2025时间序列分析核心考点配套试题及答案

2025时间序列分析核心考点配套试题及答案

一、单项选择题（总共10题，每题2分）1.时间序列中随时间推移呈现出持续上升或下降趋势的成分是（）A.季节成分B.趋势成分C.循环成分D.随机成分2.宽平稳时间序列的自协方差函数仅与（）有关A.时间tB.滞后kC.时间t和滞后kD.样本量n3.AR(1)模型的自相关函数（ACF）特征是（）A.滞后1处截尾B.滞后1处拖尾C.所有滞后拖尾D.所有滞后截尾4.MA(1)模型的偏自相关函数（PACF）特征是（）A.滞后1处截尾B.滞后1处拖尾C.所有滞后拖尾D.所有滞后截尾5.单位根检验中最常用的方法是（）A.t检验B.F检验C.ADF检验D.χ²检验6.ARIMA(p,d,q)模型中，d表示（）A.AR部分的阶数B.MA部分的阶数C.差分次数D.滞后阶数7.简单移动平均法的主要缺点是（）A.对近期数据权重过大B.对所有数据权重相同C.计算复杂D.无法处理趋势8.用于处理同时包含趋势和季节成分时间序列的方法是（）A.简单指数平滑B.Holt线性趋势法C.Holt-Winters方法D.移动平均法9.协整指的是两个或多个非平稳时间序列的（）A.均值相同B.方差相同C.线性组合平稳D.趋势相同10.Granger因果检验的前提条件是序列（）A.必须平稳B.必须非平稳C.平稳或协整D.必须同阶单整二、填空题（总共10题，每题2分）1.时间序列的四个基本成分包括趋势成分、季节成分、循环成分和________。2.宽平稳时间序列需满足两个条件：均值为常数，自协方差函数仅与________有关。3.AR(1)模型Xt=φXt-1+εt稳定的充要条件是|φ|________。4.MA(1)模型Xt=εt+θεt-1可逆的充要条件是|θ|________。5.ADF单位根检验的原假设是序列________。6.ARIMA(p,d,q)模型中，当d=0时，模型退化为________模型。7.指数平滑法中，平滑系数α越大，对________数据的权重越大。8.Engle-Granger两步法是用于检验________关系的常用方法。9.Holt线性趋势法适用于处理包含________成分的时间序列。10.Granger因果检验中，若X的滞后项显著影响Y而Y的滞后项不影响X，则称X是Y的________。三、判断题（总共10题，每题2分）1.所有严平稳时间序列都是宽平稳时间序列。（）2.AR(2)模型的自相关函数（ACF）呈拖尾特征，偏自相关函数（PACF）在滞后2处截尾。（）3.MA(2)模型的自相关函数（ACF）在滞后2处截尾，偏自相关函数（PACF）呈拖尾特征。（）4.存在单位根的时间序列是平稳序列。（）5.指数平滑法中，平滑系数α越接近1，对历史数据的权重越大。（）6.ARIMA模型中的差分次数d是为了将非平稳序列转化为平稳序列。（）7.协整的时间序列必须都是非平稳的。（）8.Granger因果关系可以等同于实际经济中的因果关系。（）9.移动平均法更适合预测具有明显趋势的时间序列。（）10.Holt-Winters加法模型适用于季节波动幅度不随时间变化的序列。（）四、简答题（总共4题，每题5分）1.简述宽平稳时间序列的定义及核心性质。2.说明AR模型与MA模型在自相关函数（ACF）和偏自相关函数（PACF）上的主要差异。3.简述ADF单位根检验的基本步骤。4.简述指数平滑法的三种主要类型及各自的适用场景。五、讨论题（总共4题，每题5分）1.讨论平稳性在时间序列分析中的重要性，并说明非平稳序列的常见处理方法。2.讨论ARIMA模型中p、d、q三个参数的确定方法及实际应用中的注意事项。3.讨论协整理论对非平稳时间序列分析的意义，并举例说明其应用场景。4.讨论Granger因果检验的局限性及在实际应用中如何避免误判。答案一、单项选择题1.B2.B3.C4.C5.C6.C7.B8.C9.C10.C二、填空题1.随机成分（或不规则成分）2.滞后k（或时间间隔）3.小于1（或<1）4.小于1（或<1）5.存在单位根（或非平稳）6.ARMA(p,q)7.近期8.协整9.线性趋势10.Granger原因三、判断题1.错2.对3.对4.错5.错6.对7.对8.错9.错10.对四、简答题1.