2026年中级统计师《统计预测与决策》考点解析培训试卷

2026年中级统计师《统计预测与决策》考点解析培训试卷考试时间：______分钟总分：______分姓名：______一、单项选择题（下列每题只有一个正确答案，请将正确答案的字母选项填在答题卡相应位置。每题1分，共20分）1.在进行统计预测时，若预测对象的历史数据呈现明显的长期趋势，但不包含季节变动和循环变动，最适合考虑使用的模型是（）。A.指数平滑模型B.ARIMA模型C.季节性指数模型D.移动平均模型2.某时间序列数据的自相关函数（ACF）呈现拖尾现象，而偏自相关函数（PACF）在第一阶滞后后截尾，则该序列适宜拟合的模型是（）。A.AR(1)模型B.MA(1)模型C.ARMA(1,1)模型D.ARIMA(1,1,0)模型3.在使用最小二乘法估计回归模型参数时，其基本假设之一是（）。A.自变量与因变量之间存在严格的线性关系B.残差项服从正态分布C.自变量之间存在完全的多重共线性D.因变量的方差随自变量的增大而增大4.判断回归模型中是否存在异方差性，常用的方法是（）。A.杜宾-瓦特森检验B.斯皮尔曼等级相关检验C.布罗施-帕甘检验D.兰彻斯特检验5.某公司生产一种产品，需要决定下个季度的生产量。已知该产品的单位生产成本为50元，单位存储成本为每季度10元，预测的季度需求量分别为1000件、1200件、1100件、1300件。若不允许缺货，且期初库存为0件，采用（）策略可以使总成本最低。A.每季度按需生产B.每季度均匀生产C.第一季度生产1300件，第二季度生产0件，第三季度生产1100件，第四季度生产1300件D.第一季度生产1000件，第二季度生产1200件，第三季度生产1100件，第四季度生产1300件6.在风险决策分析中，决策者倾向于避免冒险，当面临多种不确定方案时，其可能采用的决策方法是（）。A.期望值法B.期望后悔值法C.最大可能法D.边际分析7.设有一元线性回归模型Y=β₀+β₁X+ε，通过最小二乘法估计得到β̂₁=2，β̂₀=5。若某观测点的X值为10，其对应的Y观测值为12，则该点的残差e为（）。A.-1B.1C.7D.88.某预测方法主要基于近期观测值对未来的预测值进行加权平均，且权重呈指数形式递减，该方法被称为（）。A.移动平均法B.指数平滑法C.时间序列分解法D.回归分析法9.在进行回归分析时，若检验的原假设是“回归系数β₁等于0”，该检验称为（）。A.F检验B.t检验C.χ²检验D.Z检验10.对于一个平稳的时间序列，其自相关函数（ACF）和偏自相关函数（PACF）的特性是（）。A.ACF和PACF均拖尾，PACF先截尾后拖尾B.ACF和PACF均拖尾，ACF先截尾后拖尾C.ACF和PACF均截尾D.ACF拖尾，PACF截尾11.若一个统计预测方法得到的预测值总是系统性地高于或低于实际值，这表明该预测方法存在（）问题。A.随机误差B.系统性偏差C.方差过大D.自相关性12.在指数平滑法中，平滑系数α的取值范围是（）。A.[0,1]B.(0,1)C.[0,0.5]D.(0,0.5)13.贝叶斯决策理论的核心思想是（）。A.基于样本信息修正先验概率B.只考虑决策者的偏好和收益C.忽略不确定性的影响D.总是选择期望收益最大的方案14.对于只有两种可能结果的决策问题（例如，成功或失败），且无法准确知道各结果的概率时，决策者可能采用（）。A.期望值决策B.期望后悔值决策C.确定性等价法D.冒险指数法15.在时间序列分析中，季节性指数通常用来衡量（）。A.数据的长期趋势B.数据的周期性波动C.数据的随机波动程度D.数据的线性关系强度16.若一个时间序列的观测值之间存在明显的滞后相关性，即当前值与前几个时期的值相关，则称该序列具有（）。A.平稳性B.非平稳性C.自相关性D.随机性17.