2021统计类竞赛备赛时间序列分析试题及答案

2021统计类竞赛备赛时间序列分析试题及答案

一、单项选择题（总共10题，每题2分）1.以下哪个不是宽平稳时间序列的条件？A.均值不随时间变化B.方差不随时间变化C.协方差仅与时间间隔有关D.序列存在明显趋势2.ARIMA(p,d,q)模型中，d表示？A.自回归阶数B.差分次数C.移动平均阶数D.季节差分次数3.适用于带有趋势但无季节性的时间序列的指数平滑方法是？A.简单指数平滑B.霍尔特线性趋势平滑C.霍尔特-温特斯季节性平滑D.阻尼趋势平滑4.季节性ARIMA模型（SARIMA）的参数通常表示为(p,d,q)(P,D,Q)_s，其中s表示？A.季节周期长度B.季节自回归阶数C.季节差分次数D.季节移动平均阶数5.协整关系存在的前提是变量序列？A.都是平稳的B.都是同阶单整的C.一阶单整和二阶单整混合D.都存在趋势6.用于评估预测准确性的指标中，哪个对异常值更敏感？A.平均绝对误差（MAE）B.均方误差（MSE）C.平均绝对百分比误差（MAPE）D.对称平均绝对百分比误差（sMAPE）7.若时间序列的ACF拖尾，PACF在滞后1阶截尾，该序列适合用什么模型？A.AR(1)B.MA(1)C.ARMA(1,1)D.AR(2)8.单位根检验（如ADF检验）的原假设是？A.序列平稳B.序列存在单位根（非平稳）C.序列有趋势D.序列有季节性9.移动平均法中，增大窗宽会导致？A.序列更平滑，反应更灵敏B.序列更平滑，反应更迟缓C.序列波动更大，反应更灵敏D.序列波动更大，反应更迟缓10.状态空间模型中，用于更新状态估计的算法是？A.最小二乘法B.卡尔曼滤波C.极大似然估计D.贝叶斯估计二、填空题（总共10题，每题2分）1.宽平稳时间序列的两个核心条件是均值__________和协方差仅与__________有关。2.ARIMA模型中，当d=2时，需要对原始序列进行__________次差分以实现平稳。3.霍尔特-温特斯季节性平滑方法包含三个平滑参数：水平参数、__________参数和__________参数。4.协整检验中，Engle-Granger两步法第一步是对变量进行__________回归，第二步是对回归残差进行__________检验。5.MA(1)模型的ACF在滞后__________阶后截尾，PACF则呈现__________特征。6.时间序列分解通常将序列分解为趋势成分、__________成分和__________成分。7.单位根检验中，若ADF统计量小于临界值，则__________原假设，认为序列__________。8.简单指数平滑的预测公式是基于当前观测值和__________的加权平均。9.预测区间的宽度主要受__________和__________的影响。10.状态空间模型的两个主要方程是__________方程和__________方程。三、判断题（总共10题，每题2分）1.存在趋势的时间序列一定是非平稳的。（）2.ARIMA(p,0,q)模型等同于ARMA(p,q)模型。（）3.指数平滑方法仅适用于平稳时间序列。（）4.协整关系意味着变量之间存在长期均衡关系。（）5.MA(2)模型的ACF在滞后2阶后截尾，PACF拖尾。（）6.ADF检验的原假设是序列存在单位根（非平稳）。（）7.移动平均法会增大序列的波动幅度。（）8.预测误差的均方误差（MSE）越小，说明预测模型越好，无需考虑过拟合。（）9.处理季节性时间序列时，必须进行季节差分。（）10.状态空间模型可以通过卡尔曼滤波处理非平稳时间序列。（）四、简答题（总共4题，每题5分）1.简述ARIMA模型的建模步骤。2.请列举三种指数平滑方法及其适用的时间序列特征。3.什么是协整？简述Engle-Granger两步法的检验步骤。4.常用的预测评估指标有哪些？请解释其含义及适用场景。五、讨论题（总共4题，每题5分）1.在实际应用中，如何处理带有季节性的时间序列？请结合季节性ARIMA模型（SARIMA）或霍尔特-温特斯方法说明。2.请讨论ARIMA模型与指数平滑方法的适用场景差异，以及如何选择这两类模型。