2023考研时间序列分析核心试题及超详解析

2023考研时间序列分析核心试题及超详解析

一、单项选择题（总共10题，每题2分）1.下列关于宽平稳时间序列的描述，正确的是（C）2.AR(p)模型的偏自相关函数（PACF）的特征是（B）3.MA(q)模型的自相关函数（ACF）的特征是（C）4.白噪声序列的自相关函数ρ(k)（k≠0）满足（D）5.对非平稳时间序列进行差分的主要目的是（A）6.检验时间序列平稳性的常用方法是（B）7.ARMA(p,q)模型的平稳性由什么决定？（C）8.季节性时间序列的周期通常用符号（B）表示9.时间序列短期预测与长期预测的准确性比较，通常（A）10.AR(1)模型\(Y_t=\phiY_{t-1}+\varepsilon_t\)（\(\varepsilon_t\)为白噪声）平稳的条件是（D）二、填空题（总共10题，每题2分）1.宽平稳时间序列的均值为常数，协方差函数只与时间间隔\(k\)（或时间差）有关。2.AR(p)模型的偏自相关函数在阶数大于\(p\)时为0，即呈现\(p\)阶截尾特性。3.MA(q)模型的自相关函数在滞后阶数大于\(q\)时为0，即呈现\(q\)阶截尾特性。4.白噪声序列的自协方差函数在\(k\neq0\)时为0，自相关函数在\(k\neq0\)时为0。5.ARIMA(p,d,q)模型中，参数\(d\)表示对序列进行差分的次数。6.平稳时间序列的功率谱密度是其自协方差函数的傅里叶变换。7.检验时间序列是否为白噪声的常用方法是Box-Pierce检验（或Ljung-Box检验）。8.对于AR(2)模型，其平稳的条件是特征方程的根的模小于1。9.季节性时间序列的分解通常包括趋势项、季节项和随机波动项。10.时间序列预测中，常用的方法有移动平均法、指数平滑法和ARIMA模型等。三、判断题（总共10题，每题2分）1.严平稳时间序列一定是宽平稳的。（×）2.MA(q)模型的偏自相关函数是\(q\)阶截尾的。（×）3.白噪声序列的任意线性组合仍然是白噪声。（√）4.对非平稳序列进行一次差分后一定能得到平稳序列。（×）5.ARMA(p,q)模型的自相关函数和偏自相关函数都是拖尾的。（√）6.ADF检验的原假设是序列存在单位根（非平稳）。（√）7.季节性时间序列的周期\(S\)必须大于1。（√）8.指数平滑法对近期数据赋予的权重比远期数据大。（√）9.AR(1)模型中，当自回归系数\(\phi=1\)时，序列是平稳的。（×）10.时间序列的样本自相关函数可以用来识别模型的阶数。（√）四、简答题（总共4题，每题5分）1.宽平稳与严平稳的区别与联系严平稳要求所有有限维分布不随时间平移改变，无矩要求；宽平稳要求均值为常数、协方差仅与时间差有关，需二阶矩存在。联系：严平稳且二阶矩存在时，必为宽平稳；正态序列的严平稳等价于宽平稳。宽平稳更易处理（基于矩分析），是ARMA建模的基础；非正态序列中，严平稳不一定宽平稳，宽平稳也不一定严平稳（如某些非正态序列）。2.利用ACF和PACF识别模型阶数-AR(p)：ACF拖尾（自回归导致自相关缓慢衰减），PACF\(p\)阶截尾（超过\(p\)阶的偏自相关为0）。-MA(q)：ACF\(q\)阶截尾（移动平均项的影响在\(q\)阶后消失），PACF拖尾（MA(q)可表示为无限阶AR模型）。-ARMA(p,q)：ACF和PACF均拖尾（AR的拖尾ACF与MA的拖尾PACF结合）。识别时，先观察ACF和PACF的截尾/拖尾特性，结合AIC/BIC准则确定\(p\)、\(q\)。3.ARIMA(p,d,q)的参数含义及适用场景-\(p\)：自回归阶数，捕捉序列的自相关；\(d\)：差分次数，将非平稳序列转化为平稳；\(q\)：移动平均阶数，捕捉残差的自相关。-适用场景：序列有趋势、季节性（如GDP、电力负荷），需\(d\)次差分（如\(d=1\)处理线性趋势）得到平稳序列，再用AR(p)和MA(q)拟合。例如，月度零售数据有季节性，\(d=1\)差分消除趋势，\(p=2\)、\(q=1\)捕捉自相关和残差相关，适合中长期预测。4.时间序列分解的思想及方法-思想：将序列分解为趋势（\(T\)）、季节（\(S\)）、随机波动（\(I\)）等成分，分离后更易分析和预测。-方法：加法模型（\(Y=T+S+I\)，适用于趋势、季节波动幅度稳定）；乘法模型（\(Y=T\timesS\timesI\)，适用于季节波动随趋势增长）。经典分解（移动平均求趋势，再分离季节和残差）；X-12-ARIMA（结合ARIMA调整季节因素）；STL分解（基于LOESS的稳健方法，处理非线性趋势和季节性）。五、讨论题（总共4题，每题5分）1.宽平稳与ARMA平稳性的关系宽平稳是ARMA建模的前提：AR(p)的特征根模\(<1\)时，序列宽平稳（自协方差满足宽平稳条件）；MA(q)天生宽平稳（有限项移动平均，方差存在，协方差仅与时间差有关）；ARMA(p,q)的平稳性由AR部分的特征根决定，根模\(<1\)则宽平稳，否则非平稳。宽平稳保证了自协方差函数的性质，使ARMA的参数估计和预测有理论依据；非平稳序列需差分后转化为宽平稳再建模。2.白噪声检验的作用-建模前：检验序列是否为白噪声，若为白噪声则无信息可提取，无需建模。-建模后：检验残差是否为白噪声，若残差是白噪声，说明模型充分提取了序列的信息，拟合良好；否则，模型遗漏了自相关结构，需调整阶数（如增加\(p\)或\(q\)）。Ljung-Box检验通过计算残差的自相关函数，检验其是否为纯随机，原假设是残差为白噪声，\(p\)值小则拒绝，提示模型需改进，是模型诊断的关键步骤。3.ARIMA与指数平滑的适用场景差异-ARIMA：适用于有明显趋势、季节性或需差分平稳的序列，需确定\(p\)、\(d\)、\(q\)，对模型设定要求高，适合中长期预测且序列有内在动态结构（如经济增长）。-指数平滑（如Holt-Winters）：适用于趋势、季节性平稳的序列，模型简单（仅需\(\alpha\)、\(\beta\)、\(\gamma\)参数），对短期预测效果好（如销量预测），但对复杂趋势（如非线性）适应性差。ARIMA需数据量大、建模复杂，指数平滑易实现、对数据要求低，适合快速预测。4.时间序列分析在经济预测的重要性及挑战-重要性：量化经济变量的动态趋势（如通胀、GDP），辅助政策（如央行调整利率）和企业决策（如生产计划）。-挑战：经济序列受政策、突发事件（如疫情）影响，非平稳性和结构突