在建立多元线性回归模型时，为了避免变量之间存在高度相关性导致模型估计困难，应检查（）。A.回归系数的显著性B.模型的拟合优度R²C.变量之间的多重共线性D.残差的正态性18.某决策问题涉及三个方案A、B、C和两个自然状态α、β，其收益矩阵如下（单位：万元）：|自然状态\方案|α|β||:|:-|:-||A|10|-5||B|6|8||C|-2|12|若决策者按期望后悔值法进行决策，则选择方案（）。A.AB.BC.CD.无法确定19.某ARIMA(p,d,q)模型，若d=1，表示该模型（）。A.已经消除了趋势B.需要进行差分操作C.模型中包含差分项D.数据具有季节性20.在统计预测中，模型选择应综合考虑多种因素，以下哪项不是选择模型时需要重点考虑的因素？（）A.模型的理论依据B.模型的预测精度C.模型的计算复杂度D.模型的美观程度二、多项选择题（下列每题有两个或两个以上正确答案，请将正确答案的字母选项填在答题卡相应位置。多选、错选、漏选均不得分。每题2分，共10分）1.时间序列分析中，常用的平滑方法包括（）。A.简单移动平均法B.指数平滑法C.ARIMA模型D.移动平均模型E.回归分析法2.一元线性回归模型Y=β₀+β₁X+ε的古典假设包括（）。A.E(ε)=0B.Var(ε)=σ²(常数)C.Cov(εᵢ,εⱼ)=0(i≠j)D.X与ε不相关E.Y与X之间存在非线性关系3.在进行统计决策分析时，决策环境可能包含以下哪种情况？（）A.确定性决策B.风险决策C.不确定决策D.风险与不确定混合决策E.单一方案决策4.以下哪些方法是检验时间序列数据是否平稳的常用方法？（）A.绘制时序图观察趋势和季节性B.计算自相关函数（ACF）和偏自相关函数（PACF）C.进行单位根检验（如ADF检验）D.计算样本方差看其是否稳定E.对数据进行季节调整5.回归分析中，残差分析的主要目的是（）。A.检验回归模型假设的合理性B.评估模型的拟合优度C.识别异常值D.估计预测误差E.选择合适的回归变量三、简答题（请简要回答下列问题。每题5分，共30分）1.简述指数平滑法的基本思想及其优缺点。2.解释什么是多重共线性，并简述其可能产生的问题。3.在风险决策中，什么是期望值决策？请举例说明其应用。4.简述时间序列分解法的核心思想和主要步骤。5.什么是自相关？在回归分析中，自相关会对模型估计产生什么影响？6.简述进行统计预测时应考虑的基本原则。四、计算题（请按步骤计算下列问题。每题10分，共20分）1.某商店过去5个月的销售量数据如下（单位：件）：100,110,120,115,130。试用一次指数平滑法（α=0.3）预测第六个月的销售量。2.某研究收集了关于房屋面积（X，单位：平方米）和房屋价格（Y，单位：万元）的数据，通过最小二乘法建立的一元线性回归方程为：Ŷ=50+2X。假设某房屋面积为100平方米，试计算其预测值和预测区间（假设已知sₑ=10，样本量n=30，α=0.05）。五、案例分析题（请根据以下案例，回答问题。共20分）某公司销售部门希望预测下一年四个季度的产品销售额。销售人员收集了过去三年各季度的销售数据（单位：万元），并初步判断数据存在明显的线性趋势和季节性。经过分析，他们考虑使用时间序列模型进行预测。他们尝试建立了一个包含趋势项和季节性虚拟变量的回归模型，并使用历史数据进行了拟合。模型拟合结果显示，趋势系数显著，各季节虚拟变量的系数也大多显著，R²为0.85。问题：1.该公司销售部门选择的预测模型类型是什么？请简述其基本原理。（6分）2.解释模型中包含趋势项和季节性虚拟变量的作用。（6分）3.R²为0.85意味着什么？评价该模型预测效果时，还需要考虑哪些指标？（6分）4.在使用该模型进行预测时，需要注意哪些潜在问题或局限性？