2025年大学《统计学》专业题库- 时间序列预测方法在经济统计学中的应用

2025年大学《统计学》专业题库——时间序列预测方法在经济统计学中的应用考试时间：______分钟总分：______分姓名：______一、选择题（每小题2分，共10分）1.某经济指标的观测值呈现持续上升的趋势，但其变化率逐渐减小并趋于稳定。为了预测未来趋势，以下哪种时间序列模型可能最为合适？A.水平模型（无趋势）B.线性趋势模型C.指数趋势模型D.季节性模型2.在构建ARIMA(p,d,q)模型时，参数d表示什么？A.模型的阶数B.模型中差分的次数C.模型中自回归项的数量D.模型中移动平均项的数量3.对于一个平稳的时间序列数据，其自相关函数（ACF）和偏自相关函数（PACF）的特征是？A.ACF和PACF都逐渐衰减至零B.ACF和PACF都呈现截尾特征C.ACF逐渐衰减至零，PACF呈现截尾特征D.ACF呈现截尾特征，PACF逐渐衰减至零4.某时间序列数据经过一阶差分后变得平稳。根据Box-Jenkins方法，构建该序列的预测模型时，应考虑的模型类型是？A.ARIMA(0,1,0)B.ARIMA(1,1,0)C.ARIMA(0,1,1)D.ARIMA(1,1,1)5.在比较多个候选时间序列模型（如ARIMA模型）时，常用的信息准则包括？A.标准差和方差B.R平方和调整R平方C.AIC和BICD.自相关系数和偏自相关系数二、填空题（每小题2分，共10分）6.时间序列数据按其数值的变异性，可以分为______序列、______序列和______序列。7.如果一个时间序列的自相关函数表现出显著的周期性波动，则通常表明该序列可能存在______。8.在ARIMA模型中，为了消除序列的非平稳性，常常需要对原始数据进行差分处理。一阶差分是指时间序列中相邻观测值之差，用______表示。9.指数平滑法是一种重要的时间序列预测方法，它赋予近期观测值比______观测值更高的权重。10.在进行时间序列预测时，即使模型拟合良好，预测结果也存在不确定性，这主要源于模型的______假设和潜在的结构性变化。三、简答题（每小题5分，共20分）11.简述平稳时间序列的主要特征及其在应用中的意义。12.请解释什么是季节性时间序列，并简述SARIMA模型在处理具有季节性因素的经济数据时的一般步骤。13.在使用ARIMA模型进行预测时，残差分析的作用是什么？请列举至少三种常用的残差检验方法。14.与传统的回归预测方法相比，时间序列预测方法在经济预测中有哪些独特的优势和局限性？四、计算题（每小题8分，共16分）15.假设某地区GDP数据（单位：亿元）形成了一个平稳时间序列，经过分析确定其适合用AR(2)模型拟合。已知模型的参数φ₁=0.6,φ₂=-0.3，以及最近的三个观测值分别为Y₁₀=1200,Y₁₁=1250,Y₁₂=1260。请根据这些信息，预测该地区下一期（Y₁₃）的GDP值。16.某公司月度销售额数据呈现明显的线性趋势和季节性。经过季节调整后，得到趋势循环序列TCT和季节指数SI（假设为四季度数据，SI₁=1.1,SI₂=0.9,SI₃=0.8,SI₄=1.2）。若已预测下一年的趋势循环序列TCT将保持稳定，且下一年的第一、二季度实际销售额分别为Y₂₁=1100万元，Y₂₂=950万元。请使用乘法模型，预测该公司下一年的第三季度和第四季度销售额。五、论述题（每小题10分，共20分）17.试结合经济统计学的实际应用场景，论述在选择时间序列预测方法（如ARIMA、指数平滑、季节性模型等）时应考虑哪些因素，并说明如何权衡不同方法的适用性。18.以某个具体的宏观经济指标（如消费者信心指数、通货膨胀率等）为例，设想其可能的时间序列特性（趋势、季节性、周期性等），并讨论在对其进行长期预测时，统计模型预测结果可能面临哪些挑战，以及如何利用经济理论知识来辅助判断和解释预测结果。试卷答案一、选择题1.C2.B3.A4.D5.C二、填空题6.平稳、趋势、季节性7.季节性因素（或季节性）8.ΔYt(或yt-yt-1)9.远期10.结构稳定性（或结构不变）三、简答题11.平稳时间序列的主要特征：其统计特性（如均值、方差、自协方差）不随时间变化而变化，特别是自协方差仅依赖于两个观测值之间的时间间隔，而与时间起点无关。