模型是自回归积分滑动平均季节性模型，专门处理周期性问题的。ARIMA是处理非周期性平稳序列的，ExponentialSmoothing主要处理趋势和季节性，Regression是回归分析，跟周期性关系不大。3.A解析：ACF在滞后1时显著不为零，说明数据有自相关性，滞后2时显著为零，说明自相关性在滞后2后消失了，所以选A。B是季节性，C是趋势性，D是白噪声，都不符合这个描述。4.A解析：ARIMA模型中，p代表自回归阶数，d代表差分阶数，q代表移动平均阶数，所以选A。5.A解析：误差项不满足正态分布，可以通过数据变换改善分布，比如对数变换、平方根变换，所以选A。增加样本量可能有助于误差项趋近正态分布，但不是直接方法。非参数方法不依赖分布假设，也可以考虑，但数据变换更直接。改变模型阶数主要是为了提高拟合优度，跟分布假设关系不大。6.A解析：伪回归是指本来两个不相关的序列，通过差分或者其他方法，看起来好像有关系，这叫伪回归。所以选A，模型拟合优度高，但预测效果差。7.A解析：MAE是所有绝对误差的平均值，某个很大的差值会被平均掉，但不会完全消除，所以MAE会显著增大。8.A解析：ACF和PACF都呈指数衰减，这可是AR(1)模型的特征，所以数据存在自相关性。9.A解析：过拟合就是模型太复杂了，把训练数据里的噪声都当成了规律，导致拟合优度很高，但预测效果很差。所以选A，模型拟合优度过高，但预测效果差。10.A解析：RMSE是所有误差平方的平均值的平方根，某个很大的差值会被平方后显著增大，进而使RMSE增大。11.A解析：平稳性就是数据的统计特性不随时间变化，所以选A。B是趋势性，C是季节性，D是自相关性，都不符合平稳性的定义。12.A解析：PACF在滞后1时显著不为零，滞后2时显著为零，说明数据存在自相关性，所以选A。13.A解析：单位根检验主要是用来检验数据的平稳性，所以选A。B、C、D都不是单位根检验的主要目的。14.A解析：MAPE是绝对百分比误差，当实际值接近于零时，百分比误差会非常大，所以MAPE会显著增大。15.B解析：如果所有预测值都与实际值非常接近，误差会很小，平方后会更小，平均后再开方，RMSE会显著减小。二、简答题答案及解析1.简述时间序列分析中常用的误差衡量指标有哪些，并说明它们的优缺点。答案：常用的误差衡量指标有MAE（平均绝对误差）、RMSE（均方根误差）、MAPE（平均绝对百分比误差）、CV（变异系数）。MAE的优点是计算简单，对异常值不敏感，缺点是它不能反映误差的方向；RMSE的优点是能反映误差的大小，对异常值比较敏感，缺点是计算复杂；MAPE的优点是直观易懂，缺点是当实际值为零时无法计算；CV的优点是能反映误差的相对大小，缺点是当均值为零时无法计算。解析：这题得好好写写。常用的误差衡量指标啊，我上课都讲过。MAE、RMSE、MAPE、CV。MAE的优点是计算简单，对异常值不敏感，缺点是它不能反映误差的方向；RMSE能反映误差的大小，对异常值比较敏感，但计算复杂；MAPE直观易懂，但当实际值为零时无法计算；CV能反映误差的相对大小，但当均值为零时无法计算。得这么写，清晰明了。2.在时间序列分析中，什么是“自相关性”？请举例说明。答案：自相关性就是时间序列数据中的当前值与过去值之间存在相关性。比如，股票价格今天上涨了，明天继续上涨的可能性就比较大，这就是自相关性。再比如，空气质量今天不好，明天不好的可能性也比较大，这也是自相关性。解析：自相关性啊，我上课经常用例子解释。自相关性就是时间序列数据中的当前值与过去值之间存在相关性。比如，股票价格今天上涨了，明天继续上涨的可能性就比较大，这就是自相关性。再比如，空气质量今天不好，明天不好的可能性也比较大，这也是自相关性。得这么举例，学生才能明白。3.简述ARIMA模型中参数p、d、q的含义。答案：ARIMA模型中参数p、d、q的含义啊，我上课讲过。p是自回归阶数，表示模型中包含的自回归项的数量；d是差分阶数，表示需要差分多少次才能使数据平稳；q是移动平均阶数，表示模型中包含的移动平均项的数量。解析：ARIMA模型中参数p、d、q的含义啊，我上课讲过。p是自回归阶数，表示模型中包含的自回归项的数量；d是差分阶数，表示需要差分多少次才能使数据平稳；q是移动平均阶数，表示模型中包含的移动平均项的数量。