2025年大学《应用统计学》专业题库- 时间序列分析与预测建模

2025年大学《应用统计学》专业题库——时间序列分析与预测建模考试时间：______分钟总分：______分姓名：______一、名词解释1.时间序列2.平稳时间序列3.季节性4.ARIMA模型二、判断题1.所有时间序列数据都包含趋势成分。()2.移动平均法可以有效消除时间序列数据的季节性影响。()3.差分运算的主要目的是将非平稳时间序列转化为平稳时间序列。()4.自回归模型（AR）的随机项是白噪声序列。()5.指数平滑法赋予近期观测值比远期观测值更大的权重。()三、简答题1.简述时间序列分析中，为什么通常需要将非平稳序列转化为平稳序列？2.简述乘法时间序列模型的结构及其含义。3.简述自回归模型（AR）和移动平均模型（MA）的主要区别。4.简述在构建ARIMA模型后，进行模型诊断的主要目的和方法。四、计算题1.某时间序列数据如下：5,8,7,9,12,10,11,13,15,14。请计算其三阶移动平均（简单算术平均）。2.某产品月销售量数据（单位：件）如下：100,120,110,130,115,140,125,135,120,145。假设数据具有线性趋势和季节性，请使用二次指数平滑法（需给出平滑公式和初始值设定思路）预测下一期（第11期）的销售量。3.假设对某个平稳时间序列进行了差分处理，得到的一阶差分序列如下：2,-1,3,-2,4。请估计该一阶差分序列对应的自回归模型（AR(1)）的参数ω（即AR(1)模型中的系数）。4.某时间序列数据经过差分后符合ARIMA(1,1,1)模型。假设模型已估计得到参数φ=0.6,θ=0.3(均假设已通过检验且残差为白噪声)。请写出该模型的数学表达式，并计算当期观测值为120时，下一期（t+1期）的预测值（不考虑常数项）。五、综合应用题1.假设你正在分析某城市月用电量数据，绘制了原始数据的时序图，发现数据呈现明显的向上趋势，且月度之间存在季节性波动。同时，绘制了其一阶差分数据的ACF和PACF图，如下所示（此处省略图形，假设ACF图呈现正弦波形状且在1阶和-1阶处显著，PACF图在1阶处显著后迅速衰减）。请根据以上信息，选择一个合适的预测模型，说明理由，并简述选择该模型进行预测的基本步骤。2.某分析师利用ARIMA(1,1,1)模型对某股票日收盘价进行了预测，得到的模型残差序列如下：0.2,-0.1,0.3,-0.2,0.1,-0.3,0.2。请分析该残差序列是否可能为白噪声序列？说明你的判断依据。---试卷答案一、名词解释1.时间序列:指按照时间顺序排列的一系列数据，通常用于描述某个现象随时间变化的状态或行为。2.平稳时间序列:指其统计特性（如均值、方差、自协方差函数）不随时间变化的随机过程。具体而言，弱平稳（宽平稳）要求均值恒定，方差有限且与时间无关，自协方差函数仅依赖于时间间隔。3.季节性:指时间序列数据在一年或更短周期内出现的规律性波动。这种波动是由季节因素（如月份、季度、星期几等）引起的。4.ARIMA模型:自回归积分移动平均模型（AutoregressiveIntegratedMovingAveragemodel）的简称，是处理非平稳时间序列的一种常用方法。它由自回归（AR）、差分（I，Integrated）和移动平均（MA）三个部分组成，形式为ARIMA(p,d,q)。二、判断题1.×*解析:时间序列数据可能只包含趋势、季节性、周期性，或者随机波动，也可能同时包含多种成分。并非所有时间序列都必然包含趋势成分。2.×*解析:移动平均法（无论是简单还是加权）主要是平滑时间序列数据，抑制随机波动和短期不规律变化，有助于识别潜在的长期趋势。它不能直接消除季节性影响，除非移动步长恰好等于季节周期长度。3.√*解析:许多实际的时间序列数据（如宏观经济指标、公司销售数据等）是非平稳的，通常具有明显的趋势或季节性。差分运算（特别是差分到平稳）是时间序列分析中常用的预处理步骤，目的是消除这些非平稳性，使数据满足平稳性假设，从而可以使用更成熟的平稳时间序列模型进行分析和预测。