2025时间序列分析章节同步测试题及全解

2025时间序列分析章节同步测试题及全解

一、单项选择题(总共10题，每题2分)1.时间序列中由长期因素引起的持续递增或递减变动是（）A.趋势B.季节性C.循环波动D.不规则波动2.宽平稳时间序列的条件不包括（）A.均值为常数B.方差为常数C.自协方差仅与滞后阶数有关D.序列无趋势3.AR(1)模型φ₁的平稳条件是（）A.|φ₁|<1B.|φ₁|>1C.φ₁=0D.φ₁=14.移动平均法中窗口宽度增大，预测结果会（）A.更平滑B.更敏感C.误差更小D.趋势更明显5.MA(2)模型的自相关函数在滞后阶数（）时截尾A.1B.2C.3D.46.季节性时间序列的乘法模型表达式是（）A.Y=T+S+C+IB.Y=T×S×C×IC.Y=T+S×C+ID.Y=T×S+C×I7.指数平滑法中α越大，对近期数据的权重（）A.越大B.越小C.不变D.不确定8.ARIMA(p,d,q)中d表示（）A.自回归阶数B.差分次数C.移动平均阶数D.滞后阶数9.白噪声序列的自相关函数在滞后阶数≠0时（）A.显著不为0B.等于0C.单调递减D.周期性波动10.衡量预测误差平方均值的指标是（）A.MAEB.MSEC.RMSED.MAPE二、填空题(总共10题，每题2分)1.时间序列的四个构成要素是趋势、季节性、______、不规则波动。2.宽平稳时间序列的自协方差函数仅与______有关。3.AR(1)模型的平稳条件是______。4.MA(q)模型的自相关函数在滞后阶数______时截尾。5.AR(p)模型的偏自相关函数在滞后阶数______时截尾。6.季节性时间序列乘法模型中，除T、S、I外的成分是______。7.简单指数平滑法中α的取值范围是______。8.预测误差中，衡量平均绝对偏差的指标是______。9.ARIMA(3,2,1)中d=2表示对序列进行______次差分。10.白噪声序列的自协方差在滞后阶数______时不为0。三、判断题(总共10题，每题2分)1.有趋势的时间序列一定不是平稳序列。2.白噪声序列的自相关函数在所有滞后阶数下都为0。3.AR(p)模型的偏自相关函数在滞后p阶后截尾。4.MA(q)模型的自相关函数在滞后q阶后衰减。5.指数平滑法中α越大，对历史数据的权重越大。6.季节性调整的目的是去除序列中的季节性波动。7.ARIMA模型中d=2表示对序列进行二阶差分。8.时间序列预测的误差方差随预测步数增加而减小。9.移动平均法的窗口越大，预测结果越敏感。10.ACF和PACF可用于识别ARMA模型的阶数。四、简答题(总共4题，每题5分)1.简述平稳时间序列的定义及意义。2.简述ARMA模型的建模步骤。3.简述季节性时间序列的处理方法。4.简述指数平滑法的类型及适用场景。五、讨论题(总共4题，每题5分)1.如何利用ACF和PACF选择ARIMA模型的p、d、q参数？2.移动平均法与指数平滑法的区别与联系是什么？3.时间序列预测中如何处理异常值？4.平稳性检验的常用方法及各自特点是什么？答案和解析一、单项选择题1.A2.D3.A4.A5.B6.B7.A8.B9.B10.B解析：1.趋势是长期持续变动；2.宽平稳不要求无趋势，仅要求均值、方差、自协方差稳定；3.AR(1)平稳条件|φ₁|<1；4.窗口越大越平滑；5.MA(q)的ACF在q阶截尾；6.乘法模型为T×S×C×I；7.α越大近期权重越大；8.d是差分次数；9.白噪声滞后≠0时ACF为0；10.MSE是均方误差。