（2分）试卷答案一、单项选择题1.B解析：指数平滑法和ARIMA模型都适用于具有趋势的序列。但ARIMA模型更灵活，能处理多种趋势和季节性。题目明确指出不含季节变动，但未排除趋势，ARIMA是通用选择。指数平滑法（特别是Holt模型或Holt-Winters模型）也可处理趋势和季节性，但ARIMA通常更受推崇于理论分析。在选择题中，若无季节性提及，优先考虑ARIMA类模型。2.B解析：ACF拖尾，PACF在第一阶滞后后截尾，是MA(1)模型的典型特征。ACF拖尾表示序列与自身滞后值的相关性逐渐减弱，PACF在滞后1后截尾表示滞后1的序列信息已经包含在模型中，滞后更高阶的信息与当前值不相关。3.B解析：最小二乘法（OLS）的基本假设包括：线性假设（Y与X线性关系）、误差项独立同分布（E(εᵢ)=0,Var(εᵢ)=σ²,εᵢ相互独立）、误差项与自变量不相关（Cov(εᵢ,Xᵢ)=0）、误差项正态性（通常要求）。选项B是其中的误差项独立同分布假设。4.C解析：布罗施-帕甘（Breusch-Pagan）检验是用于检验回归模型是否存在异方差性的经典方法。杜宾-瓦特森（Durbin-Watson）检验用于检验自相关性。斯皮尔曼等级相关检验用于非参数检验。兰彻斯特检验（Lanchester'slaws）用于战争策略。5.B解析：该问题实质上是经典的经济订货批量（EconomicOrderQuantity,EOQ）模型变体，考虑了生产设置成本和存储成本，但要求每期必须生产一定数量，不允许缺货。均匀生产策略（即每期都生产一定比例，这里大致是平均生产（1000+1200+1100+1300）/4=1150，然后根据需求顺序调整）可以平衡生产成本和存储成本，通常是最优或接近最优的策略。具体计算需考虑每期初库存和需求。6.C解析：最大可能法是在不确定决策中，选择预期发生概率最大的自然状态，然后基于该状态选择能使收益（或后悔值）最大的方案。风险规避者倾向于避免冒险，但在只有一种不确定性的情况下，他们会选择最可能发生的结果。7.A解析：根据模型Y=β₀+β₁X+ε，预测值为Ŷ=β̂₀+β̂₁X=5+2*10=25。实际值Y=12。残差e=Y-Ŷ=12-25=-13。选项A为-1，计算错误。选项B为1，计算错误。选项C为7，计算错误。选项D为8，计算错误。正确答案应为-13，但选项中均无，可能题目或选项设置有误。按现有选项，此题无法作答。8.B解析：指数平滑法（ExponentialSmoothing）的核心思想是赋予近期观测值更高的权重，赋予远期观测值递减的权重进行预测。基本形式为：Ŷₜ₊₁=αYₜ+(1-α)Ŷₜ，其中α为平滑系数（0≤α≤1）。这符合指数权重的特点。9.B解析：在回归分析中，检验回归系数β₁是否显著异于0，通常使用t检验。t统计量的形式为t=β̂₁/se(β̂₁)，其中se(β̂₁)是β̂₁的标准误。若原假设为H₀:β₁=0，则t检验的结果用于判断是否有足够证据拒绝原假设。10.D解析：平稳时间序列的ACF和PACF都会逐渐衰减至0（拖尾），因为序列的统计特性（均值、方差、自协方差）不随时间变化。ACF截尾意味着所有滞后阶数的自协方差为0；PACF截尾意味着所有滞后阶数的偏自相关为0。ACF拖尾，PACF截尾是MA(q)模型特征。ACF截尾，PACF拖尾是AR(p)模型特征。ACF和PACF均截尾是白噪声特征。只有选项D描述符合平稳序列的普遍特征（ACF和PACF均拖尾）。11.B解析：系统性偏差（SystematicBias）是指预测值与实际值之间存在的固定偏差或倾向性差异，导致预测值总是偏高或偏低。随机误差（RandomError）是围绕均值波动的，平均而言相互抵消。方差过大（Variancetoolarge）描述的是误差的离散程度。自相关性（Autocorrelation）描述的是误差项之间的关系。