时间序列分析练习题.docx
- 文档编号:25100164
- 上传时间:2023-06-05
- 格式:DOCX
- 页数:16
- 大小:23.58KB
时间序列分析练习题.docx
《时间序列分析练习题.docx》由会员分享,可在线阅读,更多相关《时间序列分析练习题.docx(16页珍藏版)》请在冰豆网上搜索。
时间序列分析练习题
->填空题
1.从统计意义上讲,所谓的时间序列就是将某一指标在(不同时间)上的不同数值,按时间的先后顺序排列而成的数列。
2.从统计意义上看,时间序列就是某一系统在(不同时间)的响应。
3.按所研究对象的多少分,时间序列有(一元)时间序列和(多元)时间序列。
4.按时间的连续性可将时间序列分为(离散)时间序列和(连续)时间序列。
5.按序列的统计特性分,时间序列有(平稳)时间序列和(非平稳)时间序列。
6.按时间的分布规律来分,时间序列有(高斯型)时间序列和(非高斯型)时间序列。
7.如果序列的一二阶矩存在,而且对任意的时刻t满足:
①(均值为常数)②(协方差为时间间隔的函数)
则称该序列为宽平稳时间序列,也叫广义平稳时间序列。
8.对于一个纯随机过程来说,若其期望和方差(均为常数),则称之为白噪声过程。
白
噪声过程是一个(宽平稳)过程。
9.
(模型法)
时间序列分析方法按其采用的手段不同可概括为数据图法,指标法和
10.
AR(
1)模型为:
Xt—1Xt-i+at
11.
AR(
2)模型为:
Xt=iXt-i+2Xt-2+at
12.
AR(
n)模型为:
Xt[Xt1+2Xt2+nXtn+at
13.
MA(
1)模型为:
Xt—3t—i3t-l
14.
MA(
m)模型为:
Xt二at-一2at-2-m
3t-m
15.
ARMA
(2.1)模型为:
Xt-1Xt-i-2Xt-2-at-iat-i
16.AR
(1)模型是一个使相关数据转化为独立数据的变化器。
17.差分可以将非平稳序列转化为平稳序列。
18.AR
(1)模型,当丄时,就变成了随机游走。
19.若时间序列的自相关函数在m步截尾,并且偏自相关函数被负指数函数控制收敛
到零,则可判断时间序列为MA(m)序列。
20.若时间序列的偏自相关函数在n步截尾,并且自相关函数被负指数函数控制收敛到
零,则可判断时间序列为AR(n)序列。
21.若时间序列的自相关函数和偏自相关函数序列均不截尾,但都被负指数函数控制收
敛到零,则时间序列很有可能是ARMA序列。
22.建立平稳时间序列模型就是从观察到的有限长度的平稳序列样本出发,通过模型的
识别、模型的定阶、模型的参数估计、适应性检验等步骤建立起适合序列的ARMA模型,
为预测和进一步分析做好准备。
23.模型定阶方法有残差方差图定阶法.F检验定阶法•最佳准则函数
定阶法等,实际中
可灵活选用。
24.模型主要的估计方法有矩估计法•最小二乘估计法和极大似然估计法等,实际中有
软件直接计算。
25.模型的适应性检验实质上是检验残差序列是否为白噪声序列,通常用自相关函数检验法和卡方检验法。
26.预测方差(以t为原点,向前I期作预测,预测值为
X?
t(l))
et(l)XitX\(l)
27.预测误差均方值E(e%(l))E{[XtiX?
MI)]}
注意:
我们所要做的工作是,求出一个预测值X?
t(l),使得
E(e*(l))最小。
28.预测的三种形式:
差分方程形式•传递形式•逆转形式
29.条件期望预测是最小均方误差预测
30•对于平稳ARMA(n.m)模型,特征方程所有特征根绝对值均小于1,随
j,GjO,系统记忆性趋于零,X?
