2025年大学《应用统计学》专业题库- 时间序列分析方法及其实际应用案例

2025年大学《应用统计学》专业题库——时间序列分析方法及其实际应用案例考试时间：______分钟总分：______分姓名：______一、选择题（每题2分，共10分）1.以下哪种时间序列图通常用于初步判断时间序列数据是否存在趋势成分？A.散点图B.股价K线图C.时间序列图D.饼图2.如果一个时间序列经过一阶差分后变为平稳序列，则原序列的随机walk模型可以表示为：A.Yₜ=α+Yₜ₋₁+εₜB.Yₜ=α+βt+εₜC.Yₜ=Yₜ₋₁+εₜD.Yₜ=α+εₜ3.在ARIMA(p,d,q)模型中，参数d代表：A.模型中的自回归阶数B.模型中的移动平均阶数C.对序列进行差分的次数D.模型的季节性周期长度4.对于一个只包含明显上升趋势的时间序列，以下哪种指数平滑方法可能最不适用？A.简单指数平滑B.霍尔特线性趋势平滑C.双指数平滑D.霍尔特-温特斯季节性平滑5.在进行ARIMA模型拟合后，对残差进行白噪声检验的目的是：A.检验原序列的平稳性B.检验模型参数的显著性C.检验模型是否充分捕捉了数据中的信息D.检验数据是否存在季节性成分二、填空题（每题2分，共10分）6.时间序列数据根据其数值是否随时间变化，可以分为_______时间序列和_______时间序列。7.检验时间序列平稳性的常用统计检验方法包括_______检验和KPSS检验。8.ARIMA(1,1,1)模型的自回归系数ϕ₁、移动平均系数θ₁和常数项c的最小二乘估计公式分别为_______、________和_______。（请填写公式名称）9.霍尔特-温特斯指数平滑法同时考虑了水平、趋势和_______三个因素。10.若时间序列数据的自相关系数ρ₁、ρ₂、...、ρₖ均近似为0，而偏自相关系数α₁(k)在k=1时显著不为0，则可以考虑拟合_______模型。三、计算题（每题10分，共30分）11.假设某时间序列数据如下：Y=[10,12,13,15,16,18,20]。计算该序列的一阶差分序列(Yₜ-Yₜ₋₁)和二阶差分序列((Yₜ-Yₜ₋₁)-(Yₜ₋₁-Yₜ₋₂))。12.已知一个AR(1)模型Yₜ=ϕYₜ₋₁+εₜ，其中εₜ~WN(0,σ²)，且ϕ=0.7。若Y₀=100，求Y₄的均值和方差。13.某时间序列的观测值为Y=[120,125,128,130,135,140,145]。试用三点移动平均法（取n=3）计算该序列的平滑值，并指出移动平均法在平滑趋势方面的局限性。四、简答题（每题10分，共20分）14.简述如何通过观察时间序列图来判断数据中是否存在明显的趋势成分和季节性成分。15.解释什么是季节性ARIMA模型（SARIMA模型），并说明其与普通ARIMA模型在建模步骤上的主要区别。五、论述题（20分）16.以一个具体的商业场景（如零售业销售额预测、网站用户访问量分析等）为例，阐述运用时间序列分析方法进行预测的全过程。请简述需要考虑的步骤，包括数据预处理、模型选择依据、模型拟合与诊断、预测实施以及结果解释等环节，并说明在该场景下选择时间序列分析方法的合理性。试卷答案一、选择题1.C2.C3.C4.A5.C二、填空题6.平稳；非平稳7.Dickey-Fuller(ADF)8.ϕ̂₁=Σ(YₜYₜ₋₁)/Σ(Yₜ₋₁²),θ̂₁=Σ(YₜYₜ₋₂)/Σ(Yₜ₋₂²),ĉ=(ΣYₜ-n*bar(Y))/n(最小二乘估计公式名称)9.季节性10.AR(1)三、计算题11.