12.A解析：指数平滑法中，平滑系数α控制着平滑程度和近期信息权重。α的取值范围是0到1，即[0,1]。α=0时，预测值等于上一期平滑值，相当于无平滑；α=1时，预测值等于上一期实际值，完全依赖最新信息。13.A解析：贝叶斯决策理论的核心在于利用贝叶斯公式，结合样本信息（数据）和先验概率，计算后验概率，从而更新对自然状态发生可能性的判断，并基于更新后的概率进行最优决策。即P(θ|D)=[P(D|θ)P(θ)]/P(D)，其中θ是参数或状态，D是数据。14.C解析：确定性等价法（CertaintyEquivalentMethod）是在风险条件下，将一个具有风险的收益折算成一个确定性的等价收益，然后基于这个确定性收益进行决策。当无法准确知道概率时，决策者可能会寻找一个“最可能”或“最确定”的结果进行选择，这符合确定性等价法的思想。期望值法需要概率。最大可能法选择最可能发生的自然状态。冒险指数法考虑决策者的风险态度。15.B解析：季节性指数（SeasonalIndex）主要用于衡量时间序列数据中由于季节性因素（如月份、季度、星期几等）引起的周期性波动程度。它反映了在控制了长期趋势等因素后，特定季节对数据平均水平的影响程度。16.C解析：自相关性（Autocorrelation），也称为序列相关，是指时间序列数据中的一个观测值与其一个或多个过去时期的观测值之间存在统计上的相关性。即εᵢ与εᵢ₋₁,εᵢ₋₂,...之间存在关系。这表明数据中包含过去信息的“记忆”，是时间序列分析中需要考虑的关键特征。17.C解析：多重共线性（Multicollinearity）是指回归模型中的自变量之间存在高度线性相关关系。其后果是回归系数的估计值不稳定、方差增大，导致难以准确判断各变量的独立影响，甚至可能出现系数符号与预期相反的情况。检查多重共线性常用方差膨胀因子（VIF）或计算自变量之间的相关系数。18.B解析：计算后悔值矩阵：|自然状态\方案|α|β||:|:-|:-||A|0|13||B|4|0||C|12|-2|按期望后悔值法决策，计算各方案后悔值的期望值（假设概率未知，可按等概率处理，或直接看后悔值矩阵本身的大小）：方案A：max(0,13)=13方案B：max(4,0)=4方案C：max(12,-2)=12比较后悔值，方案B的后悔值最小，应选择方案B。19.C解析：ARIMA(p,d,q)模型中，d表示差分阶数。若d=1，意味着需要对原始时间序列进行一次差分（Yₜ'=Yₜ-Yₜ₋₁）才能使其成为平稳序列。这表示原始数据具有一阶非平稳性（如趋势性）。20.D解析：选择统计预测模型时应考虑：理论基础是否扎实、预测精度（如均方误差、MAPE等）、计算复杂度和可行性、模型的可解释性、对新数据的适应性等。模型的美观程度（Aesthetics）通常不是选择预测模型的主要依据。二、多项选择题1.A,B,D解析：时间序列平滑方法旨在利用历史数据平滑随机波动，发现潜在趋势。简单移动平均法（SimpleMovingAverage）、指数平滑法（ExponentialSmoothing）、移动平均模型（可能指更复杂的加权移动平均或作为ARIMA的特例）都是常用平滑方法。ARIMA模型是更通用的时间序列模型，包含差分和自回归、滑动平均项，不仅是平滑模型。回归分析法是另一种预测方法，但不是平滑方法。2.A,B,C,D解析：一元线性回归模型Y=β₀+β₁X+ε的经典假设（高斯-马尔可夫假设）包括：线性关系假设（E(ε|X)=0）、误差项同方差性（Var(ε|X)=σ²，与X无关）、误差项相互独立性（Cov(εᵢ,εⱼ)=0,i≠j）、X是确定性变量（非随机）。选项E错误，模型假设是线性关系。