t(I)随I增大,也趋于零。
31.时间序列模型是时间序列动态性和发展变化规律的客观描述,因而可以利用建立的
时间序列模型对时间序列的未来取值进行预测。
32.对预测值适时修正的理解:
在进行超前多步预测时,随时间推移,原来预测值变为
已知,需要进行新预测,而这种新预测
可由就预测值和新的观察值推算出,在旧预测值上
加
一个修正项,完成新的预测。
33.时间序列的趋势,有(确定性)和(非确定性)两种,前者又分为线性趋势和非线
性趋势。
34.平稳过程的时间序列具有(常数)的均值和方差。
35.单位根检验一般包含三种情况:
(没有常数项)(仅含有常数
项)(含有常数项和时
间趋势)。
36.对于确定性趋势的消除方法有:
(最小二乘法)(差分法)。
37.ARMA(n,m)的逆转形式XtIjXtjat。
38.模型适应性检验的相关函数法,在显著性水平0.05下,若“
则接受k0的假设,认为at是独立的。
39.模型适应性检验的2检验法,在显著性水平下,若统计量
Qt(|(N)nm)则认为模型是适合的。
40.AR")模型可用一个无限阶MA来逼近。
41.ARMA模型的差分形式
XXXXaaaa
Xt1Xt12Xt2nXtnat12at2matm
42.ARMA模型的传递形式XtGjatj
j0
43.ARMA模型的逆转形式XtIjXtjat
44.由ARMA模型的传递形式进行预测,Xti预测95%的置信区间为
1/2
Xti1.96aGoG12G22Gi2i
二、简答题
1.时间序列具有那几个特点?
答:
首先,序列中的数据或数据点的位置依赖于时间,即数据的取值依赖于时间的变化,
但不一定是时间t的严格函数。
其次,就每一时刻上的取值或数据点的位置具有一定的随机性,不可能完全准确地
答:
首先,数理统计学的样本值是对同一随机变量进行n次
独立重复试验的结果,或是
n个相互独立同分布的随机变量序列的一个实现,而时间序列则是某一随机过程的一次样本
实现。
其次,在数理统计学中,进行统计推断的目的主要是对某一个随机变量的分布参数进行
估计和假设检验,而时间序列分析中,则是对某一时间序列建立统计模型。
最后,数理统计学中的回归模型描述的是因变量与其他自变量之间的统计静态依存关
系;而时间序列分析中的自回归模型描述的是某一变量自身变化的统计规律性,是某一系统
的现在的行为与其历史行为之间的统计动态依存关系。
3•随机变量和随机过程的区别和联系。
答:
主要区别有:
(1)随机变量是定义在样本空间上的一个单值函数;随机
过程则是一族时间t的函
数。
(2)对应于一定随机试验和样本空间的随机变量与时间t无关;而随机过程则与时
间密切相关。
(3)随机变量描述事物在某一特定时间上的静态;随机过程描述事物发展变化的动
态。
主要联系有:
(1))随机过程具有随机变量的特征,同时还具有普通函数的特征性。
(2)随机变量是随机的特例,即一元随机变量可视为参数集为单元素的随
机过程。
(3)当随机过程固定在某一个时刻是,就得到一个随机变量。
(4)随机过程是n维随机变量,随机变量列的一般化,它是随机
变量X(t)的集。
4.AR
(1)模型基本假设是什么?
(l)Xt与Xt-i有直线相关关系。
(2)at为独立正态同分布序列。
5・AR
(2)模型基本假设是什么?
(1)Xt与Xt-i和Xt-2有直线相关关系,而在Xt-i和Xz
已知的条件下,Xt与Xt-j(j二3.4……)
无关,at是一个白噪声序列。
6.MA
(1)模型基本假设是什么?
系统的响应Xt仅与其前一时刻进入系统的扰动at-
1有一定的依存关系,而且为白噪声。
7.ARMA(2,1)模型基本假设是什么?
at独立于at-j(j=2.3……),从而at独立于Xt-j(j=3.4……)
8.n阶自回归模型基本假设是什么?
Xt与Xt-1,Xt-2,…,Xt-n有直线相关关系,而在
Xt-1・Xt-2……Xt-n已知的条件下,Xt与Xt-j
(j=n+1.n+2……)无关,at是一个白噪声序列。
9・m阶移动模型基本假设是什么?
系统的响应Xt仅与at-i.at-2at-m有关而与at-j
(j=m+1.m+2)无关,且at为白噪声。
10.ARMA(n.m)模型基本假设是什么?
at独立于at-j(j=n.n+1),从而at独立于Xt-j(j=n+1.n+2)
门•将下表补充完整:
自相关系数
偏自相关系数
MA
截尾
拖尾
AR
拖尾
截尾
ARMA
拖尾
拖尾
12•请简述AR
(2),ARMA(1,1),ARMA(2,1)系统之间的关系
答:
ARMA(2,1)的格林函数Gjg!
fg2/―r2,,尸0
时,
21
12
ARMA(2,1)系统就成为AR
(2)系统;AR
(2)系统的格林函数,即为
1jji
Gj12,2二0时,ARMA(2,1)系统称为ARMA(1,1)系统。
12
13.模型定阶方法有哪些?