应用意义：平稳性是大多数时间序列模型（如ARIMA、指数平滑）有效应用的基本前提，保证了模型的预测能力基于数据固有的随机结构，而非特定的趋势或漂移。12.季节性时间序列是指数据在每年相同的时间段内（如每季度、每月）呈现规律性的波动。SARIMA模型步骤：①识别数据是否存在趋势和季节性，确定差分次数d和季节差分次数D。②对数据进行差分处理，使其平稳。③通过绘制ACF和PACF图（考虑季节滞后），初步判断自回归项p、移动平均项q以及季节性自回归项P、季节性移动平均项Q的阶数。④估计模型参数，并进行模型诊断（如残差白噪声检验）。⑤使用拟合好的模型进行预测，必要时逆差分还原到原始数据水平。13.残差分析作用：检验所拟合的时间序列模型是否恰当。理想情况下，模型的残差应像白噪声，即不存在自相关性，且符合模型假设（如正态分布、方差齐性）。常用检验方法：①观察残差序列的ACF和PACF图，看是否在零附近随机波动。②进行Ljung-BoxQ检验，统计检验残差是否存在自相关性。③进行白噪声检验（如ADF检验），判断残差序列是否为平稳的随机过程。④检查残差的正态性（如Q-Q图、Shapiro-Wilk检验）和方差齐性。14.优势：能够充分利用历史数据自身的变化规律进行预测，尤其适用于缺乏外部解释变量的内生经济指标预测。模型相对简洁，易于理解和实施。局限性：主要基于历史数据的模式外推，对结构性的突变（如政策变化、外部冲击）不敏感，导致长期预测精度下降。对数据质量要求高，异常值可能严重影响模型结果。预测结果往往难以提供对经济变量变动原因的深入解释。四、计算题15.解析思路：AR(2)模型表示当前值是前期值和前期前期值的线性组合。预测下一期值Y₁₃，需要用到当前已知值Y₁₂和Y₁₁。根据模型Yt=φ₁Yt-1+φ₂Yt-2+εt，将t=13代入，得到Y₁₃=φ₁Y₁₂+φ₂Y₁₁。将已知参数和值代入计算。计算过程：Y₁₃=0.6*Y₁₂+(-0.3)*Y₁₁=0.6*1260+(-0.3)*1250=756-375=381。答案：预测下一期GDP值为381亿元。16.解析思路：乘法模型Yt=Tt*Ct*SI_t。已知下一年的趋势循环序列TCT和季节指数SI。预测第三季度销售额Y₃=TCT*SI₃，预测第四季度销售额Y₄=TCT*SI₄。由于题目未明确说明TCT的预测值，假设题目意图是使用已知的Y₁和Y₂作为TCT的近似值或包含在TCT中（尽管标准做法是预测TCT本身），但最直接的解读是利用给定的SI值进行计算。这里采用后者，即认为TCT是“1”（或题目隐含已知TCT的预测值）。则Y₃=1*SI₃=SI₃，Y₄=1*SI₄=SI₄。将SI₃和SI₄的值代入。计算过程：Y₃=TCT*SI₃≈1*0.8=0.8。Y₄=TCT*SI₄≈1*1.2=1.2。注意：此解法基于对题目意图的特定解读，即TCT为1或其影响已隐含在Y₁/Y₂中。若需严格预测，应先独立预测TCT。答案：预测第三季度销售额为0.8（可能是相对值或乘以某个基准值后的值），预测第四季度销售额为1.2（可能是相对值或乘以某个基准值后的值）。五、论述题17.解析思路：选择时间序列预测方法需综合考虑：①数据特征：分析数据是否存在趋势、季节性、周期性，是否平稳。②模型假设：所选模型（ARIMA、指数平滑等）的假设条件是否满足。③预测目的：预测期的长短，是短期还是长期。④模型复杂度与精度：简单模型易于理解和解释，但可能精度不高；复杂模型可能精度更高，但解释难度增加且过拟合风险增大。⑤计算资源与数据量：某些模型计算量大或需要大量数据。权衡：通常从简单模型开始尝试（如指数平滑），若效果不佳再考虑复杂模型（如ARIMA）。利用ACF/PACF图、AIC/BIC等信息准则辅助选择。需结合经济理论判断模型选择是否合理，残差分析是否通过。对于长期预测，需特别关注模型的结构稳定性假设是否成立，并考虑结合定性分析方法。18.解析思路：选取指标：如消费者信心指数（CPI）。特性设想：CPI可能呈现：a)短期波动（受随机事件影响）；b)中期趋势（反映总体信心变化）；c)季节性模式（节假日购物等）；d)周期性波动（与经济周期相关）。可能非平稳，需差分。长期预测挑战：①结构性变化：金融危机、重大政策调整（如刺激计划、税收改革）可能导致模型假设失效。②外部冲击：不可预见的突发事件（自然灾害、疫情