一阶差分序列:[2,1,2,1,2,2],二阶差分序列:[0,1,-1,0,0]解析思路：一阶差分Yₜ-Yₜ₋₁，二阶差分为一阶差分序列再进行一阶差分。12.Y₄的均值E(Y₄)=100*0.7⁴=100*0.2401=24.01,方差Var(Y₄)=(0.7)²*σ²=0.49*σ²解析思路：AR(1)模型Yₜ=ϕYₜ₋₁+εₜ。均值E(Yₜ)=ϕE(Yₜ₋₁)=ϕ²E(Yₜ₋₂)=...=ϕ^tE(Y₀)。方差Var(Yₜ)=ϕ²Var(Yₜ₋₁)=...=ϕ^(2t)Var(Y₀)。本题中E(Y₀)=100,Var(Y₀)=σ²(假设Y₀独立同分布)，故E(Y₄)=100*0.7⁴,Var(Y₄)=0.49*σ²。13.平滑值:[127,128.6667,130,132.3333,134.6667,137,139.3333]解析思路：三点移动平均法，每个平滑值是它及其前两个相邻观测值的算术平均。如第一个平滑值(针对Y₂)=(Y₀+Y₁+Y₂)/3=(120+125+128)/3。依次类推。局限性：平滑法是“牺牲”部分信息以换取平滑，会导致数据丢失（端点数据无法计算）、对突变点不敏感、平滑效果受窗口大小n影响。四、简答题14.解析思路：观察时间序列图，若数据点呈现明显的向上或向下倾斜趋势，则存在趋势成分。趋势可以是线性或非线性。若数据点在某个水平附近上下波动，且波动的模式在年度、季度或月份等周期上重复出现，则存在季节性成分。可通过绘制年度/季度/月度数据图来更清晰地识别季节性。15.解析思路：SARIMA(p,d,q)(P,D,Q)s模型是ARIMA模型推广到存在季节性成分的情况。它包含两部分：一部分是非季节性的ARIMA模型（ARIMA(p,d,q)），用于捕捉数据中的非季节性成分和趋势；另一部分是季节性的ARIMA模型（SARIMA(P,D,Q)s），其中P、D、Q分别为季节性自回归阶数、季节性差分阶数、季节性移动平均阶数，s为季节周期长度（如年、季、月）。建模步骤的主要区别在于：在SARIMA模型中，除了进行非季节性差分d次外，还需要进行季节性差分D次（通常D<=1），且在模型中包含季节性自回归项（AR(P)s）和季节性移动平均项（MA(Q)s）。模型诊断和预测时也需要考虑季节性滞后。五、论述题16.解析思路：以零售业月度销售额预测为例。1.数据收集与预处理：收集历史月度销售额数据。检查数据是否存在缺失值或异常值，并进行处理。绘制时间序列图，初步判断数据是否存在趋势、季节性和随机波动。若存在非平稳性（趋势或季节性），需进行差分处理（如一阶差分去除趋势，季节性差分去除季节性）直至数据平稳。进行平稳性检验（如ADF检验）。2.模型选择依据：根据平稳化后数据的自相关函数（ACF）和偏自相关函数（PACF）图，初步判断数据适合的ARIMA(p,d,q)阶数。同时，考虑季节性，如果ACF和PACF图显示出明显的季节性滞后（如滞后s,2s,3s...处的ACF或PACF显著），则应选择SARIMA(p,d,q)(P,D,Q)s模型，其中s为季节周期。3.模型拟合与诊断：选择合适的模型（如SARIMA(1,1,1)(1,1,1)12），使用极大似然估计法拟合模型参数。对模型拟合后的残差进行检验，要求残差序列应像白噪声，即残差的ACF和PACF图不显著，且服从均值为0、方差恒定的正态分布。常用的残差检验方法包括Ljung-BoxQ检验和白噪声检验（如BP检验）。4.预测实施：在模型通过诊断检验后，利用拟合好的模型进行未来t步的预测。计算点预测值和预测区间。5.