得这么写，简单明了。4.在时间序列分析中，什么是“白噪声”序列？请举例说明。答案：白噪声序列就是均值、方差和自相关系数都为常数，且自相关系数在滞后大于零时都为零的序列。比如，天气预报中随机出现的降雨量，就是白噪声序列。再比如，股票价格中的随机波动，也是白噪声序列。解析：白噪声序列啊，我也经常用例子解释。白噪声序列就是均值、方差和自相关系数都为常数，且自相关系数在滞后大于零时都为零的序列。比如，天气预报中随机出现的降雨量，就是白噪声序列。再比如，股票价格中的随机波动，也是白噪声序列。得这么举例，学生才能明白。5.简述时间序列分析中常用的模型选择准则有哪些，并说明它们的优缺点。答案：模型选择准则啊，我上课都讲过。常用的模型选择准则有AIC（赤池信息准则）、BIC（贝叶斯信息准则）。AIC的优点是计算简单，能有效地选择最优模型，缺点是当样本量较大时，可能会选择过于复杂的模型；BIC的优点是能有效地控制模型的复杂度，缺点是计算复杂。解析：模型选择准则啊，我上课都讲过。常用的模型选择准则有AIC、BIC。AIC的优点是计算简单，能有效地选择最优模型，缺点是当样本量较大时，可能会选择过于复杂的模型；BIC的优点是能有效地控制模型的复杂度，缺点是计算复杂。得这么写，清晰明了。三、简答题答案及解析6.请解释什么是时间序列的“季节性”现象，并说明如何识别季节性。答案：季节性就是时间序列数据中出现的周期性波动，这个周期通常是一年、一季度、一个月或者一周。比如，零售业在年底会出现销售高峰，这就是季节性现象。再比如，空调销量在夏季会上升，在冬季会下降，这也是季节性现象。识别季节性啊，我得好好想想。常用的方法有观察法，就是看图表，如果数据呈现明显的周期性波动，那就有季节性。还有计算季节性指数，如果某个季节的值总是比其他季节的值高或者低，那就有季节性。还可以用模型来识别，比如SARIMA模型，如果模型中包含季节性参数，那就有季节性。解析：季节性啊，这可是时间序列分析中经常遇到的问题。季节性就是时间序列数据中出现的周期性波动，这个周期通常是一年、一季度、一个月或者一周。比如，零售业在年底会出现销售高峰，这就是季节性现象。再比如，空调销量在夏季会上升，在冬季会下降，这也是季节性现象。识别季节性啊，我得好好想想。常用的方法有观察法，就是看图表，如果数据呈现明显的周期性波动，那就有季节性。还有计算季节性指数，如果某个季节的值总是比其他季节的值高或者低，那就有季节性。还可以用模型来识别，比如SARIMA模型，如果模型中包含季节性参数，那就有季节性。得这么写，清晰明了。7.在时间序列分析中，什么是“差分”操作？请说明差分操作的目的是什么，并举例说明一阶差分和二阶差分的计算方法。答案：差分操作就是将时间序列数据中的当前值减去前一个值。差分操作的目的是将非平稳数据转化为平稳数据。比如，原始数据是Yt，一阶差分就是Yt-Yt-1，二阶差分就是(Yt-Yt-1)-(Yt-1-Yt-2)，即Yt-2Yt-1+Yt-2。如果一阶差分后的数据是平稳的，那就说明原始数据是一阶单整的。如果一阶差分后的数据还是非平稳的，那就需要做二阶差分，直到数据平稳为止。解析：差分操作啊，我上课经常用。差分操作就是将时间序列数据中的当前值减去前一个值。差分操作的目的是将非平稳数据转化为平稳数据。比如，原始数据是Yt，一阶差分就是Yt-Yt-1，二阶差分就是一阶差分序列中的当前值减去前一个值。所以，二阶差分都是0。得这么写，清晰明了。8.请比较并说明MAE、RMSE和MAPE这三种误差衡量指标的异同点。答案：MAE、RMSE和MAPE这三种误差衡量指标啊，我上课都讲过。MAE是平均绝对误差，RMSE是均方根误差，MAPE是平均绝对百分比误差。它们的相同点是都是用来衡量预测误差的。不同点在于计算方法和适用场景。MAE的计算简单，对异常值不敏感，但无法反映误差的方向；RMSE能反映误差的大小，对异常值比较敏感，但计算复杂；MAPE直观易懂，但当实际值为零时无法计算；MAPE是百分比误差，更直观，但当实际值为零时无法计算。解析：MAE、RMSE和MAPE这三种误差衡量指标啊，我上课都讲过。