宽平稳时间序列是指均值为常数，且自协方差函数仅与时间间隔（滞后k）有关、与具体时刻t无关的序列。核心性质包括三点：一是均值不随时间变化，始终保持恒定；二是任意两个时刻t和t+k的自协方差仅依赖于滞后k，与t无关；三是自相关函数也仅由滞后k决定。这些性质确保了序列的统计规律具有时间不变性，是构建ARMA等经典模型的基础，若序列非平稳，模型参数会随时间变化，导致预测失效。2.AR模型（自回归模型）的ACF呈拖尾特征，即随着滞后k增大，ACF逐渐衰减至0（如AR(1)的ACF按指数速度衰减）；PACF呈截尾特征，当k超过AR模型的阶数p时，PACF迅速降至0（如AR(2)的PACF在k=2后截尾）。MA模型（移动平均模型）的ACF呈截尾特征，当k超过MA模型的阶数q时，ACF迅速降至0（如MA(2)的ACF在k=2后截尾）；PACF呈拖尾特征，随着k增大逐渐衰减至0。这种差异是识别AR和MA模型阶数的关键依据。3.ADF单位根检验的基本步骤：首先，确定检验模型的形式（三种形式：含截距、含趋势和截距、无截距无趋势，需根据序列特征选择）；其次，对原序列或差分后的序列计算ADF检验统计量（基于回归方程的t统计量）；然后，将检验统计量与ADF临界值（由样本量和模型形式决定）比较；最后，若检验统计量小于临界值（或p值小于显著性水平，如0.05），则拒绝原假设（存在单位根），认为序列平稳；否则接受原假设，序列非平稳，需进一步差分。4.指数平滑法的三种主要类型及适用场景：①简单指数平滑，仅用一个平滑系数α平滑水平，适用于无趋势、无季节成分的平稳序列（如短期销售数据）；②Holt线性趋势法，用α平滑水平、β平滑趋势，适用于含线性趋势但无季节成分的序列（如逐年增长的GDP数据）；③Holt-Winters季节法，用α平滑水平、β平滑趋势、γ平滑季节因子，又分加法（季节波动幅度恒定）和乘法（季节波动随水平变化），适用于同时含趋势和季节成分的序列（如月度零售销售额）。五、讨论题1.平稳性是时间序列分析的核心前提，因为平稳序列的统计特征（均值、方差、自协方差）不随时间变化，确保模型参数稳定、预测可靠。若序列非平稳，会导致“伪回归”（变量间无实际关系但回归系数显著）。非平稳序列的常见处理方法：①差分法，通过一阶或多阶差分消除趋势（如对线性趋势序列取一阶差分）；②季节差分，消除季节成分（如月度数据取12阶差分）；③detrending，用线性回归拟合趋势后取残差；④协整分析，若多个非平稳序列的线性组合平稳（协整），可建立误差修正模型（ECM），既反映长期均衡又解释短期波动。这些方法将非平稳序列转化为平稳序列或利用协整关系建模，避免伪回归。2.ARIMA(p,d,q)参数确定方法：①d（差分次数）：通过ADF单位根检验判断，若原序列非平稳，差分一次后再检验，直到序列平稳，d为差分次数；②p（AR阶数）：观察PACF，若PACF在滞后p处截尾，则p为AR阶数；或用AIC、BIC等信息准则，选择使准则值最小的p；③q（MA阶数）：观察ACF，若ACF在滞后q处截尾，则q为MA阶数，同样可用信息准则辅助。注意事项：①信息准则需权衡模型复杂度与拟合优度，BIC比AIC更惩罚复杂模型；②需验证模型残差是否为白噪声（若残差有自相关，说明阶数不足）；③实际应用中可尝试不同p、q组合，比较残差平方和与预测误差，选择最优参数。3.协整理论的意义在于突破了传统回归对变量平稳性的要求，解决了非平稳序列的“伪回归”问题。若多个非平稳序列（如GDP和消费）的线性组合平稳（协整），说明它们之间存在长期均衡关系，可建立误差修正模型（ECM）：长期均衡由协整方程描述，短期波动由误差修正项（反映偏离长期均衡的调整速度）解释。应用场景：①宏观经济分析，如消费与收入的关系（若两者均为I(1)且协整，ECM可解释短期消费如何向长期均衡调整）；②金融市场分析，如股价与股息的关系（若协整，可用于判断股价是否被高估）；③国际贸易分析，如汇率与进出口额的关系（协整反映长期汇率传递效应）。协整理论使非平稳序列的建模更具现实意义，揭示变量间的长期关系。4.Granger因果检验的局限性：①它是“预测因果”而非“实际因果”，仅说明X的滞后项能显著预测Y，但不解释X影响Y的内在机制（如“冰淇淋销量增加导致溺水人数上升”是伪Granger因果，真实原因是温度）；②对滞后阶数敏感，不同滞后阶数可能得出不