2025年大学《统计学》专业题库- 统计学中的需求预测模型

2025年大学《统计学》专业题库——统计学中的需求预测模型考试时间：______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后的括号内）1.在需求预测中，当数据呈现明显的季节性波动时，以下哪种模型或方法通常不适用？（）A.指数平滑法B.ARIMA模型C.简单线性回归模型D.移动平均法（未考虑季节性）2.采用指数平滑法进行预测时，平滑常数α的取值范围为（）。A.0<α<1B.-1<α<1C.0≤α≤1D.α>03.对于一个平稳的时间序列，其均值和方差（）。A.均随时间变化B.均不随时间变化C.均值不变，方差随时间变化D.均值随时间变化，方差不变4.在ARIMA(p,d,q)模型中，参数d代表的是（）。A.模型的自回归阶数B.模型的移动平均阶数C.对时间序列进行差分的次数，以使其平稳D.模型的趋势项阶数5.以下哪个指标是衡量预测误差绝对水平的常用指标？（）A.决定系数(R²)B.均方误差(MSE)C.平均绝对误差(MAE)D.标准误差(SE)6.如果一个时间序列的观测值与其前一个观测值之间存在强烈的正相关关系，则其自相关系数（ACF）图在（）处可能表现出显著峰值。A.延迟0阶B.延迟1阶C.延迟2阶D.延迟0阶和1阶7.在使用移动平均法预测时，选择较大的窗口宽度（n），通常会使预测结果（）。A.对近期变化更敏感B.对近期变化更不敏感，平滑效果更好C.减少随机波动D.提高预测精度8.对于需求预测模型，所谓的“过拟合”现象指的是（）。A.模型未能捕捉到数据中的长期趋势B.模型的预测误差过大C.模型过于复杂，恰好拟合了历史数据中的随机波动或噪声，导致对未来的预测能力下降D.模型参数估计不显著9.在构建基于回归模型的需求预测时，自变量X代表（）。A.需求的预测值B.需求的实际值C.可能影响需求的解释变量（如价格、广告投入、宏观经济指标等）D.时间变量10.当历史数据呈现明显的向上或向下趋势时，简单指数平滑法通常表现不佳，原因在于（）。A.它无法处理季节性因素B.它给予近期观测值过小的权重C.它给予早期观测值过小的权重D.它需要较大的数据量才能稳定二、填空题（每空2分，共20分。请将答案填在横线上）1.时间序列分析中，描述数据在长时期内持续上升或下降的倾向称为______。2.指数平滑法中，平滑常数α越大，模型对______的敏感度越高。3.若一个时间序列的ACF和PACF图均呈现拖尾现象，则该序列可能适合使用______模型进行预测。4.计算预测误差时，MAPE指标的英文全称是______。5.在多元线性回归模型y=β₀+β₁X₁+β₂X₂+ε中，β₁表示自变量X₁每变化一个单位，因变量y的期望值平均变化______个单位，假设其他自变量不变。6.进行需求预测前，对非平稳时间序列数据进行差分处理的主要目的是______。7.移动平均法（MA）模型中的参数q代表的是______。8.选择需求预测模型时，除了考虑预测精度，还应考虑模型的______、______和可解释性。9.ARIMA(1,1,1)模型意味着该模型包含______个自回归项，______次差分，以及______个移动平均项。10.当数据存在异方差性时，可能会影响预测模型中参数估计的______和预测结果的可靠性。三、简答题（每小题5分，共20分）1.简述简单指数平滑法（SES）的基本原理及其适用场景。2.解释什么是时间序列的平稳性？判断一个时间序列是否平稳，通常可以依据哪些统计图形或检验方法？3.在使用ARIMA模型进行预测前，进行模型定阶（确定p,d,q值）通常需要分析哪些统计图？简要说明分析思路。4.简述定性预测方法与定量预测方法的主要区别，并列举至少两种常用的定性预测方法。四、计算题（每小题10分，共30分）1.某商店过去6周的需求量数据如下：50,52,51,53,54,56。试用三点移动平均法（使用近3个数据点）预测第7周的需求量。2.某产品月度销售额数据如下（单位：万元）：120,123,125,128,130,133,136。试用一次指数平滑法（α=0.2）预测第8月份的销售额，并计算第7个月的预测误差（使用实际值与上一期预测值之差）。3.假设你已通过数据分析确定某个关于月销售额（y）和广告投入（x）的回归模型为：ŷ=100+5x。现某月广告投入为15万元，请预测该月的销售额。若该月的实际销售额为200万元，请计算其预测残差。五、综合应用题（15分）某公司销售一种季节性产品，历史销售数据显示存在明显的季节性波动，且长期趋势较为稳定。现该公司希望使用时间序列模型预测未来四个季度的销售量。请简述选择适合此场景的预测模型（如季节性指数平滑法、季节性ARIMA模型等）的思路，并说明在选择和建模过程中需要考虑的关键因素有哪些？试卷答案一、选择题1.C解析：简单线性回归模型假设因变量与自变量之间存在线性关系，不直接适用于具有明显季节性波动的需求数据。2.C解析：指数平滑法中，平滑常数α控制着新旧信息的权重，必须介于0和1之间，包括0和1。3.B解析：平稳时间序列的统计特性（均值、方差等）不随时间变化而变化。4.C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。5.C解析：MAE（平均绝对误差）直接衡量预测值与实际值之间的平均绝对偏差，易于理解且对异常值不敏感。