答:
模型定阶方法有⑴残差方差图定阶法;
(2)F检验定阶法;⑶最佳准则函数定阶法。
14.Box-Jenkins建模方法有哪几个步骤?
答:
⑴模型的识别:
依据平稳时间序列的样本自相关函数和样本偏自相关函数的不同的
统计特征来初步判断时间序列模型的类型。
⑵模型的定阶:
应用残差方差图定阶法或F检验定阶法
或应用准则函数定阶法来对模型
的阶数进行判定。
⑶模型的参数估计:
估计出其中的参数,以便进一步识别和应用模型。
(主要的参数估
计方法有矩估计法,最小二乘估计法和极大似然估计法等)O
⑷模型的适应性检验:
就是判断这个
模型用于描述时间序列是否恰当,是否完全或基
本
上解释了系统的动态性,即检验at序列是否为白噪声序列。
15•如何判断时间序列的趋势性?
a.利用序列图进行判断;b.利用样本自相关
函数进行平稳性判断;c.利用单位根检验进
行判断。
16.如何用差分的方法消除时间序列的趋势性?
(书133页)
一阶羌分可消除线性趋势,二阶差分可消除二次曲线趋势。
若趋势方程为Yt二a+bt,则
通过一阶差分,得到Yt二a+bt-[a+b(tT)]二b消除了线性趋势。
17.在趋势性检验中,进行单位根检验的意义是什么?
单位根检验就是根据已观测到的时间序列,检验产生这个时间序列的随机过程中的一阶
自回归系数是否为一,
这个检验实际上就是对时间序列是否为一个趋势平稳过程的检验,如
果检验表明没有单位根,则它是一个趋势平稳过程,否则,它是一个带趋势的单位根过程。
如果时间序列是趋势平稳的,我们就可以用一个线性趋势来拟合这个时5间序列,E
进行预测。
如果时间序列不是趋势平稳的,我
们就不能用一个趋势来拟合时间序列,学中没有对一个时间序列进行单位根检验就直接进行趋势拟合的做法显然是欠妥的。
18.什么是ARIMA模型?
若Xt的d阶差分,Yt(1B)-Xt是一个平稳的
ARMA(p,q),则称Xt为具有p,d,q
阶自回归求和移动平均模型,即Xt~ARIMA(p,d,q)o
19.线性趋势平稳的特点:
当我们将时间序列中的完全确定的线性趋势去掉以后,所形
成的时间序列就是一个平稳的时间序列。
20.如何以系统的观点看待时间序列的动态性?
系统的动态性就是在某一时刻进入系统的输入对系统后继行为的影响,也就是系统的记
忆性,描述记忆性的函数称为记忆函数。
三、证明题
1.AR
(1)模型:
XtiXt1
at,
其中
at是白噪声,且Eata2
证明:
Ext2
Eixt1at2E
12Xt2
12
ixtiatat2
Ext2
E
Xt21
0
Extiat0,E
at2孑,所以,E
Xt2
i2
EXt20a2
2
2a
EXt,12
XtGjat
jo
3.AR⑴模型XtiXt1at,其中at是白噪声,试证
证明:
由
XtiXtiat,则有
XtiXt1at(1
1B)Xtat(注:
利用无穷等比级数求和)
Xt1at1iB
t1iBt1
i2B2
1
atrBat
tj01t
Xt
ratjGjatj,其中Gjjojo
卡为AR⑴的格林函数。
2。
证明其
4.已知MA
(1)模型Xtatiat1,at是白噪声,且E(at2)
自身相关
函数为
ro
E
XvE[
at心12]112a2
ri
E
XtXt1
E
at偸1at1心2
1
k
2
时,有
rk
E
XtXtk
E
atiat13tkiatki
0
k112
01k1
5.证明:
随机游动过程是非平稳时序。
证明:
对于
*
yt1
at,设yo0,
则yi
ai,y2
ai
a?