MAE是平均绝对误差，RMSE是均方根误差，MAPE是平均绝对百分比误差。它们的相同点是都是用来衡量预测误差的。不同点在于计算方法和适用场景。MAE的计算简单，对异常值不敏感，但无法反映误差的方向；RMSE能反映误差的大小，对异常值比较敏感，但计算复杂；MAPE直观易懂，但当实际值为零时无法计算；MAPE是百分比误差，更直观，但当实际值为零时无法计算。得这么写，清晰明了。9.什么是“单位根检验”？请说明单位根检验的作用，并列举两种常用的单位根检验方法。答案：单位根检验啊，我上课讲过。单位根检验就是用来检验时间序列数据是否平稳的检验方法。单位根检验的作用是判断时间序列数据是否具有统计上的平稳性。常用的单位根检验方法有ADF检验（AugmentedDickey-Fuller检验）和KPSS检验（Kwiatkowski-Phillips-Schmidt-Shin检验）。ADF检验是检验序列是否存在单位根，如果检验统计量小于临界值，那就说明序列是平稳的；KPSS检验是检验序列是否存在单位根，如果检验统计量大于临界值，那就说明序列是平稳的。解析：单位根检验啊，我上课讲过。单位根检验就是用来检验时间序列数据是否平稳的检验方法。单位根检验的作用是判断时间序列数据是否具有统计上的平稳性。常用的单位根检验方法有ADF检验和KPSS检验。ADF检验是检验序列是否存在单位根，如果检验统计量小于临界值，那就说明序列是平稳的；KPSS检验是检验序列是否存在单位根，如果检验统计量大于临界值，那就说明序列是平稳的。得这么写，清晰明了。10.请简述时间序列分析中模型诊断的步骤，并说明模型诊断的目的。答案：模型诊断啊，我上课也讲过。模型诊断就是检查时间序列模型是否拟合得好的过程。模型诊断的步骤啊，我得好好想想。首先，要检查残差是否为白噪声，如果残差不是白噪声，那就说明模型拟合得不好，需要调整模型；其次，要检查模型的参数是否显著，如果不显著，那就说明模型拟合得不好，需要调整模型；最后，要检查模型的预测效果，如果预测效果不好，那就说明模型拟合得不好，需要调整模型。模型诊断的目的就是确保模型拟合得好，预测效果好。解析：模型诊断啊，我上课也讲过。模型诊断就是检查时间序列模型是否拟合得好的过程。模型诊断的步骤啊，我得好好想想。首先，要检查残差是否为白噪声，如果残差不是白噪声，那就说明模型拟合得不好，需要调整模型；其次，要检查模型的参数是否显著，如果不显著，那就说明模型拟合得不好，需要调整模型；最后，要检查模型的预测效果，如果预测效果不好，那就说明模型拟合得不好，需要调整模型。模型诊断的目的就是确保模型拟合得好，预测效果好。得这么写，清晰明了。四、计算题答案及解析11.假设某时间序列数据如下：3,5,7,9,11,13,15,17,19,21。请计算该时间序列的一阶差分和二阶差分。答案：一阶差分序列是：2,2,2,2,2,2,2,2,2。二阶差分序列是：0,0,0,0,0,0,0,0。解析：这题得一步步计算。一阶差分就是当前值减去前一个值。所以，一阶差分分别是：5-3=2,7-5=2,9-7=2,11-9=2,13-11=2,15-13=2,17-15=2,19-17=2,21-19=2。所以一阶差分序列是：2,2,2,2,2,2,2,2,2。二阶差分就是一阶差分序列中的当前值减去前一个值。所以，二阶差分都是0。得这么写，清晰明了。12.假设某时间序列模型的预测值和实际值如下表所示：|时间|实际值|预测值||------|--------|--------||1|10|12||2|12|11||3|14|15||4|16|17||5|18|19|请计算该时间序列的MAE、RMSE和MAPE。答案：MAE=(2+1+1+1+1)/5=1.6。RMSE=sqrt(((2^2)+(1^2)+(1^2)+(1^2)+(1^2))/5)=sqrt(10/5)=sqrt(2)≈1.414。MAPE=(2/10+1/12+1/14+1/16+1/18)/(5/18)=0.4。解析：这题得一步步计算。首先，计算误差：|10-12|=2,|12-11|=1,|14-15|=1,|16-17|=1,|18-19|=1。MAE是这些误差的平均值，所以MAE=(2+1