6.B解析：ACF图衡量滞后项与原序列的相关性，若存在强正相关，则延迟1阶的ACF值会显著。7.B解析：较大的窗口宽度会平均更多的观测值，使得预测结果对近期变化的反应更迟钝，平滑效果更好。8.C解析：过拟合指模型过于复杂，不仅拟合了数据中的系统性模式，还包括了随机噪声，导致对未来数据的预测能力下降。9.C解析：在回归模型中，自变量X代表解释变量，是用于预测因变量的因素。10.C解析：简单指数平滑法赋予所有历史观测值相同的权重（尽管权重随时间衰减），且其本质是水平预测，难以捕捉和适应明显的趋势变化，因为它对早期数据赋予的权重仍然较大。二、填空题1.趋势2.近期观测值3.季节性ARIMA（或SARIMA）4.MeanAbsolutePercentageError5.β₁6.使时间序列平稳（或消除趋势和季节性）7.移动平均项数（或MA阶数）8.可行性、成本效益9.1、1、110.有效性（或一致性）三、简答题1.简单指数平滑法（SES）的基本原理是：预测下一期的值等于本期实际值与本期预测值的加权平均，权重分别为α（0<α<1）和1-α。它只考虑最近一个观测值和上一个预测值，适用于数据没有明显趋势和季节性的平稳序列。解析思路：理解SES的公式Yᵗ₊₁=αYᵗ+(1-α)Yᵗ₋₁，把握其只使用最近两个数据点，以及α值对平滑程度的影响。2.时间序列的平稳性指序列的统计特性（如均值、方差、自协方差）不随时间推移而变化。判断平稳性可通过图形观察：自相关函数（ACF）图和偏自相关函数（PACF）图随时间逐渐趋于零（或进入置信区间内）。也可使用单位根检验（如ADF检验）等统计方法进行检验。解析思路：定义平稳性，指出其核心特征是统计不变性，列举常用的可视化方法（ACF/PACF图趋于零）和正式检验方法（单位根检验）。3.定阶需分析自相关函数（ACF）图和偏自相关函数（PACF）图。ACF图显示序列与其滞后项的相关性，PACF图显示在控制了中间滞后项后，序列与其滞后项的直接相关性。对于ARIMA(p,d,q)模型：ACF图通常呈现截尾（在某阶后迅速衰减至零），PACF图呈现拖尾（逐渐衰减）；或者ACF图呈现拖尾，PACF图呈现截尾。根据拖尾或截尾的阶数，初步判断p和q的值。同时结合时间序列图判断是否需要差分（d），以及差分后的平稳性。解析思路：明确定阶依据是ACF和PACF图，分别描述ACF和PACF在AR和MA模型中的典型表现（拖尾、截尾），并将p、q与图形特征对应起来，提及d的判断依据（时间序列图和差分后的平稳性）。4.定性预测方法主要依赖专家判断、市场调研、直觉和经验来预测未来，不依赖历史数据或数学模型，适用于数据缺乏或变化迅速、未来环境不确定的情况。定量预测方法基于历史数据，运用统计模型或数学公式进行预测，适用于数据充足且具有某种模式（趋势、季节性）的情况。常用的定性方法有：专家意见法（如德尔菲法）、市场调研、销售人员意见综合等。解析思路：区分定性方法的“主观性”和定量方法的“客观性/数据依赖性”，列举各自典型特点，并给出两种具体的定性方法名称。四、计算题1.使用三点移动平均法（采用最近3个数据点：54,56,50），预测第7周的需求量=(54+56+50)/3=160/3≈53.33。解析思路：应用三点移动平均公式Yᵗ₊₁=(Yᵗ₋₂+Yᵗ₋₁+Yᵗ)/3，选取N=3，代入最后三个数据点进行计算。2.一次指数平滑预测：第1期预测F₁=Y₁=120。第2期预测F₂=αY₁+(1-α)F₁=0.2*120+0.8*120=120。第3期预测F₃=αY₂+(1-α)F₂=0.2*123+0.8*120=24.6+96=120.6。...第7期预测F₇=αY₆+(1-α)F₆=0.2*133+0.8*130.64=26.6+104.512=131.112。第8期预测F₈=αY₇+(1-α)F₇=0.2*136+0.8*131.112=27.2+104.8896=132.0896。第7个月的预测误差=实际值Y₇-预测值F₇=136-131.112=4.888。解析思路：应用一次指数平滑公式Fₜ₊₁=αYₜ+(1-α)Fₜ，从第一期开始逐期计算预测值，直到第8期。计算第7期的预测误差时，使用的是第7期的实际值Y₇和第7期的预测值F₇。3.根据回归模型ŷ=100+5x：当广告投入x=15万元时，预测销售额ŷ=100+5*15=100+75=175万元。预测残差e=实际值Y-预测值Ŷ=200-175=25万元。解析思路：将自变量值x=15代入回归方程计算预测值Ŷ。然后使用实际值Y=200和预测值Ŷ=175计算残差e=Y-Ŷ。五、综合应用题选择模型思路：由于数据存在明显季节性且长期趋势稳定，应优先考虑能够同时处理趋势和季节性因素的时间序列模型。常用选择包括：季节性指数平滑法（如Holt-Winters方法）或季节性ARIMA模型（SARIMA模型）。选择时需考虑数据量大小、模型复杂性、数据平稳性要求以及个人熟悉程度。例如，若数据量较大且希望模型具有较好的自适应能力，可考虑Holt-Winters方法；若希望模型有更强的理论基础和灵活性处理复杂模式，可考虑SARIMA模型。关键因素：1.数据检验：确认数据是否存在趋势和季节性，是否需要差分使其平稳。2.模型选择：根据数据特性、可用工具和预测目标选择最合适的模型类型（如SES,Holt,Winter's,ARIMA,S