3.协整理论对时间序列计量经济学有何重要意义？请结合联立方程模型的应用说明。4.时间序列预测中，误差的主要来源有哪些？如何针对这些来源改进预测效果？答案及解析一、单项选择题1.D2.B3.B4.A5.B6.B7.A8.B9.B10.B二、填空题1.恒定（不随时间变化）；时间间隔（滞后阶数）2.二（或两次）3.趋势；季节性4.普通最小二乘（OLS）；单位根（ADF）5.1；拖尾6.季节性；随机（不规则）7.拒绝；平稳8.上一期预测值9.预测误差方差；置信水平10.状态；观测三、判断题1.√2.√3.×4.√5.√6.√7.×8.×9.×10.√四、简答题1.ARIMA建模步骤：①序列平稳性检验（如ADF检验）；②非平稳序列进行d次差分使平稳；③分析平稳序列的ACF/PACF，确定AR阶数p（PACF截尾阶数）和MA阶数q（ACF截尾阶数）；④估计模型参数（极大似然估计等）；⑤模型诊断（残差白噪声检验，ACF/PACF无显著自相关）；⑥样本外预测。2.三种指数平滑方法及适用场景：①简单指数平滑：适用于无趋势、无季节性的平稳序列，仅用水平参数平滑；②霍尔特线性趋势平滑：适用于有线性趋势、无季节性的序列，包含水平和趋势参数；③霍尔特-温特斯季节性平滑：适用于有线性趋势和季节性的序列，包含水平、趋势和季节性参数。阻尼趋势平滑适用于趋势渐弱的序列（趋势参数<1）。3.协整是指非平稳序列的线性组合平稳，反映变量长期均衡关系。Engle-Granger两步法：①对变量进行OLS回归得残差；②对残差做单位根检验（ADF）；③残差平稳则变量协整，否则不协整。4.常用预测评估指标：①MAE（平均绝对误差）：误差绝对值的均值，反映平均误差幅度，对异常值不敏感，适用于需直观了解误差大小的场景；②MSE（均方误差）：误差平方的均值，对异常值敏感，适用于需惩罚大误差的场景；③MAPE（平均绝对百分比误差）：绝对误差占实际值的百分比均值，适用于比较不同尺度序列的预测准确性；④sMAPE（对称平均绝对百分比误差）：改进MAPE对接近零的实际值敏感的问题，适用于实际值可能为零的场景。五、讨论题1.处理季节性时间序列的方法：①季节性差分：对序列进行季节差分（如月度数据差分12期），消除季节性趋势，再用SARIMA(p,d,q)(P,D,Q)_s建模（s为季节周期），若季节性强则D=1；②霍尔特-温特斯方法：直接建模季节性，加法模型适用于季节性波动幅度稳定，乘法模型适用于波动幅度随水平增长，无需差分；③序列分解：将序列分解为趋势、季节性和随机成分，对趋势和随机成分建模后合并季节性成分。例如月度零售额数据，选SARIMA(1,1,1)(1,1,1)_12（季节周期12），或霍尔特-温特斯乘法模型，捕捉季节性波动。2.ARIMA与指数平滑的选择差异：①序列特征：ARIMA适用于有强自相关（如金融序列）的序列，指数平滑适用于趋势/季节性明显（如销售数据）但自相关弱的序列；②模型复杂度：ARIMA需确定p,d,q，复杂度高，指数平滑参数少（1-3个），易估计；③预测期限：ARIMA适合中短期，指数平滑适合短期；④残差检验：ARIMA残差白噪声则效果好，指数平滑残差无自相关则更简洁。选择时需结合序列特征、模型复杂度和预测需求，若ARIMA泛化能力好则选ARIMA，若指数平滑更简洁且效果相当则选指数平滑。3.协整的意义：①解决伪回归问题（非平稳变量回归易出现高R²但无经济意义）；②揭示变量长期均衡关系，短期波动向均衡调整（误差修正模型ECM）；③在联立方程中，协整保证方程平稳性，使估计结果一致。例如消费函数中，收入（Y）和消费（C）都是I(1)，协整则长期消费函数为C=α+βY+u（u平稳），短期ECM为ΔC_t=γΔY_t+δ(u_{t-1})+v_t（δ<0，调整速度），联立方程加入ECM可捕捉短期动态和长期均衡，避免伪回归，估计更可靠。4.预测误差来源：①模型设定误差（ARIMA的p,q选择错误，指数平滑参数不合适）；②数据问题（缺失、测量误差、异常值）；③外生变量变化（政策、经济冲击未包含）；④随机因素（不规则成分）。改进方法：①模型选择：用信息