4.√*解析:自回归模型（AR(p)）描述了当前观测值与过去p期观测值的线性关系。其随机项（即差分后的序列或模型中的误差项）通常被假设为白噪声序列，即具有零均值、恒定方差和零自协方差（不相关）的特性。5.√*解析:指数平滑法中，平滑系数α(0<α<1)负责赋予最近观测值的权重，而赋予前一期平滑值（代表历史信息）的权重为(1-α)。由于0<α<1，因此α总是大于(1-α)，这意味着近期观测值比远期观测值得到更大的权重。三、简答题1.解析:将非平稳序列转化为平稳序列是进行时间序列分析的前提，主要原因在于：*许多经典的统计理论和模型（如普通最小二乘法OLS）都建立在数据满足平稳性的假设之上。对非平稳数据进行OLS估计可能导致伪回归，即变量间似乎存在显著关系，但实际上并无真实关联，从而得出错误的结论。*平稳性是许多时间序列模型（如ARIMA模型）有效性的基础。只有数据平稳，ARIMA模型才能捕捉数据中的真实结构并进行可靠的预测。*平稳时间序列通常具有更稳定的统计特性，使得模型识别和参数估计更加可靠。2.解析:乘法时间序列模型的结构为：Yt=Tt*Ss*Cc*εt，其中：*Yt是第t期的时间序列观测值。*Tt代表趋势成分，反映了数据随时间长期增长或下降的形态。*Ss代表季节性成分，反映了数据在固定周期（如一年、一季度、一月）内的规律性波动幅度，其值在0到1之间（或-1到1之间）。*Cc代表循环成分，反映了数据中周期性较长（通常超过一年）的波动，幅度可能较大，但不规则。*εt是白噪声误差项，代表了除去趋势、季节性和循环成分后的随机波动。*该模型假设趋势、季节性、循环和随机成分是相乘的关系，意味着各成分的波动会相互影响。例如，如果趋势向上，且季节性在某个时期也处于高峰，那么该时期的观测值可能会显著高于趋势线。3.解析:自回归模型（AR(p)）和移动平均模型（MA(q)）的主要区别在于它们描述随机项（误差或扰动）的结构：*自回归模型(AR(p)):模型的当前随机项εt与过去p期（t-1,t-2,...,t-p）的观测值Yt-1,Yt-2,...,Yt-p线性相关。它捕捉的是数据序列自身滞后项对其当前值的影响。其本质是利用历史信息来预测未来。数学形式：Yt=c+φ1Yt-1+φ2Yt-2+...+φpYt-p+εt*移动平均模型(MA(q)):模型的当前随机项εt与过去q期（t-1,t-2,...,t-q）的随机项εt-1,εt-2,...,εt-q线性相关。它描述的是过去的误差如何影响当前的观测值。其本质是当前观测值在多大程度上受到过去随机冲击的“拖累”。数学形式：Yt=c+θ1εt-1+θ2εt-2+...+θqεt-q+εt*核心区别:AR模型关注滞后观测值的影响，而MA模型关注滞后误差项的影响。两者都是线性模型，但信息来源不同。4.解析:在构建ARIMA模型后进行模型诊断的主要目的和方法是：*目的:*验证模型假设是否成立：检查模型残差是否为白噪声序列，这是ARIMA模型有效性的关键。*评估模型拟合优度：通过残差分析判断模型是否已充分捕捉数据中的信息。*发现模型缺陷：如果残差不满足白噪声条件，可能意味着模型选择不当（如阶数p,d,q设置错误）或遗漏了重要信息（如季节性、非线性趋势等）。*方法:*残差图观察:绘制残差序列的时序图，观察是否存在明显的模式（如趋势、季节性、周期性），或者残差均值是否偏离零。*残差自相关函数(ACF)和偏自相关函数(PACF)检验:计算并绘制残差序列的ACF和PACF图。如果模型设定正确，残差的ACF和PACF图应迅速衰减至零（或落在置信区间内），表明残差序列是白噪声。如果存在显著拖尾或截尾，则表明模型不完整或存在设定错误。*正态性检验:检查残差是否近似服从正态分布（如使用Shapiro-Wilk检验、QQ图）。*方差齐性检验:检查残差的方差是否恒定。*白噪声检验:使用统计检验（如Ljung-BoxQ检验）来正式检验残差序列是否为白噪声。四、计算题1.