3.A,B,C,D解析：决策环境根据自然状态是否确定以及自然状态的概率可知性分为：确定性决策（所有自然状态和结果确定）、风险决策（自然状态不确定，但概率已知）、不确定决策（自然状态不确定，且概率未知）、混合型决策（包含以上两种或多种情况）。单一方案决策不是按环境分类，而是按方案数量分类。4.A,B,C解析：检验时间序列平稳性常用方法有：观察时序图判断趋势和季节性；计算ACF和PACF看其是否拖尾或截尾；进行单位根检验，如ADF（AugmentedDickey-Fuller）检验，看是否拒绝非平稳的原假设。计算样本方差看其是否稳定只能作为辅助判断，不是标准方法。季节调整是消除季节性影响的过程，不是检验平稳性的方法。5.A,C,D,E解析：残差分析主要目的包括：检验模型假设是否满足（如误差项是否独立、同方差、正态分布），识别是否存在异常值（离群点），评估模型的预测精度（通过残差的大小），诊断模型是否遗漏重要变量或函数形式。评估模型的拟合优度（如R²）通常基于拟合值和实际值，而非直接基于残差。选择合适的回归变量是模型构建阶段的工作。三、简答题1.指数平滑法的基本思想是对时间序列数据进行加权平均进行预测，但给予近期观测值更高的权重，给予远期观测值递减的权重。基本形式为：Ŷₜ₊₁=αYₜ+(1-α)Ŷₜ，其中α为平滑系数（0≤α≤1），Yₜ为t期的实际值，Ŷₜ为t期的预测值。优点是原理简单，计算方便，只需少量数据即可开始预测，对近期变化反应灵敏（α较大时）。缺点是平滑效果受α选择影响大，对长期趋势和季节性处理能力较弱（简单指数平滑），预测精度可能不如更复杂的模型。2.多重共线性是指回归模型中两个或多个自变量之间存在高度线性相关的关系。例如，X₁和X₂高度相关，如X₂=2X₁+3。产生的问题包括：回归系数的估计值非常不稳定，对数据的微小变动非常敏感；回归系数的标准误会增大，导致t检验结果不可靠（难以判断系数是否显著），可能得出错误的推断（如系数不显著，但实际有影响）；无法准确判断各自变量的独立影响（解释变量时，系数表示在控制其他变量不变时X对Y的影响，但共线性高时控制困难）。3.期望值决策是在风险决策中，计算每个方案的期望收益（或期望损失），选择期望收益最大（或期望损失最小）的方案。例如，某公司考虑投资两个项目A和B，项目A成功概率为0.7，收益为100万；失败概率为0.3，损失为20万。项目B成功概率为0.5，收益为80万；失败概率为0.5，损失为10万。期望值决策计算：E(A)=0.7*100-0.3*20=70-6=64万；E(B)=0.5*80-0.5*10=40-5=35万。选择期望值更高的项目A。4.时间序列分解法（TimeSeriesDecomposition）的核心思想是将一个复杂的时间序列数据分解为几个更简单、具有特定解释性的基本成分之和。通常分解为四个主要成分：趋势项（Trend,T）、季节项（Seasonal,S）、周期项（Cyclical,C）和随机项（Irregular,I或ε）。主要步骤包括：从原始序列中分离出季节性影响（如使用移动平均法剔除），估计趋势项，计算去季节化数据，识别并估计周期项（如果存在），最后将各成分相加或通过其他方法（如乘法模型）得到对原始序列的拟合值，并用残差表示随机项。5.自相关是指时间序列数据中的一个观测值与其一个或多个过去时期的观测值之间存在统计上的相关性。在回归分析中，若误差项（残差）之间存在自相关，即残差序列不是白噪声，则称为误差项自相关。这会产生以下影响：导致OLS估计的回归系数仍然是无偏和一致的，但标准误会被低估（或高估，取决于自相关类型），从而使得t检验和F检验等统计推断失效（过于乐观或保守），导致可能错误地认为某个自变量显著，或者错误地认为模型拟合良好；同时，预测精度可能下降。6.进行统计预测时应考虑的基本原则包括：①理论依据充分：所选模型应有坚实的统计学或经济学等理论基础，能反映预测现象的内在规律。