2025年大学《数理基础科学》专业题库- 时间序列分析与预测

2025年大学《数理基础科学》专业题库——时间序列分析与预测考试时间：______分钟总分：______分姓名：______一、选择题（每小题2分，共20分。请将正确选项的字母填在题干后的括号内）1.时间序列数据按其值随时间变化的方式不同，可以分为（）。A.平稳序列和非平稳序列B.确定性序列和随机性序列C.时间序列和截面数据D.季节性序列和非季节性序列2.若一个时间序列的值围绕一个固定的均值波动，且波动的方差和自协方差仅依赖于时间间隔而与时间起点无关，则该序列是（）。A.马尔可夫过程B.白噪声过程C.平稳时间序列D.非平稳时间序列3.对于一个平稳的AR(1)模型Y_t=φY_(t-1)+ε_t，若|φ|<1，则该模型是（）。A.滤波器模型B.平稳的C.非平稳的D.齐次的4.在自回归模型AR(p)中，其自相关函数（ACF）和偏自相关函数（PACF）的特性是（）。A.ACF和PACF均逐渐衰减至零B.ACF和PACF均逐渐截尾C.ACF逐渐衰减至零，PACF在p阶截尾D.ACF在p阶截尾，PACF逐渐衰减至零5.移动平均模型MA(q)的随机项ε_t通常被假设服从（）。A.正态分布B.二元分布C.瑞利分布D.泊松分布6.当一个非平稳时间序列通过差分运算变为平稳序列时，该序列被称为（）。A.差分序列B.平稳序列C.积分序列D.平稳积分序列7.ARIMA(p,d,q)模型中，参数d代表的是（）。A.模型的阶数B.需要差分的次数C.模型的自回归阶数D.模型的移动平均阶数8.对于一个拟合良好的时间序列模型，其残差序列应近似满足（）。A.自相关性B.异方差性C.非正态性D.白噪声特性9.指数平滑法中，Holt-Winters方法适用于包含（）的时间序列。A.趋势成分B.季节成分C.趋势和季节成分D.随机波动成分10.若两个非平稳时间序列的长期均值存在某种稳定关系，则它们之间存在（）。A.平行关系B.独立关系C.协整关系D.相关关系二、填空题（每小题2分，共20分。请将答案填在题干后的横线上）1.时间序列的平稳性包括均值不变和______不变两个基本条件。2.检验时间序列数据是否具有平稳性的常用统计检验方法是______检验。3.自相关函数（ACF）描述了时间序列与其自身______滞后项之间的线性相关程度。4.对于MA(q)模型，其自相关函数（ACF）通常在______阶及其以后截尾。5.在ARIMA模型中，若d=0，则该模型简化为______模型。6.模型诊断中，常用的残差分析工具包括______图和______检验。7.进行时间序列预测时，预测值通常由模型的______和______共同决定。8.指数平滑法中，Holt方法同时考虑了______和______两个成分。9.若一个时间序列是ARIMA(0,1,1)过程，则其相当于一个______模型。10.协整理论主要用于研究______时间序列之间的长期均衡关系。三、判断题（每小题2分，共20分。请将“正确”或“错误”填在题干后的括号内）1.时间序列分析只适用于经济数据，不适用于自然科学数据。（）2.所有的时间序列模型都可以用于预测未来值。（）3.自回归模型AR(p)的随机项ε_t是白噪声过程。（）4.移动平均模型MA(q)的阶数q表示其依赖的过去观测值的个数。（）5.差分运算可以消除时间序列的非平稳性。（）6.ARIMA(1,1,1)模型一定是一个非平稳模型。（）7.模型拟合优度越高，预测结果的可靠性就一定越大。（）8.指数平滑法属于参数模型方法。（）9.季节性ARIMA模型SARIMA(p,d,q)(P,D,Q)s中，(P,D,Q)s代表季节性部分的模型阶数。（）10.如果时间序列的自相关函数是拖尾的，那么它的偏自相关函数一定是截尾的。（）四、简答题（每小题5分，共25分）1.简述平稳时间序列与非平稳时间序列的区别。2.请解释自相关函数（ACF）和偏自相关函数（PACF）的定义及其主要用途。3.ARIMA模型中参数p,d,q的物理意义是什么？4.简述时间序列模型诊断的主要目的和方法。5.简要说明Holt-Winters指数平滑法适用于哪种类型的时间序列，并指出其核心思想。五、计算题（共15分）假设某时间序列的数据如下：3,6,7,9,12,15,18。计算其一阶差分序列{Y'_t}的值，并计算差分序列的前三个自相关函数（ACF_1,ACF_2,ACF_3）的估计值（提示：可使用样本自协方差除以总离差平方和的方法近似计算，不考虑季节性因素）。试卷答案一、选择题1.B2.C3.B4.C5.A6.D7.B8.D9.C10.C二、填空题1.方差2.单位根3.同4.q5.ARMA6.残差自相关7.估计参数，模型项8.趋势，季节9.朴素10.非平稳三、判断题1.错误2.错误3.正确4.错误5.错误6.错误7.错误8.错误9.正确10.错误四、简答题1.解析思路：区分核心定义。平稳序列的统计特性（均值、方差、自协方差）不随时间变化。非平稳序列至少有一个统计特性随时间变化（如均值趋势、方差波动、自协方差衰减缓慢）。