解析:三阶移动平均是取最近三个观测值的平均值。计算如下：第2项移动平均=(5+8+7)/3=20/3第3项移动平均=(8+7+9)/3=24/3=8第4项移动平均=(7+9+12)/3=28/3...第9项移动平均=(12+10+11)/3=33/3=11第10项移动平均=(10+11+13)/3=34/3第11项移动平均=(11+13+15)/3=39/3=13第12项移动平均=(13+15+14)/3=42/3=14结果为：20/3,8,28/3,9,31/3,10,11,33/3,11,34/3,13,14(或6.67,8,9.33,10,10.33,10,11,11,11,11.33,13,14)。2.解析:*思路:二次指数平滑法适用于具有线性趋势的时间序列。需要两个平滑值：St（水平项）和S2t（趋势项）。预测公式为:Ŷt+1=St+b(t)。其中，b(t)是对趋势的估计，常用公式为b(t)=2(S(t)-S(t-1))/(m-1)或b(t)=(S(t)-S(t-k))/k(k为数据点数)。这里采用前者，并假设初始值S0和S1可根据前几个数据点估算（例如，S0可取S1，S1可取第一和第二个观测值的平均）。*计算:假设m=3(三期移动平均或指数平滑的周期),S0=110(或S1的估计),S1=(100+120)/2=110。计算各期指数平滑值（α=0.3）：S2=α*Y2+(1-α)*S1=0.3*110+0.7*110=110S3=α*Y3+(1-α)*S2=0.3*120+0.7*110=36+77=113S4=α*Y4+(1-α)*S3=0.3*130+0.7*113=39+79.1=118.1S5=α*Y5+(1-α)*S4=0.3*115+0.7*118.1=34.5+82.67=117.17S6=α*Y6+(1-α)*S5=0.3*140+0.7*117.17=42+81.82=123.82S7=α*Y7+(1-α)*S6=0.3*125+0.7*123.82=37.5+86.67=124.17S8=α*Y8+(1-α)*S7=0.3*135+0.7*124.17=40.5+86.92=127.42S9=α*Y9+(1-α)*S8=0.3*120+0.7*127.42=36+89.19=125.19S10=α*Y10+(1-α)*S9=0.3*145+0.7*125.19=43.5+87.63=131.13计算趋势项：b(2)=2(S2-S1)/(m-1)=2(110-110)/(3-1)=0b(3)=2(S3-S2)/(3-1)=2(113-110)/2=3b(4)=2(S4-S3)/(3-1)=2(118.1-113)/2=5.1b(5)=2(S5-S4)/(3-1)=2(117.17-118.1)/2=-0.93b(6)=2(S6-S5)/(3-1)=2(123.82-117.17)/2=3.325b(7)=2(S7-S6)/(3-1)=2(124.17-123.82)/2=0.175b(8)=2(S8-S7)/(3-1)=2(127.42-124.17)/2=1.625b(9)=2(S9-S8)/(3-1)=2(125.19-127.42)/2=-1.115b(10)=2(S10-S9)/(3-1)=2(131.13-125.19)/2=2.97预测下一期（第11期）：Ŷ11=S10+b(10)=131.13+2.97=134.1*（注：平滑系数α的选择会影响结果，此处α=0.3仅为示例。初始值设定也对结果有影响，具体可依据数据特性调整。）*3.解析:*思路:AR(1)模型的形式为Yt=c+ωYt-1+εt。其中，ω是需要估计的参数。通常使用最小二乘法进行估计。由于模型中只有滞后一期的变量Yt-1，可以通过计算Yt与Yt-1的相关系数来近似估计ω。在平稳序列中，自相关系数ρ(1)=Cov(Yt,Yt-1)/Var(Yt)。如果模型完全符合Yt=ωYt-1+εt，且εt是白噪声，则ρ(1)≈ω。差分序列ΔYt=Yt-Yt-1。