y3ai
3233,
于是,
ytat,
且
EytEatt
00,
Varyt
2
*的方差随时间而改变,因此,过程是非平稳的。
6•试证ARMA(2,1)的格林函数隐式GjiGj12Gj20,j2
7•试证ARMA(1,1)模型XtiXt1atQt1的预测值
11XtI10
Xt1atr,
1
8.试证明dYt1B-Yt
1Cd」Ytj
9.由ARMA模型的传递形式进行预测,试证XtI的条件方差为
var(Xti)a2Go2G12G22Gi2i
1.某零均值序列(N二250)适合AR模型,对其分别拟合
AR
(1).AR
(2)和AR(3)模型(模
型中不包括常数项),残差平方和分别为:
1619.236,
1474.032,1473.748,试用F检验定
阶法判定该序列适合模型的阶数(显著性水平取为0.05)。
1474.0321473.748
答:
1
1473.74
0.28
0.047
25013
取0.05,查F分布表可得Fo.os1,2463.84,显然FFo.051,246,所以在
0.05的显著性水平下,AR⑵和AR⑶模型没有显著
差异,所以模型阶数可以继续降低。
1619.2361474.032
1145.204
1474.0325.968
25012
取0.05,查F分布表可得Fo.051,2463.84,显然FFo.051,246,所以在
0.05的显著性水平下,AR
(1)
和AR
(2)模型有显著差异,所以合适的模型阶数为2阶。
2.从特征根和平稳域两个方面,分别判断下面模型的平稳性。
(1)Xt0.8X-at;
(2)Xt1.1Xt1at;
3)XtXt10.5Xt2at;(4)XtXt10.5Xt2at
3.对某时间序列(N二80)拟合ARMA(2,1)模型,得到残差自相关如下表
所示,试检验该
模型的适应性(显著性水平取为0.05)。
残差自相关函数
k
1
2
3
4
5
6
7
8
k
0.1
0.08
0.09
0.04
-0.13
0.05
0.02
-0.06
答:
残差自相关函数满足?
k1.96/800.22
而ARMA(2,1)模型是适合的。
五、解答题
1•解差分方程y(k2)7y(k1)12y(k)5”
解:
设y(k)k,则有k27k,12k0
2
7120解得:
1二3,2二4
y(k)Ci1Ci3k;y(k)C22C24
kk
则通解为:
y(k)Ci3kC24*
令y(k)C5s得:
C57C5—12C®525C35C12C1
1
2C=1,C=
2
k1k
特解为:
y(k)
C525
1
原方程的通解为:
y(k)Ci3kC24k,5k
2
2.有t=1,2,-,11
的数据序列如下:
0.21,1.02,1.31,0.39,-0.26;
-0.26,-0.10,0.83,0.71,1.3&2.27
(求均值和减去均值后的序列Xt
(2)
计算残差序列
at,t—2.38
因为更换数字后将
用AR
(1)模型拟合Xt,?
=0.583•预测题目不是背的,如果不从本质上理解,很难得到高分,
是另
一种结果,所以这里介绍集中常规模型求解方法,只要形成一种思维,才会以不变应万
变。
必须记忆的公式(解题关键):
E(XkXt)Xukt
cn
E(akXt)akkt
2)E(atiXt)0I0
(3)E(XtiXt)X?
tiI0
(4)人i在95%置信度下的置信区间
1
X?
ti1.96**Go2G12G22+Gr12
(其中Go?
G12G22+Gi为格林函数)
(5)修正公式
X?
ti(l)X?
ti(l1)Gi*an其中atiXtiX?
t
(1)
4.请同学们自行验证以下模型结论
AR
(1)模型
x?
t
(1)i*Xt
x?
t
(2)i*Xt
I1时,X?
t(l)-1*Xt
ARMA(1,1)模型
X9t
(1)1X偸
X?
t
(2)iX?
t
(1)
I1时,x?
t(l)iX?
t(l1)
MA
(1)模型
X?
t
(1)偸
X?
t
(2)0
I2时,X:
(I)0
(验证了MA序列短记忆性)
5.请同学们把书上第三章的前三节,尤其关于平稳性与可逆性、尤沃方程、格林函数
等相关知识,以及P87习题3.5、3.6、3.7与3.11>例4.1、例4.2、例4.3,
P120例5.1、
例5.2、例5.3以及
P125的5.4掌握了。
这几道例题将作为极高频考试题目。
(数字更换,
思想不变)
6.推导AR
(2)模型参数n2及「矩估计的表达式
7.判断下列模型的平稳性与可逆性
(1)Xt0.6Xt10.2Xt2at
(2)Xt0.4Xt2at1.2at10.2at2
1k1k112k1
0k1
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 时间 序列 分析 练习题