答案：平稳时间序列是指其统计特性（如均值、方差、自协方差函数）不随时间推移而变化的序列。具体来说，均值恒定，方差有限且不变，自协方差仅依赖于滞后时间间隔而与实际时间点无关。非平稳时间序列则至少有一个统计特性随时间变化，例如均值存在明显趋势、方差随时间增大或减小，或者自协方差不随时间衰减。2.解析思路：解释ACF和PACF的定义。ACF衡量序列与自身所有滞后值的线性关系；PACF衡量序列与自身某个滞后值的线性关系，排除了中间滞后值的影响。用途上，ACF和PACF是识别ARMA模型阶数p和q的重要依据。答案：自相关函数（ACF）是时间序列与其自身k阶滞后序列的协方差与其自身方差之比，衡量了序列与其自身所有滞后项之间的线性相关程度。偏自相关函数（PACF）是在排除了中间滞后项影响的情况下，时间序列与其自身k阶滞后序列的线性相关程度。ACF和PACF的主要用途是帮助识别时间序列模型中自回归阶数p和移动平均阶数q。3.解析思路：分别解释p,d,q的含义。p是自回归项数，反映序列对自身滞后值的依赖程度；d是差分阶数，用于将非平稳序列转换为平稳序列；q是移动平均项数，反映序列对随机扰动项的依赖程度。答案：ARIMA模型中参数p,d,q分别代表：p是自回归（Autoregressive）阶数，表示模型中包含的当前值对过去p个观测值的线性依赖关系；d是差分（Differencing）阶数，表示需要做多少次差分才能将非平稳序列转换成平稳序列；q是移动平均（MovingAverage）阶数，表示模型中包含的当前值对过去q个随机扰动项的线性依赖关系。4.解析思路：阐述诊断目的（检验模型假设，确认模型适用性）和常用方法（残差图观察，白噪声检验，正态性检验等）。答案：时间序列模型诊断的主要目的是检验所拟合模型的残差序列是否满足基本假设（如白噪声特性），从而确认模型是否恰当。常用方法包括：绘制残差自相关图（ACF图和PACF图）观察残差是否存在自相关性；进行白噪声检验（如Ljung-Box检验）；检验残差的正态性（如Q-Q图、Shapiro-Wilk检验）；检查是否存在异常值等。5.解析思路：指出适用类型（同时含趋势和季节成分），核心思想（加权平均，赋予近期数据更高权重，并分别考虑趋势和季节成分的演变）。答案：Holt-Winters指数平滑法适用于同时包含明显趋势成分和季节成分的时间序列。其核心思想是使用加权平均来更新对序列水平的估计，并分别跟踪趋势和季节成分。它引入了平滑系数α,β,γ来分别更新水平、趋势和季节指数，使得预测能够同时适应数据的水平和季节性变化。五、计算题解析思路：1.差分计算：一阶差分Y'_t=Y_t-Y_(t-1)。逐项计算。2.ACF计算：*计算样本均值μ。*计算样本方差S^2。*计算样本自协方差γ_k=(1/n)*Σ(t=1ton-k)[Y_t-μ](Y_(t+k)-μ)。*计算样本自相关函数估计值ρ_k=γ_k/S^2。*分别计算k=1,2,3时的γ_k和ρ_k。注意样本量n=7。计算过程：1.原序列：Y=[3,6,7,9,12,15,18]。一阶差分序列Y'=[Y_t-Y_(t-1)]=[6-3,7-6,9-7,12-9,15-12,18-15]=[3,1,2,3,3,3]。2.样本均值μ=(3+1+2+3+3+3)/6=17/6。3.样本方差S^2=[(3-17/6)^2+(1-17/6)^2+(2-17/6)^2+(3-17/6)^2+(3-17/6)^2+(3-17/6)^2]/6=[(11/6)^2+(-5/6)^2+(-1/6)^2+(1/6)^2+(1/6)^2+(1/6)^2]/6=(121/36+25/36+1/36+1/36+1/36+1/36)/6=(151/36)/6=151/216。4.计算自协方差γ_k：*γ_0=S^2=151/216。*γ_1=(1/6)*[(3-17/6)(1-17/6)+(1-17/6)(2-17/6)+(2-17/6)(3-17/6)+(3-17/6)(3-17/6)+(3-17/6)(3-17/6)+(3-17/6)(3-17/6)]=(1/6)*[(-11/6)(-5/6)+(-5/6)(-1/6)+(-1/6)(1/6)+(1/6)(1/6)+(1/6)(1/6)+(1/6)(1/6)]=(1/6)*[(55/36)+(5/36)+(-1/36)+(1/36)+(1/36)+(1/36)]=(1/6)*[61/36]=61/216。*γ_2=(1/6)*[(3-17/6)(2-17/6)+(1-17/6)(3-17/6)+(2-17/6)(3-17/6)+(3-17/6)(3-17/6)+(3-17/6)(3-17/6)+(3-17/6)(3-17/6)]=(1/6)*[(-11/6)(-1/6)+(-5/6)(1/6)+(-1/6)(1/6)+(1/6)(1/6)+(1/6)(1/6)+(1/6)(1/6)]=(1/6)*[(11/36)+(-5/36)+(-1/36)+(1/36)+(1/36)+(1/36)]=(1/6)*[7/36]=7/216。5.计算自相关函数估计值ρ_k：*ρ_0=γ_0/S^2=(151/216)