*计算:已知一阶差分序列：2,-1,3,-2,4。计算ΔYt的均值（理论上应为0，用于中心化）:(2-1+3-2+4)/5=6/5=1.2。假设数据已中心化，或直接使用原始差分数据进行相关系数计算（结果应一致）。计算差分序列的方差s²=[(2-1.2)²+(-1-1.2)²+(3-1.2)²+(-2-1.2)²+(4-1.2)²]/4=[0.64+5.76+3.84+11.04+7.84]/4=29.28/4=7.32。计算自相关系数ρ(1)=Cov(ΔYt,ΔYt-1)/s²。Cov(ΔYt,ΔYt-1)=[(2)(-1)+(-1)(3)+(3)(-2)+(-2)(4)+(4)(2)]/4=[-2-3-6-8+8]/4=-11/4=-2.75。ρ(1)=-2.75/7.32≈-0.377。由于AR(1)模型的参数ω与自相关系数ρ(1)近似相等，因此ω≈-0.377。4.解析:*思路:ARIMA(1,1,1)模型的完整形式为ΔYt=φ(Yt-1-Yt-2)+θεt-1+εt。其中，φ是AR部分的系数，θ是MA部分的系数。题目已给出φ=0.6,θ=0.3，并假设残差为白噪声。要求预测t+1期值，即预测Yt+1。根据模型，Yt+1=Yt+ΔYt+1。需要先求ΔYt+1。根据模型ΔYt=φYt-1+θεt-1+εt，将t替换为t+1，得到ΔYt+1=φYt+θεt+εt+1。*计算:预测ΔYt+1=φYt+θεt+εt+1。由于εt和εt+1是随机误差项，通常假设其期望为0。因此，ΔYt+1的期望值为E[ΔYt+1]=φE[Yt]+θE[εt]=φμ（如果Yt是平稳的，则其均值为μ）。同时，εt+1是随机变量，其期望为0。因此，ΔYt+1的期望值为φμ。预测Yt+1=Yt+E[ΔYt+1]=Yt+φμ。题目未给出Yt的具体值和均值μ。但题目要求计算“下一期（t+1期）的预测值”，通常在模型参数已知的情况下，预测值是基于模型结构而非历史数据点计算的。如果题目隐含Yt是已知的（例如Yt=120），且假设序列均值μ=0（常见于纯随机模型或差分后模型），则：ΔYt+1的期望值≈0.6*0+0.3*0+0=0。预测Yt+1=Yt+0=120+0=120。*（更严谨的写法是：Yt+1的预测值是Yt+φμ。因为Yt和μ都是未知量，所以不能给出一个具体的数值预测值，除非题目提供了Yt和μ的信息。但题目要求计算“下一期...预测值”，可能是在暗示使用模型参数进行结构化预测。这里假设Yt=120且μ=0以完成计算。另一种可能是题目想考察即使知道参数，也必须结合Yt和μ才能预测Yt+1。）**（如果理解为求ΔYt+1的预测值，则为0.6*120+0.3*0+0=72。但题目问Yt+1。因此采用第一种解释。）*最终预测值=Yt+0=120+0=120。五、综合应用题1.解析:*选择模型:根据描述，数据呈现明显趋势和季节性，且一阶差分数据的ACF在1阶处显著，PACF在1阶处显著后迅速衰减。这表明一阶差分数据近似为白噪声，且原始数据具有自回归特性。因此，最合适的模型是自回归模型，即ARIMA(p,d,q)=ARIMA(1,1,0)或ARIMA(1,1,1)（取决于残差MA检验）。鉴于ACF在1阶后迅速衰减，ARIMA(1,1,0)可能更合适。但若PACF在1阶后未完全消失，或为简化考虑，可选用ARIMA(1,1,1)。*理由:数据结构符合ARIMA(1,1,q)模型特征。一阶差分使非平稳数据平稳，且自相关图显示存在显著的自回归关系（1阶），表明当期值与滞后一期的值有关。若MA部分不显著，则ARIMA(1,1,0)足够。若MA部分也显著，则需ARIMA(1,1,1)。题目未提供完整的ACF/PACF图，此处假设主要驱动力是自回归。*步骤:1.对原始数据进行一阶差分，得到ΔYt。2.绘制ΔYt的时序图，确认其平稳性。3.绘制ΔYt的ACF和PACF图，识别自回归阶数p和移动平均阶数q。4.选择合适的ARIMA(p,d,q)模型（此处初步选择ARIMA(1