②数据质量可靠：预测结果的质量很大程度上取决于数据的质量，应使用准确、完整、相关的历史数据。③模型适用合理：模型的选择要与数据的性质、预测目标的特征以及预测期的长短相适应。④预测精度较高：模型应能较好地反映历史数据的模式，并在样本外数据上表现良好。⑤计算简便可行：模型的应用不应过于复杂，能够在可接受的时间内完成计算。⑥结果解释清晰：预测结果应易于理解和解释，能够为决策提供有价值的参考信息。⑦考虑不确定性：预测inherently包含不确定性，应评估预测误差的可能范围，并考虑风险因素。四、计算题1.一次指数平滑预测公式：Ŷₜ₊₁=αYₜ+(1-α)Ŷₜ。初始预测Ŷ₁=Y₀(通常设为Y₀的值，但题目未给，可设为前几期平均值或Y₀，这里假设Y₀=100，则Ŷ₁=100)或更常用的是设Ŷ₁=Y₀，即αY₀+(1-α)Ŷ₀=αY₀+0=αY₀假设Ŷ₁=100（若设Y₀=100）：期数|实际值Yₜ|预测值Ŷₜ(t=1设为100)-|--|--1|100|1002|110|Ŷ₂=0.3*110+(1-0.3)*100=33+70=1033|120|Ŷ₃=0.3*120+(1-0.3)*103=36+72.1=108.14|115|Ŷ₄=0.3*115+(1-0.3)*108.1=34.5+75.67=110.175|130|Ŷ₅=0.3*130+(1-0.3)*110.17=39+76.72=115.72第六个月预测值Ŷ₆=αY₅+(1-α)Ŷ₅=0.3*130+0.7*115.72=39+80.704=119.704答案：第六个月的销售量预测值为119.70（件）。（注意：初始值设定方式不同结果略有差异，按Ŷ₁=Y₀=100计算结果为119.70。若按更严格的Ŷ₁=αY₀，结果为113.0。）2.回归方程：Ŷ=50+2X。预测对象：X=100。预测值计算：Ŷ=50+2*100=50+200=250。预测区间计算需要使用t分布（因为样本量n=30，小样本）。置信水平α=0.05，双侧检验，自由度df=n-2=30-2=28。查t分布表或使用计算器，t_(α/2,df=28)≈t_(0.025,28)≈2.048。预测区间公式：[Ŷ-t_(α/2)*sₑ*sqrt(1+1/n+(X₀-X̄)²/Σ(Xᵢ-X̄)²),Ŷ+t_(α/2)*sₑ*sqrt(1+1/n+(X₀-X̄)²/Σ(Xᵢ-X̄)²)]题目未给X₀（预测点的X值，这里为100），X̄（样本均值），Σ(Xᵢ-X̄)²（样本总离差平方和）。通常此类题目会隐含X₀在样本内或给出足够信息。假设X₀=100是在样本内且X̄为某个值，(X₀-X̄)²不为零。但题目仅给sₑ=10，未给其他必要参数（X₀位置、样本量n、均值X̄、离差平方和Σ(Xᵢ-X̄)²）。无法完成精确计算。如果题目隐含X₀=100是样本中心点（即X̄=100），且样本量为n=30，则公式简化为：区间宽度=t_(α/2)*sₑ*sqrt(1+1/n)区间宽度=2.048*10*sqrt(1+1/30)≈20.48*sqrt(1.0333)≈20.48*1.0164≈20.83预测区间≈[250-20.83,250+20.83]≈[229.17,270.83]答案：预测值为250万元。在给定条件下（假设X₀=100为中心点，n=30），预测区间约为[229.17,270.83]万元。（注意：此区间计算基于强假设，实际题目需完整信息。）五、案例分析题1.该公司销售部门选择的预测模型类型是包含趋势项和季节性虚拟变量的回归模型。其基本原理是：将时间序列数据视为因变量Y，将时间变量（如季度序号）作为自变量之一，引入趋势项（如时间变量的线性函数）来捕捉数据的长期增长或下降趋势，同时引入代表不同季度的虚拟变量（dummyvariables）来捕