二、填空题1.循环波动2.滞后阶数3.|φ₁|<14.q5.p6.循环波动（C）7.0<α<18.MAE（平均绝对误差）9.210.0解析：1.时间序列四要素为趋势、季节性、循环波动、不规则波动；2.宽平稳自协方差仅与滞后阶数有关；3.AR(1)平稳条件|φ₁|<1；4.MA(q)的ACF在q阶截尾；5.AR(p)的PACF在p阶截尾；6.乘法模型成分是T×S×C×I；7.α取值0到1；8.MAE是平均绝对误差；9.d=2表示二阶差分；10.白噪声滞后0时自协方差为方差，不为0。三、判断题1.对2.对3.对4.错5.错6.对7.对8.错9.错10.对解析：1.有趋势则均值随时间变化，非平稳；2.白噪声滞后≠0时ACF为0；3.AR(p)的PACF在p阶截尾；4.MA(q)的ACF在q阶截尾，非衰减；5.α越大近期权重越大；6.季节性调整去除季节性；7.d=2是二阶差分；8.预测误差方差随步数增加而增大；9.窗口越大越平滑，不敏感；10.ACF和PACF用于识别ARMA阶数。四、简答题1.平稳时间序列分宽平稳和严平稳：宽平稳是均值为常数、方差为常数、自协方差仅与滞后阶数有关；严平稳是任意有限维分布不随时间平移变化。意义：平稳序列统计性质稳定，便于建立ARMA等模型，预测结果更可靠，是时间序列分析的基础。2.ARMA模型建模步骤：①平稳性检验（ADF等），若非平稳则差分；②计算ACF和PACF，识别p（AR阶数，PACF截尾）和q（MA阶数，ACF截尾）；③估计模型参数（极大似然法等）；④模型检验（残差白噪声检验，如LB检验）；⑤模型优化（调整p、q）；⑥预测。3.季节性时间序列处理方法：①季节性调整（如X-12-ARIMA），去除季节性成分；②分解法（乘法或加法），分离T、S、C、I，对剩余部分建模；③建立季节性模型（如SARIMA），将季节性纳入模型（如SARIMA(p,d,q)(P,D,Q)_s，s为季节周期）。4.指数平滑法类型及适用场景：①简单指数平滑：公式Ŷₜ₊₁=αYₜ+(1-α)Ŷₜ，适用于无趋势无季节性的平稳序列；②Holt线性趋势平滑：加入趋势成分，适用于有线性趋势无季节性的序列；③Holt-Winters季节性平滑：加入季节性成分，适用于有趋势和季节性的序列。五、讨论题1.选择ARIMA参数步骤：①确定d：通过ADF检验判断差分次数，直到序列平稳（如d=1是一阶差分）；②确定p：观察PACF，若PACF在p阶后截尾，则p为该阶数（如PACF在2阶后截尾，p=2）；③确定q：观察ACF，若ACF在q阶后截尾，则q为该阶数（如ACF在1阶后截尾，q=1）。例如，差分1次后PACF在2阶截尾、ACF在1阶截尾，则模型为ARIMA(2,1,1)。2.联系：都是平滑方法，用于消除随机波动，基于历史数据预测。区别：①权重：移动平均法给窗口内数据等权重，指数平滑法给近期数据更大权重；②窗口：移动平均法需固定窗口，指数平滑法无窗口，权重随时间衰减；③适用场景：移动平均法适用于短期平稳序列，指数平滑法更灵活，可处理有趋势或季节性的序列（如Holt-Winters）。3.异常值处理：①识别：用箱线图、3σ原则、残差分析（如残差超过2倍标准差）识别异常值；②修正：若为数据错误（如录入错误），修正为合理值；③删除：若为孤立异常点（如突发事件），删除后重新建模；④调整模型：加入虚拟变量表示异常值（如在异常时间点取1，其他取0），或用稳健模型（如稳健ARIMA）；⑤平滑：用指数平滑法降低异常值权重。4.平稳性检验方法及